十大股票研究与金融分析代理

十大股票研究与金融分析代理

AI 股票研究正超越文档摘要的范畴。目前最有用的系统将监管备案、财报电话会议记录、投资者演示文稿、公司特定关键绩效指标、共识预测、内部研究和财务模型整合到一个可重复的工作流程中。

重要的区别在于，一个生成看似合理段落的 AI 工具与一个可审计的研究代理之间有本质不同，后者能够：

• 检索正确的备案文件、时期、细分、单位和会计定义。
• 将每一个事实性断言链接到证据。
• 填充或更新财务模型。
• 将报告结果与当时可用的共识预测进行比较。
• 检测矛盾、重述和异常变动。
• 保留假设、提示、模型版本和分析师批准的历史记录。
• 防止重要非公开信息泄露到不适当的输出中。

本文根据其对公开市场股票研究和金融分析的适用性，而非市场份额或供应商报告的人工智能准确性，对十大平台进行了排名。目前，还没有独立的、全面的基准测试来涵盖所有十种产品在检索准确性、笔记生成时间、共识偏差和备案错误检测方面的表现。

十大平台一览

这些平台如何被评估

相关问题并非简单地“哪个系统有最好的聊天机器人？”一个严谨的股票研究代理应从六个层面进行评估。

1. 数据覆盖和供应商连接器

该平台是否连接到：

• 美国证券交易委员会 (SEC) 备案文件。
• 国际备案文件。
• 财报电话会议记录和音频。
• 投资者演示文稿。
• 标准化财务报表。
• 公司特定关键绩效指标。
• 共识预测。
• 卖方研究。
• 专家网络会议记录。
• 替代数据。
• 内部研究笔记、电子邮件、客户关系管理系统和文件存储库。

2. 检索准确性

系统能否正确识别：

• 报告期。
• 备案日期和接入号。
• 正确的公司和证券。
• 单位和货币。
• 报告数字与调整后数字。
• 合并数据与分部数据。
• 脚注披露。
• 重述数字与最初报告数字。
• 支持某项断言的精确句子、表格、页码或行。

3. 财务模型生成

代理能否构建或更新：

• 损益表。
• 资产负债表。
• 现金流量表。
• 收入构建模型。
• 分部模型。
• 运营费用表。
• 关键绩效指标表。
• 可比公司分析。
• 贴现现金流模型。
• 牛市、基准和熊市情景。
• 敏感性表格。

4. 笔记生成

它能否生成有用的：

• 财报快讯。
• 财报预览。
• 财报后回顾。
• 启动报告。
• 公司概况表。
• 投资论点。
• 管理层会议简报。
• 模型变更摘要。
• 内部投资委员会备忘录。

5. 可审计性

审查者能否从每个重要声明点击到：

• 原始文档。
• 相关页面或行。
• 来源时间戳。
• 数据版本。
• 计算或公式。
• 先前假设。
• 进行更改的分析师或代理？

6. 治理和合规性

该平台是否支持：

• 基于角色的权限。
• 源级别权限。
• 公开与私人信息标签。
• 重要非公开信息控制。
• 提示和输出保留。
• 不可变或可重建的版本历史记录。
• 人工审批。
• 数据删除。
• 不用于训练的承诺。
• 模型提供商透明度。
• 审计导出。

1. AlphaSense Generative Search and Workflow Agents

最适用于广泛的股票研究和定性情报。

AlphaSense 拥有该领域最广泛的研究内容基础之一。其平台结合了备案文件、财报电话会议记录、卖方研究、专家访谈、内部研究、财务数据、公司关键绩效指标和交易信息。其文档称，生成式搜索 (Generative Search) 可以将结构化财务数据与定性内容结合，包括 20 多年的历史财务数据和 22,000 多家上市公司的共识数据。其 Canalyst 集成还为数千家公司添加了公司特定的运营指标。 (help.alpha-sense.com)

