川海智库

报告概述

该报告以国信证券改良版投资时钟（七阶段框架）为基准，系统对比了数据驱动、图片识别和逻辑/智能体三种AI路径在宏观周期识别中的表现。研究对象覆盖2002年至2025年中国经济周期，采用逐月一致性、阶段稳定性和叙事完整度三层评价体系。报告旨在揭示不同技术范式与宏观问题结构的匹配度，为AI在投研中的合理定位提供参考，帮助读者理解何时适合用AI辅助周期判断，何时需人工干预。

报告的核心结论

数据驱动路径易被噪声牵引，导致周期碎片化

纯数据投喂下，AI严格按数值规则逐期分类，对月度边际变化高度敏感，导致阶段频繁切换、周期轮数被过度切割。例如，AI识别出14轮周期，分析师仅7轮；阶段切换密度超2.3段/年，而人工为1.49段/年。这种高频信号在资产配置中会带来高调仓摩擦，难以形成稳定框架。

图片识别路径更利于构建中期框架，但存在平滑陷阱

多模态模型通过感知斜率、波峰波谷等图形特征，天然滤除噪声，阶段平均持续10.7个月，远优于数据路径的4.1个月，周期轮数与人工高度一致。然而，2020年后宏观环境转向政策冲击与结构断裂，视觉的平滑机制可能导致对突发拐点反应滞后，需警惕转化为平滑陷阱。

逻辑/智能体路径能高效对齐共识，但不等于独立推演

具备搜索与工具调用能力的AI在准确率上表现最优（Manus逻辑投喂逐月准确率47.4%），其一致性主要来源于主动检索权威结论并整合证据。这更像研究流程加速器，而非对宏观机制的独立理解。该路径的产出需配合人工验真，以避免共识偏见和逻辑脆弱性。

AI的合理定位是工具组合，关键在于任务适配

报告指出，AI不应试图替代分析师，而应根据任务属性选择技术路径：量化规则明确的任务用数据/代码模式；趋势判断与复杂系统抽象用多模态；对齐共识、整合证据用智能体。通过精准匹配，可避免高成本长链推理，实现降本增效。

报告回答的关键问题

AI能否准确识别宏观投资时钟的周期阶段？

AI在不同路径下表现差异明显。数据驱动准确率约30%，图片识别大类阶段准确率可达57.4%，逻辑投喂最高达64.4%。但所有路径在2020年后准确率普遍回落，反映结构断裂对模型能力的约束。AI更适合作为辅助工具，而非替代人工判断。

为什么AI识别投资时钟会出现“碎片化”问题？

碎片化主要出现在数据驱动路径。AI严格按数值规则逐期分类，缺乏对宏观经济惯性的理解，将短期边际波动误判为阶段切换。例如，AI划分出11-14轮周期，每段仅持续约5个月，而人工仅7轮、每段8个月。这种结果在实战中会导致极高调仓成本。

图片识别相比数据识别有哪些优势和局限？

优势在于通过图形形态弱化噪声，阶段更稳定，周期轮数与人工接近。局限在于2020年后宏观环境从趋势转向断裂，视觉的平滑机制可能对政策冲击反应滞后，形成“平滑陷阱”。因此图片识别更适合趋势稳定的阶段，而非结构性突变时期。

AI在资产配置研究中应扮演什么角色？

报告明确AI应作为工具嵌入投研流程，而非替代分析师。数据路径用于标准量化任务，图片路径构建中期框架，智能体用于快速对齐共识。合理定位可以降本增效，但需警惕逻辑刚性、平滑陷阱和共识偏见。最终建议采用人机协同模式。

报告中的代表性数据

73.5%

逻辑投喂路径准确率（疫情前大类阶段）

2002-2019年（疫情前），Manus逻辑投喂在疫情前样本中，对改良版投资时钟的四大类阶段（衰退、复苏、过热、滞胀）的逐月对齐准确率，为所有路径中最高。

10.7个月

图片识别阶段平均持续时间

2002-2025年，Gemini与Manus图片识别在样本期内划分的每个阶段平均持续时间，显著高于数据驱动的4.1个月，更接近人工的8.03个月。

2.36段/年

数据驱动路径阶段切换密度

2002-2025年，Manus数据驱动路径在样本期内每年平均切换2.36个阶段，而人工基准为1.49段/年，反映出其周期识别的高度碎片化。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 改良版投资时钟框架的完整介绍：包括七阶段定义（衰退前期至滞胀后期）、核心资产配置逻辑，以及2004-2025年七轮周期的划分图表。
  • 三种AI实验路径的详细设计：数据驱动（直接投喂Excel数据）、视觉形态识别（投喂宏观指标走势图）、自主代理（仅给框架，AI自行检索数据），并附有实验流程图。
  • 数据识别效果的深入分析：对比Manus与ChatGPT的识别结果，展示高频闪烁特征、周期轮数过多、分阶段对比图表（2002-2013与2013-2025），以及极端短周期案例。
  • 图片投喂效果的系统评估：Gemini与Manus多模态识别结果，包括周期阶段稳定性、轮数共识、以及Manus的复合标注（如1/2阶段）及其战术价值。
  • 逻辑投喂效果的拆解：Manus与Gemini的作业逻辑，Manus通过网页搜索对齐共识的过程，Gemini基于训练数据与RAG的推演路径。
  • 三层有效性评估结果：逐月阶段一致性、阶段稳定性（周期轮数、阶段段数、切换密度）、周期叙事完整度（完整轮占比、回撤式反复次数），以表格形式呈现各模型对比。
  • 技术反思与任务适配性讨论：图片识别在趋势阶段接近分析师直觉但在2020年后面临平滑陷阱；逻辑投喂的一致性来源及其局限；AI能力与任务适配性的归纳（数据/代码、多模态、智能体三种模式）。
  • 风险提示：宏观周期不确定性风险、技术成本与收益不匹配风险、AI共识偏见风险，以及报告免责声明与投资评级说明。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告