研究、合规与风险
用于可审计金融研究的 AI Agent
把研究问题转化为时点证据、可复现计算、经反证的结论与带引用的备忘录。
精选 Provider
生产使用前，请核对接口覆盖、字段、时效、权限与许可。
Alpha Vantage
生产级金融研究指南
用于可审计金融研究的 AI Agent
把研究问题转化为时点一致的证据、可复现的计算、经过反证的结论，以及带来源的研究备忘录。
Decision brief
TL;DR
先定义研究任务
在检索前明确实体、问题、允许的数据源、截止时间、研究周期、重要性阈值和禁止动作。
保存时点真相
记录每项事实何时发布、何时可用。历史问题不能使用后来修订、重述或未来市场信息。
计算放在模型外
比率和转换由确定性代码执行，并保留公式版本、输入、期间、币种、单位尺度和验证状态。
让每项结论可检查
分别标注事实、计算、管理层陈述和分析推断；绑定 Claim-level Evidence，高影响使用必须人工复核。
范围：本文讨论研究基础设施，不是 AI 选股器；不提供投资建议，也不授权自动交易。
适用对象与前置条件
适用于公司研究、财报准备、尽调、风险监控、主题研究和投研支持。你需要可信后端、持久化证据库、合规的数据访问、确定性计算服务以及明确的人工负责人。
任务负责人：定义范围与审批门槛
数据契约：身份、期间、单位、来源、时间
证据库：原始响应、URL、Hash、检索时间
评估集：已知问题与参考证据
先定义研究任务，再收集数据
“分析这只股票”没有稳定的完成条件。应把它转成机器可读的 Research Mandate，让每次检索和每项结论都能按范围验证。
JSON · research mandate
{
"entity": {"ticker": "ACME", "exchange": "NASDAQ"},
"question": "What changed in operating quality?",
"as_of": "2026-07-30T20:00:00Z",
"periods": ["FY2024", "FY2025", "LTM"],
"allowed_sources": ["filings", "official_macro", "licensed_market"],
"materiality": {"revenue_pct": 2.0, "margin_bps": 100},
"prohibited_actions": ["trade_execution", "personalized_advice"],
"required_output": "evidence_backed_memo"
}金融数据源层级：让结论匹配权威来源
| 优先级 | 来源类别 | 适合用途 | 必要注意 |
|---|---|---|---|
| 1 | 监管 Filing 与官方记录 | 已披露财务数据、法律披露、Filing 事件 | 保留 Accession、Form、期间、修订 |
| 2 | 官方经济与统计数据 | 利率、通胀、就业与宏观背景 | 可修订序列应使用 Vintage |
| 3 | 授权市场与参考数据 | 价格、公司行动、标识符、预测 | 记录供应商、复权规则与授权 |
| 4 | 公司材料 | 管理层表述、指引与演示 | 标为管理层陈述，而非已验证事实 |
| 5 | 新闻、Transcript 与二手分析 | 线索发现、事件顺序、不同解释 | 重大结论须向上游来源核实 |
Point-in-time 数据：防止前视偏差
每个历史问题都需要 Knowledge Cutoff。既要保存数值描述的期间，也要保存数值何时可用。当前 FRED Observation 可能包含后续修订；重建历史认知时应使用 ALFRED Vintage Date。同样的纪律也适用于 Amendment、Restatement、Estimate、Price 与 Corporate Action。
| 时间字段 | 含义 | 缺失后果 |
|---|---|---|
period_end |
数据描述的经济或会计期间 | 季度与财年错配 |
published_at |
来源发布时间 | 未来信息进入历史分析 |
retrieved_at |
系统采集时间 | 无法复现审计 |
vintage_at |
历史修订快照 | 修订后宏观数据造成后见之明 |
研究前先解析证券与发行人身份
Ticker 不是持久身份。应映射 Issuer、Legal Entity、Security、Exchange、Share Class、Currency，以及可用的 CIK、LEI、ISIN 或 Vendor ID，并记录映射来源与生效日期。这能避免 Ticker 复用、双重上市、ADR/本地股混用和并购后的实体错误。
可审计研究 Agent 的参考架构
MANDATE
IDENTITY
ACQUIRE
NORMALIZE
CALCULATE
CHALLENGE
CITE
- 编排层：执行范围、截止时间、预算、重试和审批门槛。
- 连接器：检索官方与授权来源，不向模型暴露凭证。
- 证据库：保留原始字节、Header、Source URL、时间、授权与 Content Hash。
- 标准化层：映射身份、期间、币种、单位、Taxonomy 和 Corporate Action。
- 计算服务：确定性执行带版本的公式与会计检查。