该平台的深度研究 (Deep Research) 模式可以创建研究计划、进行迭代搜索并生成带引用的分析。其工作流程代理可支持财报准备、公司快速启动、竞争性基准分析和尽职调查。用户还可以检查研究计划和底层引用，而不是仅仅接收最终答案。 (help.alpha-sense.com)

优点

• 定性与定量研究内容结合最广泛。
• 强大的财报电话会议、专家网络和卖方研究覆盖。
• 有助于公司概况、财报准备和竞争性基准分析。
• 证据链接的答案和源链接的财务表格。
• 日益强大的工作流程代理层。

局限性

AlphaSense 作为研究和情报平台最为强大，不一定是完全确定性的财务模型编译器。它可以帮助验证假设并生成研究输出，但买家应测试该系统更新其现有 Excel 模型的精确度是否与专业财务数据平台相同。

最适合： 资产管理公司、对冲基金、投资银行以及需要连接备案文件、电话会议、专家研究、券商研究和内部知识的研究团队。

2. Rogo and Felix

最适合端到端金融工作产品。

Rogo 将 Felix 定位为一个金融专用代理，可以从单个提示生成 Excel 模型、PowerPoint 演示文稿、Word 文档、仪表板和有来源的研究。其公开代理库包括季度财报模型、牛熊市情景、财报复盘、事件催化剂筛选和启动报告等股票研究工作流程。 (rogo.ai)

Rogo 还提供自定义代理，可以编码公司的模板、格式、工作流程、基准和投资方法。其连接器列表包括内部协作和数据系统、Daloopa、Moody’s、PitchBook、Microsoft Teams、Dropbox、Slack、Affinity 以及自定义 Model Context Protocol 服务器。其 Excel 插件旨在在工作簿内构建、更新、分析和压力测试模型。 (rogo.ai)

优点

• 整体上最专注于完成交付物。
• 可生成模型、笔记、演示文稿和仪表板。
• 自定义代理可编码公司风格和投资流程。
• 非常适合经常性财报和投资组合监控工作流程。
• 广泛的内部和外部连接器策略。

局限性

Rogo 的部署通常是定制化的，因此结果可能因公司配置、数据权限和代理设计而异。Rogo 发布了其 Big Finance Bench，这是一个涵盖估值、关键绩效指标、备案文件、财报分析和预测的 928 个问题的基准测试。然而，该基准衡量的是 Rogo 设计的代理框架中的前沿模型；它并非针对本文中其他平台的独立产品级准确性比较。 (rogo.ai)

最适合： 那些希望 AI 分析师能够生成模型、笔记或演示文稿的可审查初稿，而不仅仅是回答问题的公司。

3. Bloomberg ASKB

最适用于结合共识和市场数据的机构研究。

彭博社的 ASKB 是彭博终端内部的对话式人工智能层。它协调彭博数据、新闻、研究、备案文件、会议记录、文档和分析中的多个代理。彭博社表示，ASKB 可以支持财报前准备、财报后分析、公司评论分析和结构化研究工作流程。 (professional.bloomberg.com)

其主要优势在于与彭博社现有分析环境的连接。回复可以包括对原始文档的透明归因，如果涉及数据分析，还会包含底层的 Bloomberg Query Language 代码。分析师可以在 Microsoft Excel、BQuant Desktop 或 BQuant Enterprise 中扩展结果。彭博社还描述了用于将公司结果与预测进行比较以及分析关键绩效指标相对于共识的工具。 (professional.bloomberg.com)

优点

• 与彭博社的结构化和非结构化数据深度集成。
• 强大的共识与实际结果比较工作流程。
• BQL 使定量答案更具可重复性。
• 广泛的全球公司、市场、研究和新闻覆盖。
• 最适合已在彭博终端内操作的用户。

局限性

ASKB 目前是对彭博生态系统的增强，而非完全独立的模型构建环境。对于复杂的预测模型，用户可能仍需要 Excel、BQuant 或现有的彭博工作流程。彭博社也未公开披露供应商中立的检索准确性或备案错误检测率。

