為什麼 AI 不會取代選股人——Candlestick 的 Jack Woodruff 與 Kepler 的 Vinoo Ganesh 對談

Jack Woodruff 是 Candlestick Capital Management 的創辦人兼前投資長，他認為 AI 不會取代基本面選股者，因為超額報酬（alpha）仍來自與市場分歧的觀點，而人腦吸收資訊的速度始終是瓶頸。這場 18 分鐘的對談大部分時間談 AI 如何改變分析師的日常工作——壓縮前置作業、拉高基本門檻、把工作重心轉向找出值得研究的標的——最後一小段則談資料稽核、供應商安全，以及為什麼「無分析師的避險基金」行不通。

Woodruff 曾在 Citadel 旗下的 Surveyor Capital 帶領 18 人團隊涵蓋 400 檔股票，之後在 Candlestick 建立一支由 30 位選股者組成的基金。他的立場是 AI 工具的使用者，而非開發者。Vinoo Ganesh 的公司 Kepler 在對談中反覆被 Woodruff 點名為他會採購的工具，Ganesh 則把話題導向基金實際面臨的問題：哪些該自動化、哪些該保留人力，以及當所有人都用同一套模型時，優勢究竟在哪裡。

AI 壓縮前置作業，但省下的時間會再投入，不會閒置

Woodruff 對這份工作的核心理解是時間管理。一位分析師只追一檔股票，會比任何人都懂它，但如果這檔股票毫無動靜，時間就浪費了；追兩檔，每檔只分到一半注意力，報酬遞減很快出現。AI 的貢獻在於消滅低價值的準備工作——「以前要花我六到八小時」的事，現在可能「五分鐘」就能完成——讓分析師能涵蓋更多標的，或把時間花在自有研究、通路查核（channel check）與產業背景上。

關鍵但書是：省下的時間不會變成更少的人力或更短的工時。Woodruff 講得很明白，這個產業競爭太激烈，不可能如此：如果他兩小時就把工作做完，「別人還是會一天拚 16 小時，想找出那個能幫你多賺一點的關鍵。」現實的結果是，今天的分析師工作會變成明天的基本門檻，所有人的標準一起往上拉。

他也反駁一個常見預測：分析師將不再讀 10-K 和法說會逐字稿。他說，如果你真的貼近一檔股票，還是得自己消化那些資訊；AI 可以摘要、可以省時間，但「你還是得把那些資訊放進自己腦袋裡。」

超額報酬來自三四個獨立資料點拼成的馬賽克，AI 無法無中生有

Woodruff 把投資拼圖定義為：找出三個或四個彼此吻合、但來源不同的資料點——這是學界與業界公認創造超額報酬的機制。AI 在這個過程中的角色在上游：它告訴你時間該花在哪裡，而不是該買什麼。他的團隊以前做的大量工作「並不是告訴我們：嘿，去買這檔股票。而是說：嘿，這件事值得你花很多時間。」

他直言，這個過程的產出——財報前瞻、DCF 模型——並不是重點。「投資管理不是在寫財報前瞻，不是在建 DCF 模型，都不是。重點是賺錢。」工具能幫你辨識哪個專案可能帶來回報；工具本身不是那個專案。

他也提醒，投資管理裡的任何套利或競爭護城河都維持不久，因為這個產業滿是聰明、有幹勁、薪酬優渥的人，會立刻複製有效的做法。這套邏輯同樣適用於 AI 帶來的優勢。

「如果 AI 就能做，那我不知道，我們還需要我們幹嘛？」

無分析師的避險基金只會複製去年的基金，贏不了明年的市場

被問到哪個大家都很興奮的 AI 點子其實行不通，Woodruff 點名由 AI 代理（agent）全權操盤的基金。他的推理是：這種基金或許能複製一年前存在的某檔基金，但比不過今天「人類加 AI」的避險基金明年會做的事。他承認量化基金幾十年來早就把人排除在流程之外，這並不新鮮——但在基本面這一側，一旦人退出，遊戲就只剩「誰的算力最強、資訊最多」，而他認為事情不會這樣發展。

