AI學習與應用體會系列文章04:由年報數據到組合監察
續上文
投資唔係叫模型預測下一隻會升嘅股票，而係將資料來源、年報閱讀、程式計算、策略規則、組合監察同人工審批連成一個可追溯流程。AI 可以加快研究，但唔會替人承擔資金風險。
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
筆者第一個較深入嘅 AI 應用方向係投資。但筆者愈做，愈覺得最有用嘅問題唔係「今日應該買邊隻股票」，而係：資料由邊度取得、年報點樣讀、數字點樣重算、策略點樣寫成規則、組合偏離幾多先要處理，以及邊一步必須由人批准。
投資分析本身係一個反覆循環。市場價格會變，公司會公布新業績，持倉比例會因升跌而改變，原本合理嘅假設亦可能失效。AI 真正幫到筆者嘅地方，係將搜集、整理、計算、比較同提醒連起來，令每次分析唔使由零開始。
同一項資產，對唔同人可以有完全唔同答案。投資目標、時間長短、可承受跌幅、現金需要、現有持倉、幣種同其他限制，都會改變一個決定是否合理。LLM模型單憑一個股票代號，無法知道呢啲背景；即使佢講得再肯定，亦只係產生一個欠缺完整條件嘅意見。
所以，筆者建立投資系統時，第一步唔係揀資產，而係先寫清楚投資範圍、策略目標、資料截至日期、可接受風險、再平衡規則同禁止事項。AI 之後所有分析，都要喺呢個框架入面進行，而唔係每次根據新聞或者市場情緒重新發明一套理由。
| 投資系統最重要嘅，唔係產生更多意見，而係令每個數字有來源、每個建議有規則、每個交易有批准。 |
第一層：建立可以追溯嘅資料
如果資料層唔可靠，後面做得幾精密都冇意思。Agent 可以定期由交易所、公司投資者關係網站、基金公司、受託人或者數據供應商取得資料，但「下載成功」唔等於資料已經適合分析。系統仍然要知道每項數據代表乜、截至幾時，同埋有冇經過調整。
1｜市場數據：價格、成交、派息、匯率同其他時間序列，並標明交易日、時區、幣種，以及有冇處理拆股、合股等公司行動。
2｜公司原始文件：年報、業績公告、上市文件、投資者簡報同正式通告。呢類資料應該優先於轉述文章或者模型記憶。
3｜補充資料：公司新聞、行業數據、管理層訪問同市場評論，可以幫助找線索，但需要同原始文件分開標示，唔應該自動升格成已證實事實。
筆者會要求系統為資料保存發布日期、報告期、來源、頁碼或者連結、幣種、單位同版本。收入寫住「500」，究竟係五百元、五百萬，定係五億；價格係收市價、即時價，定係經派息調整後嘅數據，對計算結果可以有非常大分別。
Agent 亦可以先做基本質量檢查，例如找出缺失日期、重複記錄、異常跳動、過期檔案同前後矛盾。遇到來源讀取失敗或者數值超出合理範圍，較可靠嘅做法係停止並報告，而唔係用上一期資料或者自行估一個數字補上。
讀年報，唔只係叫 AI 寫摘要
年報往往有幾百頁。AI 最直接嘅用途，係先幫筆者定位值得閱讀嘅部分，例如收入來源、分部表現、毛利變化、現金流、負債、資本開支、重大承擔、關連交易、核數師意見同管理層對前景嘅解釋。佢可以將大量文件壓縮成一張研究地圖，令筆者知道應該由邊度開始。
業務變化：收入由邊個產品、地區或者客戶群帶動？增長係數量、價格、收購，定係一次性因素造成？
財務質素：盈利有冇轉化成現金？應收賬、存貨、借貸、利息成本同資本開支有冇出現值得留意嘅變化？
風險與例外：有冇資產減值、訴訟、重大承擔、會計政策改變、終止業務，或者管理層只喺附註先交代嘅事項？
不過，筆者唔會只收一段「公司表現良好」式摘要。每個重要結論最好都附上原文位置、報告期同引用片段，令我可以直接返回文件核對。AI 如果從表格抽取數字，亦要同總數、分項同前一年資料交叉檢查。
