投资者终考基准：AI智能体在冻结信息下的股票研究评估

01 摘要

论文构建了面向股票研究的 ILE 基准，包含覆盖 343 万份文档版本、9 类来源并带有效时间戳的版本化金融数据库，外加结构化市场数据，检索与计算均受时间戳约束。任务按专业分析师的交付物组织，并由专家主导的框架借助金融依赖图把评分标准与来源、计算和假设关联起来，评估覆盖 86 项任务。结果显示 GPT-6 Astra 与 Claude Opus 5.5 总分领先（68.1 与 66.9，满分 100），但即使 Astra 在“预测与模型”一项也仅得 52.5。作者据此认为，即使最先进模型也未能把整体研究能力转化为预测表现。

02 关键点

1. ILE 使用版本化金融数据库（覆盖 343 万份文档版本、9 类来源）和结构化市场数据，并以有效时间戳约束检索与计算，形成严格冻结的信息集。
2. 任务分类围绕专业分析师交付物设计，专家主导的评分框架通过金融依赖图把评分标准与来源、计算和假设相连，评估共覆盖 86 项任务。
3. 评估同时考察研究质量、预测准确性和模拟投资表现；GPT-6 Astra 与 Claude Opus 5.5 总分领先，但 Astra 在“预测与模型”一项仅 52.5 分。