證券研究報告|2026年01月26日AIAI賦能資產(chǎn)配置（三十五）用AI來“接管”投資時鐘此，這一路徑的合理使用方式應是將AI產(chǎn)出作為輸入與線索集合，并配合量方法完成標準化處理，用多模態(tài)構建中期框架，僅在必要時調用高成本Agent進行對標與證據(jù)整合。風險提示：1）AI邏輯剛性導致的誤判風險；2）技術成本與收益不匹配風證券分析師：王angkai8@S0980521030001中小板/月漲跌幅(%)創(chuàng)業(yè)板/月漲跌幅(%)AH中小板/月漲跌幅(%)創(chuàng)業(yè)板/月漲跌幅(%)AH股價差指數(shù)A股總/流通市值(萬億元)119.63102.85/93.98資料來源：Wind、國信證券經(jīng)濟研究所整理《策略周報-行情結束的信號出現(xiàn)了嗎？》——2026-01-24《策略專題-長線穩(wěn)定型外資加倉AH高景氣板塊——2025Q4股市外資季度動向跟蹤》——2026-01-22《大類資產(chǎn)配置專題-穿越AI敘事的全天候組合》——2026-01-21《策略周報-活躍資金流入，長線資金流出——1月第2周立體投資策略周報》——2026-01-19《策略周報-股市流動性的最新變化》——2026-01-17請務必閱讀正文之后的免責聲明及其項下所有內容2證券研究報告 5 63.1.數(shù)據(jù)識別效果 63.2圖片投喂效果 73.3邏輯投喂效果 9 4.1.準確率識別評估 4.2.階段穩(wěn)定性評估 4.3周期敘事完整度 155.1圖片識別在特定階段、以及周期劃分更接近分析師直覺 5.2邏輯投喂的一致性，并不等同于獨立分析能力 5.3技術歸納：AI能力與任務適配性 證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容3圖1：美林投資時鐘理論中的經(jīng)濟周期 4圖2：改良版投資時鐘的經(jīng)濟周期 4圖3：分析師對改良版投資時鐘周期的拐點和階段劃分 4圖4：三類實驗邏輯示意圖 5圖5：數(shù)據(jù)識別效果（2002-2013） 圖6：數(shù)據(jù)識別效果（2013-2025） 圖7：圖片識別效果（2002-2013） 圖8：圖片識別效果（2013-2025） 9圖9：邏輯投喂效果（2002-2013） 圖10：邏輯投喂效果（2013-2025） 圖11：Manus完成任務的流程（2013-2025） 圖12：AI識別與優(yōu)化投資時鐘方案和效果全景圖 圖13：AI和分析師在資產(chǎn)配置中角色從“人機協(xié)同”走向“人機共生” 表1：改良版投資時鐘七階段劃分 4表2：各類情景判定宏觀經(jīng)濟周期的準確率對比 表3：各類情境下宏觀經(jīng)濟周期的階段穩(wěn)定性對比 表4：各類情景下宏觀經(jīng)濟周期劃分的周期敘事完整度對比 證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容41.改良版資產(chǎn)配置時鐘框架的引入美林證券在2004年11月的一份報告中公布了著名的“投資投資時鐘”，該報告利用美國1973~2004年的歷史數(shù)據(jù)，使用OECD對“產(chǎn)出缺口”的估計作為經(jīng)濟指標，用CPI數(shù)據(jù)作為通脹指標，從經(jīng)濟和通脹兩個維度識別1973～2004年美國實體經(jīng)濟在各個時期所處的階段，將經(jīng)濟周期分為四個階段，并發(fā)現(xiàn)在經(jīng)濟周期的每一個階段，都有一類大類資產(chǎn)的表現(xiàn)明顯優(yōu)于其他資產(chǎn)，分別是：債券（衰退期）、股票（復蘇期）、大宗商品（過熱期）、現(xiàn)金（滯脹期）。資料來源：MerrillLynch、國信證券經(jīng)濟研究所整理資料來源：荀玉根《荀玉根講策略：少即是多》（2021），國信證但投資時鐘框架在常在我國的應用表現(xiàn)不符，體現(xiàn)出“水土不服”。