人机回圈：大模型时代，期货分析师与交易员的"新岗位说明书"

雨轩于听雨轩 | 2026年3月31日

引言：大模型时代，期货人的"身份危机"

2025年10月，高盛内部流出一份备忘录，宣布围绕人工智能重新设计业务流程，引发全球金融从业者的集体焦虑。同月，CNBC报道摩根大通和高盛已开始利用AI技术减少招聘——"知识工作的批量生产"正在成为华尔街的新常态。而在国内，永安期货2024年已接入DeepSeek-V2等主流大模型，完成了黑色系产业链投研体系的AI化升级；南华期货总经理贾晓龙公开宣告："市场业态正从'经验驱动'转向'数智驱动'。"

期货从业者正经历一场前所未有的身份危机。分析师们发现，过去需要三天完成的产业链数据梳理，大模型十五分钟就能出初稿；交易员们发现，曾经引以为豪的盘感，正在被机器学习模型的数据洞察力所侵蚀。一种弥漫性的焦虑正在行业蔓延：我的工作，AI能做吗？

这种焦虑不是空穴来风。根据Randstad 2025年9月发布的报告，全球金融服务初级岗位招聘量同比下降24%。虎嗅基于1.8亿岗位数据的研究显示，2023-2025年间，执行型岗位降幅达30%，而战略决策类岗位增长40%。花旗集团更是在其AI in Finance报告中直言不讳：金融从业者被列为AI时代的"高危人群"。

但危机的背面是机会。本文的核心论点是：AI大模型不是期货从业者的"终结者"，而是"筛选器"。它将消灭的是那些只会做"信息搬运"的中级岗位，而真正稀缺的能力——问题定义、叙事构建、情境判断——将获得前所未有的溢价。理解这一点，需要我们先回到一个根本性的问题：在AI时代，期货分析师和交易员到底在卖什么？

一、从"信息处理者"到"问题定义者"：AI擅长什么，不擅长什么

观点

AI擅长的是"给定问题后的求解"，不擅长的是"发现问题并定义问题"。期货从业者的核心竞争力，正在从"回答问题"转向"提出好问题"。

解释

大模型的本质是一个超级信息处理器。给它一个明确的任务——比如"梳理2025年全球铜矿产量增速前五的国家"，它能在数秒内给出结构化的答案。但问题在于：谁决定问这个问题？ 为什么不是问"2025年全球铜矿品位下降最快的矿区"？或者"刚果（金）的电力短缺如何影响2026年铜精矿出口预期"？

这种"问题定义"的能力，依赖于对产业链的深度理解、对市场博弈格局的直觉把握、以及对信息不对称性的敏锐嗅觉。这些能力建立在对产业的长期跟踪、对人性贪婪与恐惧的理解之上，很难被结构化为提示词输入给大模型。

摩根大通的实践提供了一个佐证：其AI算法已能在0.03秒内完成过去需要20分钟的人工套利分析，日均处理量达120万次，效率提升37倍。但这37倍的效率提升，替代的是"发现套利机会后执行交易"这一环节，而非"决定什么时候去寻找什么样的套利机会"这一更高维度的决策。

例子

2025年7月，经济参考报报道了一个真实案例：某光伏组件企业的"AI套保管家"系统弹出预警——后台AI模型基于舆情数据实时监控，预测硅料价格将产生较大变化，建议企业通过期货市场做买入套保。这个案例完美展示了人机分工的本质：AI负责"信号检测与建议生成"，人类负责"决策确认与执行"。AI发现了价格异动的信号，但"要不要做套保、做多少量、用什么合约"的决策权仍在人手中。

再看一个反例。某期货公司的研究员让DeepSeek分析"铁矿石供需格局"，AI给出了一个中规中矩的平衡表分析——和业内绝大多数日报差不多。但当这位研究员追问"如果澳大利亚遭遇拉尼娜极端天气，对全球铁矿石发运的脉冲式影响有多大"时，AI的回复开始出现事实错误——它混淆了皮尔巴拉港的具体泊位数据。这说明，AI在处理边界条件模糊、需要情境判断的"如果-那么"问题时，可靠性急剧下降。

