20260728-光大证券-_固收_AI如何赋能固定收益投研_AI_固收_系列之一_张旭_孙牧北_2页_276kb

AI如何赋能固定收益投研？——“AI+固收”系列之一总结

核心内容

本文探讨了人工智能（AI）在固定收益投研领域的应用潜力与实践方式，从技术发展趋势、能力边界及具体案例三个维度展开分析。文章指出，AI技术正逐步渗透到金融投研的各个环节，其强大的语义理解、逻辑推理和内容生成能力正在重塑传统投研的生产范式。

主要观点

1. AI投研的三种应用模式

• 对话式AI：通过自然语言交互，辅助分析师获取信息与进行初步分析。
• 通用AI智能体：具备更广泛的应用能力，能够执行多任务、处理复杂逻辑。
• 金融垂类AI应用：针对金融行业定制开发，具备专业领域的深度理解能力。

随着技术的成熟，这些模式的获取成本和使用门槛逐步降低，使得AI在投研领域的应用更加普及。

2. AI投研能力边界的关键因素

AI投研的效果并不完全取决于所使用的AI技术，而更关键的是如何使用AI。文章强调以下三个要素决定了AI投研的能力边界：

• 输入信息的质量：金融投研对数据的时效性和准确性要求极高，建议通过专业数据终端的MCP服务，提供可追溯、可验证的数据源，以确保信息的可靠性。
• 投研框架的系统化程度：分析师的分析视角、路径和判断标准是超额收益的来源。将这些方法论转化为可执行的Skill，有助于AI精准执行并提升分析深度与独特性。
• 对AI幻觉的纠错能力：AI在处理信息时可能出现幻觉或误判，需通过限制信息来源、制定输出规则、跨模型交叉验证等方式降低风险。

关键信息

3. “AI+固收”投研案例展示

1）利率债分析

• 方法一：量化文本挖掘
  利用AI进行词频统计、情绪打分等量化分析，提升文本信息处理效率。
• 方法二：全链路AI替代
  AI可独立完成从文本阅读、语义理解到结论输出的全过程，提升分析自动化水平。

我们对比了2020年一季度至2026年一季度央行《货币政策执行报告》的文本分析结果，展示了两种方式在效率与深度上的差异。

2）信用债分析

• 构建信用分析Skill
  针对传统信用分析中信源分散、核对繁琐等问题，通过Skill将信用分析流程标准化。
• 核心模块设计
  • 三源数据融合：整合Wind、企查查、恒生聚源等权威数据源，提升数据全面性。
  • 六步标准化工作流：涵盖信息采集、整理核验、指标计算、多维评分、报告撰写等环节。
  • 七维打分：通过多维度指标对信用债进行评分，确保分析结果的可信度与可追溯性。

3）可转债策略回测

• AI实现零代码策略开发
  AI Agent可通过自然语言交互生成规范的工程级量化代码，完成策略设计、回测与优化全过程。
• 案例展示
  以“可转债双低择券策略”为例，验证了AI在量化投资中的应用价值，展示了其在策略生成与回测方面的效率优势。

风险提示

• AI产品或服务的描述仅为客观展示，不构成使用推荐或商业背书。
• AI技术发展迅速，文中介绍和结论可能存在未来失效风险。
• 投研案例仅用于方法论展示，分析结果由AI生成，不涉及分析师具体投资建议。

总结

本文系统梳理了AI在固定收益投研中的应用模式与方法论，并通过多个案例展示了其在利率债、信用债及可转债分析中的实际价值。文章强调，AI投研的核心在于输入数据的质量、系统化框架的构建以及对AI幻觉的控制，这些因素共同决定了AI在金融领域的应用深度与效果。未来，“AI+固收”的融合将进一步提升投研效率与准确性，但其发展仍需在技术与方法论层面持续优化。