最适合： 已经拥有彭博权限并希望在不离开终端的情况下加速研究的机构用户。

4. LSEG Workspace AI Search

最适用于全球数据、路透社内容和分析师预测工作流程。

LSEG Workspace AI Search 在对话界面中结合了市场数据、备案文件、路透社新闻、交易数据、售后研究、金融分析和业务逻辑。用户可以检索数据、筛选市场、比较实体、总结文档和分析趋势，并提供透明的引用回溯至底层来源。 (lseg.com)

LSEG 还通过 Microsoft Excel、PowerPoint、Microsoft Teams、Microsoft Copilot 和 Model Context Protocol 连接器扩展了访问权限。其机构经纪商估算系统 (Institutional Brokers’ Estimate System) 涵盖了 23,000 多家公司和数百项财务指标，包括用于衡量业绩超预期和未达预期的共识和可比实际数据。 (lseg.com)

优点

• 强大的全球公司和市场覆盖。
• 路透社、备案文件、交易、售后研究和预测都在一个环境中。
• 有助于共识偏差和国际股票研究。
• 透明的引用以及交互式表格和可视化。
• 通过微软生产力工具的访问性日益增强。

局限性

AI Search 产品相对较新，其可用性、工作流程深度和客户权限可能有所不同。复杂的模型构建可能仍需要 Excel、Workspace 加载项或第三方建模工具，例如 Macabacus。

最适合： 依赖机构经纪商估算系统、路透社和基于 Excel 分析的全球投资银行、资产管理公司和研究团队。

5. Kepler Finance

最适合证据优先和确定性金融分析。

Kepler 的核心架构特点是，语言模型解释分析师的问题，而确定性代码检索数据、执行计算并生成引用。Kepler 表示，人工智能系统本身不创建财务数字；每个数字都链接到源文档、页面和行项目，并且计算是可重现的。 (kepler.ai)

该平台旨在在公司重述或提交新数字时标记更改。它还支持备案文件分析、分部收入、债务结构、税务披露、估值、Excel 导出、PowerPoint 导出以及面向合规的数据沿袭。其已发布的数据基础包括美国证券交易委员会备案文件、财报会议记录、投资者关系文档和市场数据。 (kepler.ai)

优点

• 公开描述的语言解释和数值计算之间分离度最强。
• 卓越的来源和计算可追溯性。
• 非常适合备案文件核对、重述和模型更新。
• 专为可审计的 Excel 和 PowerPoint 输出而设计。
• 在财务报表和脚注错误检测方面潜力强大。

局限性

Kepler 最适合被视为一个证据和计算层，而非彭博社、FactSet 或 LSEG 数据生态系统的完全替代品。其公开文档还表明，尽管其更广泛的文档语料库涵盖多个市场，但国际覆盖的产品可用性和地理重点仍需确认。

最适合： 每个数字都必须具有可辩护性的买方分析师、金融机构和合规团队。

6. FactSet Mercury and Transcript Assistant

最适合财报季、财务数据和内部研究。

FactSet Mercury 是一个基于 FactSet 结构化和非结构化数据构建的对话式金融研究代理。其 Transcript Assistant 允许分析师询问有关财报电话会议的问题并接收摘要或有针对性的答案。FactSet 将该系统描述为一种旨在提高可靠性和安全性的封闭域方法。 (factset.com)

FactSet 的 Transcript Intelligence 产品增加了一项重要控制：人工智能生成的财报摘要由 FactSet StreetAccount 专家审查，并且摘要要点旁边显示来源链接。FactSet 还提供内部研究笔记工具，包括源链接起草和主题分析。其人工智能治理文档称，用户提示和回复是保密的，不会以无人监督或自动的方式用于训练大型语言模型。 (factset.com)

优点

• 强大的财报电话会议记录覆盖和工作流程集成。
• 人工审查的财报会议记录摘要。
• 连接的财务基本面、预测、备案文件、研究和新闻。
• 内部研究笔记和投资组合分析工作流程。
• 成熟的治理和企业数据立场。