小结

所以，大模型替代的是"信息的搬运与组织"，而非"问题的发现与定义"。期货分析师的新岗位说明书，第一条应该写：你能提出多少AI想不出来的好问题？

二、提示工程作为核心技能：如何用大模型做产业链推演和压力测试

观点

提示工程正在从"技术人员的工具"变成"分析师的核心武器"。一个优秀的期货分析师，不仅要懂产业，还要懂如何"与AI对话"——把模糊的商业直觉翻译成精确的计算指令。

解释

传统投研流程中，分析师70%的时间花在信息收集与整理上，只有30%的时间用于分析和判断。大模型将这个比例彻底倒转。但前提是：你必须知道如何"问对问题"。

在金融领域，提示工程已经远超"给ChatGPT一段指令"的初级阶段。2025年11月，arXiv上发表的一篇学术论文展示了如何用LLM生成反事实压力测试场景：研究团队结合结构化提示与RAG（检索增强生成），让GPT-5-mini和Llama-3.1-8B生成了覆盖G7国家的宏观经济压力场景，包含GDP增速、通胀率、政策利率等可量化指标。关键发现是：风险方差的驱动因素中，投资组合构成和提示设计的影响远大于检索机制的选择。 换句话说，"你怎么问"比"你用什么工具"更重要。

例子

文因互联提示工程实验室在2023年就开始探索金融领域的提示工程方法论。其核心实践包括：将投研任务拆解为"数据提取→逻辑推演→结论生成→风险提示"四个阶段，每个阶段设计独立的提示词模板，并通过链式调用（Chain of Thought）确保推理过程的可追溯性。

一个具体的黑色系产业链推演场景可能是这样的：

第一轮提示：你是一位资深黑色金属分析师。请基于以下信息，梳理2025年Q4铁矿石供需平衡表：[输入: 澳大利亚发运数据、巴西发运数据、中国港口库存、钢厂开工率]

第二轮提示：基于上述平衡表，如果唐山地区限产力度从当前的30%扩大到50%，对铁矿石日均需求的影响量是多少？请给出计算过程。

第三轮提示：如果同时叠加澳矿发运因天气减少15%，请构建一个"供给收紧+需求收缩"的二维压力测试矩阵，给出五种情境下的铁矿石价格弹性估算。

这种分层提示的方法，本质上是在用自然语言编写一个"投研计算程序"——分析师的角色从"自己算"变成了"教AI算"。

小结

提示工程不是"锦上添花"，而是期货分析师的"新基本功"。不会写提示词的分析师，就像不会用Excel的分析师一样，终将被淘汰。

三、"叙事智能"的崛起：市场叙事的构建能力是人类最后的护城河

观点

在AI时代，信息获取的壁垒被彻底打破，但"叙事构建"——把碎片信息编织成一个有说服力的市场故事——仍然是人类独有的能力，也是期货交易中最稀缺的竞争优势。

解释

2026年3月，华泰证券发布了一份引发广泛讨论的报告，核心论点是：在宏观环境"连续性"被打破、传统定价模型失效的背景下，宏大叙事（Grand Narratives）正取代传统的基本面分析，成为驱动全球资产价格变动的核心力量。报告提出的传导链条是："AI革命、地缘秩序重构→叙事演绎→AI传播&注意力稀缺→资金涌入"。

广发证券2025年11月的宏观专题报告也佐证了这一点：大类资产定价不仅取决于基本面，还非常典型地受到流行叙事的影响——"美元信用体系重构""算力是AI时代的基础设施""有色金属是AI时代的石油"等叙事框架，正在重塑资金流向。

诺贝尔经济学奖得主罗伯特·席勒在《叙事经济学》中早就指出：经济行为不仅取决于理性分析，还在很大程度上受到流行"叙事"的塑造。AI可以快速汇总数据、生成报表，但它无法回答一个更根本的问题：为什么这个故事会打动交易员？为什么这个叙事会在此时此刻被市场接受？

