AI漸成券商投研重要角色 只是好工具還是業務顛覆者？

　　編者按：DeepSeek的問世猶如平地驚雷，讓外界進一步見識了人工智能(AI)的魅力。參悟其中，券商研究所也意識到了AI高效賦能投研的極大可能性，不少分析師已相繼曬出相關的AI應用體驗或探索實踐。

　　未來，AI將在多大程度上賦能投研，這是一個值得探討的話題。AI對生產力的提升無疑值得各界欣喜，而AI給分析師帶來的“職業取代”之憂，以及技術平權將如何重塑券商研究業務格局，同樣值得一探究竟。

　　證券時報記者 馬靜

　　一場會議錄音轉化為文字摘要，從人工用時兩個鐘縮短至10分鐘；利用大模型智能體，可自動生成日報、周報等各類高頻報告；能夠結合市場情緒、指數ETF跟蹤誤差等因素優化選基，幫助ETF模擬組合將年化收益率從6.75%提升至7.18%……

　　近日，證券時報記者采訪了數家研究實力強勁的券商研究所，受訪人士分享的AI應用案例不一而足。

　　當AI從數據處理環節突圍，步入決策分析輔助，投研范式將會產生何種改變？AI在解放生產力方面的“神效”，可以覆蓋投研全部流程嗎？對于這些問題，受訪人士也詳細坦露了他們的深度思考。

　　化身“多面體”賦能投研各環節

　　其實，在DeepSeek橫空出世之前，中金公司、中信建投證券、廣發證券等大型券商研究所早已啟動了“AI+投研”的應用探索，并有了一定的落地成果。

　　據了解，中金研究于2023年開始打造的對外一站式數字化投研品牌“中金點睛”，上線了找數據、AI搜索、智能紀要等三大對客服務，全端觸達用戶數近百萬、覆蓋機構投資者近十萬；對內則通過掌上投研及RMS等自研系統全方位賦能分析師，大幅提升報告模型、路演會議、客戶管理、質控審核等工作場景的效率。

　　廣發證券則在行業指標問答調取和自動繪圖、研報增強搜索與深度問答等方面，均有了相應產出。

　　中信建投證券亦在投研環節引入了AI大模型。證券時報記者了解到，中信建投證券多個研究團隊都建立了自己的行業知識庫，將研報、紀要、模型等各類文字資料，全部通過大模型智能體(Agent)進行統一管理，研究員可以隨時隨地向智能體詢問相關專業問題，并下載溯源文件。研究團隊還借助大模型自動生成行業日報、周報等，其中內容采集、信息整理、版式調整等工作均可由智能體自動完成。

　　值得一提的是，DeepSeek-R1在推理能力方面的顛覆效果，以及低成本高效能等優勢，更是讓券商研究所以進一步積極的姿態擁抱AI大模型。受訪券商研究所人士均提到，近期已在多方面廣泛應用AI大模型，并持續探索新的應用場景。

　　申萬宏源研究總經理助理、TMT總監、首席分析師劉洋表示，目前正在研發新平臺，信息搜集(公告和公開新聞等)、數據處理(撰寫數據與公告一致性檢查)、風險預警(風險警示、提示函等)等都應用了大模型技術。

　　廣發證券發展研究中心表示，近期進一步利用AI大模型工具輔助開展研報翻譯、會議紀要等工作，未來還會在研報撰寫輔助、研報審核、信息加工、內部工作流程提效等方面開展更多工作。

　　針對分析師日常需要高頻處理的文字內容工作，中金公司研究部也正在積極測試探索大模型在非結構化信息提取、中英文字/圖表互譯、研報質量把控及風險排查等領域的應用。

　　中信建投證券研究所則正在探索一個內部的深度報告輔助撰寫的智能體解決方案。其核心思路是，借助DeepSeek強大的規劃、推理能力，對研究員給定的研究課題進行任務拆解、大綱制定，并逐步完成。

　　高級應用中AI有效性約40%

　　可以看出，AI大模型在投研業務上的應用場景極其廣泛，并將突圍數據處理環節，參與到信息加工和決策分析輔助方面。幾乎所有受訪人士都認為，AI明顯改善了投研效率。那么，在投研的諸多場景中，AI大模型能解放多少生產力？

　　國信證券經濟研究所策略首席分析師王開基于該所的實踐，從不同應用層級描述了AI賦能投研的有效性。大模型在投研工作的落地環節，包括數據處理、熱點追蹤、宏觀研究、資產配置、市場洞察、框架搭建等領域。據王開介紹，在初級應用階段，AI主要承擔數據清理、熱點追蹤和指標計算等任務。例如，AI能夠自動歸納市場信息，提升熱點追蹤效率。這些任務相對標準化，AI可完全自動執行，因此AI的有效性在理論上不會打折扣。

　　在中級應用階段，AI主要輔助專題研究、宏觀分析和資產配置優化。比如資產配置方面，國信證券總量團隊嘗試用ETF優化風險平價模型，并選ETF基金做模擬資產配置，發現AI能夠結合市場情緒、指數ETF跟蹤誤差等因素優化選基，幫助ETF模擬組合將年化收益率從6.75%提升至7.18%。“雖然AI能夠在中級應用領域發揮重要作用，但由于AI仍需人類決策者提供研究框架，因此整體AI有效性約為60%。”王開說。