PDF 掃描質素、OCR、括號表示負數、千元同百萬元單位，以及持續經營同終止經營業務嘅分類，都可能令抽取結果出錯。所以，AI 摘要比較適合作為導航同初步整理，而唔係取代對重要會計資料嘅核實。
文字交俾模型，數字交俾 Python
大型語言模型擅長理解文字、比較管理層逐年說法、整理變化同提出需要追問嘅問題；涉及精確運算，筆者會盡量交俾 Python、SQL 或者固定程式。兩者配合，比要求模型同時閱讀、記數同心算可靠得多。
程式可以計算收入增長、利潤率、負債比率、自由現金流、估值指標、移動平均、動量、波動率、最大跌幅、資產相關性、滾動回報同投資組合配置。每次運算都可以保存輸入數據、公式、程式版本同輸出，之後重新執行亦應該得到相同結果。
但「由程式計」亦唔代表一定正確。自由現金流用邊個定義、回報有冇計派息、波動率點樣年化、財務數字用報告值定調整值，都係方法選擇。公式要先寫清楚，再用已知例子同自動測試檢查，唔可以將一個有小數點嘅答案誤當成客觀真相。
對筆者嚟講，最實用嘅原則仍然係：可以直接讀原文嘅，唔好只靠模型記憶；可以由程式計算嘅，唔好只靠語言模型估；需要判斷嘅，就將前提同不確定性寫出嚟。
筆者自己已經將幾十個個人投資策略，逐步整理成 Agent 可以讀取同執行嘅形式。最花時間嘅地方唔係叫 AI 寫一段程式，而係將原本存在腦入面、帶有例外同模糊判斷嘅方法，改寫成一份清楚規格。
1｜投資範圍：策略可以使用邊類資產，邊啲市場、產品或者資料不足嘅項目要排除。
2｜輸入資料：需要邊啲價格、財務數據或者分類資料，更新頻率係幾多，缺失資料點處理。
3｜訊號規則：乜嘢條件先算符合策略，訊號使用邊一日資料，避免將未來先知道嘅資訊放入歷史判斷。
4｜配置方法：持有幾多項資產、每項上限、現金比例、權重算法，以及集中度限制。
5｜再平衡節奏：每日、每週、每月，定係偏離超過某個範圍先處理；同一訊號可唔可以短期反覆交易。
6｜風險同例外：最大倉位、資料過期、交易暫停、極端波動、程式錯誤或者其他異常情況下，系統應該停止定降級。
規則、參數同程式最好分開保存，並有版本紀錄。Agent 可以協助將自然語言規則轉成程式、建立測試同找出矛盾，但正式執行時應該按照已批准版本運作，唔應該每次自由重新解釋策略。
當策略寫成規則之後，AI 就可以協助監察，而唔係每日不停產生買賣評論，搵升跌理由。系統關心嘅核心問題，係現有組合同目標之間有冇出現需要處理嘅偏離，以及偏離係由價格變動、現金流、公司行動，定係資料錯誤造成。
1｜更新資料：下載最新而且已通過檢查嘅市場、基金同匯率數據。
2｜計算目標：按照每個策略當前版本，計算目標資產同配置比例。
3｜讀取現況：取得實際持倉、現金、幣種同未完成交易，再統一計算口徑。
4｜比較偏離：找出每項資產同整體風險相對目標嘅差距，並標示原因同資料時間。
5｜提出方案：當偏離超過指定範圍，先發出提示，再計算需要買入或賣出嘅數量同幾個可選方案。
Dashboard 可以顯示配置、集中度、波動、回撤、現金比例同偏離程度，但目的唔係用更多圖表令人追住每日升跌，而係將注意力集中喺真正超出規則嘅事項。冇觸發條件時，系統最好保持安靜。
提示亦唔等於交易指令。佢只係話俾我知「目前狀態同已定規則有差異」，下一步仍然要核對資料、理解原因，同埋判斷今次偏離係咪值得處理。
理論配置同真實交易之間，仲有交易費用、買賣差價、最低交易單位、匯率、現金結算、稅費（視市場而定）同市場流動性。只係將目標比例減去現有比例，未必會得到最合理嘅買賣方案。
