以AI回溯米莱与libra那些破事，再谈谈AI如何做投资分析逻辑是什么？

楔子

• 总统币 上一波总统币不是完美“错过”，而且因为各种原因，痛定思痛开发出来新一套AI资讯与交易信息推送服务（上回书说到）。最近不是新的总统币————米莱与libra又来了么 。周一时候，朋友还在问我米莱的事情，结果我一脸懵逼的，瞎回了一句（我真的啥都不知道）。
  

• 半夜 结果到半夜，那libra玩意10分钟拉升130%（其实里面故事可狗血了，才涨到了0.7，很多人还没回本呢）。我的小AI又给我推送一堆信息。这下我才认真关注起来.(其实AI给我推送一堆libra与米莱的信息，那就结果因为周五，周末（记一次难忘的情人节）忙其他事情。我也算看了，但是我一条没关注)，随便遍历回溯了AI最近几天给我的消息。现在想来就想好笑，又是一个割韭菜，割得不要不要的项目。经过AI溯源，我跟踪那些大户的账户，买入成本基本在2.12（早上7点），卖出价格基本在0.16（中午12点），在libra上5小时亏损了96%。。。幸好是一个周五，周末。。。不然我可能多少也成菜了。

回溯分析

• 之前 这儿就简单概况一下，某日之前，AI根据实时资讯给我推送信息，libra总统背书项目，市场热捧，大户持仓每小时赚几百万，多家头部机构跟踪支持并背书。

• 之后 2月15日后，AI根据实时资讯给我推送信息时，libra是总统“诈骗”，还删推文甩锅。陷入商业贿赂丑闻，项目团队套现1亿，多个头部用户损失百万，准备走法律程序进行起诉。

• 玩味 现在回溯起来这些信息，真的很好笑！从总统信誉背书，明星头部项目。到总统“诈骗”，割韭菜垃圾项目其实整个变化不到一天（就几个小时）。还好我早上起不来床，没有去认真关注与分析。行情就这么过去了。连AI总结分析都是那么画风突变！

简述AI金融分析逻辑

• 原理 目前市面其他LLM大模型也好，基本都是Transformer模型中的Q（Query 查询）、K（Key 键值）、V（Value 具体数据）矩阵的机制。这玩意整体原始逻辑还就是查表。说高大上一点就是动态查表。说简单点，就是先问题（Q），然后动态索引键值(K)以及权重,再关联具体数据（V），最后经过模型内部多次这么来回问（矩阵计算）输出最终内容。
• 例子 例如问一句“寻找未来3年高增长潜力的科技股？”。首先，AI大模型把问题“未来3年高增长的科技股特征”转化为一个向量（Q），然后构建相关的特征集（K），比如公司的研发投入、行业增速等，并收集这些特征的具体数据（V）。接下来，AI大模型计算问题向量Q与每个特征向量K的相关性，评估哪些特征与目标最相关。比如，如果问题关注“技术创新”，那么“研发投入占比”这个特征的相关性得分会比较高。然后，AI大模型对这些相关性得分进行归一化处理，得到每个特征的权重。最后，AI大模型根据这些权重对特征的具体数据（V）进行加权求和，生成一个综合信号。比如，如果某公司的研发投入数据权重很高，那么这个数据会对最终决策产生较大影响。通过这个过程，AI大模型得到了一份按评分排序的科技股名单，每个公司都有详细的推荐理由。比如，公司A因为研发投入占比高且在新兴市场扩展迅速，评分高达92%。AI大模型还生成了一段投资建议，比如“重点关注半导体和AI领域，尤其是具备核心技术且正在扩展海外市场的公司。”
• 结论 其实AI最终输出内容，主要依托Q,K,V矩阵的V（Value 具体数据），但结果内容并不是简单的原始数据，而是经过模型深度加工后的结果，体现了对V的智能筛选、聚合和推理能力。未经过微调的大模型Q,K,V矩阵在大模型内部是不会改变的。目前主流的几个AI大模型都是几个月前，一年前的（deepseek是2024年7月，chatGPT是2023年的）。新的信息主要依托用户输入的上下文（其实这儿就很多主观性，从最初其实已经在看用户思维与观点了）。

END

• 狗血 投资这事最终还是看人自己的，投资需要谨慎，工具，权威其实在最后决策是不能决定人性的。