1. 导言:结构化框架在 AI 证券投资分析产品中的实战价值

在大语言模型(LLM)加速渗透 FinTech 领域的当下,证券投资分析与股票投顾产品迎来了范式重构。然而,许多证券 AI 产品经理(PM)在设计"股票深度诊股与研报分析助手"时,极易陷入**“技术本位陷阱”**——即因为大模型具备自然语言理解与推理能力,就盲目堆砌对话框、全量接入行情接口,甚至试图让 AI 完成从选股到直接输出买卖指令的闭环。这种缺乏场景锚定与结构化设计的产品,往往因严重的"数值与事实幻觉"以及踩踏监管红线而沦为废案。

要在高风险、高敏感的证券场景中打造出具备商业生命力的 AI 产品,产品经理必须引入 CIRCLES 结构化思维框架(Comprehend, Identify, Report, Cut, List, Evaluate, Summarize)。CIRCLES 框架能强制 PM 在进入技术架构与提示词工程之前,先完成商业情境厘清、用户靶群锁定、深度痛点提炼与优先级切片,确保 RAG 检索、Agent 编排与确定性引擎的设计均服务于明确的投资分析场景。

本实战推演的产品边界界定

  • 严格聚焦:纯粹聚焦于证券投资分析与股票投顾(包括个股多维深度诊股、研报观点与财务假设穿透、盘中异动归因分析、基本面/技术面/筹码面量化评估)。
  • 严格排除:不涉及任何财富管理、资产配置、基金组合推荐或跨资产类别管理等非二级市场股票分析内容。

2. Step 1: C(Comprehend Context)——理解情境、商业目标与合规边界

2.1 商业目标拆解

证券投资分析 AI 助手并非简单的问答客服,而是券商与 FinTech 平台的业务增长引擎。本产品重点支撑三大核心商业指标:

  1. 提升用户日活跃度(DAU)与留存率:以高频、秒级响应的"多维诊股"与"盘中异动归因"切入,建立用户开盘前、盘中与盘后查阅的刚需习惯。
  2. 促进证券交易转化(Conversion Rate):通过客观、结构化的多维分析,降低投资者的决策犹豫成本,合理带动证券交易频次与佣金转化。
  3. 带动高级分析工具与付费研报转化率:在免费诊断卡片中嵌入深度券商研报的"核心观点与盈利预测穿透",引导有深度研究需求的用户转化为高阶付费会员或研报订阅者。

2.2 合规与技术红线界定

证券业务属于高度监管领域,必须严格遵循《证券投资顾问业务暂行规定》等法律法规。同时,大语言模型存在固有技术缺陷,PM 须在设计之初划定红线:

  • 监管合规红线:
    • 严禁全权委托:AI 助手仅能提供投资分析参考,绝不能代客下单或执行自动化委托交易。
    • 严禁承诺收益或保底:绝对禁止出现"稳赚"“预期收益率 XX%““必涨"等诱导性表述。
    • 合规留痕与免责声明:所有 AI 生成的分析结论必须实现系统全程留痕(Audit Log)可追溯;前端卡片必须显著附带"非投资建议"免责声明(“AI生成内容仅供参考,不构成任何投资建议”)。
  • 大模型技术约束:
    • 数值与事实幻觉:LLM 擅长语义文本提炼,但在财务指标计算(如 PE/PB、ROE、DCF 模型估值)上存在严重的"数值幻觉”;对研报数据的引用极易产生断章取义。

