先排除，别先挑选：让 AI 干去劣这件粗活

你打开对话框，问了一句「帮我在某个行业里找出最值得投的公司」。十几秒后你拿到一份榜单，前三名各配一段解释，读起来都挺有道理。

然后你卡住了。你没法判断这个排序是怎么来的。它凭什么把 A 放在 B 前面？换个问法再问一遍，名次可能就变了。你想验证，却发现无从验起——「谁最好」这个问题本身就没有可核对的标准答案。

这里有个思路上的错位。你其实不需要它替你挑出最好的，你需要的是在你的时间被吃掉之前，把明显不该看的那些先扔出去。这两件事的难度完全不在一个量级上，而绝大多数人一上来就挑了那件难的。

先说边界：本文讲的是筛选方法本身，给的是一套判据和一份提示词。文中不出现任何具体公司，也不产出任何标的清单。跑出什么结果、跑完之后做什么，都是你自己的事。

先用招人这件事讲明白

设想你在招一个岗位，桌上堆着两百份简历，你只有一个下午。

你会怎么做？绝对不是从第一份开始，一份一份地问「这个人是不是最优秀的」。因为要回答「谁最优秀」，你得看作品、得聊天、得做背调——每份简历都要花掉几十分钟，两百份根本跑不完。而且就算你跑完了，你也很难说服自己排序是对的：优秀是个连续的、多维的、掺杂个人偏好的东西。

你真实的做法是反过来的：定几条硬杠，十秒钟一份地往外扔。岗位要求五年经验的写着一年、简历上三年换了六份工作、应聘技术岗但一个项目都没写……**这些判据的特点是二值的、不需要品味的、不同的人来看结论一样。**两百份很快剩下三十份，然后你才把那几十分钟花在这三十份上。

注意这里的关键：**你没有说被扔掉的人不行，你只是说他们不值得你今天下午的时间。**排除的门槛设得对不对，判断标准也不是「有没有漏掉好人」，而是「有没有误杀」——只要杠划得足够低，误杀就很少，而工作量却砍掉了八成。

挑选是找上限，排除是划下限。找上限贵，划下限便宜。这就是全部的道理。

放到投资决策里意味着什么

同样一件事挪到公司研究上，差别更大，因为「最好」这个词在投资里格外滑。

一家公司好不好，取决于价格、取决于你的持有周期、取决于你能不能看懂它。这三件事全都因人而异。所以任何一份「最值得投的前三名」，本质上都是把这些因人而异的东西替你悄悄假设掉了——它假设了一个估值锚，假设了一个时间尺度，假设了一种风险偏好，而这些假设它不会告诉你。你拿到的是一个结论，却拿不到结论成立的条件。

但反过来问就干净多了：这家公司有没有明确不合格的地方？

十年平均下来的净资产收益率长期趴在很低的位置，说明股东投进去的钱效率不行，这跟价格贵不贵没关系。连着五年累计的自由现金流是负的——自由现金流就是公司经营赚回的现金，扣掉必须花出去的设备厂房投入之后，真正能留下的那部分钱——这个数长期为负，意味着这门生意本身在持续消耗现金，这也跟你的持有周期没关系。

这类判断有个共同点：**它们不依赖你的假设，只依赖公司自己的历史数据。**不需要预测，不需要品味，不同的人来算结果一样。这就是它们适合放在最前面的原因。

还有一层更实际的好处。你把研究时间用在哪儿，决定了你的产出质量。如果你把 四角色深度研究 那一套完整跑一遍，一家公司要花掉你不少功夫。这种成本你一年跑不了几十家。所以排在它前面的这道粗筛，直接决定了你那几十次深研有没有浪费在明显不该看的东西上。

顺序应该是：从行业收敛到一批候选（这一步见 行业漏斗），再用硬指标去劣砍掉大半，剩下的才进深度研究。去劣是第一道闸，不是最后一道。

为什么「排除」比「挑选」更抗忽悠

这一节讲的是本篇真正反直觉的地方。

叙事是有传染性的。当你带着「找出最好的」这个目标去问 AI，你其实是在邀请它给你讲一个故事——一个关于某家公司为什么了不起的故事。而讲故事这件事，语言模型太擅长了。它会把成长空间、行业地位、管理层格局这些说法组织得非常顺滑，顺滑到你读完之后很难指出哪句话不对。

