Kimi、千问、万得都在做AI炒股，个人/小团队想靠它们跟机构掰手腕？距离赚钱还差一步

2026年9月17日，Kimi发布了金融行业AI解决方案。

官方公告列出的数据源包括Wind万得、东方财富、财新数据、财联社、标普全球、天眼查、元典法律。9项金融技能覆盖机构财务建模、机构研究报告、机构PPT、金融动态图表、业绩点评、一致预期地图、组合复盘、持仓早报、香港IPO透镜。落地机构包括工商银行、中信建投、中金公司、易方达基金等数十家。

中信建投的试点数据很漂亮：临时受托报告从30分钟压到10分钟，人工投入下降67%；投行建模从5到7人天降到2到4人天；行业深度报告从10到20天缩短到2到4天。

阿里千问上线“财经分析”模块，接入同花顺1.3万只股票分钟级行情与100万份财报。腾讯“AI问股”小程序内测。万得推出Wind AI个人版Alice，把机构级AI能力第一次交到个人手里。

四家产品都在做AI金融。但它们的能力边界、适用用户、场景匹配差异极大。团队花了些时间，拆完了四家产品的技术路线、数据源、能力边界，实测了Kimi的行情能力，用Codex跑通了TickDB的MCP和WebSocket。

这篇文章要回答三个问题：

1. 四家AI金融产品的本质差异是什么？选型怎么选？
2. 小团队和个人量化如何利用这些AI？投资价值、场景价值、风险价值在哪？
3. 距离“用AI跟机构掰手腕”，还差哪一步？

一、Kimi金融方案详解：它到底做了什么

Kimi金融方案不是简单的“大模型+金融问答”。它的核心设计是把机构常做的研究工作封装成可复核成果。

数据源：Wind万得、东方财富、财新数据、财联社、标普全球、天眼查、元典法律。官方称“10+权威数据源”，公告中明确列出7个。

9项金融技能：机构财务建模、机构研究报告、机构PPT、金融动态图表、业绩点评、一致预期地图、组合复盘、持仓早报、香港IPO透镜。每项对应一类分析步骤相对稳定、交付标准明确的工作。

技术接入：通过MCP将数据带入研究任务。Kimi Work的自定义插件提供MCP、API、浏览器技能三条接入路径。

合规措施：与中信建投共建风险评估网关，包含数据分类分级、个人信息保护、数据源与工具访问授权、生成内容核验与人工复核、审计与责任追溯五项措施。

效率数据（官方试点口径） ：

• 财务建模：5-15人天降至2-4人天
• 行业深度报告：10-20天缩短至2-4天
• 商业银行授信调查报告：单户材料准备提效5倍以上
• 保险汇报PPT：7-10人天降至约2人天

这些数据来自特定试点，不宜推成所有金融任务的普遍提效幅度。但它说明一件事：AI在研究材料生成和标准化交付上，已经能承担大量重复性工作。

二、四家AI的四种产品哲学

拆完四家产品后，我们的核心判断是：它们不是四种功能，是四种产品哲学。

Kimi控制的是工作流。 它把“怎样完成一份合格的金融交付物”显式做成Skill和机构接入方案。配合风险评估网关，输出标注来源、时间和待核实事项，人工复核后才形成结论。

千问控制的是入口。 它让大众用户在现有对话入口完成研究。接入同花顺超过1.3万只股票的分钟级行情数据，整合约100万份财报、公告及研报。采用Agentic架构：理解研究意图→规划分析路径→调用数据→整合生成结论。

万得控制的是数据。 它依托万得20余年PB级金融数据，调用数百个专业金融MCP工具与Agent。官方GitHub仓库收录34个金融skill，覆盖数据获取、公司分析、估值建模、回测验证、图表输出。AIFin Market平台将数据MCP、Skill、Alice Agent对外开放。

腾讯控制的是生态。 它嵌入微信小程序，与腾讯自选股、腾讯微证券、理财通形成生态关联。腾讯自选股已接入混元Hy3模型用于智能问答、行情解读和异动分析。

这四种哲学决定了它们的适用场景完全不同。选型不是选“最强”，是选“最适合”。

三、四家AI的适用用户与场景匹配

你属于哪类用户？

场景匹配清单

研究场景：

• 长研报速读、财报总结、公告归纳：优先Kimi
• 公司深度研究、估值模型初稿、尽调材料：优先Kimi Work，其次万得Alice
• 行业研究、可比公司分析：优先Kimi和万得Alice
• 基础市场/公司/基金问答：优先千问
• 个股涨跌原因速览：优先腾讯AI问股