商业目标、合规边界与大模型技术约束对比表

商业目标合规边界与大模型技术约束PM 设计红线
提升用户日活跃度(DAU)与留存合规:严禁高风险交易诱导或保底承诺。技术:LLM 缺乏实时盘中数据计算与记忆能力,数值易产生幻觉。实时性与计算剥离:所有行情、估值、资金流向等实时数值必须由确定性 API 提供,LLM 仅通过变量替换模式生成文本化归因。
促进证券交易转化合规:严格遵守《证券投资顾问业务暂行规定》,严禁全权委托或直接输出买卖指令。技术:LLM 存在逻辑外推过界风险。交互隔离与留痕:产品仅输出结构化客观分析与风险提示,坚决不提供"一键买入"授权;后台全程记录 Prompt 与生成日志以备监管抽查。
带动高级工具/付费研报转化合规:必须附带显式"非投资建议"免责声明。技术:研报解读易产生断章取义或盈利预测数据篡改。RAG 事实锚定与静默降级:必须引入基于表格解析的 RAG 架构,卡片强行标注研报原文页码;当事实置信度低时自动触发降级显示。

3. Step 2: I(Identify Customers)——细分投资者群体与锁定核心靶群

3.1 投资者群体画像细分

个人投资者在交易心理、持仓周期及分析能力上呈现显著的分化特征:

  1. 超短线交易者:追求秒级盘中筹码博弈与主力资金异动,交易极度频繁,极易陷入"追涨杀跌"的情绪化交易陷阱。对行情时效性要求达毫秒级,但易对投顾 AI 产生不切实际的"精准择时"预期,合规风险极高。
  2. 中长线价值投资者:关注基本面、财务报表与券商研报,追求公司长期价值增长。痛点在于面对上百页专业研报和复杂财报(如 DCF 估值表、三年损益表预测)时时间成本极高,且易受到券商研报"吹捧"现象与实际盈利预测偏差的误导。
  3. 小白散户:缺乏基本面(财务)、技术面(均线/形态)与筹码面(主力资金)的多维量化分析手段,不具备研报解读能力,交易决策完全依赖市场传闻或盘中洗盘时的盲目恐慌,风险承受力极低。

3.2 核心靶群锁定与决策依据

综合商业 ROI、大模型技术适配度与监管风控成本,锁定 “中长线/短线散户(具备一定分析需求但缺乏高效工具)” 作为核心靶群。

  • 业务逻辑:该群体在二级市场中基数庞大,对"研报观点提炼"与"多维诊股"具备强烈的刚性需求,且付费订阅高阶分析工具与证券交易转化的路径最为直接。
  • ROI 与技术适配度:超短线交易者对毫秒级时延要求过苛,且 LLM 无法承担高频择时预测;小白散户转化路径较长。中长线/短线散户能最大化发挥大模型在海量文本处理与多维结构化数据整合上的优势,投入产出比(ROI)最高。

投资者群体细分与靶群锁定表

用户群体类型核心交易特征信息获取痛点靶群优先级及锁定理由
中长线/短线散户(核心靶群)有一定交易频率,重视基本面与技术面参考,但缺乏专业深度与高效提炼工具上百页券商研报看不懂;财报阅读耗时长;难以辨别研报预测偏差;缺乏多维量化工具P0(核心靶群):基数庞大,秒级深度诊股与研报观点穿透需求强烈,大模型提效显著,商业转化与 ROI 最高。
超短线交易者极高频交易,依赖盘中筹码面与主力博弈,易受追涨杀跌情绪驱动异动归因滞后;缺乏秒级盘中舆情提炼手段P1(暂缓/次要):对毫秒级时延要求过高,且易诱导高风险交易,合规与技术幻觉拦截成本极高。
小白散户无固定交易体系,决策极易受盘中洗盘支配,盲目跟风完全缺乏专业知识,无法分辨资讯真伪;看不懂专业术语P2(次要/长尾):需先通过标准化科普卡片引导,付费与交易转化路径较长,作为后期普及功能。

4. Step 3: R(Report Needs)——深度挖掘与结构化表达用户痛点

4.1 核心痛点拆解

通过透视核心靶群的实际交易心理与信息处理瓶颈,提炼出散户在股票投资分析中的四大痛点:

  1. 研报与财报门槛极高:券商研报动辄几十页,充斥着复杂的专业术语与财务模型表格,且存在行业普遍的研报"吹捧"现象,散户难以识别真实的盈利预测偏差与关键假设。
  2. 分析维度单一片面:缺乏同时整合基本面(财务估值)、技术面(形态均线)与筹码面(主力资金/筹码松动)的多维度量化分析手段,极易因单一指标假象被套。
  3. 盘中异动归因滞后与碎片化:个股暴涨暴跌或盘中洗盘时,散户获取的资讯极其碎片化且严重滞后,无法及时厘清异动背后的真实原因(如突发公告、产业链传导)。
  4. 交易决策受情绪支配:市场波动时容易产生恐惧与贪婪,缺乏客观的风险预警机制,极易在顶部追涨、在洗盘底部杀跌。

4.2 JTBD(待完成任务)表达

基于上述痛点,采用标准 JTBD 结构(“当特定情境时,用户希望借助 AI 完成的进展,以便达成业务或投资结果”)定义产品需求:

  • JTBD 1:研报与财报核心观点与假设穿透
    • 当用户面对动辄上百页的专业财报与券商研报时,用户希望借助 AI 助手秒级穿透研报的核心逻辑、盈利预测表及关键假设碰撞,以便剔除券商吹捧水分,在极短时间内掌握公司基本面全貌并作出理性判断。
  • JTBD 2:多维度量化诊股与健康度画像
    • 当用户对特定个股产生交易意向或评估持仓时,用户希望借助 AI 助手自动整合基本面、技术面与筹码面的量化指标并生成结构化诊断卡片,以便克服单一指标偏见,获取客观全面的个股健康度画像。
  • JTBD 3:盘中突发异动与筹码变化深层归因
    • 当用户持仓股或关注股在盘中出现剧烈价格波动或筹码松动时,用户希望借助 AI 助手实时提取并整合多源公告、新闻与产业链事件完成深层归因,以便及时调整交易策略,避免因信息滞后造成损失。
  • JTBD 4:客观风险预警与情绪避险
    • 当市场剧烈波动引发用户产生追涨杀跌的情绪冲动时,用户希望借助 AI 助手提供客观的可视化风险因子雷达与策略评估,以便规避情绪化交易,降低投资试错成本。

5. Step 4: C(Cut Through Prioritization)——优先级切片与 MVP 切入点锁定

5.1 评估标准与量化打分矩阵

为确保决策的客观性,设定定量评估模型:

优先级得分 = (用户影响度 × 业务战略契合度) ÷ 实现难度
  • 用户影响度(1-5 分):覆盖核心靶群的广泛程度与痛点强烈度。
  • 业务战略契合度(1-5 分):对 DAU、交易转化及付费研报转化的直接带动作用。
  • 实现难度(1-5 分):涉及的模型微调、RAG 检索复杂度、数据工程及合规审查成本(分数越高代表越难)。

候选功能量化打分矩阵

候选功能名称用户影响度 (1-5)业务战略契合度 (1-5)实现难度 (1-5)优先级得分决策结论
功能一:个股秒级多维诊断卡片55212.5P0(MVP 核心)
功能二:多源研报观点与假设对比透视4536.67P0(MVP 核心)
功能三:可视化风险因子预警雷达4435.33P1(MVP 次要)
功能四:智能产业链传导评估 Agent3342.25P2(迭代暂缓)
功能五:盘中实时自动委托下单5151.00剔除(违规红线)

5.2 MVP 核心功能切片与剔除决策

基于打分矩阵,首期 MVP 核心切入点锁定为:“个股秒级多维度深度诊断(基本面+技术面+筹码面)与研报核心观点/关键假设穿透”。

MVP 优先选择依据

“多维诊股"与"研报穿透"直接解决了中长线/短线散户最强烈的痛点;同时,诊断卡片与研报透视是带动"付费研报订阅"与"证券交易转化"的最佳流量入口,且技术方案相对成熟(RAG + 确定性 API)。

