20260112-国信证券-AI赋能资产配置（三十四）_首发

> **来源：[研报客](https://pc.yanbaoke.cn)** # AI赋能资产配置（三十四） # 首发：AI+多资产泛量化系列指数 # 多资产研究·资产配置深度 证券分析师：王开 021-60933132 wangkai8@guosen.com.cn S0980521030001 # > Agentic AI 全流程辅助策略开发，实现“泛量化”： 传统投研过程中，研究员往往依赖Excel进行数据处理和策略分析。借助Agentic AI，无编程背景的研究员、投资者也可完成从数据收集、信号生成到策略构建、回测优化的完整流程。只需通过自然语言与AI交互，即可获取所需财经数据、生成投资信号并自动产出投资组合方案，实现投研流程的高度自动化。 # AI “泛量化”具体流程： 始于知识智能体进行知识解构与跨域映射，随后由需求澄清代理拆解任务并执行流程，输出具备工程化说明的初稿。执行者无需深陷代码细节，只需重点校验经济逻辑，并利用智能体拓展知识边界辅助调试。这种模式避免了盲目消耗token反复试错，通过自然语言精准引导修改路径，最终将业务意图高效转化为标准化、可复盘的量化成果。 # > AI视角驱动的Black-Litterman资产配置 引入AI视角的BL策略较等权基准实现了业绩飞跃。DeepSeek-V3与Qwen2.5-72B分别录得18.29%和20.37%的年化收益，远超等权基准的11.85%，夏普比率从0.99分别提升至1.56和1.81，且最大回撤由-14.23%大幅收窄至-8.16%和-6.39%。 # AI增强型风险平价 对比300天固定窗口方案，AI动态窗口在不增加波动的情况下显著优化了风险控制。Qwen2.5-72B方案年化收益达4.71%，提升0.12%。夏普比率从1.39提升至1.46，最大回撤由-4.50%大幅缩减至-3.00%。 > 风险提示：本报告基于历史数据和AI生成结果，存在模型过拟合风险；宏观和市场数据口径调整可能影响AI结论；LLM生成的观点存在随机性，需警惕AI推理的不稳健性。AI推理的不稳健性，AI模型的输出结论具备一定随机性，多次生成可能产生不同的结果 [01] Agentic AI如何做到量化平权 [02] AI泛量化具体流程 [03] AI视角驱动的Black-Litterman资产配置 [04] AI增强型风险平价模型 [05] 风险提示 # Agentic AI如何做到量化平权：从“观点表达”到“泛量化” # 从对话即服务到AI智能体 2025年，我们团队在《AI赋能资产配置》系列研究中，以实战解答的形式，重点分析了DeepSeek在政策信号量化、数据处理方法、AI投研应用以及金融市场落地方案中的可行路径。回看这一路径，从交互式对话到API接入等方式利用大语言模型，我们前期的研究本质上仍将AI视作“增强型工具”。它更多是在投研流程中的某一个环节发挥效率提升作用，例如会议纪要自动化、舆情与情绪的快速归纳、图表、公告信息识别、以及对研究报告的结构化整理等。换言之，AI的贡献主要体现为“让既有流程更快、更省人”，但对“把观点变成策略、把策略变成交易”的端到端闭环帮助有限。 图1：交互式AI在赋能投研时的缺陷 资料来源：万得，国信证券经济研究所整理 # Agentic AI如何做到量化平权：从“观点表达”到“泛量化” # 从专注提示词工程到运用合适的智能体 2025年初以来至2026年，我们在AI工具的使用上，重心正从“怎么写提示词”转向“先把目标定清楚”。这是因为大模型本身的CoT技术内置、推理模型的兴起改变了我们运用AI+投研的方式。与其反复雕琢指令细节，不如围绕明确的目标与约束来组织任务与流程。基于此，我们开始更系统地评估不同智能体的能力边界，并将其嵌入研究、数据处理、策略构建与复盘等环节，以实现对投研流程的结构化赋能。我们开始关注不同智能体可实现的能力如何嵌入并赋能投研流程。 图2：2024-2026年AI工具进化 资料来源：万得，国信证券经济研究所整理 # Agentic AI如何做到量化平权：从“观点表达”到“泛量化” # 从担心幻觉到拓展知识边界 以往，投资研究依赖人工收集数据、Excel建模，周期长且高度依赖人员技能。