至於反向問題——哪個點子沒人在談——他拒絕回答，開玩笑說要留著自己賺。

基金組織從金字塔走向更垂直的結構

Woodruff 形容傳統結構是金字塔：眾多分析師把資訊往上餵給資深選股者，再往上給幾位基金經理人與投資長。他預期這種結構會壓平、走向更垂直的形態，留下真正創造報酬的「生產者」與「創造者」，需要的「準備者」則會減少。

他坦白說自己還不知道替代的技能組合是什麼。他提出的候選人選包括能做深度專案調查的調查記者，以及資料工程師。他確定的是，他仍然需要資深選股者，而且他可能希望更多自有資訊流入，以「餵養這頭野獸，或餵養這臺機器」——因為那樣的輸入才是催生分歧觀點的來源。

涵蓋範圍的算術說明瞭原因。五人團隊的選股速度較慢，投資組合大概也更集中。一檔基金涵蓋 100 檔股票來組成 20 檔的投資組合，等於從涵蓋範圍中挑 20%；涵蓋 200 檔是挑 10%；涵蓋 400 檔是挑 5%。涵蓋面越大，理論命中率越高，但前提是「這 400 檔的研究品質必須和那 100 檔一樣紮實」。選股速度——用新點子替換正在運作的舊點子——才是報酬複利的來源。

flowchart TD
    A["傳統金字塔"] --> B["眾多分析師準備資訊"]
    B --> C["資深選股者綜合判斷"]
    C --> D["基金經理人與投資長配置"]
    E["預期結構"] --> F["準備者減少，自動化增加"]
    E --> G["保留資深選股者"]
    E --> H["新角色：調查記者、資料工程師"]
    F --> I["更多自有資訊輸入以餵養機器"]
    G --> I
    H --> I
    I --> J["分歧觀點與選股速度"]

每個數字都必須可稽核，這是 Woodruff 不願盲目簽字的原因

Woodruff 的會計師（CPA）背景，讓這段成為全集最犀利的交鋒。被問到是否會在沒看到模型產出來源的情況下就簽字認可，他回答：「不、不、不。絕對不會。」他說 Kepler 最令他興奮的功能，就是每一個數字都能稽核；他也提到，即使資料是由人工輸入，錯誤照樣發生過——「一個單純的資料輸入錯誤，就可能賠掉數百萬美元。」

他檢驗 AI 生成模型的方式很務實：大家請 Claude 幫忙建模型，之後還是得逐一稽核數字，那麼「這樣自動化，真的省到那麼多時間嗎？」他預期工具會進步，但只要涉及交易，可稽核性就是他信任 AI 的前提。

「如果資訊不可信，我們絕不可能讓 AI 直接告訴我們該怎麼做、直接跑交易演算法，這類事情免談。」

資料隔離是技術長的問題，Woodruff 交給技術長決定

被問到投資流程中哪一部分他絕不讓 AI 供應商看到，Woodruff 說這「完全是技術長（CTO）的問題」，會交給技術長處理。他的直覺很清楚——任何內部資料外流都會讓他「非常緊張」，他要求資料隔離與安全性必須有保證——但他不假裝自己懂技術答案，還開玩笑說不然「在你們這些工程師面前會像個白痴。」

他把現階段定調為 1.0 版：先做自動化與資料基礎建設，之後才進入更有趣的階段——工具開始告訴分析師時間該花在哪裡。任何會變成某檔基金賺錢方式專屬資產的東西，就是他會保護的物件。

結語

整場對談的主軸是：Woodruff 把 AI 視為墊高地板、而非壓低天花板的力道。每一項效率提升最終都會被競爭消化成基本門檻，所以持久的優勢仍留在原處——比別人更早找到分歧觀點，並且能信任支撐那個觀點的每個數字。未解的張力在結構面：他預測分析師「準備者」會減少，並出現調查記者、資料工程師這類新角色，但坦承自己還不知道那張組織圖長什麼樣；而資料安全這題，他的答案也是交給技術長。最值得追蹤的，是他檢驗 AI 模型的標準——如果你還是得稽核每一個數字，省下的時間可能遠不如供應商所宣稱。