剔除 / 暂缓非核心功能决策列表

  • 剔除:盘中实时自动委托下单与全权委托
    • 原因:严重违反中国证监会合规规定(严禁全权委托),且大模型存在实时性延时与极高的交易风险,战略契合度极低,严格剔除。
  • 暂缓:基于 Agent 的智能产业链传导评估
    • 原因:多步推理 Agent 在多层依赖关系中容易产生伪因果链条,且依赖外部产业链知识图谱 API,开发与调试成本高,置于 MVP 之后迭代。
  • 剔除:跨资产类别资产配置与基金组合推荐
    • 原因:严格超出本产品边界(纯粹聚焦于二级市场股票投资分析,严禁涉及财富管理与基金配置)。

6. Step 5: L(List Solutions)——针对核心需求的 AI 产品方案架构设计

针对 MVP 决定的核心需求,设计四大本质不同的 AI 产品解决方案:

+-----------------------------------------------------------------------------------+
|                            AI 证券投资分析助手 方案矩阵                            |
+------------------------------------+----------------------------------------------+
| 方案一:自然语言问答诊股卡片        | 方案二:可视化风险因子雷达                   |
| (大模型意图识别 + API确定性数据卡片)| (文本挖掘提取 + 量化风控图表)                 |
+------------------------------------+----------------------------------------------+
| 方案三:基于 RAG 的研报观点对比透视 | 方案四:基于 Agent 的智能产业链影响面评估     |
| (多源研报检索增强 + 冲突观点聚类)   | (多步骤 CoT 推理 + 产业链知识图谱)            |
+------------------------------------+----------------------------------------------+

6.1 方案一:自然语言问答诊股卡片

  • 【功能定位】:提供即问即答的结构化诊股响应,秒级整合个股的基本面(估值/财务)、技术面(均线/形态)与筹码面(主力资金/筹码分布)。
  • 【AI技术实现】:
    • 数据流隔离架构:结构化金融 Payload(包含实时 PE/PB、买卖盘深度、主力资金流向 JSON)完全绕过大模型计算,由后端确定性证券 API 直接获取。
    • 意图识别与变量替换 Prompt:LLM 仅负责解析用户问句中的股票代码与分析意图。模型被严格限制在带变量替换的严谨 Prompt 模板中,仅作为文本格式化与摘要生成器,严禁进行任何数值算术演算。
  • 【用户交互体验设计】:用户输入"帮我看看招商银行”,前端呈现"三面诊断卡片”。顶部为确定性计算引擎给出的"三面健康度得分”,下方折叠面板展示 AI 生成的文字归因与数据来源标签。

6.2 方案二:可视化风险因子雷达

  • 【功能定位】:基于 LLM 文本提取与量化指标结合的风险因子预警雷达,帮助用户在市场剧烈波动或筹码松动时提前规避风险。
  • 【AI技术实现】:
    • 非结构化文本风险抽取:利用 LLM 实时扫描财报附注与监管公告,提取隐性风险(如商誉减值风险、高管质押率过高、重大诉讼)。
    • 确定性规则融合:将文本抽取结果与量化风控引擎(筹码松动度、估值偏离度)结合,归一化生成五维风险向量(财务/筹码/估值/行业/舆情)。
  • 【用户交互体验设计】:前端渲染五维雷达图,高亮标红核心风险因子。用户点击雷达节点可穿透查看 AI 提取的公告原文采样与对应规则解释。