Agentic AI 拓展了知识的边界结合Python等外接工具、Wind等数据与记忆能力，以及投资者的策略语言，“泛量化”投资成为Agentic AI在金融中最具落地性的路径。 图3：智能体如何增强扩展知识边界并赋能“泛量化”能力 资料来源：万得，国信证券经济研究所整理 [01] Agentic AI如何做到量化平权 [02] AI泛量化具体流程 [03] AI视角驱动的Black-Litterman资产配置 [04] AI增强型风险平价模型 [05] 风险提示 # AI泛量化具体流程：复现经典的风险平价模型 # $\succ$ 第一步：知识解构与跨域映射 通过学习智能体完成从“投资直觉”到“数学公理”的深度转换。针对风险平价模型中资产边际风险贡献的对等性要求，智能体辅助识别出观点与数学表达之间的映射关系，并进一步推导出求解该非线性优化问题所需的算法逻辑，从而消解业务语言与底层算力之间的认知鸿沟。 图4：知识智能体帮助学习“投资直觉”到“数学”理解 太棒了，我们先从数学优化与目标函数开始。这是风险平价模型的大脑。 在Python中构建模型时，我们不能直接告诉计算机“让风险相等”，而是需要定义一个目标函数(Objective Function)，并通过优化算法找到让这个函数值最小的权重 $w$ 。 1. 目标函数的设计 我们要解决的问题是：找到一组权重 $w$ ，使得每个资产的风险贡献 $RC_{i}$ 尽可能接近我们的目标风险预算 $b_{i}$ （在标准风险平价中， $b_{i} = 1 / n)$ 。 最常用的目标函数是平方误差之和： $$ f (w) = \sum_ {i = 1} ^ {n} \left(R C _ {i} - \sigma_ {p} \cdot b _ {i}\right) ^ {2} $$ 这里的逻辑很直观：如果每个资产的实际风险贡献 $RC_{i}$ 都等于预设的目标 $\sigma_{p} \cdot b_{i}$ ，那么这个函数的值就是0，也就是我们要找的最优解。 2.约束条件 在优化时，我们通常还需要给权重 $w$ 加上一些限制： - 非负约束： $w_{i} \geq 0$ （通常不允许做空）。 - 权重总和： $\sum w_{i} = 1$ （资金全额分配）。 3. Python 准备工作 图5：知识智能体帮助学习“数学公式”到“代码”翻译 # 数学到代码的转化 在Python中，我们通常使用numpy来进行矩阵运算。假设我们的风险预算向量是 $b = [0.25, 0.25, 0.25, 0.25]$ 。 我们的目标函数 $J(w)$ 看起来会像这样： $$ J (w) = \sum_ {i = 1} ^ {n} \left(R C _ {i} - \sigma_ {p} \cdot b _ {i}\right) ^ {2} $$ 通过最小化这个 $J(w)$ ，优化器就会不断调整 $\boldsymbol{w}$ ，直到每个资产的风险贡献都尽可能接近其预算。 # 思考下一步 在编写这个函数之前，我们需要确保能正确计算组合的总波动率 $\sigma_{p}$ 。 如果给定资产的权重数组 w（形状为 $1 \times 4$ ）和协方差矩阵 cov（形状为 $4 \times 4$ ），你觉得在 Python 中计算组合方差（即 $w^T \Sigma w$ ）最直接的写法是什么？（提示：可以考虑使用 numpy 的矩阵乘法 np.dot 或 @ 符号） C # AI泛量化具体流程：复现经典的风险平价模型 # > 第二步：选择优秀的AI智能体或利用CoT（思维链）生成完整目标和约束的任务单 - 优秀的智能体，在收到用户自然语言表达时，能通过追问的方式具体化任务 - 或者使用“需求澄清”代理：利用CoT技术，用户利用AI帮助AI具体化需要执行的任务，说清楚“目标和约束” 图6：优秀的智能体通过追问详细化任务 我不懂编程。我要做经典风险平价回测。标的是中国510330.SH、510500.SH、516300.SH、510880.SH、511260.SH、518800.SH，你写一个可以风险平价策略，用notebook形式。并详细化代码注释和notebook中的步骤解释，以及策略原理等。 为了帮你编写一个适用于经典风险平价策略（Risk Parity）的回测 Notebook，请确认以下几点： 1.