我們在傳統(tǒng)投資時鐘的基礎上，引入了名義利率和實際利率兩個流動性維度，將周期精細化為了7個階段，其核心邏輯如表1所示。階段周期名稱增長(G)通脹(Inf)實際利率(r)政策邏輯(i)核心資產(chǎn)配置衰退前期↓↓↑平/↑(央行未降息)現(xiàn)金衰退后期↓↓↓↓(央行開始降息)債券、股票（政策底）復蘇前期↑↓低位低位(政策效果顯現(xiàn))股票（主升浪）4復蘇后期↑↑↓平/低位(央行未加息)股票（高潮）5過熱期↑↑↑↑(央行開始加息)大宗商品滯脹前期↓↑↑↑(維持高利率)大宗商品（余溫）滯脹后期↓↑強力↑強力↑(強力壓制通脹)現(xiàn)金根據(jù)上述劃分方法，我們將2004年12月至2025年6月劃分為7輪周期，2024年9月進入第7輪周期，目前仍在第7輪周期中。其具體劃分見圖3。證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容52.AI識別改良版投資時鐘的路徑實驗設計我們設計了三種實驗路徑，旨在測試AI對宏觀周期的識別精度與泛化能力：（1）數(shù)據(jù)驅動識別：將通脹、增長、利率等原始數(shù)據(jù)（Excel表格）連同改良版時鐘的邏輯定義直接投喂給AI，要求其識別2002年至今的周期區(qū)間及拐點。（2）視覺形態(tài)識別：將已繪制好的宏觀指標走勢圖投喂給AI，利用多模態(tài)視覺能力，要求其基于圖表形態(tài)劃分周期。（3）自主代理識別：僅投喂改良版時鐘的思想框架，要求AI自主尋找數(shù)據(jù)源、處理數(shù)據(jù)并完成周期劃分。證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容63.AI識別改良版投資時鐘的路徑實驗結果3.1.數(shù)據(jù)識別效果在數(shù)據(jù)驅動識別實驗中，我們分別通過Manus智能體識別方案和ChatGPT方案進行周期劃分。通過與資深分析師的專家識別結果進行對比，我們發(fā)現(xiàn)了AI在純數(shù)據(jù)邏輯模式下的顯著局限性。（1）識別頻率對比：AI劃分出現(xiàn)高頻閃爍特征從識別出的周期階段數(shù)量來看，AI表現(xiàn)出遠超人類專家的敏感度，但這種敏感度在實戰(zhàn)中往往表現(xiàn)為噪聲。專家識別在樣本區(qū)間內共識別出約35個完整階段，平均每個階段持續(xù)約7.1個月。Manus與ChatGPT分別識別出57個和59個階段，平均持續(xù)時間僅為4.1個月。在AI的數(shù)據(jù)劃分結果中，即使進行了數(shù)據(jù)平滑處理，也存在大量持續(xù)時間不足2個月的極短周期，Manus結果中有16次，ChatGPT有13次，而分析師的劃分中幾乎不存在此類現(xiàn)象。這種碎片化識別是典型的邏輯剛性體現(xiàn)。AI忠實執(zhí)行了“改良版投資時鐘”的7階段定義，但缺乏對宏觀經(jīng)濟慣性的理解。在資產(chǎn)配置實踐中，這種高頻切換的信號會導致極高的調倉成本，在實際投資中缺乏可操作性。（2）周期輪數(shù)對比：AI缺乏戰(zhàn)略層面的大局觀一輪完整的周期通常代表了一個完整的經(jīng)濟增長動能轉換與貨幣政策周期。專家視角將該區(qū)間劃分為約6輪大周期，每一輪跨度約3-4年，對應一個完整的中期經(jīng)濟市場狀態(tài)。而AI視角出現(xiàn)更多的短震蕩。AI數(shù)據(jù)識別結果中，輪數(shù)高達11-14輪。在AI的識別結果中，經(jīng)常出現(xiàn)5→4→5（過熱→復蘇后期→過熱）或6→7→6（滯脹前期→滯脹后期→滯脹前期）的頻繁反復，甚至會出現(xiàn)3→2→3（復蘇前期→衰退后期→復蘇前期）逆周期的反復。而在人類分析師看來，這僅是趨勢中的局部擾動，多數(shù)分析師傾向于合并為一個周期狀態(tài)。