局限性

FactSet 在许多工作流程中表现强劲，但公开资料较少明确说明其具备从头开始构建完整股票研究模型和笔记的完全自主的端到端流程。买家应直接测试模型填充、公式保留、源链接假设和导出质量。

最适合： 寻求更安全、更快速财报工作流程的现有 FactSet 客户。

7. Daloopa Scout

最适合以 Excel 为中心的模型构建和维护。

Daloopa 将公司备案文件转换为结构化财务数据，并将每个数据点链接到原始源文档。其平台支持 Excel、应用程序编程接口 (API)、云数据仓库和 Model Context Protocol 连接。 (daloopa.com)

Scout 是 Daloopa 在 Excel 加载项中的模型构建助手。它可以构建损益表、现金流量表、营收构建模型、费用分析、行业比较模型和多标签运营模型。Daloopa 表示，Scout 写入的每个数字都包含源超链接，并且可以通过单击进行刷新。 (docs.daloopa.com)

优点

• 卓越的源链接财务数据。
• 最适合更新现有 Excel 模型。
• 很好地处理定期财报季模型维护。
• 应用程序编程接口、云、Excel 和 Model Context Protocol 交付。
• 对历史公司基本面和关键绩效指标的强大覆盖。

局限性

Daloopa 主要是一个结构化财务数据和建模层。它在专家网络研究、广泛的卖方研究综合或细致的管理层语气分析方面的差异化不明显。其宣称的准确性和节省时间，包括声称准确率超过 99% 和大幅减少模型构建时间，均为供应商报告数据，应进行独立测试。 (daloopa.com)

最适合： 花费过多时间将备案文件中的数字复制到 Excel 的股票分析师。

8. Hebbia Matrix

最适合多文档和多格式研究。

Hebbia Matrix 旨在分析大量文档集合并返回结构化表格，而非单个对话式答案。它支持文本、图表、图形和其他文档格式，并强调整个工作流程的透明度和引用。 (hebbia.com)

对于股票研究，Hebbia 描述的用例包括覆盖范围扩大、财报电话会议分析、模型注释、假设验证和可搜索的机构记忆。其文档化的集成包括美国证券交易委员会备案文件、标普、Capital IQ、PitchBook、Third Bridge、微软、Box 和内部研究材料。 (hebbia.com)

优点

• 非常适合并排比较多个文档。
• 强大的自定义矩阵和结构化提取支持。
• 有助于脚注、管理层评论和假设验证。
• 处理内部研究和专有文档。
• 非常适合希望设计自己工作流程的分析师。

局限性

Hebbia 主要不是一个规范的共识数据库或财务模型数据提供商。其准确性在很大程度上取决于连接源的质量、矩阵的设计以及公司的财务定义。

最适合： 拥有复杂文档集合并需要创建自定义研究工作流程而无需构建内部检索系统的团队。

9. S&P Capital IQ Pro and ChatIQ

最适合标准化财务数据、预测和可比公司研究。

S&P Capital IQ Pro 结合了标准化财务报表、市场数据、共识预测、所有权、交易、公司研究以及包括 ChatIQ、文档智能 (Document Intelligence) 和图表解释器 (Chart Explainer) 在内的人工智能功能。标普表示，该平台覆盖超过 100,000 家上市公司，并整合了 Visible Alpha 预测，包含 2 亿多个数据点和来自数百家券商的 100 多万个共识预测项目。 (spglobal.com)

该平台特别适用于可比公司分析、估值、筛选、共识分析和文档摘要。它还支持链接的 Excel 工作流程以及对财务和文本数据的自然语言查询。

优点

• 庞大的结构化公司和预测数据库。
• 强大的可比公司和估值工作流程。
• 广泛的共识预测覆盖。
• 用于备案文件、会议记录、演示文稿和研究的文档智能。
• 对投资银行和股票研究团队有用。

