浙商固收AI赋能固收投研的实践

应用，我是张恒豪，AI在固守领域培训的第二期内容。 我们在这期将开始介绍AI可以田沿科技在固收投研中的实践。 接下来我们有请刘静怡为大家进行一个详细的介绍，有请静怡。 各位领导投资者晚上好，感谢大家参加今天的交流，今天分享的主题是AI赋能固收投的实践，前面关于大模型agent sk等概念，大家可能已经有了一些基础的认识。 这一场我想把重点放在实践层面，也就是AI究竟怎样进入研究流程，哪些环节已经能够稳定的落地，以及我们在实际使用中遇到了哪些问题。 我们不会把AI描述成一个能够自动产生结投资结论的黑箱，我们的出发点会更加的务实。 研究工作中有大量的标准化、重复度高、时间占用大的前置加工环节，能否将这些环节交给skill和agent的处理，再由研究员完成复核、判断与表达。 今天主要分为两个部分。 第一部分是宏观投研中的skill应用，包括政策文本对比和经济数据解读。 第二部分是技术分析skill，包括框架设计、指标计算、交叉验证和国债期货案例。 首先进入到宏观投研的部分，宏观研究的效率瓶颈很多时候并不是在最终的观点，而是在观点形成之前。 政策文件需要查找原文、清洗格式、核对口径，比较历年的一个表述。 经济数据公布后需要确认指标，对齐历史序列，计算同比环比，对照预期，再组织成能够直接使用的文字和图表。 这些环节有几个共同的特征，一标准化程度较高，二重复频率较高，3占用的时间较多。但真正需要研究员主观判断的部分相对有限。 因此我们尝试把这些环节整合为sk有open cloud进行调用，整体流程大致是大模型先理解任务，在调用脚本或工具获取信息，然后按照skill中预设的分析框架进行处理，最终导出表格、文档或图片，再由研究员进行复核。 这里的核心并不是让AIT代研究，而是让原始信息能够更快进入到研究环节。 文本表述的对比，为什么我们优先做这个skill呢？因为宏观研究中有大量的跨期跨文件的比较，例如政府工作报告，中央经济工作会议、政治局会议以及各类政策文件。人工比较通常需要打同时打开多份原文，逐断核对新增、删除或措施变化，工作量不小，而且非常容易遗漏。那这一页展示的是完整的工作流程，研究员只需要提出需求，例如比对比分析2026年和2025年政策工政府工作报告。Open clou会识别后，调用对应的skill，先确认目标文本，再使用搜索或和网页抓取工具获取原文，对文本进行清洗、分段和对比，最后生成excel与摘要卡片。研究员最终需要做的是检查原文是否准确，比较结论是否符合政策语境，而不是重新完成全部的机械比对。Skill的价值就在于把过去分散的操作串成一条可重复执行的流程。这里我们有一个实际输出的案例，输入会非常的简单，就是让系统使用文本表述对比skill，以较2025年和2026年政府工作报告。之后open clou会，按照skill预设的步骤完成文本抓取、清洗、对比和结果的输出。现场大家不需要去逐字的看图，重点看三个层面。第一，输出不只是自然语言总结，而是同时保留结构化的结果，便于研究员继续的筛选和核对。第二，过程能够沉淀固定的口径，例如哪些属于新增表述，哪些属于删除的，哪些只是措辞只措辞调整。第三，最终保留人工复核的环节，政策文本中一个词的变化可能会对应完全不同的政策含义。所以AI适合完成找差异，但解释差异仍然需要结合政策背景和市场环境。第二个skill是宏的宏观场景，是经济数据的查询和解读。以PMI为例，数据公布后研究员通常需要确认制造业和非制造业指标分向变化，历史分位连续趋势，并进一步的判断需求、生产、库存和价格。信号流程相对固定，因此也适合做成skill。这一页展示的流程与文本比较比较类似，但工具和分析框架并不相同。研究员提出了分析202年2026年4月PMI数据后，系统会先确认指标和时间，再调用搜索或者数据工具获取数据，之后按照skill内置框架进行解读，最终生成文件。这里最重要的是框架内置如果只是把一组数据交给模型自由发挥，回答可能每次会不相 同。 