例如在2005年3月-2026年6月，專家分析，僅將其劃分為一個周期，即復蘇前期，此時經(jīng)濟增速回升，通脹下降，實際利率在低位，然而由于經(jīng)濟增長有短暫的下降，通脹有短暫的上升，Manus識別時，識別成為復蘇前期→衰退后期→復蘇前期，而Chatgpt識別成為復蘇前期→衰退后期→滯漲前期→復蘇前期。（3）分階段對比此外，分階段對比可發(fā)現(xiàn)，AI與人類的共識大多存在于“強趨勢性數(shù)據(jù)”中。AI數(shù)據(jù)驅動的識別中，2013年以后變得更加高頻，2013年-2025年AI共識別約30個階段，而分析師僅識別出22個階段。此現(xiàn)象從疫情以來，更加明顯。這是因為，中國經(jīng)濟進入高質量發(fā)展階段，指標的波幅減小，呈現(xiàn)出弱周期、重結構的特征。證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容7資料來源：Manus，Chatgpt，Wind，資料來源：Manus，Chatgpt，Wind，3.2圖片投喂效果在視覺識別實驗中，我們利用Gemini和Manus的多模態(tài)以及智能體的能力，對已繪出的宏觀指標曲線圖進行周期劃分。實驗結果顯示，從周期輪數(shù)的角度看，圖片投喂模式下AI的表現(xiàn)要優(yōu)于數(shù)據(jù)投喂，但相較于分析師的劃分，又過于平滑。（1）周期階段穩(wěn)定但過于平滑與數(shù)據(jù)驅動的58個階段，相比，圖片識別縮減至23-24個階段。圖片識別劃分出證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容8的每個階段平均持續(xù)10.7個月，遠超數(shù)據(jù)識別的4.1個月。但相對于分析師分析得結果又過于平滑。（2）輪數(shù)共識：與分析師直觀判斷不謀而合圖片識別時，AI對周期輪數(shù)的判斷與專家的結果高度相似。Manus圖片識別精準劃分出6輪周期，Gemini劃分為7輪。這與分析師劃分的6輪大周期（第7輪在進行中）幾乎完全吻合。在Manus的圖片識別結果中，每一輪周期都呈現(xiàn)出邏輯清晰的漸進特征。（3）特色分析：Manus復合標注在此外，我們注意到Manus多次使用了“1/2”或“6/7”的復合標注。這種處理邏輯在傳統(tǒng)的硬性代碼算法中極難實現(xiàn)，但在宏觀實戰(zhàn)中具有極高的參考價值。宏觀經(jīng)濟的運行是連續(xù)的，從“衰退前期”到“衰退后期”的轉換往往伴隨著政策的博弈和數(shù)據(jù)的反復。它承認在該時間段內，增長與通脹的下行趨勢（階段1特征）與流動性改善的預期（階段2特征）是高度交織的。這種對灰度區(qū)的捕捉，比強行尋找一個精確的切割點更符合經(jīng)濟邏輯。這也降低了資產(chǎn)配置的“決策噪音”。這種灰度區(qū)體現(xiàn)了其“類人類”的特點。資料來源：Manus，Chatgpt，Wind，證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容9資料來源：Manus，Chatgpt，Wind，3.3邏輯投喂效果在第三種路徑中，我們不直接提供任何宏觀數(shù)據(jù)或圖像，僅向模型輸入改良版投資時鐘的理論框架與階段判別邏輯，要求AI自行尋找數(shù)據(jù)源并完成2002年以來中國經(jīng)濟周期的劃分。該路徑更接近“完全自主分析”，也是對AI宏觀理解能力與方法自洽性的最嚴格檢驗。我們使用了Manus通用智能體，和內置谷歌搜索功能的Gemini以探索AI自主分析的實現(xiàn)路徑。（1）邏輯投喂識別結果：邏輯識別模式下，AI不再是孤立地處理數(shù)字，而是作為一個具備宏觀底噪知識的研究員進行作業(yè)。Gemini和Manus得到的結果均劃分為7輪大周期，與分析師人工劃分高度對齊。Manus在2011-2025年上半年的結果與分析師的劃分幾乎一模一樣。