回测时间范围：你希望从哪一年到哪一年？ 2. 数据来源：是否可以使用 TuShare、yfinance、akshare 或其他公开渠道？（部分数据可能需注册或设置 token） 3. 调仓频率：是每月、每季度还是每年再平衡？ 4. 是否允许使用 leverage（杠杆）或空仓？ 5. 输出内容：是否需要回测收益图、资产配置权重图、夏普率等指标？ 请确认或补充这些信息，我将基于你的要求生成完整、详细的 Notebook。 # 资料来源：国信证券经济研究所整理 图7：在给任务前，先使用“需求澄清”代理 我要做经典风险平价回测。我不懂编程，请你像分析师一样反问我。把直到把目标、约束、数据口径、输出指标都问全。最后请你生成一份结构化需求文档，帮助我可直接给开发/给代码智能体执行 下面我会以“量化策略组分析师反问清单”的方式，把经典风险平价归测从目标一约束一数据口径一算法细节一交易与成本一风控一输出与交付逐层问全。你按顺序回答即可。最后我会基于你的答案，生成一份可直接给开发/代码智能体执行的结构化需求文档（PRD/Spieces）。 A.项目目标与使用场景（决定“做什么”和“为什么”） 1. 这次回测的首要目标是什么？ A1：长期稳健（波动更低/回撤更小） A2：与基准相比追求更高夏普 A3：追求危机期抗跌（尾部风险更低） - A4：做“可解释的产品化策略”（规则清晰优先） - 请选一个主目标 + 一个次目标。 2. 你期望的回测用途是什么？ - 用于内部投研验证/公众号展示/对外客户路演/形成可交易模拟盘（不同用途对“合规披露、成本假设、可复现性、审计日志”的要求不同） 3.回测评估的“合格线”是什么？（用于验收）例如：年化波动 $\leq X$ 、最大回撤 $\leq Y$ 、年化收益 $\geq Z$ 、夏普 $\geq S$ 、月度换手 $\leq T$ 、单资产最大权重 $\leq W_{\circ}$ B. 标的范围与资产分类（决定“投什么”） # 你回复后我将输出的“结构化需求文档”包含什么 你把上面20项回复给我后，我会生成一份可交付给开发/代码智能体执行的文档，典型结构如下（你不用先写，我来写）： 1.背景与目标 2.策略定义（数学口径 $+$ 伪代码） 3.数据规范（字段、频率、清洗、对齐） # AI泛量化具体流程：复现经典的风险平价模型 # 第三步：利用AI调试代码 - 优秀智能体的初稿基本能够跑通，代码注释和章节化说明明确了每一步在做什么。便于非编程者复核和定位Bug。 - 只需围绕结果合理性与经济逻辑进行检查，再由长思考模型协助定位和修复Bug，即可将“能跑的初稿”快速推进到可信、可复盘的泛量化成果。 图8：AI生成的部分代码 图9：AI 智能体优化代码 # 资料来源：万得，国信证券经济研究所整理 图10：利用有长推理能力的AI优化代码 # AI泛量化具体流程：复现经典的风险平价模型 - 知识智能体辅助人类用自然语言确定修改路径，将主观业务意图快速转化为明确的代码调试指令。这让开发者不必深陷技术细节，就能将实验性脚本高效打磨为标准化、可复盘的泛量化成果。 - 知识智能体填补了人类缺乏工程思维的短板，明确了监督AI时的具体校验点。与其靠反复烧token让AI试错代码，利用智能体辅助人类精准纠偏是成本最低、确定性最高的调试方案。 - 需求澄清代理这种前置的逻辑梳理确保了代码初稿基本能够跑通，并降低修改和调试消化的token。 图11：AI泛量化流程总结 [01] Agentic AI如何做到量化平权 [02] AI泛量化具体流程 [03] AI视角驱动的Black-Litterman资产配置 [04] AI增强型风险平价模型 [05] 风险提示 # AI视角驱动的Black-Litterman资产配置 > 策略简介 - Black-Litterman模型是一种将市场均衡预期与投资者主观观点相结合，从而生成资产预期收益并计算权重的框架。模型本身并不产生观点，而需要研究人员输入对各资产的预期回报观点。在本策略中，我们引入大型语言模型自动生成资产视角。具体而言，我们每周调用LLM，根据最新宏观经济数据和市场走势，预测下周各资产的预期收益。LLM输出包含每只资产的预期简单回报率（如 $+0.5\%$ 表示预计上涨 $0.5\%$ ）、信心度（ $0 \sim 100$ ）以及方向（涨/跌/震荡）等信息和简短理由。