原文信息：Elizabeth Blankespoor, Joe Croom & Stephanie M. Grant (2026), Generative AI and Investor Processing of Financial Information, Journal of Accounting and Economics.
01
引言
1.1背景
生成式AI可能重塑散户获取、理解和使用金融信息的方式。过去，高级信息处理工具往往掌握在专业机构手中；而生成式AI以低成本、自然语言交互和较强的综合处理能力，显著降低了技术门槛。对长期面临信息过载与分析能力约束的散户而言，它既可能成为“信息处理加速器”，也可能带来新的可靠性、隐私和不平等问题。
现有研究更多关注生成式AI能否完成摘要、信号提取或预测等任务，却较少观察散户在真实投资流程中如何主动使用它。仅凭实验任务或通用聊天平台的对话，也很难判断用户是否真的在进行投资研究。因此，生成式AI在零售投资中的采用率、具体用途、持续使用方式及采用障碍，仍缺乏系统证据。
1.2Research Gap
这篇论文试图回答四个彼此关联的问题：第一，散户会要求生成式AI完成哪些信息处理任务？第二，他们主要用它处理哪些信息来源？第三，使用经验增加后，提问方式是否会变化？第四，哪些投资者更愿意采用生成式AI，他们看重什么，又担心什么？
作者并不直接检验生成式AI是否提高投资收益，而是先建立一幅“谁在用、如何用、为什么用”的基础画像。这种描述性证据，是进一步研究生成式AI如何影响投资决策、交易行为和资本市场的重要起点。
1.3主要贡献
本文的贡献主要体现在三方面：
真实场景：使用嵌入券商交易流程的生成式AI聊天助手数据，直接观察已验证账户持有者的投资研究提问；
双重证据：将超过40万条实际提问与2,175名散户调查相结合，同时回答“实际做了什么”和“为什么这样做”；
动态视角：借助匿名用户标识追踪重复使用者，揭示散户从初次尝试到持续使用过程中提问内容的变化。
02
数据与研究设计
2.1平台与档案设计
作者与美国零售券商平台 Public 合作，研究其内置的生成式AI助手 Alpha。Alpha 基于 OpenAI 的 GPT 模型，并可调用平台上的实时金融数据，包括公司基本面、财报电话会文本、市场数据、分析师评级和新闻。它不会提供明确的投资建议，而是以“信息处理副驾驶”的定位帮助投资者研究和判断。
档案数据覆盖2024年1月至2025年4月，包含随机抽取的412,192条对话起始问题。剔除不完整或语义不清的问题、Alpha 不会回答的明确投资建议请求，以及应用或账户支持问题后，最终样本为309,346条问题，来自85,476名独立投资者。需要注意的是，数据只记录每段对话的第一个问题，且不包含 Alpha 的回答和完整对话链。
2.2问题分类方法
作者从两个维度独立分类每条问题：一是投资者要求生成式AI执行的任务类型，二是投资者希望处理的信息来源。研究团队先人工标注1,500条独特问题，再用其中1,200条训练 Sentence-BERT 模型，并用300条留出样本评估。模型对任务分类和信息来源分类的准确率分别为0.75和0.73。
每条问题在两个维度上各被分入一个互斥类别。这样的设计有助于识别提问的主要意图，但也意味着一条同时包含多个目的的问题会被简化为单一类别。
2.3调查数据
为补充档案数据无法观察的采用动机与主观评价，作者在2024年4月调查了2,175名散户。样本来自 Public 用户与 Prolific 平台，调查内容涵盖生成式AI的当前使用频率、任务和信息来源、感知收益与局限，以及未来采用意愿。作者以金融教育经历衡量投资者成熟度（sophistication），并控制交易活跃度、年龄和调查来源等因素。
03
档案证据：散户如何向生成式AI提问？
3.1 最常见的用途不是“荐股”，而是解释与理解
表1显示，在309,346条有效问题中，50.8%要求生成式AI解释或解读金融信息，是占比最高的任务。例如，投资者会询问某公司的利润率是否健康，或某项业务表现如何。其次是股票筛选，占17.4%；摘要金融信息占8.9%；给出公司总体评估占8.1%；公司背景研究占7.0%。检索关键财务数字、解释投资术语、评估趋势和跨公司比较的占比分别为3.9%、2.8%、1.1%和0.1%。
3.2市场数据是最主要的信息入口
表2显示，64.3%的问题涉及市场数据，远高于其他来源。投资者尤其关心股价表现及其变动原因。分析师预测与评价占10.7%，公司背景信息占6.9%，金融新闻占6.6%，财务数字占3.5%。此外，教育类信息、财报电话会和行业信息分别占3.1%、2.7%和1.2%。
市场数据的高占比既反映其在券商平台上的高可见度和高频更新，也表明散户倾向于在价格波动出现时，立即借助生成式AI寻找背景、原因和解释。
3.3多数人浅尝辄止，但重复使用者会形成长期习惯
图1展示了85,476名用户发起对话次数的分布：50.9%的投资者只发起过一次对话，31.4%发起过2至4次，17.7%（15,113人）发起过至少5次。前两组可能仍处于试用阶段，而最后一组更接近把 Alpha 当作经常性研究工具。
进一步观察至少使用5次的投资者，图2显示其使用并非集中于短期：45.0%的重复使用者第一次与最后一次对话相隔至少200天，另有20.7%相隔101至200天；使用跨度不超过30天的不足15%。这说明一旦投资者持续回访，生成式AI很可能被嵌入日常投资研究流程。
3.4使用越久，问题越从“找股票”转向“跟踪公司”
图3与表3揭示了一个细微但清晰的变化：随着对话次数增加，重复使用者逐渐减少宽泛的股票筛选和总体公司评估，增加对金融信息的解释、摘要，以及对公司新闻和具体背景的关注。换言之，初期使用更像“探索投资版图”，后期则更像“持续监测已关注公司”。