问题是，这类说法几乎全都无法证伪。「行业空间广阔」——多广算广？「管理层富有远见」——用什么核对？你没法反驳一句不能被反驳的话，于是你只能选择信或不信，而这时候起作用的就是文字的说服力，不是事实。

排除性的问题把这条路堵死了。你问的是「近五年经营现金流跟净利润的比值是多少」，这个问题只有一个答案，而且答案写在财报里。AI 可以查错，可以查不到，但它没法用叙事把这个数糊过去。一旦门槛是数字，写作水平就不再是变量。

第二个好处是它对付了一类很隐蔽的偏差：你听到的公司，本来就是被筛过一遍的。媒体写的、榜单排的、别人讨论的，天然偏向那些已经成功的、故事好听的。这就是 幸存者偏差 在选股环节的具体形态。你让 AI 直接推荐，它的语料本身也带着这层偏差，你只会拿到更多同样的名字。而一套统一的硬指标扫过去，对每家公司用的都是同一把尺子，不管它出不出名。

第三个好处最实际：**排除的结果可以复现。**同一套阈值，今天跑和下个月跑，只要数据没变结论就不变；换个人跑，结论也一样。挑选做不到这一点。可复现意味着你能积累——三个月后你回头看，能分清是公司变了，还是你的标准松了。

七条硬指标，以及它们各自在防什么

下面这套是我自己在用的，七条排除条件。设计目标只有一句话：**不错杀任何一流公司，但能排掉确定不行的。**所以每条的阈值都划得偏低——宁可漏网，不可误杀。漏网的会在后面的深度研究里被淘汰，误杀的则永远不会再回到你的视野里，这两种错误的代价完全不对称。

#	看什么	什么情况下排除	这条在防什么
1	十年平均净资产收益率	长期低于 8%	股东的钱有没有跑赢机会成本
2	五年累计自由现金流	为负	利润是不是纸面富贵
3	利息覆盖倍数	低于 2 倍	还得起利息吗
4	长期毛利率	低于 15%	有没有定价权
5	经营现金流 / 净利润	低于 0.7	赚到的利润收不收得回现金
6	长期净利率	低于 5%	收入一波动利润会不会归零
7	五年总股本膨胀	超过 20%（非并购原因）	你的股份有没有被悄悄稀释

几个词解释一下。净资产收益率就是公司一年赚的钱除以股东投进去的本金，衡量这笔钱的效率。利息覆盖倍数是经营赚的钱能覆盖利息支出多少遍，倍数越低越危险。毛利率是卖一百块钱的东西扣掉直接成本后剩多少，它偏低通常说明产品换成别家的对客户没差别。总股本膨胀指公司不断增发新股，你手里的股份占比被摊薄了——这一条最容易被忽略，因为它不体现在任何一个利润指标里。

这七条的排列不是随意的。前三条是安全底线，守的是「会不会出事」；中间三条是质量底线，守的是「赚的是不是真钱」；最后一条是股东权益底线，守的是「赚到的钱有没有算在你头上」。三个层面各守一段，任何一段塌了都足够构成排除理由。

有几种情况这套尺子不适用，得单独标注：银行和保险的商业模式本身就是拿利差赚钱，第 3 条对它们没有意义；不动产信托这类资产因重估波动大，净资产收益率的读数不稳；上市不足五年的，数据窗口本身就不够，应该在结果里明写「窗口不足」而不是硬判。强周期的行业要用完整周期的平均值，至少覆盖一个高点和一个低点，拿单一年份去判等于抛硬币。

三条豁免：阈值要留活口

一套只有硬阈值的规则，一定会误杀。因为有些一流公司的利润确实不出现在你要看的那个位置上。所以我给三个最容易误杀的地方各留了一个活口——注意豁免不是网开一面，每条都要求同时满足多个条件，凑不齐就不给。

活口一，给还在投入期的公司。 同时满足三条才行：上市不足十年、毛利率高于 30%、最近两年经营现金流为正。逻辑是毛利率高说明商业模式本身有定价权，现金流转正说明造血能力已经具备，净资产收益率低只是因为赚到的钱还在往里投。某些本地生活平台类的公司就长这样。但三条缺一不可——只有故事没有正现金流的，不给豁免。