而Gemini在關鍵的時間點和大周期（原本的投資時鐘）識別上與分析師高度一致，但相對更加平滑，識別的階段較分析師更少。證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容10資料來源：Manus，Chatgpt，Wind，資料來源：Manus，Chatgpt，Wind，（2）深度拆解：Manus的主動檢索與對標能力在深入分析Manus的作業(yè)邏輯后，我們發(fā)現(xiàn)其之所以能夠實現(xiàn)與人工劃分對其，其底層邏輯并非單純的模式識別，而是體現(xiàn)了智能體的主動檢索與對標能力。Manus本質上是先通過了網(wǎng)頁搜索得到了分析師已劃分的結果（2011-2025年讀取網(wǎng)頁結果后進行填充。而針對沒有找到的劃分階段，則先尋找數(shù)據(jù)、分析師觀點以及邏輯而得出一個結論。這使得它的任務性質從“根據(jù)數(shù)據(jù)預測周期”轉證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容11變?yōu)椤案鶕?jù)專家標準尋找證據(jù)并對齊數(shù)據(jù)”。這種做法其實更像是初級研究員的做法宏觀研究中，最重要的往往不是提出一個獨一無二的劃分，而是錨定市場共識。Manus通過網(wǎng)頁瀏覽能夠識別出誰是該領域的權威，并主動以此為基準進行數(shù)據(jù)對齊，這本身就是一種宏觀分析策略。（3）深度拆解：Gemni基于模型訓練結果與邏輯演繹拷問Gemni的數(shù)據(jù)來源并研究其思考鏈過程，我們發(fā)現(xiàn)，其底層運行包含兩個核心回路：其一，Gemini在訓練過程中，已經(jīng)內化了權威機構的歷史劃分標準，確保在處理2022年以前的數(shù)據(jù)時，能夠錨定市場共識，而非盲目計算。其二，對于2023-2025年這一超出歷史語料覆蓋的區(qū)間，Gemini采用了典型的RAG（檢索增強生成）方式，自行搜索并抽取關鍵宏觀事實，包括：GDP增速的年度或季度表現(xiàn)；政策利率或利率事件（如LPR下調CPI、PPI的階段性變化特征。然后再基于自主檢索的宏觀事實并套用七階段邏輯進行推演。資料來源：Manus，Chatgpt，4.AI識別投資周期的有效性評估以改良版投資時鐘的人工周期劃分作為基準結果，對多種AI周期識別路徑進行系統(tǒng)性評估。評估并未僅停留在“是否判斷正確”，而是從策略實踐出發(fā)，構建了三層遞進的評價體系：（1）逐月階段一致性，衡量AI在具體時點上與人工判斷的重合程度；（2）階段穩(wěn)定性與碎化程度，衡量周期是否被過度切割；（3）周期敘事完整度，衡量是否形成可用于大類資產(chǎn)配置的“完整一輪周期”。請務必閱讀正文之后的免責聲明及其項下所有內容12圖12：AI識別與優(yōu)化投資時鐘方案和效果資料來源：Manus，Chatgpt，Wind，4.1.準確率識別評估從逐月對齊結果看，不同AI路徑在細分階段（1-7）的判斷能力存在顯著差異。邏輯投喂路徑整體表現(xiàn)最優(yōu)，其中Manus邏輯識別的月度準確率接近50%，顯著高于其他模型；Gemini邏輯投喂次之，準確率約在40%左右。相比之下，純數(shù)據(jù)投喂路徑的準確率集中在30%左右，圖片識別路徑在細分階段下的準確率最低。當階段合并為策略更關注的四大類階段（衰退、復蘇、過熱、滯脹）后，模型的識別準確率均出現(xiàn)明顯抬升，模型間差距有所收斂，但邏輯投喂路徑仍保持相對優(yōu)勢。其中，Manus邏輯與Gemini邏輯在大類階段下的準確率分別達到64.4%與57.9%。但我們必須注意到，邏輯投喂本身意味著AI識別周期時，使用了共識策略，而非完全具有判斷能力。值得注意的是，Gemini圖片投喂在大類階段準確率上的改善幅度最為顯著。其細分階段準確率僅為25.2%，但在大類階段下顯著提升至57.4%，改善幅度明顯高于其他模型；在疫情前樣本中，其大類階段準確率進一步提升至59.7%。