这种迁移意味着生成式AI可能同时影响投资流程的两个阶段：早期帮助投资者发现和筛选标的，后期帮助他们追踪新闻、解释变化并维持对公司的持续关注。
04
调查证据：谁在用，为什么用？
4.1近一半散户已经使用生成式AI处理金融信息
表5与图4显示，2,175名受访者中，47.2%曾使用生成式AI处理金融信息或辅助投资决策。其中，41.2%的使用者表示“很少使用”，26.6%每月使用，22.8%每周使用，9.4%每天或更频繁使用。总体来看，生成式AI已获得可观采用，但不少用户仍处于尝试如何将其纳入投资流程的阶段。
在使用过生成式AI的1,026人中，ChatGPT 的使用率最高，为74.6%；其后是 Google Gemini（37.3%）和 Microsoft Copilot（35.8%）。Alpha 的总体使用率为18.1%，但在 Public 子样本中达到41.6%。
4.2调查中的使用方式与真实提问高度一致
表6显示，使用者最常见的任务是请求解释或解读（44.2%）和定义金融术语（41.2%），其次是搜索特定提及对象（28.7%）、从互联网检索金融信息（28.2%）、计算财务比率或金额（21.4%）以及摘要金融文件（21.0%）。表7显示，最常处理的信息来源是市场数据（41.9%）和新闻（39.7%），其次是社交媒体（27.6%）、分析师或专家报告（25.9%）、经济指标（25.8%）和业绩公告（25.4%）。
档案数据与调查结果相互印证：散户主要借助生成式AI获取解释、整合信息，并处理高频更新的市场数据和新闻，而不是单纯追求自动化的投资指令。
4.3更成熟的投资者更早采用，也用得更“深”
回归结果表明，金融教育程度更高、交易更活跃的投资者更可能采用生成式AI；年轻投资者更可能尝试使用，但年龄与使用频率之间没有显著关系。更成熟的投资者不仅更愿意采用，还更常使用生成式AI完成财务计算、情绪分析、跨公司或跨行业比较等复杂任务，并处理业绩公告、电话会文本、定期报告和分析师输出等更广泛的信息来源。
值得注意的是，较不成熟的投资者反而更可能向生成式AI寻求投资建议。生成式AI虽然降低了工具的使用门槛，但“能否识别高价值场景并提出有效问题”仍依赖既有金融知识。技术的普及因此未必自动带来能力差距的缩小，反而可能形成新的“生成式AI鸿沟”。
05
结论
本文描绘了生成式AI进入零售投资场景后的早期图景：采用已经相当普遍，核心用途是解释、整合和简化金融信息；重复使用者会逐渐从宽泛筛选转向公司层面的持续监测；更成熟的投资者更早采用，也更善于将生成式AI用于复杂任务和多元信息来源。
对投资者而言，生成式AI更适合作为“研究副驾驶”而非“自动驾驶”。它可以加速信息处理，却不能替代来源核验、风险判断和最终决策。尤其在涉及持仓、账户或个人财务信息时，隐私保护应成为使用前提。
对平台与监管者而言，降低自然语言交互门槛只是第一步。更关键的是提升回答质量，清楚展示数据来源与时效性，建立可理解的隐私与安全机制，并通过投资者教育帮助不同能力群体识别合适的使用场景。否则，生成式AI可能在扩大信息可得性的同时，进一步放大投资者之间的信息处理差距。
推文作者：蔡河长
Abstract
This paper provides archival and survey evidence on retail investor use of Generative AI (GenAI). Our archival analysis examines over 400,000 investor queries to a major brokerage’s GenAI chatbot. Investors most often use GenAI to help interpret and contextualize financial information and market movements, and for additional tasks including stock screening and streamlining complex research. As time with the tool grows, usage shifts from stock screening and high-level company assessments toward detailed monitoring and interpretation of firm news. Our survey of over 2,000 retail investors explores who adopts GenAI and why. Nearly half report using GenAI, primarily to accelerate and simplify information processing. More sophisticated retail investors lead adoption, deploying GenAI for more complex tasks and diverse information sources. Concerns about response quality and data privacy represent the biggest obstacles to further adoption. Heterogeneous adoption highlights the need for research into GenAI’s impact on investor behavior and market dynamics.
声明：推文仅代表文章原作者观点，以及推文作者的评论观点，并不代表香樟经济学术圈公众号平台的观点。
0
推荐
京公网安备 11010502034662号 