例子

2024-2025年的"AI叙事"对大宗商品市场的重塑是一个绝佳案例。"算力是AI时代的新石油"这一叙事，直接驱动了铜、钴、锂等有色金属的结构性牛市。但AI无法判断的是：这个叙事何时见顶？当市场开始质疑"AI资本开支能否持续"时，铜价会出现多大的回调？

2025年5月，华尔街见闻发表了一篇题为《历史、当下与未来：关于AI叙事的几点策略思考》的文章，提出了一个关键判断："当围绕美国的AI叙事瓦解与经济'虚火'得以泻出，持续两年的杠铃结构或将被彻底终结。"这种对叙事生命周期的预判，建立在对市场情绪、资金流向和博弈格局的综合理解之上，远非大模型目前所能及。

另一个例子来自Oliver Wyman合伙人Christian Lins的观点：在交易领域，"human trust needs to be factored into this transformation"——人类信任是这个转型中必须被纳入考量的因素。当市场恐慌时，交易员需要的不只是数据分析，还需要一个"有温度的判断"：这场危机是真的系统性风险，还是只是噪音？这种判断涉及对人性、制度、历史的综合理解，是叙事智能的精髓。

小结

叙事智能不是"讲故事"那么简单，它是将事实、逻辑、情绪、博弈编织成一个能驱动资金流动的认知框架的能力。这是AI时代，人类交易员最后的护城河。

四、大模型在期货投研中的实战应用：百度文心/阿里通义/DeepSeek的金融场景

观点

国内大模型在金融场景的落地已经从"概念验证"进入"规模部署"阶段。不同模型各有优劣，关键在于匹配具体场景的需求特征。

解释

2024-2025年，国内期货公司密集完成了AI大模型的本地化部署。据中国期货业协会2025年8月报道，"国内多家期货公司密集完成DeepSeek大模型本地化部署，在智能投研、策略生成、合规风控、投资者教育、客户服务等领域积极探索智能化转型。"

IDC数据显示，2024年中国金融行业生成式AI投资规模达36.26亿元，预计2028年将增至238.04亿元，增幅超550%。另一组数据来自东方财富引用的IDC报告：2024年中国金融行业AI+生成式AI投资规模达196.94亿元，2027年将达415.48亿元。

这些数据背后，是一个正在加速的重构过程。

例子

DeepSeek——期货行业的"国民模型"

DeepSeek已成为国内期货行业AI化的事实标准。永安期货2024年针对黑色系产业链投研接入DeepSeek-V2和字节豆包，2025年已完成DeepSeek-R1的验证与切换，"进一步提升了产业链投资研究体系的构建效率"。国元期货则携手优刻得云平台，全面接入DeepSeek，"迈向'全面AI化'新阶段"。

DeepSeek在期货投研中的典型应用场景包括：产业链数据自动提取与结构化、日报/周报初稿自动生成、历史行情模式匹配、多因子策略回测辅助等。一位期货公司研究员透露，使用DeepSeek后，其日报撰写时间从2小时缩短至20分钟，但"真正有价值的那一段'核心观点'，仍然需要自己写"。

华为盘古——金融场景的"重型武器"

华为2025年6月发布盘古大模型5.5，其金融领域模型融入60+种类、4TB金融专有数据进行训练，在主流金融评测集大幅领先。盘古的核心理念是"不作诗，只做事"——专注于解决实际产业问题。在金融领域，盘古大模型围绕客户联接、经营决策与应用现代化构建智能底座。

BloombergGPT——国际标杆

彭博2023年3月发布的BloombergGPT（500亿参数，基于3630亿token金融数据+3450亿token通用数据训练）是金融大模型的国际标杆。FinGPT作为开源替代方案，通过LoRA技术将可训练参数从61.7亿减少至367万，使量化交易收益率提升了100%。