活口二，给主动压低利润率的公司。 两条同时满足：毛利率高于 30%，并且近两年净利率已经回升到 5% 以上或有明确上升趋势。逻辑是有能力赚而选择不赚，和根本赚不到，是两回事，而区分这两者的证据就是毛利率。某些以长期再投资著称的电商平台属于这一类。

活口三，给高周转薄利的模式。 三条同时满足：净资产收益率高于 20%、经营现金流跟净利润的比值大于 1.0、商业模式本身属于会员制或平台抽佣这类。逻辑是有些生意的利润压根不藏在商品加价里，而是藏在会员费或者周转效率里。某些会员制仓储零售商的毛利率和净利率都低得吓人，但净资产收益率极高、会员续费率极高。这时候低毛利率不是缺陷，是它的打法。

三条活口的共同点你看出来了吗？**它们都要求用另一个指标来证明「这不是能力问题」。**没有替代证据的豁免请求，一律不批。这一点写进提示词里非常重要，否则 AI 会很乐意替每家不达标的公司编一个动人的豁免理由。

可以直接粘贴的筛选提示词

下面这份开一个新会话粘进去就能用。占位符两个：【筛选范围】 填行业、指数或者你手上的一批公司名，【日期】 填今天。

你是投研流程里负责「去劣初筛」的角色。筛选范围:【筛选范围】。今天是【日期】。

你的唯一职责:用统一的硬指标,把明确不合格的公司排除掉。
你不排名、不推荐、不给目标价、不做买卖判断。出现即为越界。
通过筛选只意味着「不明显差」,绝不意味着「好」,请在输出里显著写明这句话。

第一步 确定名单
如果范围是一批具体公司,直接进第二步。
如果是行业或指数,先列出完整候选名单(注明每家的全称、代码、交易所),
名单来源必须写清。名单没确认前不要开始筛选。

第二步 逐家取数(七项,缺一不可)
1. 近十年逐年净资产收益率,及十年平均值
2. 近五年经营现金流与资本开支,算出五年累计自由现金流
3. 最新年度息税前利润与利息支出,算出利息覆盖倍数
4. 近五年毛利率逐年值及趋势
5. 近五年经营现金流 / 净利润逐年比值及均值
6. 近十年净利率逐年值及均值
7. 五年前与当前的总股本,算出膨胀比例,并注明期间有无并购

取数纪律(违反任一条,本次输出作废):
- 数据来源优先级:公司年报 > 券商研报 > 财经数据平台。逐项标注来源与报告期。
- 关键数字必须有两个互相独立的来源。两处对不上,两个都列出来并标注冲突,
  不许自己挑一个顺眼的写上去。
- 一切除法、比值、增速,用计算器或脚本算,不许心算后直接写结论。
- 取不到的数据一律写「数据不足」。禁止用同行数据代替本公司数据,
  禁止用推测填空,禁止把「数据不足」判成通过或不通过。

第三步 逐条检验(阈值见下,不许自行调整)
① 十年平均净资产收益率 < 8%  → 触犯
② 五年累计自由现金流为负     → 触犯
③ 利息覆盖倍数 < 2 倍        → 触犯(银行/保险不适用本条,直接标注 N/A)
④ 长期毛利率 < 15%          → 触犯
⑤ 经营现金流/净利润五年均值 < 0.7 → 触犯
⑥ 长期净利率 < 5%           → 触犯
⑦ 五年总股本膨胀 > 20% 且非并购所致 → 触犯

每条给出:通过 / 触犯 / 边界(距阈值 10% 以内),并附具体数值。

第四步 豁免审查(只对已触犯的条目做,且必须逐条验证前置条件)
豁免A(仅可豁免①):上市不足十年 且 毛利率>30% 且 近两年经营现金流为正
豁免B(仅可豁免⑥):毛利率>30% 且 近两年净利率已回升至5%以上或明确上升
豁免C(可豁免④和⑥):净资产收益率>20% 且 经营现金流/净利润>1.0
                    且 商业模式属于会员制/平台抽佣/高周转薄利
纪律:前置条件必须逐条列出实际数值,凑不齐就不给豁免。
     禁止自创豁免理由,禁止用「战略考虑」「行业特殊性」这类说法代替数据。