分析场景：

• 财务建模、基金筛选、组合分析：优先万得Alice
• 财报点评、预算差异分析、驱动因素拆解：优先Kimi
• 基础财报解读、股票数据总结：优先千问
• 简单AI辅助分析：优先腾讯AI问股

监控场景：

• 持仓早报、新闻动态汇总、催化事件：优先Kimi Work
• 市场行情分析预测、信用风险管理：优先万得Alice
• 风险预警、宏观研判、7x24小时响应：优先千问
• 个股大幅涨跌原因解读：优先腾讯AI问股

执行场景：

四家均不支持直接实时交易。 千问需用户二次确认；Kimi需自建系统接入独立API；Alice需传统交易终端或人工；腾讯AI问股仅咨询。监管机构对AI Agent直接执行金融交易持谨慎态度，所有产品均设置了“人机协同”的限制。

核心判断：不存在一款通吃所有金融用户的AI产品。 选型原则是“任务优先、场景匹配、组合使用、人机协同”。

四、AI在量化研究里到底能做什么、不能做什么

把量化研究的流水线拆开，是五环：想法产生 → 数据处理 → 实现与回测 → 验证 → 上线与运维。

AI在每一环的渗透深度完全不同。而且和多数人的直觉相反：

AI最先攻克的不是最低端的环节，是中段；最难替代的反而在两端。

AI渗透深度
    高 ┤          ████████████
       │          ████████████
       │          ████████████
    中 ┤          ████████████
       │          ████████████
       │          ████████████
    低 ┤  ██████  ████████████  ██████
       │  ██████  ████████████  ██████
       └──┬───────┬────────────┬───────┬──────┬──
          │       │            │       │      │
       想法产生  数据处理   实现与回测  验证  上线运维

已经成熟落地的是中段的“信息环节”和“实现环节”：

• 信息侧：文献消化、研报提取、另类数据的初步结构化，AI做得比人快一个数量级
• 实现侧：因子代码、回测脚本、数据管道，初稿默认交给AI

这两环的共同特征是任务边界清晰、结果可校验。

但短板也很明确，集中在两端。

一是想法产生环节。 AI能提出的研究假设大多在“已发表因子空间”的凸包之内。它擅长组合已知，不擅长真正的越界。有洞察力的假设仍然主要来自人对市场的直觉和经验。

二是验证环节。 这恰恰是最不能交给AI的一环。让生成结果的系统给自己的结果打分，激励结构上就是错的。

有一位在高频交易机构做过CEO的人说过一句话：

“AI目前是一个不知疲倦、知识面极宽、但没有亏过钱的研究员。”

它把量化研究里“实现”的成本压到接近于零，于是团队的瓶颈完全转移到了“提出好问题”和“判断结果”上。

这就引出了两个新的瓶颈。

第一个是验证带宽。 AI的产出速度已经超过人的审核速度。一个人认真review的吞吐量是有限的。过去过拟合主要发生在参数层面，研究员手动调参，次数有限，看得见。现在的自由度爆炸是系统性的：超参搜索、结构搜索、agent自动迭代，每一层都是隐形的多重检验。

第二个是错误的相关性。 管理十个人类研究员，他们会犯十种不同的错；十个基于同一个大模型的助手，可能同时犯同一种错，而且用同样自信的语气。人类团队的多样性是天然的风控，Agent体系没有这个属性。

一个真实的例子：有团队用AI交出了一份回测表现非常漂亮的策略，复盘时才发现，它在迭代过程中提前看了测试集，再回头修改了策略，本质上是用未来信息优化了历史表现。每一步操作单看都没问题，拼起来就是一次隐蔽的数据泄露。

AI不会撒谎，但它会非常高效地自欺。

五、小团队如何利用AI：投资价值、场景价值、风险价值

5.1 投资价值：先扩大研究覆盖，再检验交易价值

AI能帮你从财报、公告和新闻中筛出值得复核的变化。一项发表于Management Science的研究发现，LLM提取的业绩公告文本信息，对公告后短窗口股价变动的解释力约为传统文本方法的3倍。但论文也发现，大量价格调整在公告发布后5分钟内发生。对个人团队更现实的用途是形成后续研究假设，不能把“识别重要信息”等同于“抢到可交易价差”。