这些视角作为Black-Litterman模型的主观观点输入。 # 具体而言： 输入多维信息：每周调仓时，向LLM提供三类最新信息：①资产横截面特征（各资产近期4周的平均涨跌幅、波动率等指标）；②风险因素摘要（如资产间相关性、组合的当前风险暴露情况）；③宏观市场快照（近期宏观经济数据变动、重大政策消息等）。这些信息勾勒出当下市场状况的全貌。 提示预测未来表现：通过精心设计提示语，让LLM基于上述信息预测下一个调仓周期（如未来一周）各资产的涨跌幅，并给出相应的置信度。例如提示：“基于以上数据，你认为下周黄金、A股、美股等的回报率将是多少？请给出每个资产的预期收益和你对此判断的信心（0-100）。”为了便于后续处理，我们要求LLM回答严格的JSON格式，列出每项资产的{"预测收益": X%, "置信度": Y}。 观点量化与融合：将LLM输出作为Black-Litterman模型的投资者观点：预期收益作为观点向量Q，置信度映射为观点的方差Ω（信心越高，方差越小）。然后与市场均衡回报（向量，可由历史均值推算）结合，计算得到融合观点后的资产预期收益和协方差，最终求解出新的组合权重。 # AI视角驱动的Black-Litterman资产配置 > 策略标的：选择国内股、债、商（沪深300、中证500、中证1000、中证2000、红利指数、十年国债指数、黄金）市场设定回测区间为2023年初至2025年末，每周调仓。 > 模型效果：借助LLM自动生成的视角，Black-Litterman策略实现了对市场短期机会的捕捉，取得显著超额收益。以国内外主要资产的组合为例，我们对比了无主观观点的等权基准与引入AI观点的策略。 - 等权基准组合在测试期内获得年化收益约11.85%，年化波动率11.94%，夏普比率0.99，最大回撤约-14.2% - 引入AI视角的Black-Litterman策略则大幅超越基准。数据显示，采用DeepSeek-V3模型生成观点的策略年化收益率达到18.29%，夏普比率提升至1.56，最大回撤缩小至-8.61%；采用较大参数规模LLM（如Qwen-72B）生成观点的策略年化收益更高达20.37%，夏普比率攀升至1.81，最大回撤仅-6.39%。净值曲线相比基准陡峭上扬，且回撤更浅，体现出卓越的风险调整后收益。 图12：AI赋能BL模型的表现 策略 总累计收益 年化收益率 年化波动率 夏普比率 最大回撤 等权 39.34% 11.85% 11.94% 0.99 -14.23% DeepSeek-V3 64.46% 18.29% 11.71% 1.56 -8.61% Qwen2.5-72B 73.15% 20.37% 11.24% 1.81 -6.39% 资料来源：万得，国信证券经济研究所整理 图13：AI赋能BL模型的净值 资料来源：万得，国信证券经济研究所整理 [01] Agentic AI如何做到量化平权 [02] AI泛量化具体流程 [03] AI视角驱动的Black-Litterman资产配置 [04] AI增强型风险平价模型 [05] 风险提示 # AI增强型风险平价模型 > 策略简介：风险平价策略通过分配权重使得组合中各资产承担均等的风险贡献。在传统实现中，一个重要参数是计算资产风险（协方差矩阵）的历史窗口长度：窗口过短会对近期波动变化非常敏感、频繁调仓，窗口过长则可能滞后于市场regime转换。通常研究人员需要依据经验或反复试验来选择合适的回溯期（如250个交易日、一年数据）。我们引入AI来动态决定风险平价的协方差估计窗口，使其随市场环境自适应改变。 # 具体而言： 在每个调仓日让LLM基于近期宏观指标和市场行情特征，从预设的一组候选窗口长度中选择“最佳”窗口期并给出理由。我们提供给AI的决策逻辑包括：若市场波动率突然飙升、资产间相关性急剧上升或宏观环境突发剧变（如遇到危机），应选择较短的回溯窗口（60~120天）以快速反映风险变化；若市场波动平稳、宏观趋势明确，则使用较长窗口（240~500天）获取稳定统计特征、避免过度调仓；如果介于两者之间的模糊状态，则选择中等长度窗口。LLM会读取最近月度的宏观数据（如通胀、利率、经济增长等上一期已公布值）和当月内市场的量价指标（如月内波动率水平、资产间相关性等日频统计），并严格按照上述逻辑给出一个建议窗口以及简短理由。