局限性

公开的产品信息更侧重于数据访问、文档分析和对话式研究，而非完全自主、源链接的三表建模代理。它可能最适合作为现有 Capital IQ Pro 和 Excel 工作流程的一部分，而非作为独立的分析研究工具。

最适合： 优先考虑预测、同行分析、筛选和标准化财务数据的团队。

10. Fiscal.ai and Fiscal Model Context Protocol Skills

最适合构建自定义金融代理的开发者和研究团队。

Fiscal.ai 提供结构化财务报表、比率、关键绩效指标、备案文件、财报事件、会议记录、音频、所有权数据、基金信函和应用程序编程接口。其文档指出，用户可以将数据追溯到备案文件，并检索包含说话人映射、时间戳和问答部分的结构化财报电话会议记录。 (docs.fiscal.ai)

Fiscal 的 Model Context Protocol 服务器和预构建技能支持财务模型、公司快照、投资研究笔记、同行比较、估值、筛选器、备案文件搜索和观察列表监控。其财务模型技能包括一个连接到驱动假设的预测框架，而其投资研究技能则生成一个具有源链接数据的结构化买方风格笔记。 (docs.fiscal.ai)

优点

• 开发者友好的应用程序编程接口和 Model Context Protocol 访问。
• 源链接财务数据和备案文件。
• 用于模型、笔记、估值和可比公司的预构建技能。
• 有助于在 Claude、ChatGPT、Microsoft Copilot 或内部系统中构建自定义代理。
• 清楚区分备案财务数据和调整后指标。

局限性

Fiscal 的文档列出了几个当前的覆盖范围限制，包括仅限英语的财报事件、关键绩效指标的部分地理覆盖，以及某些事件和新闻数据集仍在开发中的历史记录。其共识预测功能也不像彭博社、LSEG、FactSet 或标普那样处于核心地位。

最适合： 金融科技构建者、内部数据团队以及希望组装自己的证据链接代理而非购买完全集成终端的研究公司。

比较基准：买家应该衡量什么？

供应商所做的公开声明不能直接进行比较。例如，一个供应商可能报告会议记录的词错误率，另一个可能报告平均数据准确性，还有一个可能报告节省的时间。这些数字可能使用不同的数据集、定义和审查流程。

适当的评估应为每个平台使用相同的公司、源文档、数据快照、提示和验收标准。

1. 检索准确性

创建一个测试集，至少涵盖：

• 十份年度备案文件。
• 十份季度备案文件。
• 当前报告和财报发布。
• 投资者演示文稿。
• 财报电话会议记录。
• 分部披露。
• 脚注。
• 非 GAAP 调节。
• 重述。
• 来自不同行业的公司。

对每个提取的数据点进行评分，标准包括：

1. 正确的公司。
2. 正确的时期。
3. 正确的货币和单位。
4. 正确的符号。
5. 正确的会计定义。
6. 正确的分部或地理位置。
7. 正确的备案状态或重述状态。
8. 正确的来源引用。
9. 正确的页面、表格、段落或行。
10. 正确的计算。

如果系统提取了错误的季度或混淆了调整后收益与公认会计原则 (GAAP) 收益，则不应因找到正确文档而获得满分。

公开披露的证据

• Daloopa 报告称，其数百万数据点的平均准确率超过 99%，但这属于供应商报告的数字。 (daloopa.com)
• Quartr 报告了实时和历史会议记录的词错误率数据，对会议记录处理的每个阶段都有单独的测量。 (quartr.com)
• Kepler 和 Daloopa 强调源链接数字以及确定性或结构化数据工作流程。 (kepler.ai)
• FactSet 对某些财报会议记录摘要增加了人工审查。 (factset.com)