AI能提高研究效率。一篇利用FactSet的论文发现，相关分析报告使用的不同信息源增加26%、主题覆盖增加24%、分析方法增加21%，发布也更及时。

AI能降低试错成本。个人开发者Swing Trader的公开记录显示：11次定时扫描平均每次1.34美元；13次单股研究平均每次0.18美元。按每月66次扫描估算，模型及研究服务约88.76美元/月。这是作者自报的运行费用，尚无可独立核验的超额收益，且不含行情升级、服务器和人工时间。

目前能确认的结论：AI降低了信息整理和策略原型的门槛；个人AI量化能否持续跑赢扣除成本后的基准，证据不足。

5.2 场景价值：三种任务采用不同工具组合

5.3 风险价值：让AI帮忙发现错误，并给它设置停止条件

5.4 最小可行方案：先验证研究流程，再决定是否付费升级

适用范围： 一人或两人、美股约30个标的、以天到周为持有周期。先做公告研究、监控和模拟交易；不以高频抢价为目标。

1. 数据与研究： 用SEC EDGAR获取原始披露，用FRED/ALFRED获取宏观序列；AI每日生成“新事实—原始出处—投资假设—反面证据—待核实字段”研究卡。
2. 监控： 从有权限的行情源读取数据，以代码判断价格、成交量或公告事件是否触发阈值；AI只写告警解释。
3. 执行验证： 固定仓位上限、最大日亏损、行情过期停止条件和人工批准；先记录模拟订单及其与实际可见报价的偏差。
4. 效果评估： 连续记录研究卡制作时间、被人工纠正的事实比例、有效告警比例、模拟成交与报价差、扣成本后相对简单基准的收益。

月成本怎么算：

决策建议： 先用极简方案衡量“研究时间是否减少、事实错误是否可控、样本外净收益是否优于简单基准”。只有当策略需要更完整的实时行情，且数据缺口确实影响判断时，再支付行情费用。

六、Kimi实测：三个关键问题

实测了三个关键问题：实时价格、盘后大单、集合竞价。

问题一：现在寒武纪（688256.SH）多少钱？

Kimi返回：

寒武纪（Yahoo代码：688256.SS）最新报价为1142.11元人民币。

>

- 涨跌幅：较昨收1105.99元，+36.12元，+3.27%

- 当日区间：1120.01–1154.79元

- 市值：约7182.20亿元人民币

- 数据来源：Yahoo Finance（Delayed Quote，页面标注延迟约15分钟）

- 数据时间：regularMarketTime=1789700946，换算为2026-09-18 11:10:46（北京时间）

- 当前市场状态：REGULAR

Kimi调用金融数据工具返回了价格，自己标注了延迟约15分钟。有时间戳，有市场状态。

这说明：AI能读价格，但读到的不是交易级实时数据。

问题二：昨天盘后有没有异常大单？

Kimi用“盘后大宗交易”口径回答，列出多笔千万级大单，数据来源新浪财经数据中心。但它给不出每笔交易的具体时分秒——因为公开数据只披露到交易日。

这说明：AI能做研究级汇总，但拿不到交易级数据。

问题三：今天A股集合竞价情况如何？

Kimi能解释集合竞价规则（9:15—9:25，9:20前可撤单），但开盘价数据来自“开盘播报”和推算，其中一条来源链接指向第三方域名，与声称来源不符。

这说明：AI能解释机制，但取不到原始行情。

三道题的共同结论

AI在研究层可以工作，但在行情层拿不到交易级数据。

这不是Kimi的问题，是所有对话式AI的共同边界。

七、还差的那一步：从“能读”到“能看”

研究和行情是两层数据。

┌─────────────────────────────────────────────────────────────┐
│  研究层                                                      │
│  财务数据、公告、新闻、研报                                   │
│  频率：季度/日/事件驱动  │  解决：这家公司怎么样              │
├─────────────────────────────────────────────────────────────┤
│  行情层                                                      │
│  实时价格、盘口、逐笔、资金流                                 │
│  频率：tick/毫秒/秒  │  解决：现在发生了什么                  │
├─────────────────────────────────────────────────────────────┤
│  交易状态层                                                  │
│  交易时段、集合竞价状态、延长时段标注                          │
│  频率：随市场状态变化  │  解决：这条数据现在能不能用          │
└─────────────────────────────────────────────────────────────┘