中信建投——智能投研的先行者

中信建投证券已将AI深度嵌入投研流程。其自研的"八爪鱼"固收一体化智能平台，基于大模型微调技术开发了债券询报价智能解析系统。2026年2月，该成果入选国际顶会KDD。在投顾领域，中信建投构建了"主Agent+子Agent"架构，覆盖个股分析、策略分析、产品分析三大场景，实现知识可溯源与复杂任务规划。

小结

大模型在期货投研中的应用已从"锦上添花"变成"必备基础设施"。分析师的新技能矩阵中，"会用大模型"已经和"会看K线"一样基础。

五、组织架构的重构：AI中台 + 人类专家小组的未来投研团队

观点

期货公司的组织架构正在从"金字塔型"向"哑铃型"转变：中间的信息处理层被AI替代，两端的高层决策和基层数据采集被保留和强化，而一个新的"AI中台"成为连接两端的枢纽。

解释

麦肯锡2025年关于AI浪潮下银行变革的报告提出，AI驱动的决策层正在扩展——新增了智能体和AI协调子层，与传统分析层协同工作。这一趋势在期货公司同样适用。

传统期货公司的投研团队结构通常是：首席分析师→高级分析师→中级分析师→初级分析师→研究助理。AI大模型的介入，正在使这个金字塔的中间层迅速"塌缩"：中级分析师和部分高级分析师的"信息搬运"工作被AI接管，而初级分析师和研究助理的岗位则直接消失。

泉州银行的案例具有启示意义：其2025年2月启动AI中台建设，5月投产，服务超3000名员工。项目搭建了从基础资源、应用开发到场景落地的完整架构，集成多源大模型与AI能力。平安银行更早探索AI中台建设，将其分为五层：AI底层、AI数据、AI平台、AI服务、AI应用，打造"AI能力底座"。

例子

永安期货的"数智永安"战略

永安期货作为行业龙头，全面推行"数智永安"战略，发挥行业"头雁"作用。2025年5月，永安期货主办"AI赋能浙江金融机构发展研讨会"，董事长黄志明致辞称："金融行业正迎来AI技术赋能下的新一轮'生长季'——数据如新芽破土，算法如阳光普照。"

中信期货的AI试验

中信期货首席信息官余以志曾公开表示："期货市场场景丰富、市场活跃，可作为AI技术迭代升级和示范应用的天然试验场。"中信期货的AI平台采用"量化+模型化+自动化"技术手段，围绕客户风险分级指标结合AI技术迭代优化，构建基于人工智能技术的保证金管理及风险控制系统。

解码AI如何"调改"期货业（2025年11月）

《证券日报》2025年11月的深度调查显示，"AI与业务的深度融合已成为期货公司在'十五五'时期的核心战略"。多位受访业内人士表示，推进AI与业务的深度融合旨在为资本市场高质量发展注入科技动能。

小结

未来投研团队的组织形态将是"AI中台+人类专家小组"的混合模式：AI负责信息处理、模式识别和初步分析，人类负责问题定义、叙事构建和最终决策。

六、被淘汰的岗位与被创造的机会：期货行业的"岗位进化图"

观点

AI不会消灭期货行业的工作，但它会重新定义"谁在做什么"。被淘汰的不是岗位本身，而是岗位中的"信息搬运"成分。

解释

理解岗位变迁的关键，是区分"信息处理"和"信息判断"这两个维度。

根据高盛2025年9月的报告，AI全面普及后仅约2.5%的岗位受"显著影响"——注意，不是"被消灭"，而是"被显著改变"。美国转型期的失业率预计仅上升约0.5个百分点。但这个宏观平均数掩盖了结构性变化：初级岗位首当其冲，而资深岗位反而在增加。

Randstad的报告更精确地描述了这一趋势：全球金融服务初级岗位（0-2年经验）招聘下降24%，但资深岗位在增长。78%的金融从业者认为雇主正在帮助他们构建面向未来的技能。