這一結果表明，多模態(tài)模型在宏觀周期識別中，通過趨勢形態(tài)、相對位置等圖形信息，能夠在一定程度上弱化對短期數(shù)據(jù)噪聲的敏感性，在“方向性”和“階段歸類”層面優(yōu)于單純依賴數(shù)值變化的識別方式。證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容13模型月度準確率大類準確率月度準確率（疫情前）大類準確率（疫情前）月度準確率（疫情后）大類準確率（疫情后）Manus_data0.3440.4980.4310.5360.2120.394ChatGPT_data0.320.4780.3760.4970.180.410.2520.5740.2490.5970.1670.424Manus_image0.1280.4130.110.4140.1060.3940.4740.6440.5690.7350.2620.5080.3830.5790.4310.6320.2580.439資料來源:Manus，Chatgpt，Wind進一步從疫情前后分樣本結果看，疫情前各模型的識別效果整體好于疫情后，且模型間分化更為明顯。疫情前，Manus邏輯投喂在細分階段和大類階段下的準確率分別達到56.9%和73.5%，顯著領先于其他路徑；Gemini邏輯在疫情前的大類階段準確率亦達到63.2%。而疫情后，各模型的識別準確率普遍回落，細分階段準確率多降至20%–30%區(qū)間，大類階段準確率也整體回落至40%–50%區(qū)間，不同路徑之間的差距明顯收斂。上述結果表明，2020年以來宏觀經(jīng)濟運行呈現(xiàn)出更強的結構性斷裂與政策主導特征，傳統(tǒng)周期中“階段順序相對清晰、由基本面主導演進”的特征明顯弱化。在此背景下，即便是引入經(jīng)濟邏輯或多模態(tài)信息的AI模型，其周期階段識別能力亦受到顯著約束，單純依賴數(shù)據(jù)或圖形特征已難以穩(wěn)定刻畫階段邊界。4.2.階段穩(wěn)定性評估從周期整體結構特征看，不同AI路徑在周期輪數(shù)、階段段數(shù)及階段切換頻率等方面呈現(xiàn)出顯著差異，反映出其對宏觀周期連續(xù)性與穩(wěn)定性的刻畫能力存在本質不以分析師人工識別結果為基準，樣本期內共識別出7輪周期、35個階段段落，單一階段平均持續(xù)8.03個月，階段切換密度為1.49段/年，整體呈現(xiàn)出階段持續(xù)時間較長、周期輪廓相對清晰的特征。模型周期輪數(shù)階段段數(shù)平均每段持續(xù)(月)階段切換密度(段/年)分析師7358.031.49Manus_data595.082.36ChatGPT_data575.072.3772411.541.04Manus_image62311.521.047407.231.6672810.041.20資料來源:Manus，Chatgpt，Wind，國證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容14相比之下，純數(shù)據(jù)投喂路徑識別出的周期結構明顯更為碎片化。兩者識別的周期輪數(shù)分別達到14輪和11輪，階段段數(shù)均接近60段，單一階段平均持續(xù)時間僅約5個月，階段切換密度均超過2.3段/年，顯著高于人工基準。這表明，在缺乏中期約束的情況下，數(shù)據(jù)驅動模型更容易將短期波動誤判為階段切換，從而導致周期被過度拆分。圖片識別路徑在周期整體形態(tài)上與人工結果接近。Gemini圖片識別識別出6輪周期，階段段數(shù)為24段，單一階段平均持續(xù)11.54個月，階段切換密度僅1.04段/年；Manus圖片識別亦表現(xiàn)出類似特征。該結果表明，多模態(tài)模型通過對趨勢形態(tài)與相對位置的整體感知，在一定程度上抑制了對短期擾動的過度反應，更有利于形成連貫的周期輪廓。邏輯投喂路徑在周期結構上相對收斂。