第五步 输出
汇总表(公司 × 七条,每格填状态+数值)
排除清单:公司 / 触犯了哪几条 / 具体数值 / 一句话理由
豁免通过清单:公司 / 用了哪条豁免 / 前置条件的实际数值
边界清单:落在阈值 10% 以内的,单独列出并说明为何是边界
数据不足清单:哪家的哪一项取不到,以及缺这项对判断的影响

结尾必须包含:
- 通过率(通过数/总数),以及「本次有几家因数据不足未能完成筛选」
- 一句话:本结果仅为排除性初筛,通过不代表值得买入,不构成任何投资建议

**为什么每一段都写得这么死？**因为这套流程里，AI 唯一的活儿就是取数和比大小。凡是给它留了发挥空间的地方，它就会开始讲故事。阈值不许自行调整、豁免条件必须列实际数值、数据不足不许判定——这三条是防线里最要紧的，少一条，输出就会从筛选滑回推荐。

跑完之后，你必须自己核这几样

AI 报出来的数字，格式永远是漂亮的：小数点、单位、来源标注，一应俱全。所以别用「读起来对不对」去判断，那条路已经堵死了。用清单逐项核。关于幻觉为什么难认，以及核验该嵌在哪一步，可以看 幻觉与事实核验 和 核验动作的位置。

**被排除的那几家，抽两家反查。**这是最容易被跳过的一步，因为排除让人很有效率感。但误杀是这套流程里代价最大的错误——被扔掉的公司不会再回来。挑触犯条数最少的那两家，把触犯项的原始数字亲手查一遍。

**豁免通过的，一家不落全查。**豁免是 AI 最容易放水的地方，因为「找个理由让它过」比「坚持排除」在语言上舒服得多。逐条比对前置条件的实际数值，凑不齐就把豁免撤掉。

**所有除出来的比值重算一遍。**比值、增速、倍数，这些是心算出错的高发区，而且一旦错了，后面的判定会跟着一路错。

**报告期对齐一次。**不同来源可能一个用财年一个用自然年，一个是滚动十二个月一个是最新年报。口径不同造成的假冲突，在这一步能消掉大半。

**「数据不足」不许被消化掉。**如果某家公司有两项以上取不到，它的正确状态是「未完成筛选」，既不进通过名单也不进排除名单。把它挂起来，等你自己去补，或者干脆放弃。

一个容易踩的坑：别去调阈值

你跑完一轮，大概率会有这种冲动：某家你熟悉的、你觉得不错的公司被排掉了，于是你想把某条阈值从 8% 调到 7%。

**千万别。**这个动作的本质是拿你已知的结果去反推参数，得到的规则在历史上当然好看，但它已经不再是一把独立的尺子了，而是你的偏好的一个复杂表达。这跟量化里反复讲的 数据窥探 是同一个毛病，只是换了个场景出现。

正确的处理是把它记下来，当成一条待检查的线索：这家公司为什么在这条指标上不达标？是行业特性、是会计口径、还是它确实就有这个问题？如果你查完发现是尺子的普适性有问题，那就修改规则本身，并且修改后要对所有公司重跑一遍，而不是给这一家开后门。

判断阈值该不该改，有个很简单的检验：如果你改这条规则的动机，是为了让某家特定的公司通过，那就不该改。

小结

• 挑「最好的」需要品味、依赖假设、结论不可复现；排掉「明显不行的」只需要判据、只依赖历史数据、任何人来跑结果一样。所以排除该排在前面。
• 排除性问题堵死了叙事的通道——门槛是数字的时候，写作水平就不再是变量。
• 七条硬指标分三层：能不能活下去、赚的是不是真钱、赚到的算不算在你头上。阈值要划得偏低，因为漏网可以在后面淘汰，误杀则永不回头。
• 三条豁免都要求用另一个指标证明「这不是能力问题」。没有替代证据的豁免，一律不批。
• 跑完必须自己核四样：被排除的抽查、豁免的全查、比值重算、报告期对齐。「数据不足」不许被填满。
• 结果不合心意时不要去调阈值。改规则的动机如果指向某一家公司，那就不该改。

最后用一句不带术语的话说清这篇：与其让机器告诉你哪个最好，不如让它按同一把尺子，把明显不行的先挑出来扔掉，剩下的你自己慢慢看。