- 研究模型：规划检索、比较证据、解释计算、识别矛盾并起草 Memo。
公司研究的分步工作流
| 步骤 | 系统动作 | 必须输出 |
|---|---|---|
| 1 | 解析任务并拒绝歧义 | scope, entity, as_of, periods |
| 2 | 解析发行人/证券身份 | identity record + effective date |
| 3 | 按结论类型生成来源计划 | source class + query + fallback |
| 4 | 采集并冻结原始证据 | payload + URL + hash + timestamps |
| 5 | 标准化并验证契约 | canonical facts + warnings |
| 6 | 计算并勾稽 | formula + inputs + result |
| 7 | 主动寻找反证 | supporting and opposing evidence |
| 8 | 起草、引用并提交复核 | memo + confidence + reviewer |
先保存原始证据，再做转换
解析前先写入完整响应与安全的请求元数据。失去原始来源的标准化表无法解释 Parser 变化、供应商更正或冲突数值。SEC 数据应保留 Accession 与 Document URL；市场数据应保留 Venue、复权规则和 Vendor Timestamp；宏观数据应保留 Series ID 与 Vintage。
为每个金融事实使用 Evidence Contract
JSON · canonical evidence record
{
"claim_type": "observed_fact",
"entity_id": "issuer:12345",
"security_id": "isin:US0000000001",
"field": "revenue",
"original_field": "us-gaap:RevenueFromContractWithCustomerExcludingAssessedTax",
"value": 1250000000,
"currency": "USD",
"unit_scale": 1,
"period": {"start": "2025-01-01", "end": "2025-12-31"},
"published_at": "2026-02-18T21:04:00Z",
"source": {"url": "https://…", "retrieved_at": "2026-07-30T12:00:00Z", "sha256": "…"},
"validation": {"status": "accepted", "checks": ["identity", "period", "unit"]}
}不要压平 Provenance：观察事实、管理层陈述、确定性计算与分析推断是不同记录类型，即使它们出现在同一段中。
让计算确定、可复现
模型可以选择指标并解释含义，但算术应由代码执行。计算前拒绝不兼容的期间、币种、单位尺度和会计定义，并在答案旁返回公式。
Python · versioned ratio with validation
from decimal import Decimal
def operating_margin(operating_income, revenue):
assert operating_income["period"] == revenue["period"]
assert operating_income["currency"] == revenue["currency"]
assert revenue["value"] != 0
value = Decimal(str(operating_income["value"])) / Decimal(str(revenue["value"]))
return {
"metric": "operating_margin",
"formula_version": "operating_income/revenue@1",
"value": str(value),
"inputs": [operating_income["evidence_id"], revenue["evidence_id"]],
"period": revenue["period"],
"validation": "accepted"
}挑战论点，而不是只寻找确认
有价值的研究 Agent 会主动寻找反证：Amendment、不利披露、Segment 分化、营运资本恶化、客户集中度、Estimate 分歧、管理层措辞不一致和替代解释。输出中应说明什么情况会推翻结论。
基准率：对比同业与历史周期
矛盾：列出反对论点的证据
敏感性：改变重大假设
缺失证据：明确哪些资料不可用
定义 Research Memo 输出契约
JSON · answer contract
{
"as_of": "2026-07-30T20:00:00Z",
"answer": "Operating quality improved, but cash conversion weakened.",
"claims": [{
"text": "Operating margin increased 140 bps year over year.",
