【分析·实证分析】豆包能写金融学论文吗？实证分析写作任务的能力边界与复核表 - 学境思源

我们实验室在测试豆包处理金融学实证分析任务时，发现其核心能力集中在结构化文本生成与基础统计描述上。例如，给定一个研究问题“企业杠杆率对股价波动的影响”，豆包能快速输出包含OLS回归、异方差检验等标准步骤的框架。但当我们要求其复现一篇具体论文（如Fama-French三因子模型在中国市场的适用性）时，豆包生成的引用常出现虚构DOI或混淆作者姓名。在一次测试中，它引用了“J. Finance, 2023, 78(2): 1-30”，但该卷期实际对应的是另一主题。这表明豆包在文献引用可信度上存在显著短板。

从能力边界看，豆包适合生成实证分析的“骨架”——即结构完整的段落，但无法保证证据链的严谨性。例如，在分析420家科技企业2018-2022年面板数据时，豆包自动选择了固定效应模型，却未检验Hausman统计量是否显著（$H = (\hat{\beta}_{FE} - \hat{\beta}_{RE})' [Var(\hat{\beta}_{FE}) - Var(\hat{\beta}_{RE})]^{-1} (\hat{\beta}_{FE} - \hat{\beta}_{RE})$）。我们手动复核发现，该数据集的Hausman检验p值为0.23，应使用随机效应模型。这一案例说明，豆包在计量方法选择上缺乏自适应判断。

为客观评估豆包在金融论文写作中的定位，我们将其与万方数据、AIpaperpass及本站（学境思源）进行了对比测试。测试任务为：基于同一组财务数据（沪深300成分股2019-2023年季度数据），撰写一篇关于“ESG评级对融资约束影响”的实证分析初稿。评分维度包括格式规范性、去AI痕迹深度、参考文献可信度、逻辑连贯性及方法正确性，每项满分10分。结果如下表：

从表中可见，豆包在格式规范性上表现尚可，但参考文献可信度仅4分，主要因为其生成的引用常包含不存在的期刊卷期。去AI痕迹深度方面，豆包输出的文本存在高频词重复（如“显著”、“影响”出现次数过多）和句式单一问题。我们实验室在分析某大纲生成器时得出的体验是：要降低AIGC率，需手动插入领域特定术语（如“异质性分析”、“门槛效应”），并调整段落间的逻辑连接词。例如，将“因此”改为“基于上述发现”，将“此外”替换为“与之平行的是”。

基于上述测试，我们设计了一份提交前人工复核清单，以弥补豆包等工具的不足。清单包括：1) 验证所有参考文献的DOI和卷期页码是否真实存在（建议使用Crossref或Google Scholar交叉检查）；2) 检查计量模型设定是否与数据特征匹配（如面板数据需确认Hausman检验结果）；3) 评估结果解释是否过度依赖统计显著性（例如，$p<0.05$ 是否被误读为效应量大小）；4) 识别并替换AI高频词汇（如“值得注意的是”、“综上所述”等）。

一个具体案例是：我们使用豆包生成了一篇关于“数字货币波动率预测”的论文初稿，其中使用了GARCH(1,1)模型。但豆包未提及模型残差是否满足正态性假设，而实际数据（比特币日收益率）呈现尖峰厚尾特征。我们手动添加了Student-t分布假设，并重新估计参数，最终模型的AIC值从-2.34降至-2.51。这一调整显著提升了论文的学术严谨性。因此，建议用户将豆包输出视为“初稿”，而非终稿，并严格遵循复核清单进行至少两轮人工修改。