例如，当宏观环境稳定且市场波动较低时，模型倾向回答“市场波动平稳且宏观趋势明确，选择长窗口以获得更稳定的统计特征，减少无谓调仓”，对应选取最长候选窗（例如500天）。反之，在波动率突然上升的月份，模型可能选择120天甚至60天的短窗口，并给出“短期波动加剧，选择短窗口以快速适应高波环境”等理由。 核心在于：在不同市场状态下自动切换风险评估的时间尺度——当市场波动/相关性结构发生突变时，更强调近期信息以快速“再定价”风险；当市场回归平稳时，则倾向更长窗口以提升协方差估计的稳定性、减少噪声驱动的无效调仓，从机制上提升组合的稳健性与可解释性。 # AI增强型风险平价 > 策略标的：选择国内股、债、商（沪深300、中证500、中证1000、中证2000、红利指数、十年国债指数、黄金）市场设定回测区间为2026年初至2025年末，每月调仓。未能使用杠杆。 > 模型效果：我们对比了三种风险平价方案固定窗口风险平价（RP_300D）与两条AI动态窗口风险平价（分别由DeepSeek与Qwen-72B作为窗口决策模型。 - 整体上，三条策略的净值路径高度一致，说明在本样本期内风险平价框架本身已显著压降波动；AI动态调参带来的边际增益主要体现在回撤更可控、胜率与收益/回撤效率更优，其中Qwen-72B版本在不增加波动的情况下实现了更好的收益率与回撤约束。 - 在该样本期内，AI动态窗口的边际价值主要体现在“更高的月度胜率”与“更高的风险调整后收益”：相对固定300日窗口，两条AI策略胜率均提升约1.65pct，其中Qwen-72B的夏普进一步提升约0.06（约 $+4.5\%$ ），表现出更稳定的收益实现能力。 Qwen-72B赋能结果将年化收益率提高0.12% 图14：AI赋能风险平价模型的表现 策略 年化收益 年化波动 夏普率 月度胜率 最大回撤 300天固定窗口 4.59% 3.25% 1.397223 65.29% -4.50% DeepSeek-V3 4.51% 3.19% 1.398288 66.94% -3.69% Qwen2.5-72B 4.71% 3.19% 1.46032 66.94% -3.00% 资料来源：万得，国信证券经济研究所整理 图15：AI赋能风险平价模型的净值 资料来源：万得，国信证券经济研究所整理 # AI增强型风险平价模型 > Deepseek在收益率上的表现结果部分源自其切换频繁导致的交易成本上升 > DeepSeek: 窗口更“进攻型”、切换更频繁。易触发协方差估计尺度的跳变，从而带来更高的权重调整与换手 >Qwen-72B：窗口更“稳健型”、更集中在中长窗口 图16：AI赋能风险平价模型的回溯期选择 RP_AI_qwen72b：LLM选择的回溯期window每一天 资料来源：万得，国信证券经济研究所整理 图17：AI赋能风险平价模型的表现 策略 平均月换手 P90月换手 平均月成本扣减 300天固定窗口 1.30% 2.65% 0.0008% DeepSeek-V3 2.41% 6.05% 0.0014% Qwen2.5-72B 1.98% 5.12% 0.0012% 资料来源：万得，国信证券经济研究所整理 图18：AI赋能风险平价模型的权重变化 RP_Al_qwen72b 权重随时间变化 资料来源：万得，国信证券经济研究所整理 # 首发：AI+多资产泛量化指数 图19：泛量化系列指数1：国信AI+BL多资产指数 资料来源：万得，国信证券经济研究所整理 图20：泛量化系列指数2：国信AI+RP多资产指数 资料来源：万得，国信证券经济研究所整理 [01] Agentic AI如何做到量化平权 [02] AI泛量化具体流程 [03] AI视角驱动的Black-Litterman资产配置 [04] AI增强型风险平价模型 [05] 风险提示 一、模型过拟合风险：DeepSeek/Qwen 的策略生成与参数决策依赖样本期宏观等数据，在多维特征与多约束设定下可能对历史区间形成过拟合，样本外表现存在不确定性。 二、数据口径调整风险：宏观指标统计口径的调整可能带来AI配置结论的改变 三、AI推理的不稳健性：AI模型的输出结论具备一定随机性，多次生成可能产生不同的结果 国信证券投资评级 投资评级标准 类别 级别 说明 报告中投资建议所涉及的评级（如有）分为股票评级和行业评级（另有说明的除外）。