Manus邏輯與Gemini邏輯均識別出7輪周期，階段段數(shù)分別為40段和28段，階段切換密度降至1.66段/年和1.20段/年。其中，Gemini邏輯模型的單段持續(xù)時間達到10個月以上，在穩(wěn)定性上明顯優(yōu)于純數(shù)據(jù)投喂路徑，但仍略高于人工基準。總體來看，純數(shù)據(jù)投喂路徑更易產(chǎn)生“周期碎片化”問題，邏輯投喂路徑在穩(wěn)定性上有所改善，而圖片識別路徑在周期連續(xù)性與階段持久性方面最接近人工判斷。從策略角度看，階段切換密度過高意味著周期判斷難以作為穩(wěn)定的大勢框架使用，即便單月判斷“方向正確”，也難以形成可操作的中期配置邏輯。4.3周期敘事完整度進一步從周期敘事完整度的角度考察不同識別路徑對宏觀周期演進邏輯的刻畫能力。需要強調的是，周期敘事的“完整”并不必然意味著識別結果更優(yōu)，尤其是在近年宏觀運行規(guī)律明顯偏離傳統(tǒng)周期框架的背景下；但同一周期內階段頻繁回撤、反復跳轉，則往往意味著模型受到短期擾動的過度干擾，削弱其在策略層面的可用性。從結果看，分析師人工識別在樣本期內共識別出7輪周期，其中3輪呈現(xiàn)較為完整的周期演進路徑，完整輪占比為50%。同時，其單輪內的回撤式反復次數(shù)顯著偏低，平均僅0.17次/輪，最大回撤次數(shù)不超過1次，反映出人工判斷在階段切換上具有較強的連續(xù)性與方向一致性。純數(shù)據(jù)投喂路徑在周期敘事完整度與穩(wěn)定性方面整體表現(xiàn)較弱。Manus識別出14輪周期，但僅1輪符合完整輪標準，完整輪占比不足10%，且單輪內平均回撤式反復次數(shù)高達1.27次；ChatGPT更未形成任何完整周期，且最大回撤次數(shù)達到5次。這表明，數(shù)據(jù)驅動模型在缺乏中期敘事約束時，容易在階段判斷上出現(xiàn)頻繁回跳，周期結構呈現(xiàn)出明顯的非單調性。邏輯投喂路徑在回撤控制上雖較純數(shù)據(jù)路徑有所改善，但仍難以自然生成完整的周期敘事。Manus邏輯與Gemini邏輯的完整輪占比均為0，單輪內平均回撤式反復次數(shù)約為0.75次，且最大回撤次數(shù)分別達到6次與3次。這意味著，即便引入階段判定規(guī)則，模型在實際運行中仍容易受到邊界噪聲與結構突變的影響，難以維持階段演進的連貫性。圖片識別路徑在周期敘事層面呈現(xiàn)出更為分化的結果。Gemini圖片識別在7輪周期中有3輪符合完整輪標準，完整輪占比同樣達到50%，但其最大回撤次數(shù)達到5次，顯示出在部分周期中仍存在較為明顯的階段反復；Manus圖片識別雖未形成完整輪，但其平均回撤式反復次數(shù)相對較低（0.63次/輪），在一定程度上緩解了階段頻繁跳轉的問題。請務必閱讀正文之后的免責聲明及其項下所有內容15綜合來看，周期敘事完整度更適合被理解為一種形態(tài)特征，而非優(yōu)劣排序指標。在周期運行規(guī)律較為清晰的階段，較高的完整度有助于形成穩(wěn)定的大勢框架；但在結構性沖擊頻繁、政策主導特征突出的時期，過度追求“完整一輪”反而可能掩蓋真實的階段變化。相比之下，單輪內回撤式反復次數(shù)更直接反映模型是否過度受短期噪聲干擾，其對策略可用性的約束意義更為明確。模型周期輪數(shù)完整輪數(shù)量完整輪占比平均回撤式反復次數(shù)（次/輪）最大回撤次數(shù)分析師730.500.171Manus_data10.091.272ChatGPT_data00.000.935730.500.835Manus_image600.000.636700.000.756700.000.753資料來源：Manus，Chatgpt，Wind，5.技術反思：AI認知通道差異、宏觀周期識別邊界與任務適配性5.1圖片識別在特定階段、以及周期劃分更接近分析師直覺宏觀運行相對平穩(wěn)、趨勢慣性較強的階段，圖片投喂路徑在周期整體輪廓與階段順序判斷上，與人工分析結果更為接近。