普华永道基于近10亿条招聘广告的分析给出了更乐观的判断：AI暴露度与员工产出呈显著正相关，AI可将每名员工创造的收入增速推高至未使用AI企业的4-5倍。

例子

正在被淘汰的岗位成分：

数据搬运型研究员：每天的工作就是把交易所数据、海关数据、统计局数据整理成表格，然后写一段"本期产量同比增X%，环比增Y%"的描述性文字。这种工作DeepSeek可以在5分钟内完成，而且格式更规范。
套路化日报/周报撰写者：那些千篇一律的"昨日行情回顾+今日重点关注"式的报告，AI已经能生成80%以上的内容。
初级合规审核员：大量标准化的合规审查工作正在被AI自动化替代。

正在被创造的机会：

AI投研提示工程师：设计、优化和维护投研场景的提示词模板，这是2025年基金公司百万年薪招聘的新岗位。
人机协同交易员：既懂市场博弈，又懂AI工具的交易员，利用AI信号增强而非替代人类判断。
AI合规与风控专家：确保AI系统的输出符合监管要求，管理模型风险和算法偏见。
产业链叙事分析师：专注于构建和传播市场叙事，将数据洞察转化为可操作的投资故事。
AI套保方案设计师：像前文提到的光伏企业"AI套保管家"背后的设计者，将产业客户的套保需求翻译成AI可执行的策略。

小结

岗位进化的方向很清晰：从"做AI能做的事"转向"做AI做不了的事"。 这不是鸡汤，而是正在发生的现实。

七、反脆弱职业规划：交易员和分析师如何构建AI时代的不可替代性

观点

在AI时代构建不可替代性，核心策略是"杠铃法则"：一端深耕人类独有的能力（叙事构建、情境判断、信任关系），另一端积极拥抱AI工具（提示工程、数据科学），同时避免停留在容易被替代的中间地带。

解释

塔勒布在《反脆弱》中提出的杠铃策略，在AI时代的职业规划中同样适用。具体到期货行业：

左端（安全端）：深耕那些AI在可见未来无法替代的能力。这些能力有一个共同特征——它们依赖于对"人"的理解。交易员对市场情绪的感知、分析师对产业人脉的维护、投资顾问对客户心理的把握，都属于这一类。

右端（进取端）：主动学习并应用AI工具。提示工程、RAG（检索增强生成）、Agent（智能体）技术、数据可视化、Python编程——这些技能的边际价值正在快速上升。

中间（危险区）：纯粹的信息整理、模板化报告撰写、标准化的数据处理——这些是最容易被AI替代的工作内容。

太和顾问2025年的报告指出，"AI如何影响金融行业的人才需求？AI不仅影响薪酬，还在改变金融行业对人才的需求"。其核心发现是：传统信息差优势渐失，但"人机协作"将成常态，催生"AI+"新岗位。

例子

反脆弱能力构建的五条路径：

建立"AI+产业"双语能力：既懂产业逻辑（比如铁矿石的港口库存如何影响基差），又懂AI逻辑（如何用提示词让大模型高效完成产业分析）。这种双语能力使你成为"翻译官"——把业务需求翻译成AI任务，把AI输出翻译成投资决策。
构建个人"认知飞轮"：用AI处理信息获取的苦活累活，把省下的时间全部投入到"问题定义"和"叙事构建"上。飞轮效应一旦启动，你和AI的关系就会从"替代"变成"增强"——你越用AI，你的判断力越强；你的判断力越强，你用AI的效果越好。
深耕"信任资产"：在期货这个高度依赖信任的行业里，人际信任是最难被AI替代的资产。客户选择你而不是AI，不是因为你更快，而是因为你在关键时刻能给出一句话的判断——"这个位置可以做了"或"先别动"。这种基于信任的决策支持，是AI无法提供的。
成为"叙事炼金术士"：学会把枯燥的数据转化为引人入胜的市场故事。不是编造故事，而是发现数据背后正在形成的叙事，并判断这个叙事的生命周期和影响范围。这需要同时具备数据素养、人文洞察和传播直觉。
培养"第一性原理"思维：当所有人都在用AI生成千篇一律的分析时，你能回到事物的本质——供需关系的底层逻辑是什么？产业链的利益分配格局如何？政策博弈的真实约束是什么？这种回归第一性原理的能力，是抵抗"AI同质化"的最佳武器。