Kimi、千问、万得都在解决第一层。它们把财报、公告、研报的获取和分析做到了极致。

但当Agent问“现在多少钱”时，第一层的数据源回答不了。

有一个数字对比很说明问题：对话式AI遵循“300毫秒法则”——只要在这个时间内给出响应，用户就不会觉得卡顿。但算法交易执行延迟要求是20微秒级别，实时市场数据摄取必须在10毫秒内完成。这两种场景由完全不同的数据层分别支撑。

对话式AI和交易级数据，是两层东西。

如果你需要AI帮你盯盘、抓异动、触发信号，你需要给它接上另一层数据——带交易状态、带时间戳、能区分盘前盘后的实时行情。

这层数据至少要覆盖四件事：

没有这四层，你的Agent就不知道“现在是什么交易状态”，也不知道“这条数据现在能不能用”。

八、TickDB：补上实时行情这一层

在找实时行情数据源的过程中，我试了TickDB。

TickDB是面向开发者、量化研究和AI应用的统一实时市场数据服务。它提供REST和WebSocket接口，同时支持MCP、Skill、CLI等AI原生接入方式。

它的核心优势有四个：

第一，实时性。 WebSocket推送，tick级更新，支持盘中信号触发。密钥过期时服务端返回close code 1008，重连逻辑必须区分正常断线和密钥过期。

第二，AI友好。 提供MCP、Skill、CLI三档接入。MCP让AI编码助手一次连接即获得多个行情数据工具；CLI为脚本和自主Agent设计。AI工作流中的行情数据，必须在模型推理之前到位。

第三，一套接口覆盖多市场。 A股、美股、港股、期货、外汇、加密货币，一套REST+WebSocket接口，统一字段、统一鉴权。批量模式可同时监控数百个标的。

第四，财务基本面数据。 公司档案、财务三表、估值指标、行业分析、分红回购、股东结构、新闻日历，与行情数据在同一个入口。

实际验证了一下。

MCP查询：一次返回四个市场

在Codex中配置TickDB MCP后，执行 get_ticker：

{
  "code": 0,
  "message": "success",
  "data": [
    {
      "symbol": "BTCUSDT",
      "last_price": "77384.02000000",
      "timestamp": 1789704118001
    },
    {
      "symbol": "AAPL.US",
      "last_price": "337",
      "timestamp": 1789675200000,
      "overnight_quote": {
        "last_done": "336.08",
        "timestamp": 1789704041000
      }
    },
    {
      "symbol": "600519.SH",
      "last_price": "1257.2",
      "timestamp": 1789702200000
    },
    {
      "symbol": "700.HK",
      "last_price": "425.4",
      "timestamp": 1789703998000
    }
  ]
}

一次调用返回四个市场，共同核心字段是symbol、last_price、timestamp。本次四条MCP返回均没有trade_session。

MCP轮询：本地计算价格变化

连续查询三次BTCUSDT，本地计算价格变动：

• 第一次：77393.91
• 第二次：77399.98
• 第三次：77407.16

本地设置阈值5.00，每次变动都触发了提示。但这是轮询，不是MCP原生订阅。

WebSocket真订阅：收到trade_session

用TickDB WebSocket /v1/realtime订阅BTCUSDT和AAPL.US，收到的AAPL.US消息明确带了trade_session=overnight：

{
  "cmd": "ticker",
  "data": {
    "symbol": "AAPL.US",
    "last_price": "336.11",
    "timestamp": 1789704441034,
    "trade_session": "overnight"
  }
}

这就是区别：MCP适合快速查询和轮询监控，WebSocket适合真正的实时订阅。

如果你需要小团队自建AI盯盘系统，你需要的不只是一个模型，而是一层数据——一套接口覆盖多市场、对AI工具友好、有实时推送能力、有财务基本面数据、字段结构稳定。

三张终端证据图见文末。基于真实返回渲染，不是原生终端截图。原始JSON已保存。

九、你差的不是模型，是那层数据

AI在金融领域的第一阶段是“读”——读财报、读公告、读研报。Kimi、千问、万得都做得很好。

第二阶段是“看”——看到此刻市场正在发生什么。这需要另一层数据：带交易状态、带时间戳、能区分盘前盘后的实时行情。

读和看，不是一回事。研究数据和交易数据，也不是一回事。

AI正在拉平研究能力的差距。Kimi能读财报，千问能拆估值，万得能跑建模——个人投资者第一次有了接近机构研究员的分析能力。但研究能力的平权，不等于交易能力的平权。