而skill会明确要求从哪些维度分析，哪些指标必须核对结论，如何组织，从而提高输出的定性。 这一笔我放了一个经济数据解读的实际输出，输入的是使用经济数据解读skill解读三月份的PMI数据系统自动完成数据的获取，基础计算框架化的解读和文件输出。 这里可以把它理解为一份研究初稿的生成器，它能够快速回答数据叫上月的，上月是如何变化的，哪些分项呈主要拉动或者拖累，是否与近期的趋势一致，并整理成可编辑的文件。 研究员接手后可以进一步的结合高频数据政策背景和资产价格表现进行判断。 因此这类skill尤其适合数据公布后的快速响应场景。 先把机械性的整理和初步归纳完成，再把有限的时间留给市场影响和交易逻辑。 接下来的两页主要讨论了一个模型成本的问题。 为什么在一场投研实践分享中会专门放价格？其实是因为当AI从个人尝试进入到团队生产环境之后，问题就不再只是哪个模型更聪明，还包括调用是否稳定，成本是否可控，能否支持高频任务。 不同的模型的输入和输出的价格差异是比较大的，对于政策原文、财报、会议纪要等这类长文本任务，输入的吐口量会非常的高，如果每天反复的调用，成本会快速累积。 因此，实际部署中，通常不会所有任务都使用最贵的旗舰模型，而是根据场景分层简单抽取和格式处理可以使用成本较低的模型。 复杂推理和关键结论在调用能力较强的模型。 模型选择本质上是能力成本与稳定性的综合权衡。 这里我进一步比较了coding plan。 对于研究团队而言，代码生成是AI使用频率很高的场景，包括Python数据处理、SQ查询、图表绘制以及自动化脚本维护。 Coding plan通常按订阅和额度计算，与普通的API调用的方式不太一样。 我们放这一页并不是为了推荐某一家产品，而是说明工程端的选择同样需要成本意识。 研究员偶尔的使用订阅模式可能更方便，但是团队的部署，批量的任务或者是A键次持续运行，则需要评估额度并发和稳定性。 很多时候模型能力差距没有宣传中那么大，但是工程体验和成本结构差异会直接影响能否长期的使用。 这里我们并没有去只看到公开的排行榜，而是把把透明个文本比较的skill交给了不同的模型去执行。 用完全一致的任务和输出要求进行测试输入的就是前面给出的例子。2026年与2025年政策政府工作报告进行全面的对比，结果显示不同的模型在实际业务场景中差异其实是非常明显的。首先听力K2.5对于政策基调和事实一致性的把握是较好的。GM5.0在财政和货币政策中出现了一定的幻觉，minimax2.7存在着更明显的跨年的数据的串扰，deep pstick v3在工程端未能够完全遵循输出的规范，长途生成也没有达到预期。这个测试想带来结论是，第一，不能只看通用能力排榜单，必须在自己的skill和数据上进行实测。第二模型能力和工程执行能力是两回事。第三，即便表现最好的模型也仍需要原文引用和人工复合。但是此模型对比结果并不是恒定的，随着模型的迭代也可能出现其他更具性价比选择。到这里宏观的部分可以做一个小结，文本对比skill解决的是政策文件查找、清洗和跨期比较经济数据解读skill解决的是数据获取指标核对和初步分析。模型实测则帮我们确定不同任务应该使用什么模型。真正值得强调的是，skill它并不是一个一次性的promote，他把数据来源、工具步骤、分析框架和出出规范放在一起，使同一任务可以重复的执行，持续的迭代，也便于留下过程记录。对于投研团队而言，这意味着研究经验不再只存在于个人的习惯当中，而可以逐步变成团队可复用的工作资产。下面我们进入到第二个部分，就介绍一下技术分析为什么同样也适合做成skill。很多人提到技术分析可能会直接联想到K线形态或者某个指标。但从系统角度看，它实际上是一整套围绕着价格成交、销量、波动率、技术指标展开的规则化的观察方式。它非常沉适合沉淀为skill，主要其实有三个原因，第一，它输入的数据相对是非常标准的，主要是行情和成交数据。