你让 AI 读一摞公司新闻，它当然能给出一个分数。麻烦是：为什么是这个分数？它漏了哪条消息？不同主题又怎样合成公司信号？Andrew Chin 等人在《From News to Signals》中提出，别让模型一步交卷，而要把定性投研拆成一条可检查的流水线。以下结论均来自论文摘要，尚无独立信源交叉验证。
先拆判断，再生成信号
这套 Agentic workflow（代理式工作流）让模型分步处理任务并保存中间结果。论文把新闻分析拆成相关性筛选、主题识别、评分和聚合。聚合，就是把多篇新闻或多个主题的判断合成公司级信号。
关键变化不只是“新闻变分数”，而是保留转换依据。研究员可以回看一条新闻为何入选、被归到什么主题、怎样影响最终信号。这种可追溯性便于复核错误，也让内部治理有据可查。
为什么值得关注
论文以高频公司级新闻为案例，讨论不同 Agent 设计如何在信号质量、稳定性、成本和可解释性之间取舍。作者称，部分定性信号呈现不同的多空不对称性、异质经济作用，并与既有因子弱相关。若这些结果经完整检验成立，文字信息便可能成为传统量化因子的补充，而不只是情绪标签。
局限与未知
- 摘要未披露样本区间、新闻数量、模型、收益、显著性和交易成本，无法判断实际投资价值。
- “机构级规模”“弱相关”等说法没有数字支撑；部分信号的结果也可能存在选择性报告。
- 仍需全文核查样本外检验、前视偏差控制与可复现性。论文展示的是方法和信号特征，不等于 Agent 已稳定跑赢市场。