Nashnova 深度研究

Kimi金融行业解决方案实测：估值能算通，投资理由就成立了吗？

当 Kimi 开始把金融研究作为一个明确场景呈现，投资者最自然的问题不是“它会不会写一段分析”，而是：当它开始帮你估值、算指标、解读财报时，这份输出能不能进入自己的研究流程？

作者nashnova research发布2026/09/23

我们用四类常见任务做了一次实测：搭一份 DCF、比较技术指标、解释经营利润变化、阅读一则财报结论。结论很直接：Kimi 能把研究的第一步推进得很快，但不能替投资者完成最后一步判断。

它擅长把问题拆开、把数字放进结构、把你本来要自己找的矛盾摆到台面上。真正仍需要人来完成的，是核对数据时点、判断假设是否合理，以及区分“模型里的推演”与“现实中的事实”。

核心结论：把 Kimi 当研究助手，不要当结论机器

一份流畅的 AI 分析，最容易让人忽略的不是公式，而是公式背后的前提。它可以告诉你一家公司的估值看起来有多高、一项指标在历史上表现如何、某项业务可能贡献了多少利润；但这些都不是“应该买入”或“经营已经改善”的自动答案。

这次实测中，Kimi 在整理框架、完成计算和快速生成第一版研究材料上具备实用价值。更适合它承担的角色，是帮你把研究启动得更快：先给出一版模型、列出关键变量、提示需要继续追问的地方。最终的投资理由，仍要回到原始披露、数据口径和你自己的判断。

我们让 Kimi 完成了一份海天味业的 DCF 估值。模型给出的每股价值是 41.81 元，对照股价为 33.83 元。只看这两个数字，很容易得到“当前价格有吸引力”的第一印象。

但把表格往下看，问题就出现了：这份估值中，约 69% 的企业价值来自终值。换句话说，模型对长期增长、利润率和折现率非常敏感，短期预测再精细，也不能掩盖长期假设对结果的主导。

敏感性分析进一步说明了这一点。折现率调整为 8.0% 时，估值约为 34.16 元；升至 8.5% 时，估值约为 31.71 元。原本看起来存在的空间，很快便收窄甚至消失。

这正是 Kimi 在投研中最有用、也最需要警惕的地方：它能很快把一张估值表搭起来，却不会替你判断长期假设是否站得住脚。我们还发现，输出文字曾将某个价格对应的折现率区间读错。表格能算对，不代表对表格的解释也已经成立。

对普通投资者而言，这类输出最好的用法不是直接记住一个目标价，而是追问三个问题：增长假设来自哪里？终值占比是否过高？折现率稍微变化后，结论还成立吗？

技术分析很适合让 AI 参与，因为它能快速计算、整理历史结果，也能把不同规则放进同一张表里比较。但真正容易出错的，往往是把不同样本硬压成一句结论。

用户问60日简单移动平均线SMA与指数移动平均线EMA哪个更有价值。Agent编写回测，给出了收益、回撤、交易次数和胜率。上证样本里 SMA 为 22%、EMA 为 19%；标普样本里，SMA 为 24%、EMA 为 25%。两组结果的方向并不一致。

这意味着，不能简单地说“EMA 更好”或“EMA 更差”。不同市场、不同周期、不同样本权重，都可能改变结论。AI 可以帮你更快发现这种差异，但如果它只给出一句漂亮的总判断，反而会遮住最值得研究的信息。

当你用 Kimi 比较指标时，不妨要求它保留分市场、分周期的结果，并把样本定义写清楚。先看差异从哪里来，再决定要不要接受一个总答案。

经营归因是另一类很容易被“数字感”误导的任务。一次单车利润测算中，模型给出每辆车利润增量 4,189.77 元，其中海外部分贡献 3,997.12 元，约占 95.4%。

这不是一个可以直接写进公司结论的句子。它只能说明：在这组输入和假设下，海外相关变量主导了模型结果。

现实中的利润改善，可能还受到产品结构、原材料、汇率、渠道费用和会计处理等多重因素影响。Kimi 能把“海外假设很关键”这个信号迅速指出来，帮助你确定下一步该查什么；但它不能凭一张测算表证明“95.4% 的利润改善来自海外业务”。

模型里的贡献，首先是对模型的解释，不是对现实世界的定论。

财报解读看似简单，实际上很考验对口径的耐心。POSCO 阿根廷锂业务的案例中，营业利润为 110 亿韩元，净利润却为 -310 亿韩元。

这两个数字并不矛盾。营业利润转正，说明主营经营环节可能有所改善；净利润仍为负，则意味着税项、利息、汇兑或其他非经营项目仍可能影响最终结果。

如果 AI 把这组信息压缩成“公司已经扭亏”，读起来会很顺，却已经跨过了利润层级。类似地，“最大”“领先”这样的词也需要对应清楚的地域范围和比较对象。

Kimi 可以帮你更快读完财报，但不能替你跳过这一步：看到一个有力的结论时，回到原文确认它说的是营业利润、净利润，还是某一个更窄的经营指标。

把 Kimi 用在“先搭框架、后做核验”的阶段，通常比让它直接给投资结论更有价值。

第一，让它先搭模型，再列出关键假设。比如做 DCF 时，要求它同时展示增长、利润率、折现率和终值对结果的影响，而不是只给一个估值数字。

第二，让它把一段判断改写成待验证清单。看到“海外业务驱动利润改善”时，可以继续问：这句话需要哪些分部数据、哪些季度趋势、哪些公司披露来支持？

第三，让它保留反例。比较技术指标或行业数据时，要求它把方向相反的样本单独列出，而不是强行汇总成一个赢家。

第四，让它说明什么会推翻结论。一份更值得继续研究的 AI 输出，不是语气最确定的那份，而是能告诉你“接下来出现什么数据，我就需要改判”的那份。

Kimi 这类金融 AI 的价值，不在于替你下结论，而在于更快把值得核对的问题摆到你面前。

它可以帮你从空白页走到第一版研究框架：模型先跑起来，数字先对齐，矛盾先显现。之后的工作仍然属于研究者自己：查来源、看假设、找反例，并在信息变化时修正观点。

会算估值，是研究的开始；能解释假设、承受反证，才更接近一份完整的投资研究。

nashnova Agent 的作用，正是把这种谨慎从一次性提醒变成持续的研究过程：围绕一个 Task 保存假设、资料和待验证问题；把新数据补进证据，再回看最初的结论是否仍然成立。

对独立投资者来说，nashnova 不替你决定买卖；它帮助你把模型的答案、原始资料、反证条件和之后的更新放进同一条研究链里。

本文基于 nashnova 于 2026 年 9 月 22 日完成的实测记录。测试对象为 Kimi K3、Kimi Hosted Agents 与金融套件，样本共 500 道题。本文仅供研究与教育用途，不构成投资建议。