6.3 方案三:基于 RAG 的研报观点矛盾点对比透视

  • 【功能定位】:自动提取不同券商对同一标的的观点分歧、目标价差异及关键假设碰撞,穿透研报表象与盈利预测偏差。
  • 【AI技术实现】:
    • Table-Aware Layout Parsing(表格感知布局解析):针对券商研报的多栏排版及复杂的财务模型表格(如 DCF 估值、3 年损益表预测),采用基于版面分析的表格感知 Parsing 引擎,将表格解析成结构化 HTML/Markdown,保留列头关联与数值语义。
    • Hybrid Search(混合检索):采用 Dense Vector(语义向量)与 Sparse BM25(针对股票代码、财务指标名称的关键字精确匹配)混合检索,确保精确召回对应段落。
    • 多文档对比假设提取(Contrastive Assumption Extraction):LLM 对多篇研报的 EPS 预测、目标价及关键假设进行交叉比对,归纳出"多空分歧对照表"。
[多源券商研报 PDF]
   │
   ▼
┌────────────────────────────────────────────────────────┐
│ 表格感知版面解析器 (Table-Aware Layout Parser)          │
│ (提取多栏文本、DCF估值表、三年损益表预测 Markdown)       │
└──────────────────────────┬─────────────────────────────┘
                           │
                           ▼
┌────────────────────────────────────────────────────────┐
│ 混合检索管道 (Hybrid Search Pipeline)                   │
│ (Dense Vector 语义向量 + Sparse BM25 精确股票/指标匹配) │
└──────────────────────────┬─────────────────────────────┘
                           │
                           ▼
┌────────────────────────────────────────────────────────┐
│ 大模型多文档假设对比提取 (Contrastive Extraction)      │
│ (分类提取看多/看空机构观点,对比 EPS / 目标价 / 关键假设) │
└────────────────────────────────────────────────────────┘
  • 【用户交互体验设计】:采用"多空对立透视视图"。左侧展示看多机构逻辑,右侧展示看空/谨慎机构理由,中间高亮呈现"核心假设碰撞"(如:A 券商预测产品单价涨 15%,B 券商预测降价 5%),并支持点击秒级跳转研报原文页码。

6.4 方案四:基于 Agent 的智能产业链影响面评估

  • 【功能定位】:采用多步骤思考 Agent,评估宏观/行业突发事件对上下游产业链及具体个股的传导影响。
  • 【AI技术实现】:
    • ReAct / Plan-and-Solve Agent 架构:通过 Reasoning + Acting 循环,将宏观事件分析拆解为:“事件语义解析 → 产业链节点定位 → 传导机制推理 → 受益/受损标的筛选”。
    • Tool-Calling Interface(工具调用接口):Agent 通过标准 API 实时调用外部金融知识图谱(如 Wind/Choice 产业链节点 API),强行获取确定性的产业链依赖关系。
    • 确定性传导规则限制(Deterministic Propagation Rules):大模型仅能在图谱给定的拓扑结构内推演因果逻辑,严禁幻觉出不存在的上下游因果链条。
  • 【用户交互体验设计】:交互式产业链节点拓扑图结合文字推理报告,用户点击图谱节点即可查看 Agent 推导的受损/受益逻辑及相关股票列表。

7. Step 6: E(Evaluate Options)——方案评估、风险权衡与折衷策略

7.1 多维权衡评估

针对 Step 5 提出的 4 个方案,从"用户价值"“模型数值/事实幻觉风险"“开发成本与复杂度"“合规审查难度"四个维度(评分范围:1-5 分)进行综合打分。

7.2 方案评估与风险折衷策略矩阵

方案名称维度评分(用户价值 / 幻觉风险 / 开发成本 / 合规难度)核心风险点PM 降级 / 拦截折衷策略
方案一:自然语言问答诊股卡片用户价值:5/5;幻觉风险:1/5;开发成本:2/5;合规难度:2/5文本生成可能对股价走势产生误导性解释,或混淆实时数据数据隔离与静默兜底:实时行情与计算由确定性 API 提供;LLM 仅通过变量替换生成总结;底部附带"非投资建议"显式免责声明。
方案二:可视化风险因子雷达用户价值:4/5;幻觉风险:2/5;开发成本:3/5;合规难度:2/5隐性风险因子漏报,或文本过度解读引发市场恐慌规则引擎强制兜底:高风险量化指标(如质押率破线)采用确定性规则引擎硬性触发;文本风险因子必须附带公告原文采样索引。
方案三:基于 RAG 的研报观点对比透视用户价值:5/5;幻觉风险:2/5;开发成本:3/5;合规难度:3/5RAG 检索切割破坏表格语义,篡改盈利预测数据导致观点失真表格感知 Parsing 与 Faithfulness 校验:引入表格感知 Parsing;强制高亮页码;若 Faithfulness 分数低于 0.80,降级为展示静态研报摘要。
方案四:基于 Agent 的智能产业链影响评估用户价值:4/5;幻觉风险:4/5;开发成本:5/5;合规难度:4/5多步推理产生逻辑外推过界与伪因果关系知识图谱强约束与辅助定位:限制 Agent 仅能查询确定性知识图谱节点;推理过程显式标注"假设条件说明”,MVP 阶段降级为半自动化辅助。