系統可以先考慮用新投入資金、派息或者自然現金流補足低配資產，減少不必要賣出；亦可以比較一次完成、分段處理或者暫時留喺容許區間內，邊個方案成本較低。真正目標通常唔係將每個比例調到小數點後完全一致，而係喺風險、成本同操作複雜度之間取得平衡。
AI 可以協助整理限制、產生幾個候選方案同解釋取捨，但如果輸入持倉、價格或者匯率有錯，佢同樣可以非常有效率咁計出一個錯誤答案。因此，再平衡建議需要連同資料日期、估算成本、交易後配置同異常警告一齊交付。
回測最容易令人過度自信
AI 同程式令建立回測變得容易，亦因此更容易產生錯覺。只要快速嘗試足夠多參數，總會搵到一條歷史曲線睇落非常漂亮；但嗰個結果可能只係配合咗過去噪音，而唔係一個可以延續嘅規律。
常見問題包括偷睇未來資料、只保留今日仍然存在嘅資產、忽略除權派息同交易成本、用錯公布日期、反覆調參數，以及測試咗大量版本之後只展示最好一個。Agent 愈快產生策略，呢種選擇偏差就愈需要被記錄同控制。
較有紀律嘅做法係預先寫低假設，將資料分成建立同樣本外驗證部分，使用滾動測試、不同成本假設、參數敏感度同簡單基準比較，亦保存失敗版本。回測只可以話俾我知某套規則喺指定歷史數據同假設下點樣表現，唔係對未來回報嘅保證。
涉及真錢，human in the loop 仍然不可取消
理論上，系統可以再透過證券商 API 建立甚至執行交易。但由研究結果去到真實資金，中間應該有清楚權限分層。讀取市場資料、產生建議、建立訂單同真正送出訂單，唔應該全部由同一個 Agent 自由完成。
資料權限：研究 Agent 以讀取為主，敏感帳戶資料同交易權限只喺必要環境開放。
交易前審批：每張建議訂單要列出原因、價格時間、數量、成本、交易後配置同仍然存在嘅風險，再等人確認。
硬性限制：設定單筆金額、總風險、資產上限、可交易產品、執行時段同每日次數，避免模型用語言繞過規則。
紀錄同停止：保存數據、程式版本、訊號、工具調用、批准人同執行結果；遇到過期資料、異常價格或者矛盾，就停止而唔係勉強完成。
一個未處理嘅拆股、錯誤幣種或者過期持倉，都可能令建議數量差幾倍。因此，我會將 AI 定位為研究、計算、監察同準備方案嘅系統，而唔係自行承擔風險嘅基金經理。自動化愈接近真實資金，就愈要假設資料會錯、網絡會斷同 API 會拒絕；human in the loop 係將責任留俾真正理解後果同承擔損失嘅人。
AI 最有價值嘅，係將紀律寫入流程
AI 唔會令市場變得可以預測。佢最實際嘅價值，係更快處理文件、固定重複計算、保持不同策略使用一致資料，同埋喺組合偏離時提醒。當每個結論有來源、每個數字可以重算、每個策略有版本、每個建議保留前提同風險，分析就由一次性意見變成可以追查、反駁同改善嘅過程，亦可以減少遺漏步驟、口徑不一同臨時情緒造成嘅錯誤。
呢篇文章分享嘅係筆者點樣設計分析同監察流程，唔係對任何股票、基金或者策略嘅買賣建議。最終目標唔係將決定交俾 AI，而係用 AI 擴大筆者可以處理嘅範圍，同時保留核實、監督同承擔責任嘅能力。
投資組合可以用同一套方法監察，強積金亦可以。不過，技術上做得到全自動，唔代表成本、保安風險同實際收益一定合理。下一篇就會由呢個問題出發。
下一篇
AI 管理強積金：技術上做到，係咪代表值得做？
下一篇會將同一套資料搜集、策略計算同配置監察方法放入強積金情境，再比較公開 API、多重認證、瀏覽器自動化、維護成本同保安風險，說明「可以自動化」同「值得自動化」點解係兩個不同問題。