這一現(xiàn)象并不意味著圖片識別在所有情形下更優(yōu)，而是揭示了AI在不同認知通道下處理宏觀問題的方式差異。在數(shù)據(jù)投喂路徑中，AI通常通過生成代碼對時間序列進行逐期計算與判別，其本質是對數(shù)值規(guī)則的嚴格執(zhí)行。然而，宏觀數(shù)據(jù)中同時疊加趨勢項、政策預期與統(tǒng)計噪聲，數(shù)值層面的邊際波動并不必然對應經(jīng)濟狀態(tài)的實質切換。在缺乏中期約束的情況下，剛性邏輯容易放大短期擾動，導致階段頻繁切換、周期被過度切割。相比之下，多模態(tài)圖片識別更多依賴對斜率變化、波峰波谷相對位置及多指標空間關系的整體感知。這種基于視覺特征的處理方式，天然具備一定的平滑濾波效果，能夠在無顯式規(guī)則設定的情況下，弱化對局部噪聲的反應，更接近分析師在宏觀研究中重趨勢、輕噪聲的觀察方式。需要強調的是，圖片識別路徑的優(yōu)勢具有明顯的階段依賴性。應該警惕從直覺紅利到平滑陷阱2020年之后，宏觀環(huán)境由尋找趨勢轉向識別斷裂，政策沖擊呈現(xiàn)出突發(fā)性、脈沖式特征，視覺路徑天然的平滑機制反而可能形成“平滑陷阱，導致對結構性斷點反應滯后。請務必閱讀正文之后的免責聲明及其項下所有內容16圖13：AI和分析師在資產(chǎn)配置中角色從“人機協(xié)同”走向“人機共生”資料來源：Manus，Chatgpt，Wind，千問任務助理5.2邏輯投喂的一致性，并不等同于獨立分析能力在邏輯投喂路徑中，部分模型在周期輪數(shù)與階段劃分上與人工結果高度一致，但這種一致性并不能簡單理解為模型對宏觀周期內在機制的自主理解。從運行機制看，此類模型的優(yōu)勢更多體現(xiàn)在高效的信息檢索、口徑對標與結果整合能力：在可檢索區(qū)間內快速對齊已有分析結論，在模糊區(qū)間再輔以規(guī)則與數(shù)據(jù)補充判斷。這更像是一種研究流程加速機制，而非獨立的周期識別推演過程。5.3技術歸納：AI能力與任務適配性從技術本質上看，AI在研究中的合理定位，并非獨立完成任務、取代分析師，而是作為一種能力擴展工具嵌入既有研究流程之中。不同AI路徑在同一任務上表現(xiàn)差異，根源不在于模型是否“更聰明”，而在于工具屬性是否與任務結構相匹配。（1）數(shù)據(jù)/代碼模式：適用于絕對量化、規(guī)則清晰、目標確定的任務，如指標計算、數(shù)據(jù)清洗與自動化執(zhí)行；（2）多模態(tài)/視覺模式：適用于趨勢判斷、模式識別與復雜系統(tǒng)抽象，尤其在中期敘事構建中具備優(yōu)勢；（3）AI智能體模式：更適合作為研究加速器，用于信息檢索、口徑對標與證據(jù)整合，但不宜替代原創(chuàng)判斷。當AI具備搜索、工具調用與沙箱執(zhí)行能力時，其工具屬性更多體現(xiàn)為研究加速器。在這一模式下，AI的主要價值在于高效完成信息檢索、口徑對標與證據(jù)整合，使研究者能夠更快得到共識。但需要強調的是，該路徑下結果的一致性，更多來源于對既有共識的快速吸收，而非對問題本身的獨立推演，因此并不適用于所有研究任務。同時，還需警惕該路徑在數(shù)據(jù)與信息來源上的潛在偏差。一方面，模型訓練數(shù)據(jù)與實時搜索結果本身可能存在滯后、口徑差異或事實錯誤；另一方面，瀏覽器搜索往往強化主流敘事與高頻觀點，容易在無意中放大共識偏差。若缺乏人工校驗與方法約束，研究結論可能呈現(xiàn)出高度一致但邏輯脆弱的特征。因此，在使用具備搜索與工具調用能力的AI時，其產(chǎn)出更適合作為研究輸入與線索集合，而非直接作為最終結論。理解AI能力與研究任務之間的適配性，是實現(xiàn)降本增效的關鍵。通過精準匹配技術路徑，可以避免不必要的長鏈推理與高成本token調用，以更短路徑獲得穩(wěn)定、可復核的研究結論，實現(xiàn)研究資源投入的最優(yōu)性價比。證券研究報告請務必閱讀正文之后的免責聲明及其項下所有內容17風險提示2）技術成本與收益不匹配風險：過度使用高to