20260628-国金证券-大模型赋能投研系列之二十二_指数_板块分析到ETF投资价值报告撰写Skills_25页_4mb

大模型赋能投研系列之二十总结

核心内容

本文探讨了如何利用 Claude Code 等 CoWork 类工具进行指数、板块与 ETF 的自动化投研分析。通过构建标准化的 Skills 体系和 Plugin 工作流，实现了从行业政策分析、指数特征画像到 ETF 产品比较的全流程自动化研究，显著提升了投研工作的效率与标准化水平。

主要观点

1. CoWork 工具的优势

   • 相较于 OpenClaw 的全局记忆与持续运行模式，CoWork 类工具采用轻量化架构和项目制工作方式，按需调用文件、代码、Skills 和多 Agent 能力，更适合投研报告生成、数据处理与多步骤研究工作流。

2. Skills 的设计与运行机制

   • Skills 是标准化执行单元，通过“渐进式披露”机制，按需调用相关资源，提升任务执行的效率、稳定性和可迭代性。
   • 标准化 Skill 撰写需涵盖适用场景、任务范围、执行流程、统一口径和输出规范等五个维度。

3. Skills 分层架构

   • 产业研判层：包括政策与宏观事件整理、卖方观点提炼、行业景气度分析。
   • 指数画像层：涵盖指数编制方式梳理、业绩表现计算、成分股分析、估值盈利分析、一致预期分析和风格分析。
   • ETF 分析层：包括 ETF 基本要素分析、规模与资金流分析、持有人结构分析、跟踪误差分析和相似 ETF 比较。
   • 排版层：用于生成 Word 投资价值报告、Excel 数据底稿、PPT 图表及 HTML 展示页面。

4. Plugin 的自动化流程

   • Plugin 将多个 Skills 封装为统一的投研工作流，支持从自然语言指令到完整报告的一体化生成。
   • 通过集成数据接口、指令、脚本与 Skills，实现数据获取、分析、图表生成、文本撰写和排版输出的统一管理。

关键信息

一、CoWork 工具与 Skills 体系

• Claude Code：基于 Claude 系列模型，支持多文件交互、子智能体拆分，适合复杂研究任务。
• Codex：依托 GPT 系列模型，支持 CLI 和 IDE 插件嵌入，适用于高自动化代码执行场景。
• WorkBuddy：基于国产大模型，支持本地化部署，更适合国内办公场景和合规适配。
• Skills 体系：构建了“产业研判—指数画像—ETF 分析—排版输出”的四层架构，实现投研流程的系统化封装与自动化重构。

二、指数与板块分析 Skills 应用

• 产业环境与基本面研判：包括政策事件跟踪、卖方观点提炼、行业景气度评估，用于分析行业驱动逻辑和外部环境。
• 指数特征画像：涵盖业绩表现、成分股结构、估值盈利、一致预期和风格分析，用于多维度评估指数属性。
• ETF 产品分析：包括产品要素梳理、规模与资金流向监测、跟踪误差测算及同类产品对比，用于产品端分析。

三、Plugin 自动化流程

• 自动化流程框架：用户只需输入目标指数名称及代码，系统即可自动完成数据编排、多 Skills 分析、文本生成、图表绘制与排版修饰。
• 输出结果：包括 Word 投资价值报告、Excel 数据底稿、PPT 展示材料和 HTML 页面，为指数与 ETF 研究提供标准化、自动化和可规模化复用的生产框架。

风险提示

1. 指数历史表现不代表未来，其未来表现可能受宏观经济和政策影响。
2. 基金管理人历史业绩不代表未来，需警惕基金业绩不及预期的风险。
3. 数据结果基于历史计算，市场环境变化可能导致结果变动。
4. 基金相关信息仅用于研究，不作为募集或宣传材料。
5. 报告部分内容由 AI 生成，仅供参考，不构成投资建议。

图表目录概览

• 图表1：Claude Desktop 界面图展示
• 图表2：Claude 内置大模型能力对比
• 图表3：Claude 与其他 CoWork 工具对比
• 图表4：Skills 样例展示
• 图表5：指数与 ETF 自动化分析体系构建
• 图表6：图文规则蒸馏与 Skill 化生成流程
• 图表7：指数、板块和 ETF 分析核心 Skills 展示图
• 图表8：Skill 生成行业重点政策文件梳理
• 图表9：Skill 生成近期重点事件梳理
• 图表10：Skill 生成卖方观点分歧与共识分析
• 图表11：国金行业景气状态评级框架
• 图表12：Skill 生成指数景气度变化与综合分析
• 图表13：Skill 生成中证军工指数基本要素梳理
• 图表14：Skill 生成中证军工指数相似指数梳理
• 图表15：Skill 生成指数关键指标与多周期收益数据测算
• 图表16：Skill 生成指数净值走势图
• 图表17：Skill 生成指数前十大成分股与权重
• 图表18：Skill 生成指数成分集中度与市值分布
• 图表19：Skill 生成指数估值指标分析结果
• 图表20：Skill 生成指数 PE-TTM 历史时序分布走势
• 图表21：Skill 生成指数一致预期数据分析结果
• 图表22：Skill 生成指数 ROE_TTM 时序图
• 图表23：Skill 生成指数盈利能力对比分析图
• 图表24：Skill 生成指数晨星风格分析结果展示
• 图表25：Skill 生成指数历史风格变化及综合分析结果
• 图表26：Skill 生成跟踪指数 ETF 产品基本要素表
• 图表27：Skill 生成跟踪指数 ETF 产品规模分布图
• 图表28：Skill 生成 ETF 持有人结构情况
• 图表29：Skill 生成 ETF 资金流动及成交额情况
• 图表30：Skill 生成 ETF 的日均跟踪偏离度和年化跟踪误差情况
• 图表31：Skill 生成 ETF 的跟踪误差分布
• 图表32：Skill 生成 ETF 对比分析输出结果
• 图表33：Plugin 底层模块架构图
• 图表34：Plugin 自动化流程框架图
• 图表35-37：指数与 ETF 报告输出结果展示

结论

通过构建 Skills 体系与 Plugin 工作流，大模型能够有效提升指数与 ETF 投研工作的效率和标准化水平，为投资决策提供数据支持与分析框架。然而，需注意指数与基金的历史表现不能代表未来，投资需谨慎评估市场环境与风险。