这些披露很有用，但不应被视为独立的排名依据。

2. 与共识的偏差

共识基准分析经常因分析师比较不同定义或不同信息截止点而出现问题。

对于每家公司和报告期，应保留：

• 发布前立即获得的共识快照。
• 贡献分析师的数量。
• 共识均值、中位数、最高值和最低值。
• 指标定义。
• 货币。
• 财政期间。
• 预测是根据公认会计原则、调整后、报告或建模得出的。
• 发布前可用的公司指导。

有用的衡量标准包括：

text Revenue surprise = (actual revenue - consensus revenue) / absolute(consensus revenue)

Earnings-per-share surprise = (actual earnings per share - consensus earnings per share) / absolute(consensus earnings per share)

Margin variance = actual margin - consensus margin

对于负的每股收益值或接近零的值，百分比偏差可能会产生误导。应改用绝对差值和基点偏差。

这项测试的最佳平台可能是 Bloomberg、LSEG、FactSet、S&P Capital IQ Pro 和 AlphaSense，因为它们提供结构化预测或共识相关数据。例如，LSEG 的机构经纪商估算系统 (Institutional Brokers’ Estimate System) 包括共识、可比实际数据和面向偏差的分析。 (lseg.com)

3. 笔记生成时间

衡量从公开发布时间戳到完成、可审查笔记的时间。

不要只衡量机器延迟。记录：

• 首次回答时间。
• 首次模型更新时间。
• 首次笔记草稿时间。
• 分析师修正时间。
• 审阅者修正时间。
• 更改数字的数量。
• 不受支持声明的数量。
• 缺失引用的数量。
• 最终批准时间。

一个有用的基准包含三个工作流程：

财报快讯

• 报告的营收和每股收益。
• 相对于共识的超预期或未达预期。
• 指导变化。
• 关键绩效指标变化。
• 管理层语气。
• 初始股价反应。

财报模型更新

• 历史时期更新。
• 预测变化。
• 利润率和运营驱动因素变化。
• 牛市、基准和熊市情景。
• 修正后的目标价或估值区间。

财报后研究笔记

• 投资论点。
• 发生了什么变化。
• 什么没有变化。
• 主要积极因素。
• 主要风险。
• 模型影响。
• 管理层信誉。
• 证据链接的结论。

Rogo 和 AlphaSense 是衡量端到端笔记生成速度的有力竞争者。Daloopa、Kepler 和 Fiscal.ai 与模型更新部分尤其相关。供应商节省时间的说法应谨慎对待，因为它们通常不包括审查和修正时间。Daloopa，例如，发布了关于减少模型初始化和财报更新时间的声明，而 Kepler 客户资料描述了在不到一分钟内获得带引用答案的情况；这两者都不能替代受控的买方测试。 (daloopa.com)

4. 备案错误检测

一个有用的错误检测基准应该包含自然发生和故意植入的问题：

• 重述的营收数字。
• 现金流中的符号反转。
• 单位从百万变为千。
• 财政期间不匹配。
• 分部总计不一致。
• 稀释股份数量不一致。
• 未经完整调节的非 GAAP 指标。
• 关键绩效指标定义的变化。
• 与资产负债表冲突的债务到期时间表。
• 与报告数据冲突的管理层评论。

衡量：

• 准确率 (Precision)： 有多少警报是真实的？
• 召回率 (Recall)： 检测到多少真实错误？
• 严重性加权召回率： 是否在次要问题之前检测到重要问题？
• 假阳性负担： 浪费了多少分析师时间？
• 分类时间： 分析师验证警报的速度有多快？
• 证据质量： 系统是否显示了相互冲突的来源？

Kepler 在重述跟踪、来源沿袭、确定性计算和备案文件级证据方面最为明确。Daloopa 在源链接结构化数据方面表现强劲。Hebbia 可以有效地进行跨文档矛盾搜索当分析师配置适当的矩阵。FactSet 对选定的会议记录产品增加了人工审查。然而，目前还没有公开的、独立的准确率和召回率比较能够确定这些平台中的赢家。

可审计性、证据链接断言和版本控制

引用与审计追踪不同。

高质量的研究断言应保留包含以下内容的证据包：

text Claim: "Subscription revenue increased 18 percent year over year."