8. Step 7: S(Summarize Recommendation)——推荐落地方案、风控机制与北极星指标

8.1 最终推荐方案组合

MVP 落地一句话总结:首期 MVP 推荐以"自然语言问答诊股卡片(方案一)“为统一交互入口,深度整合"可视化风险因子雷达(方案二)“与"基于 RAG 的研报观点矛盾点透视(方案三)“构建核心功能矩阵,暂缓高复杂度的 Agent 产业链推演,打造秒级深度诊股与研报预测假设穿透的标准化体验。

8.2 三层防幻觉与合规风控拦截架构

为严格遵循中国证监会《证券投资顾问业务暂行规定》,并解决大模型金融数值/事实幻觉,建立三层风控拦截网:

[用户输入 query]
   │
   ▼
┌────────────────────────────────────────────────────────┐
│ 1. 输入端风控:正则表达式 + 语义意图分类器              │
│    (拦截全权委托、收益承诺、非法择时、无证投顾提问)     │
└──────────────────────────┬─────────────────────────────┘
                           │
                           ▼
┌────────────────────────────────────────────────────────┐
│ 2. 中间层风控:确定性计算引擎与 AI Evals 事实校验      │
│    (数值剥离由 API 计算;RAG 文本基于 Faithfulness 评估) │
└──────────────────────────┬─────────────────────────────┘
                           │
                           ▼
┌────────────────────────────────────────────────────────┐
│ 3. 输出端风控:静默降级逻辑与合规免责/留痕              │
│    (若评分低于 0.80 则静默降级至静态行情卡片;强制留痕) │
└────────────────────────────────────────────────────────┘
  • 输入端风控(Input Layer):
    • 结合正则表达式(Regex)与语义意图分类器(Semantic Intent Classifier),实时拦截"帮我下单"“这股票保证能赚多少"“盘中几点买入"等违规提问。
    • 全程记录用户输入日志,满足监管审查留痕要求。
  • 中间层风控(Middle Layer):
    • 确定性计算剥离:所有 PE/PB 估值、财报数据、主力资金流向均绕过 LLM,由后台证券 API 计算后以变量形式注入卡片。
    • AI Evals 事实校验 Prompt:在前端渲染前,调用轻量化 Evaluate Prompt 计算生成文本相对于 RAG 检索 Chunks 的 Faithfulness Score(事实忠实度得分)。
  • 输出端风控(Output Layer):
    • 静默降级逻辑(Silent Degradation):若 RAG 事实忠实度得分(Faithfulness Score)低于 0.80,系统拦截 LLM 生成文本,静默降级为仅展示后台 API 返回的静态行情与确定性财务数据卡片。
    • 显式合规声明:卡片底部硬性附带"AI 生成内容仅供参考,不构成任何投资建议"提示。

8.3 产品北极星指标体系

为量化衡量产品的商业与用户价值,构建四项并列的北极星指标体系:

  1. 分析深度满意度(CSAT):用户对诊股卡片与研报透视回答的"点赞率"与"客观度评分”(目标值 ≥ 88%)。
  2. 研报阅读效率提升倍数:用户获取单只个股核心多空逻辑与关键假设碰撞的平均耗时(目标:从传统的 30 分钟提炼缩短至 1 分钟以内,阅读效率提升 30 倍)。
  3. 次日留存率(Day 1 Retention):使用过 AI 诊股与研报透视助手的用户次日复访率(目标:相比普通行情页用户提升 20% 以上)。
  4. 付费研报与高级工具转化率:通过研报透视卡片一键点击订阅付费研报或购买高阶量化工具的转化率(目标:实现相对增长 25%)。