"type": "calculation",
"evidence_ids": ["ev_101", "ev_102", "calc_044"],
"confidence": "high"
}],
"contrary_evidence": ["Receivables grew faster than revenue."],
"unknowns": ["Customer-level retention was not disclosed."],
"review": {"required": true, "status": "pending"}
}Agent 回答前的验证清单
任务：问题、实体、周期与截止时间明确
身份：发行人、证券、交易所与币种一致
时间：所有来源在截止时间前已可用
期间：财年、日历、Instant 与 Duration 对齐
单位：币种、尺度、拆股与公司行动一致
来源：重大结论使用权威证据
计算：公式、输入和版本可复现结果
推断：事实、计算、陈述和观点已标注
反证：已主动搜索相反证据
复核：必要的人工审批仍被强制执行
安全、合规、成本与延迟控制
- 凭证：Vendor Key 留在服务端，使用最小权限、轮换和出口白名单。
- 数据授权：记录 Vendor License，防止在 Prompt、Log 和输出中未授权再分发。
- Prompt Injection：Filing、新闻、Transcript 和网页都是不可信数据，不是指令。
- 成本：高成本调用前报价或估算；缓存不可变证据并去重查询。
- 延迟：并行独立来源，设置 Timeout 与 Retry Budget，允许显示缺口的部分结果。
- 审计：记录任务、工具调用、Source Hash、公式、模型版本、策略决定、Reviewer 和最终产物。
常见失败模式与排错
| 现象 | 常见原因 | 修复 |
|---|---|---|
| 历史答案异常准确 | 后续修订或 Filing 泄漏进上下文 | 强制 Published Time 与 Vintage Cutoff |
| 两个供应商数据冲突 | 复权、时区、币种或标识符不一致 | 比较原始契约，不要静默取平均 |
| 比率无法复现 | 模型算术或公式输入缺失 | 使用带版本的确定性计算 |
| 引用可打开但不支持结论 | 只做到文档级而非结论级检索 | 保存受控 Evidence Span 与 Offset |
| Ticker 映射到错误公司 | Ticker 复用、Share Class、ADR 或并购 | 解析持久的 Issuer 与 Security ID |
| Agent 总是确认用户论点 | 缺少反证检索与证伪步骤 | 强制输出反方证据与未知项 |
如何评估金融研究 Agent
先评估证据链，再评估文字质量。构建带日期的 Benchmark，包含问题、来源快照、认可计算、反方证据和 Reviewer 决定；模型、Prompt、Connector、Parser 或公式版本变化时重新运行。
身份准确：Issuer 与 Instrument 正确
时间精度：没有截止时间后的证据
引用精度：证据支持每项结论
数值完整：数值和单位可复现
反证召回：找到重大相反证据
置信校准：证据薄弱时置信度下降
高影响决策的人工复核门槛
当研究可能影响投资、交易、法律、合规、信贷、披露或客户沟通时，必须指定 Reviewer。Reviewer 应看到来源片段、未解决冲突、计算输入、截止时间、置信度以及 Agent 无法验证的内容。工具访问不能静默扩展为交易执行。
QVeris 金融研究实现模式
基于 QVeris 的 Agent 可以按研究意图 Discover 能力，Inspect 参数与运行统计，在执行前 Probe 候选输入和成本，再 Call 选定能力；并通过 Usage History 与 Credits Ledger 做运行核对。应用仍需保存原始权威来源、Point-in-time 字段、Evidence Contract、计算记录与审核决定。
推荐循环：定义任务 → Discover → Inspect → Probe → Call → 验证与标准化 → 计算 → 反证 → 引用 → 人工复核 → 核对用量。
FAQ
什么是金融研究 Agent？
它解析实体、检索带时点的证据、标准化事实、确定性计算、挑战结论，并返回供复核的带引用产物。
它与 Chatbot 有何不同？
它遵循任务、截止时间、数据契约、验证规则和审计链，而不是生成无证据的对话答案。
为什么 Point-in-time 很重要？
否则后续 Filing、修订后宏观数据、Restatement 与未来公司行动会造成前视偏差。
Agent 可以计算比率吗？
可以，但应由确定性代码使用已验证输入，并保存公式、单位、期间、版本和来源证据。
哪些来源优先？
先用监管 Filing 与官方统计，再用授权市场数据、公司材料和经过核实的二手背景。
如何降低幻觉？
区分事实、计算、陈述与推断；强制 Claim-level Citation；验证契约；证据不足时拒绝。
可以自动做投资决策吗？
不可以。高影响投资、交易、法律或合规决定需要明确人工复核；本文不构成投资建议。
QVeris 位于哪里？
QVeris 支持能力发现、检查、Probe、调用与用量复核；权威证据与治理仍由你的系统保存。