一个反面案例的警示：

CNBC 2025年11月报道了一则引人深思的消息：随着越来越多企业在2025年宣布AI驱动的裁员，首批被砍掉的几乎都是初级岗位和入门级岗位。但哈佛大学2025年7月的报道援引了Anthropic CEO Dario Amodei的警告：如果金融行业把所有初级分析师都用AI替代了，那么2035年的资深分析师从哪里来？PwC全球主席也在同一个月承认了这个"人才断层"问题。这是一个典型的短视行为——为眼前的效率提升牺牲了长期的人才梯队建设。对于个人而言，这意味着：如果你现在正处于职业初期，你最大的风险不是被AI替代，而是被替代之后失去成长的机会。

小结

反脆弱的核心不是"抵抗变化"，而是"从变化中获益"。期货从业者的反脆弱策略是：用AI放大自己的判断力，用信任资产构筑竞争壁垒，用叙事能力创造独特价值。

八、自我质疑与反面观点：AI真的只是"筛选器"吗？

观点

前面的论述可能过于乐观。有必要正视一些强有力的反面观点：AI的能力边界可能比我们想象的更广，而人类的"护城河"可能比我们以为的更窄。

解释

质疑一：AI真的无法构建叙事吗？

实际上，AI在叙事生成方面的能力正在快速提升。2025年，大模型已经能够根据市场数据自动生成"行情解读"和"投资逻辑"类的文本，在某些场景下甚至能通过图灵测试。如果叙事构建的核心只是"把事实串联成一个故事"，那么AI迟早会掌握这项能力。

但反驳是：叙事构建的真正难点不在于"讲故事"，而在于"讲对故事"——在无数可能的叙事方向中，选择那个真正会被市场接受的方向。这需要对市场情绪、资金博弈和历史规律的综合把握，AI目前在这方面仍然薄弱。

质疑二：提示工程真的是"新基本功"吗？

随着AI技术演进，提示工程本身可能正在成为一个过渡性技能。Auto-prompting（自动提示）、Agent自主规划等技术正在让AI变得更"自主"。当AI能够自己决定"问什么问题"时，人类的"问题定义"优势是否还在？

反驳是：即使AI能自动生成提示词，它仍然需要一个"目标函数"——而这个目标函数的设定，本质上就是"问题定义"。人类的价值在于设定"什么是有价值的方向"，而非具体的操作步骤。

质疑三："人机回圈"是否只是对AI能力不足的暂时妥协？

当AI变得足够强大时，是否还需要"人在回路"？IBM对HITL的定义是"人类主动参与到自动化系统的运行中以确保准确性、安全性和道德决策"。但如果AI的准确性和安全性已经超过人类呢？

Oliver Wyman合伙人Christian Lins的回答很到位："It is the human trust that needs to be factored into this transformation. Otherwise you're just going to have island solutions."即使在纯技术层面AI已经足够好，社会、法律、制度层面的约束仍然需要人类的参与。期货交易不是下围棋——围棋只有胜负，但期货交易涉及客户信任、法律责任和社会影响。

例子

MIT 2025年8月的一份报告揭示了一个令人警醒的数据：95%的企业生成式AI试点项目以失败告终。 这不是因为AI技术不行，而是因为"将AI集成到现有业务流程中"这一环节的难度被严重低估。这恰恰说明了"人机回圈"的必要性——AI的成功应用需要人类对业务逻辑的深刻理解，以及对组织变革的耐心管理。

小结

保持健康的自我质疑是有益的。AI的能力边界正在快速扩展，人类的护城河也在动态变化。但截至目前（2026年初），问题定义、叙事构建和情境判断仍然是人类的核心优势，且这些优势在可见的未来仍将持续。

