20260710-兴业证券-宏观固收AI投研指南_14页_3mb
报告摘要
宏观固收AI投研指南总结
一、当前常见AI工具分类
AI工具的发展经历了四个阶段,根据任务复杂度不同,适用于不同的投研场景:
| 阶段 | 工具 | 特点 |
|---|---|---|
| 2020—2022 | 插件式AI(如GitHub Copilot) | 仅补全代码,上手成本低,但跨文件项目维护能力有限 |
| 2022—2024 | AI代码编辑器(如Cursor) | 模型集成在编辑器内,支持自然语言描述任务,适合中小规模开发 |
| 2024—2025 | 命令行智能体(如Claude Code) | 支持跨文件操作、执行命令,适合复杂任务拆解与项目级开发 |
| 2026—至今 | 常驻智能体(如OpenClaw、Hermes) | 后台持续运行,支持多平台接入、定时任务与知识库维护,适合长期自动化工作 |
二、三类代表性工具对比
| 维度 | Trae/VS Code内置AI插件 | Claude Code | OpenClaw/Hermes |
|---|---|---|---|
| 定位 | AI集成开发环境 | 命令行编码工具 | 开源通用AI智能体 |
| 交互形态 | 编辑器内实时交互 | 命令行任务驱动 | 后台常驻,通过端口调用 |
| 核心能力 | 低延迟补全、上下文辅助 | 超长上下文、跨文件执行、项目管理 | 7×24在线、定时托管、跨平台调度 |
| 使用场景 | 日常代码开发、简单项目维护 | 多步骤逻辑、复杂任务拆解、大项目维护 | 长期后台任务、舆情监控、知识库维护 |
三、工具选型与组合建议
| 任务类型 | 推荐工具 |
|---|---|
| 日常编码与快速修改 | Trae |
| 多步骤逻辑与复杂项目开发 | Claude Code |
| 长期后台任务、定时执行、跨平台调度 | OpenClaw/Hermes |
四、金融数据与公开信息来源的解决
AI投研依赖稳定可靠的数据来源,主要通过以下工具实现:
- Wind AIFin Market MCP:提供权威金融数据,支持Agent自主调用,兼容主流AI框架。
- SerpAPI:基于谷歌搜索,提供全球实时信息,支持API调用,返回结构化JSON数据。
五、宏观固收AI投研应用实例
-
日内实时监控/复盘
- 利用Wind MCP获取实时行情,结合复盘skill生成盘后总结。
-
海外事件跟踪/宏观要闻梳理
- 通过SerpAPI与Wind MCP定时抓取并整理海外宏观要闻。
-
日常金融数据筛选整理/跟踪
- Agent可自主提取并整理金融数据,减少人工操作。
-
数据库流程优化与展示改进
- 优化更新流程与底稿结构,开发可视化网页展示数据库内容。
-
网页前端开发工具
- 利用前端技能和金融数据接口,构建动态数据看板。
-
信用债主体舆情/发债主体定期跟踪
- 自动整理信用主体基本面、债券信息与舆情,实现定期覆盖。
-
研究框架搭建
- 本地搭建行业与总量研究框架知识库,便于检索与观点更新。
-
子代理协同研究团队
- 通过delegate_task功能,拆分任务至多个子代理,实现多线程并行处理。
-
办公效率提升
- 承担底稿整理、PPT排版与纠错,支持多文件并行处理。
六、风险提示
- AI工具及底层大模型仍处于快速迭代阶段,产品形态、能力边界和运行稳定性存在较大不确定性。
- 本文内容基于公开资料整理,不涉及分析师个人观点。
七、PPT内容来源
- Claude Code 官方文档
- Hermes Agent 官方文档
- OpenClaw 开源文档
- Wind 资讯
八、分析师声明
- 本报告仅供兴业证券客户参考,不构成投资建议。
- 投资者需独立评估信息与意见,结合自身需求作出决策。
展开完整摘要
试读结束,高清完整版pdf/doc/ppt,请点下载