投资领域主流 AI 提示词检索¶

• 筛选与机会发现类提示词

• 产业链延伸筛选

  • 你是一位资深的股票策略师。围绕 人工智能ETF基金的受益标的，我关注的是直接人工智能ETF基金。请按以下条件列出 3 只国内相关标的：公司名与代码；所属板块（如芯片、大模型等）；‘基于成长还是基于价值’的逻辑（此处请详细展开）。

• Deep Research 主题筛选

  • 帮我筛选 2026 年A股最值得关注的 5 只 AI/生物医药主题 ETF，给出每个标的的核心逻辑、风险、预期年化回报区间（基于分析师共识）。

• 深度基本面分析类提示词

• 以一位经验丰富的基本面投资者的分析标准，分析 ETF基金513200，回答：‘把这个基金的最新情况告诉我。’分析深度不应因读者是新手而降低，但重要概念需简要解释。不要把它当作通用公司概况、新闻摘要或常规估值报告。具体完成：重建当前投资叙事；说明业务和投资逻辑发生了什么变化；识别对长期价值创造最重要的少数变量；评估当前股价中嵌入了什么预期；判断这些预期在何处可能过高或过低；留下可用于后续交互式估值模型的建模输入。不要在本轮回复中搭建模型。 估值分析应当从业务分析中自然生长出来，而不是事后硬加上去。

• 量化研究框架类提示词

• 角色限定：“你是一位拥有 X 年 A 股量化研究经验的金融数据分析师，擅长把量价数据翻译成可验证的投资逻辑摘要。你的回答必须基于以下输入数据，不做股价预测，不提供买卖建议。” 输入格式化：以结构化字段列出股票代码、名称、数据区间、收盘价、区间涨跌幅、最大回撤、年化波动率、均线偏离度等。 任务明确化：“1. 概括该ETF基金159506在过去 n 个交易日的走势特征。2. 基于均线位置，判断当前价格处于短期/中期趋势的什么位置，并说明这是否构成交易信号。3. 列出 2–3 条投资者在看这段数据时最容易误读的陷阱。” 输出约束：“不输出买入/卖出/持仓建议。不预测未来股价。总字数控制在 250 字以内。”

• 风险管理与决策审计类提示词

• 下单前结构化检查

  • 下单前把代码、方向、计划价、数量、止损、目标、理由、失效条件写成一张计划，按用户自己定的规则（总资金、单票仓位上限、单日亏损上限、连亏冷静期）算出单笔最大亏损、仓位占比、盈亏比，给出 PASS/WARN/BLOCK，并记录事后是否按计划执行。

• 认知偏误审计

  • 向我提出 10 个有针对性的问题，了解我进出场时的情绪状态和风险承受能力。根据我的回答，梳理出影响我交易表现的 3–5 个主要心理陷阱，指出涉及的认知偏差，并解释它们如何影响我的交易。

• 贯穿性的最佳实践

• 第一，输入质量决定输出质量。 Livewire Markets 的文章用“garbage in, garbage out”概括这一点，建议不要让 AI 在开放问题中“自由发挥”，而是把财报、演示材料、电话会记录等原始材料喂给模型，约束其仅基于给定文档分析。

• 第二，保存并迭代提示词模板。 有效的提示词不是一次性消耗品，而是像财务模型一样需要持续打磨的“个人资产”；每次增加一个对比维度或一个红旗检查条件，模板的产出质量就会复利式提升。

• 第三，明确 AI 的能力边界。 腾讯云的文章将 LLM 在投资中的“能”与“不能”做了清晰划分：能总结数据、检查逻辑矛盾、翻译策略信号、整理研究思路；不能预测涨跌、代替交易指令、保证策略盈利、凭空编造未提供的财务数据。所有高质量提示词都在某种意义上是对这一边界的操作化声明。