Source: Company filing, accession number, page, table, paragraph, and line.

Source state: As-filed or subsequently restated.

Retrieved: Timestamp and data-vendor version.

Definition: Reported subscription revenue, consolidated, quarterly.

Calculation: Current period / prior period - 1.

Agent state: Model name, model version, prompt, workflow version, and tool calls.

Review: Analyst, reviewer, approval timestamp, and disposition.

最重要的版本控制要求是同时保留：

1. 原始备案历史，显示公司最初报告的内容。
2. 当前重述历史，显示最新修正的数据。

如果缺少这两者，一个模型今天可能看起来准确，但在做出投资决策时却无法重建其当时的状况。

当前市场空白

许多平台提供引用、来源链接、对话历史或文档版本。但很少有平台公开记录一个完整的声明级版本账本，该账本能够连接：

备案文件 → 提取的事实 → 模型单元格 → 假设 → 估值输出 → 研究笔记 → 审阅者批准。

这是“源链接”与真正“可审计”之间的主要区别。

重要非公开信息控制

重要非公开信息控制应是采购要求，而非事后考虑的因素。

《投资顾问法》第 204A 条要求投资顾问建立、维护并执行书面政策和程序，以合理地防止重要非公开信息的滥用。规则 204A-1 还要求访问人员制定道德准则和报告程序。 (sec.gov)

美国金融业监管局 (FINRA) 也强调，当公司使用生成式人工智能时，关于监督、沟通、记录保存和公平交易的常规规则仍然适用。在监督流程中依赖人工智能的公司必须考虑系统的完整性、可靠性和准确性。 (finra.org)

股票研究代理所需的控制措施

合规实施应包括：

• 来源分类： 公开备案、公开电话会议、授权研究、专家网络材料、内部研究或受限数据。
• 权限感知检索： 代理应仅检索用户被授权访问的内容。
• 公开输出过滤： 内部或受限信息不应自动流入面向客户或公开的笔记中。
• 限制列表集成： 研究输出应与受限证券和观察列表进行核对。
• 提示和输出日志记录： 保留谁询问了什么、访问了哪些来源以及生成了什么。
• 人工审批： 在分发、交易使用或外部沟通前要求审批。
• 不用于训练的控制： 确认提示、文档和输出是否用于训练外部模型。
• 保留和删除： 定义文档、提示和生成输出的保留时间。
• 模型提供商控制： 识别所有涉及的外部模型和子处理器。
• 访问审查： 定期验证用户仅保留其所需的权限。

FactSet 公开描述了其人工智能产品的保密性和不进行无人监督训练的控制措施，而 Hebbia 和 Kepler 也强调私人数据处理和查询级别的数据沿袭。这些是积极的指标，但它们本身并不能确立公司遵守其法律和监管义务的情况。 (factset.com)

推荐的采购策略

研究团队不应仅凭演示选择平台。应进行一项受控试点，包括：

• 二十家公司。
• 至少五个行业。
• 每家公司两份年度备案文件和四份季度备案文件。
• 最新的财报电话会议和投资者演示文稿。
• 一次历史重述或会计变更。
• 一个固定的共识快照。
• 三个标准分析师工作流程。

建议的验收关卡

设定内部阈值，例如：

• 最终笔记中的每个确切数字都必须有来源。
• 每个模型输入都必须标明其来源和定义。
• 没有关键时期、单位或公司识别错误。
• 所有模型更改必须在差异报告中可见。
• 所有不受支持的断言都必须被标记。
• 分析师必须能够重建批准时的笔记版本。
• 受限或内部来源必须有清晰的标签。
• 平台必须导出提示、来源、计算和批准，以供合规审查。