　　在高級應用階段，AI主要用于市場深度洞察和大型課題研究。王開表示，盡管AI在數據處理和分析方面有優勢，但仍然難以獨立完成完整的研究邏輯和因果推理，高級應用的AI有效性約為40%。

　　從上述分享中可以看出，當下AI在基礎性、重復性的投研工作中表現較好，但越到創造性的深度思考階段，仍獨木難支。

　　中信證券信用債首席分析師李晗也告訴證券時報記者，在信用債市場的投研實踐中發現，AI在數據處理方面較人工效率有一定提升，但在策略應用、機會挖掘和標的定價等多個方面的實踐中仍存不足之處，離不開投研人員的核心把控。

　　海量數據處理問題待解決

　　在采訪中，受訪人士也都提到了當下受到熱議的AI幻覺問題(如生成錯誤信息)。

　　據浙商證券研究所有關人士介紹，這主要體現在兩方面，一是大模型信息混雜，互聯網語料混合了很多不嚴謹的信源；二是大模型本身缺乏金融數據和語料，使得回答可用度和可信度降低。“但我們也覺得無需因噎廢食，接受它的不完美，并在實際應用中通過多個工程手段來減少AI幻覺發生的概率。”該人士同時說。

　　中信建投證券研究所有關人士也有類似觀點，“好比人與人之間需要時間彼此了解，才能建立信任一樣，人與AI也需要不斷磨合。”

　　綜合中金公司、中信建投證券、申萬宏源、國信證券、浙商證券等券商在這方面的解決思路和實踐，其實可以從不同階段對AI幻覺進行針對性規避。首先，是在預處理階段，使用合法合規公開的數據來源，接入金融數據庫，并將自身知識成果的積累沉淀整合為投研知識庫。其次，是在輸入層面，用Prompt Engineering的手段、通過上下文注入等技術實現更結構化的提示詞，設定邊界、明確約束，避免大模型隨意發揮。在生成階段，還可以使用RAG(檢索增強生成)、Graph RAG等手段檢索相關高質量文檔，并將其融入生成過程。最后，是在輸出層面，通過人工、多模型交叉驗證、重復抽樣驗證等方式復核，還可以通過提供引文溯源對比來實現。甚至還可以引入一個多智能體的框架，由專門的智能體負責模型輸出結果的驗證，并通過智能體內部的多輪對話，盡最大可能保證輸出的可靠性、準確性。

　　從現實來看，私有化部署的模型算力有限，無法滿足海量信息處理需求是券商研究所使用AI大模型的另一個“攔路虎”。中信建投證券研究所有關人士坦言，這使得公司在處理公開信息資訊時，需要借助云端大模型的能力，但很多時候很難準確界定私域信息和公開信息。

　　王開也提到，當下API調用的響應速度仍然存在一定瓶頸，尤其是在高頻次、大規模數據分析的場景下，計算延遲影響了應用效率。不過，國信證券研究所也在探索解決思路，即將部分AI處理流程遷移至本地化模型，以減少API調用依賴，提高計算效率。同時，通過批量處理與并行計算優化數據流，進一步提升AI在復雜投研任務中的響應速度。

　　好工具還是業務顛覆者？

　　站在當前時點看，AI在全方位賦能投研上仍不夠完滿，但AI的發展日新月異，未來將在多大程度上重構券商投研業務呢？

　　“隨著大模型的發展，AI正從信息處理工具躍升為投研體系的核心驅動要素，推動研究范式由經驗驅動向數據驅動升級。”王開同時也指出，從應用實踐看，AI在投研中的作用更傾向于從1到1.5的增量優化，而非從0到1的創造性構建，其核心價值在于提升計算效率、優化分析框架，而非完全取代人工推理。

　　這也是受訪人士的共識。浙商證券研究所有關人士直言“投研流程不會發生顛覆性的改變”，比如AI大模型投研應用于自動信息處理和規模數據分析兩大方向，其本質是對人力勞動密集環節的替代，而非投資邏輯的顛覆。

　　中金公司非銀行金融及金融科技行業首席分析師姚澤宇認為，隨著大模型不斷發展，更多投研場景中可以使用AI進行提質增效。不過，整體而言，大模型的優勢在于文字與推理，而不在于判斷與創造。在他看來，未來人工主導、人機協作可能仍是常態。

　　“人機協同的本質是認知能力再分配，并非效率疊加。分析師借力AI Agent的目標，是努力從‘信息處理’中解放出來，更多參與價值判斷與價值分發。”中信建投證券研究所有關人士亦提到。

　　在該位受訪人士看來，未來，AI Agent將深度介入信息采集、數據清洗、基礎分析等腦力活中的“體力活”，更多為投研工作的非決策類環節進行賦能；而分析師的戰場則向更高階的認知維度遷移，在AI的輔助下理解知識，輸出觀點，進行決策。最終，基于人類與AI認知差異形成雙向賦能通道，實現1(人)+1(AI)＞2，在人與AI能力矩陣的乘數效應中創造價值。

　　“可以把AI當作一位不錯的合作伙伴，在AI驅動、人工創作和校準基礎上，未來投研流程或會有AI與資深分析師互相提示、AI與人工都校準等趨勢。”劉洋表示。