评级标准为报告发布日后6到12个月内的相对市场表现，也即报告发布日后的6到12个月内公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。A股市场以沪深300指数（000300.SH）作为基准；新三板市场以三板成指（899001.CSI）为基准；香港市场以恒生指数（HSI.HI)作为基准；美国市场以标普500指数（SPX.GI)或纳斯达克指数（IXIC.GI）为基准。 股票投资评级 优于大市 股价表现优于市场代表性指数10%以上 中性 股价表现介于市场代表性指数±10%之间 弱于大市 股价表现弱于市场代表性指数10%以上 无评级 股价与市场代表性指数相比无明确观点 行业投资评级 优于大市 行业指数表现优于市场代表性指数10%以上 中性 行业指数表现介于市场代表性指数±10%之间 弱于大市 行业指数表现弱于市场代表性指数10%以上 # 分析师承诺 作者保证报告所采用的数据均来自合规渠道；分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求独立、客观、公正，结论不受任何第三方的授意或影响；作者在过去、现在或未来未就其研究报告所提供的具体建议或所表述的意见直接或间接收取任何报酬，特此声明。 # 重要声明 本报告由国信证券股份有限公司（已具备中国证监会许可的证券投资咨询业务资格）制作；报告版权归国信证券股份有限公司（以下简称“我公司”）所有。本报告仅供我公司客户使用，本公司不会因接收人收到本报告而视其为客户。未经书面许可，任何机构和个人不得以任何形式使用、复制或传播。任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以我公司向客户发布的本报告完整版本为准。 本报告基于已公开的资料或信息撰写，但我公司不保证该资料及信息的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映我公司于本报告公开发布当日的判断，在不同时期，我公司可能撰写并发布与本报告所载资料、建议及推测不一致的报告。我公司不保证本报告所含信息及资料处于最新状态；我公司可能随时补充、更新和修订有关信息及资料，投资者应当自行关注相关更新和修订内容。我公司或关联机构可能会持有本报告中所提到的公司所发行的证券并进行交易，还可能为这些公司提供或争取提供投资银行、财务顾问或金融产品等相关服务。本公司的资产管理部门、自营部门以及其他投资业务部门可能独立做出与本报告中意见或建议不一致的投资决策。 本报告仅供参考之用，不构成出售或购买证券或其他投资标的要约或邀请。在任何情况下，本报告中的信息和意见均不构成对任何个人的投资建议。任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。投资者应结合自己的投资目标和财务状况自行判断是否采用本报告所载内容和信息并自行承担风险，我公司及雇员对投资者使用本报告及其内容而造成的一切后果不承担任何法律责任。 # 证券投资咨询业务的说明 本公司具备中国证监会核准的证券投资咨询业务资格。证券投资咨询，是指从事证券投资咨询业务的机构及其投资咨询人员以下列形式为证券投资人或者客户提供证券投资分析、预测或者建议等直接或者间接有偿咨询服务的活动：接受投资人或者客户委托，提供证券投资咨询服务；举办有关证券投资咨询的讲座、报告会、分析会等；在报刊上发表证券投资咨询的文章、评论、报告，以及通过电台、电视台等公众传播媒体提供证券投资咨询服务；通过电话、传真、电脑网络等电信设备系统，提供证券投资咨询服务；中国证监会认定的其他形式。 发布证券研究报告是证券投资咨询业务的一种基本形式，指证券公司、证券投资咨询机构对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析，形成证券估值、投资评级等投资分析意见，制作证券研究报告，并向客户发布的行为。 # 国信证券经济研究所 深圳 深圳市福田区福华一路125号国信金融大厦36层 邮编：518046 总机：0755-82130833 上海 上海浦东民生路1199弄证大五道口广场1号楼12楼 邮编：200135 北京 北京西城区金融大街兴盛街6号国信证券9层 邮编：100032