七个AI顾问意见一致就该更信吗：历史档案显示，分歧大只说明标的更难预测

把七个投资框架的预测放在一起看，分歧越大，事后收益误差越大，最低分歧组平均绝对误差10.31个百分点，最高分歧组21.05个百分点。 此前这类一致性信号常被直接当作置信度使用，而这里同时算了一个不使用任何顾问预测的对照：直接预测价格不变。 这个对照的误差从最低分歧组的9.89个百分点升到最高组的21.15个百分点，两组的高减低差距几乎相同，说明原始梯度很大程度上反映的是价格本身波动多大。

分歧与生成前就能看到的历史波动高度相关，因此它更像是在标记“这个标的本来就难预测”。 研究把分歧、历史波动、预测幅度和历史动量一起放进回归，并额外做了按波动分组的组内比较。 四个批次内分歧与历史波动的Spearman相关系数在0.56到0.69之间，调整后历史波动系数为0.358，而分歧系数为0.006，区间跨零。

按历史波动挑出最容易的四分之一预测，误差比按分歧挑更低，平均绝对误差7.97个百分点对10.31个百分点。 两种规则都保留每批58个标的，但选中的不一定是同一批标的。 在最低波动那四分之一里，预测价格不变的基线误差为8.00个百分点，顾问相对基线的优势仍然没有分辨出来。

方向一致是另一种信号：七个框架中至少六个方向相同时，方向准确率53.21%，其他情况44.11%，但收益幅度的误差反而更大。 此前方向一致与数值分歧常被合并成一个置信分数。 高方向一致组平均绝对误差16.84个百分点，其他组13.65个百分点，差3.19个百分点，区间为[0.73, 5.80]。

这项工作考察的是iPulse AI在2026年4月至7月间四个批次的历史首季预测，232个标的各贡献四条结果，评估截止到2026年10月8日，且不重新生成任何报告。适合评估多智能体预测置信度信号的研究者和工程师阅读。作者提出的下一步是在新批次发布前冻结特征定义与阈值、登记可用训练标签，并在原生目标到期后分别评估方向损失与收益损失。

作者说明该顾问团共享历史Gemini模型版本，四个预测期相互重叠，框架多样性不等于独立性；资产是按生产平台需要挑选的，不是可投资范围的随机样本。评估使用冻结的十月档案而非逐日同时点行情，原生货币价格收益不含股息再投资、汇率换算和执行成本。分析属于探索性审计而非预注册，多重次级比较未做多重性校正，区间跨零不等于等价，方向一致这一结果尚未在未触碰的后续批次上验证。