实际平台选择

• 选择 AlphaSense 进行广泛研究、专家电话会议、卖方内容和定性情报。
• 选择 Rogo 进行端到端模型、笔记、演示文稿和自定义工作流程。
• 选择 Bloomberg 或 LSEG 进行市场数据、预测、全球覆盖和共识分析。
• 选择 FactSet 进行财报工作流程、内部研究和人工审查的会议记录智能。
• 选择 Kepler 进行确定性、证据优先的金融分析。
• 选择 Daloopa 进行源链接的 Excel 模型和定期更新。
• 选择 Hebbia 进行大型文档集合和自定义研究矩阵。
• 选择 S&P Capital IQ Pro 进行标准化数据、预测、交易和可比公司工作。
• 在构建自定义应用程序编程接口或基于 Model Context Protocol 的代理时选择 Fiscal.ai。

市场空白和更优的构建方案

市场不需要另一个通用的金融聊天机器人。更有价值的机会是一个证据优先的股票研究操作系统。

一个更强大的产品将上述平台的最佳功能整合到一个中立层中：

1. 财务证据图谱

将每家公司、备案文件、会议记录、演示文稿、指标、分部、预测和假设映射到稳定的标识符。

2. 双重财务账本

存储原始备案值和重述值，并显示它们之间的可见差异。

3. 确定性模型编译器

使用显式公式将源链接事实转换为 Excel 或基于云的模型，而不是让语言模型发明数值输出。

4. 声明账本

存储每个断言及其证据、定义、时间戳、计算、置信度和审阅者状态。

5. 共识时间机器

保留每次公告前存在的共识快照，包括贡献者数量、离散度和预测修订。

6. 备案矛盾检测引擎

自动比较不同时期的备案文件并标记以下方面的变化：

• 定义。
• 单位。
• 分部结构。
• 关键绩效指标。
• 非 GAAP 调节。
• 债务披露。
• 股份数量。
• 管理层评论。

7. 假设沿袭

每个预测假设都应显示其来源是：

• 公司指导。
• 历史趋势。
• 共识。
• 分析师判断。
• 可比公司。
• 情景参数。

8. 合规政策引擎

分离公开、授权、内部、专家网络和受限信息。防止未经授权的数据进入面向外部的笔记。

9. 版本化笔记生成

当分析师更改营收假设时，系统应显示哪些模型单元格、估值输出、论点陈述、图表和笔记因此而改变。

10. 独立基准测试套件

使用固定的公开方法发布检索、共识、笔记生成时间和备案错误检测结果。行业需要一个衡量工作流程质量的中立基准，而不仅仅是短答案问题的准确性。

最有力的创业切入点将是一个财报后模型更新和证据链接笔记平台。它可以从有限的上市公司范围开始，与现有数据供应商集成，并专注于使每次预测变更和研究断言都具有可辩护性。随着时间的推移，它可以成为连接彭博社、LSEG、FactSet、AlphaSense、Daloopa、内部数据和自定义人工智能代理的审计和治理层。

结论

领先的股票研究代理正趋向于相同的架构：许可的金融数据、结构化检索、语言模型推理、确定性计算、工作流程自动化和证据链接输出。

目前没有一个平台能够主导所有要求。

• AlphaSense 在定性研究广度方面处于领先地位。
• Rogo 在端到端工作产品生成方面处于领先地位。
• Bloomberg 和 LSEG 在连接市场数据和共识工作流程方面处于领先地位。
• Kepler 和 Daloopa 在源链接数值分析和模型完整性方面最强。
• FactSet 和 S&P Capital IQ Pro 受益于成熟的数据生态系统和机构工作流程。
• Hebbia 擅长灵活的多文档分析。
• Fiscal.ai 对构建自定义金融代理的团队具有吸引力。

正确的选择取决于主要瓶颈是查找信息、更新模型、撰写笔记、比较共识、检测错误，还是证明结论是如何得出的。对于受监管和高风险的投资工作，决定性特征并非第一个答案看起来有多令人印象深刻。关键在于分析师、投资组合经理、合规官或监管机构能否精确重建答案的来源、哪些假设发生了变化以及谁批准了结果。