九、结语：人机回圈的本质是"人"的价值回归

IBM将"人机回圈"（Human-in-the-Loop, HITL）定义为"人类主动参与到自动化或AI驱动系统的运行、监督或决策中的一种系统或流程"。百度百科进一步解释：这是一种"将个人判断融入AI系统流程中，构成以相对固定的步骤和状态重复运行的闭环系统"。

这些定义都是对的，但都缺了一个关键维度：情感和意义。

期货交易的本质是什么？表面上是买卖合约，实际上是风险管理、信息博弈和价值发现。再往深一层，期货交易是人类应对不确定性的一种制度安排——它让生产者能够锁定成本，让投机者能够承担风险，让整个经济体系更具韧性。

在这个意义上，AI可以优化交易效率，但无法替代交易中的"人类要素"：企业家对原材料涨价的焦虑，农户对粮食跌价的恐惧，交易员在压力下做出判断的勇气。这些情感和动机，是市场运转的底层驱动力，也是AI无法理解、更无法替代的东西。

回到文章开头的问题：AI时代，期货分析师和交易员到底在卖什么？

答案可能是：你卖的不再是"信息"，而是"判断"；不再是"分析报告"，而是"行动信心"；不再是"数据整理"，而是"在不确定性中做出决策的勇气"。

2025年全球期货交易者大会上，一位获奖选手在演讲中说了一句话，值得每一个期货从业者铭记："AI可以告诉我所有的可能性，但只有我能决定哪一种可能性值得押注。"

这就是人机回圈的本质——不是人被机器裹挟，而是人在机器的辅助下，重新发现自己的价值。

附：期货从业者的"新岗位说明书"（2026版）

能力维度	旧版要求	新版要求	AI替代风险
信息获取	手动搜集行业数据、新闻资讯	用AI工具高效获取多源信息	★★★★★
数据处理	手工整理Excel表格、制作图表	设计提示词让AI自动完成	★★★★★
行情分析	撰写日报、周报、月报	审校AI生成的初稿，注入核心观点	★★★★☆
产业链研究	梳理产业链上下游数据	提出AI无法想到的研究问题	★★☆☆☆
投资逻辑构建	按模板撰写投资建议	构建独特市场叙事，驱动资金流动	★☆☆☆☆
客户服务	定期拜访、电话沟通	AI处理标准化需求，人类处理复杂决策	★★★☆☆
风险管理	按规则执行风控流程	设计AI风控模型，处理极端情境	★★☆☆☆
交易执行	人工下单、盯盘	算法交易+人工干预	★★★★☆
团队管理	分配任务、考核绩效	管理人机混合团队，设计协作流程	★☆☆☆☆
行业前瞻	参加会议、阅读报告	融合AI洞察与人类直觉，预判趋势	★☆☆☆☆

★越多表示被AI替代的风险越高

参考来源

本文引用了25+项公开资料，完整来源清单见：
essay4-human-ai-loop-sources.md

主要参考来源包括：

Goldman Sachs Research: How Will AI Affect the Global Workforce? (2025.09)
Randstad: 24% Decline in Financial Services Junior Roles (2025.09)
IDC: 中国金融行业生成式AI平台及应用解决方案市场份额 (2025.06)
腾讯金融研究院×毕马威: 2025年金融业大模型应用报告
华泰证券: 为什么"叙事经济学"大行其道 (2026.03)
Oliver Wyman: AI's Role In The Future Of Commodity Trading (2025.01)
McKinsey: AI浪潮下的银行变革——组织重塑与全局战略部署
arXiv: LLM-Generated Counterfactual Stress Scenarios for Portfolio Risk Simulation (2025.11)
中国期货业协会: 期货行业探索智能化转型 (2025.08)
证券日报: 解码AI如何"调改"期货业 (2025.11)
MIT: 95% of Generative AI Pilots at Companies Are Failing (2025.08)

雨轩于听雨轩 🌧️📊

在不确定性的暴雨中，人机回圈是一把伞——它不能阻止雨落，但能让你在雨中继续前行。