研究平权已经发生，执行平权刚刚开始。

你差的不是模型，是那层数据。

打开你的Agent，让它查一次你关注的标的，检查返回里有没有timestamp和trade_session。如果没有，你已经在用一个不知道“现在是什么交易状态”的模型做决策了。

数据接入检查清单

把这张表填完，你的数据架构图就出来了。

FAQ

Q1：AI炒股哪个好用？

没有一款通吃。普通散户用腾讯AI问股和千问；有专业需求的个人用万得Alice；金融分析师用Kimi+万得Alice；量化研究员用Kimi+万得Alice+自建系统。

Q2：小团队如何用AI做量化？

先用AI扩大研究覆盖，形成研究假设；用程序做验证和回测；执行层必须自建系统，接入独立实时行情API。四家AI均不支持直接实时交易。

Q3：Kimi能查实时行情吗？

实测显示，Kimi返回的价格来自Yahoo Finance，标注延迟约15分钟。它能读价格，但读到的不是交易级实时数据。

Q4：实时行情数据怎么接？

需要支持WebSocket推送、带交易状态字段（如trade_session）、覆盖多市场的实时行情API。MCP适合快速查询和轮询监控，WebSocket适合真正的实时订阅。

Q5：TickDB是什么？

TickDB是面向开发者、量化研究和AI应用的统一实时市场数据服务。提供REST和WebSocket接口，支持MCP、Skill、CLI等AI原生接入。一套接口覆盖A股、美股、港股、期货、外汇、加密货币，同时提供财务基本面数据。

Q6：AI能直接执行交易吗？

不能。四家AI金融产品均不支持直接实时交易。监管机构对AI Agent直接执行金融交易持谨慎态度，所有产品均设置了“人机协同”的限制。

参考文献

1. Kimi官方公告《Kimi发布金融行业AI解决方案》，2026年9月17日
2. 21世纪经济报道《“AI辅助炒股”哪家强？》，2026年4月13日
3. 国盛证券《与阿里千问合作，打造深度专业财经AI分析师》，2026年4月8日
4. 万得官方《万得AI，个人版来了！》，2026年3月25日
5. 万得官方《AI开始自己组队干活了》，2026年5月15日
6. 万得官方《万得AI开放了：数据、技能都开放》，2026年5月22日
7. 万得AliceMarket公开仓库，GitHub，2026年9月查阅
8. 腾讯自选股产品页，腾讯官方
9. 财经网《腾讯自选股接入混元Hy3模型》，2026年7月7日
10. 量化投资与机器学习公众号《小团队能否吊打头部量化？》，2026年9月1日
11. 香港大学经管学院《Testing AI in the Real World》，2026年7月14日
12. PolyBench论文，arXiv:2604.14199，2026年4月
13. Catalini等《Some Simple Economics of AGI》，arXiv:2602.20946，2026年2月
14. Siano《Management Science》，2025年4月
15. Xue等《Generative AI for Analysts》，arXiv:2512.19705，2026年9月修订版
16. Xia等《AI Agent交易研究综述》，arXiv:2605.19337，2026年5月
17. FINRA《2026年度监管监督报告》，2025年12月
18. 中国证监会《程序化交易管理规定》，2024年
19. LSEG官方技术博客《Scaling AI in Financial Services with LSEG's Trusted AI Ready Content and MCP》，2025年10月
20. BloombergGPT论文，arXiv:2303.17564，2023年

附录：TickDB实测截图

图1：四市场MCP查询

一次get_ticker返回四个市场的样本，共同核心字段是symbol、last_price、timestamp。本次四条MCP返回均没有trade_session。

图2：MCP轮询监控

连续查询观察到价格变化，可以据此做本地异动提示。这不是MCP原生订阅。

图3：WebSocket真订阅

实际收到订阅后的行情推送，其中AAPL.US消息带有trade_session=overnight。不要据一次短时运行推断长期推送稳定性。

取证规范说明： 这三张是基于真实返回渲染的终端证据图，不是原生终端截图。原始JSON和校验清单已保存。

本文不构成任何投资建议。AI工具只能提升分析效率，无法替代独立判断。市场有风险，投资需谨慎。

通过 TickDB API 获取实时行情数据

一个 API 接入外汇、加密货币、美股、港股、A股、贵金属和全球指数的实时行情。支持 WebSocket 低延迟推送，免费开始使用。