第二，它计算规则是相对比较清晰的，大部分指标可以通过Python实现一个稳定的复现。第三，输出结果是输出容易结构化，可以按照趋势动量、波动量价等维度组织技术分析， 并不负责替代基本面判断，更适合应用中的中短期交易辅助和风险控制中帮助识别趋势形态、风险偏好变化以及波动环境。这一页的技术分析sk的基本这一页是我们技术分析skill的基本框架，它的定位是面向投资研究和交易辅助的基础技术面分析工具。它的底层使用的是Python代码，并且结合了telashare、panda、mepolly等工具，实现从数据获取、K线形态识别、技术指标计算到图表和报告输出的自动化。我们坚持的一个原则是计算规则，计算在前，模型解读在后，行情数据的获取、指标计算和形态识别交给脚本完成，因为这些任务需要确定性和可复合性。大模型主要负责把多维信号组织成可读的结论，并解释不同信号之间的一致或冲突，这样可以避免让模型凭感觉计算指标，也能够降低幻觉风险。技术分析模块分为核心解读和拓展扫描两层。核心解读包括K线形态趋势、动量波动和量价等主要信号，用于形成对标的技术型技术状态的基础判断。拓展扫描则是在核心指标之外批量测算更多的趋势动量波动量价的指标，并与历史区间进行比较。如果某个拓展指标处于历史的极致区间，可以把它识别为异动。如果同一类指标，同一类的多个指标同时进入到了极致区间，就可能形成技术共振。这样的这样设计的原因，其实是为了避免单一的结论主导单一的指标去主导我们最终的结论。技术分析中经常出现的一个指标发出信号，其他指标没有确认的情况，拓展扫描能够帮助判断这个信号是孤立现象，还是具有更广泛的市场基础。这一页是整个技术分析skill的最核心的框架。我们把信号归为归位到了五个维度里面去，分别是趋势、动量、波动量价和位置风险趋势回答是方向结构是否成立。动量回答是边际强弱是否变化。驱动回答风险环境是在扩张还在收敛。量价回答的是价格变化是否得到了成交的配合。未知风险则判断当前状态是否明显偏离历史常态。每个维度内部通常含有多个指标，只有内部信号方向相对一致时，该维度的结论才具有更较高的可信性。 在维度之间，我们进一步进行了一个交叉验证，趋势和动量的结合用于判断风向是否具有连贯连续性。 趋势和量价的结合用于判断价格信号的质量、动量波动位置风险的结合。 位置风险结合是用于识别是否是过热、过冷、拥挤或者波动压缩。 K线形态和历史统计结果则作为辅助，而不是主导结论。 下面进入到一个进入到十年国债期货的案例。 使用时研究员只需要向open cloud下达一句自然语言的指令。 例如请使用技术分析sk对十年国债期货进行技术分析系统识别标的后会自动获取行情数据、运行指标脚本以及识别K线形态，并形成综合的指标图、形态识别图和结构化的报告。 这里想强调的是，表面上输入的可能只有一句话，但背后执行的是完整的工作流。 Sk规定了技术来源的数据来源、计算方式、分析顺序和输出格式，因此不同时间调用时结果仍然具有较长的一致性。 案例使用的是实在十年的国债期货主力连续合约，输出的不是简单的看多或者看空，而是把不同维度的证据拆解出来，方便研究员复核和使用。 从这一页开始，我连续的展示了一下sk生成的技术分析报告。 第一部分通常是综合结论，它不是对单一指标的复数，而是对趋势、动量、波动量价和未知风险进行汇总。 阅读时建议先看结论强度，再看证据是否一致。 如果趋势偏强，但动量开始走弱，同时位置风险偏高，那么结论就不应应该简单表述为继续看多，而是应提示趋势仍在，但边际风险上升。 相反，如果趋势动量量价同步改善，波动没有明显放大，信号可信度会更高。 Skill的作用是把这些关系用统一的语言表达出来，减少研究员每次组织重新组织语言的时间。 这一页主要是看核心点位和核心技术指标。 是关键点位可以来自于近期的高低点、均线波动区间或者历史密集成交区域，以及基于当天收盘的阻力与支撑位置，以及不同指标对应的历史分位和和状态。 例如金叉或者死叉文件也会输出可视化