编者按：DeepSeek的问世犹如平地惊雷，让外界进一步见识了人工智能（AI）的魅力。参悟其中，券商研究所也意识到了AI高效赋能投研的极大可能性，不少分析师已相继晒出相关的AI应用体验或探索实践。
未来，AI将在多大程度上赋能投研，这是一个值得探讨的话题。AI对生产力的提升无疑值得各界欣喜，而AI给分析师带来的“职业取代”之忧，以及技术平权将如何重塑券商研究业务格局，同样值得一探究竟。
一场会议录音转化为文字摘要，从人工用时两个钟缩短至10分钟；利用大模型智能体，可自动生成日报、周报等各类高频报告；能够结合市场情绪、指数ETF跟踪误差等因素优化选基，帮助ETF模拟组合将年化收益率从6.75%提升至7.18%……
近日，证券时报记者采访了数家研究实力强劲的券商研究所，受访人士分享的AI应用案例不一而足。
当AI从数据处理环节突围，步入决策分析辅助，投研范式将会产生何种改变？AI在解放生产力方面的“神效”，可以覆盖投研全部流程吗？对于这些问题，受访人士也详细坦露了他们的深度思考。
化身“多面体”赋能投研各环节
其实，在DeepSeek横空出世之前，中金公司、中信建投证券、广发证券等大型券商研究所早已启动了“AI+投研”的应用探索，并有了一定的落地成果。
据了解，中金研究于2023年开始打造的对外一站式数字化投研品牌“中金点睛”，上线了找数据、AI搜索、智能纪要等三大对客服务，全端触达用户数近百万、覆盖机构投资者近十万；对内则通过掌上投研及RMS等自研系统全方位赋能分析师，大幅提升报告模型、路演会议、客户管理、质控审核等工作场景的效率。
广发证券则在行业指标问答调取和自动绘图、研报增强搜索与深度问答等方面，均有了相应产出。
中信建投证券亦在投研环节引入了AI大模型。证券时报记者了解到，中信建投证券多个研究团队都建立了自己的行业知识库，将研报、纪要、模型等各类文字资料，全部通过大模型智能体（Agent）进行统一管理，研究员可以随时随地向智能体询问相关专业问题，并下载溯源文件。研究团队还借助大模型自动生成行业日报、周报等，其中内容采集、信息整理、版式调整等工作均可由智能体自动完成。
值得一提的是，DeepSeek-R1在推理能力方面的颠覆效果，以及低成本高效能等优势，更是让券商研究所以进一步积极的姿态拥抱AI大模型。受访券商研究所人士均提到，近期已在多方面广泛应用AI大模型，并持续探索新的应用场景。
申万宏源研究总经理助理、TMT总监、首席分析师刘洋表示，目前正在研发新平台，信息搜集（公告和公开新闻等）、数据处理（撰写数据与公告一致性检查）、风险预警（风险警示、提示函等）等都应用了大模型技术。
广发证券发展研究中心表示，近期进一步利用AI大模型工具辅助开展研报翻译、会议纪要等工作，未来还会在研报撰写辅助、研报审核、信息加工、内部工作流程提效等方面开展更多工作。
针对分析师日常需要高频处理的文字内容工作，中金公司研究部也正在积极测试探索大模型在非结构化信息提取、中英文字/图表互译、研报质量把控及风险排查等领域的应用。
中信建投证券研究所则正在探索一个内部的深度报告辅助撰写的智能体解决方案。其核心思路是，借助DeepSeek强大的规划、推理能力，对研究员给定的研究课题进行任务拆解、大纲制定，并逐步完成。
高级应用中AI有效性约40%
可以看出，AI大模型在投研业务上的应用场景极其广泛，并将突围数据处理环节，参与到信息加工和决策分析辅助方面。几乎所有受访人士都认为，AI明显改善了投研效率。那么，在投研的诸多场景中，AI大模型能解放多少生产力？
国信证券经济研究所策略首席分析师王开基于该所的实践，从不同应用层级描述了AI赋能投研的有效性。大模型在投研工作的落地环节，包括数据处理、热点追踪、宏观研究、资产配置、市场洞察、框架搭建等领域。据王开介绍，在初级应用阶段，AI主要承担数据清理、热点追踪和指标计算等任务。例如，AI能够自动归纳市场信息，提升热点追踪效率。这些任务相对标准化，AI可完全自动执行，因此AI的有效性在理论上不会打折扣。
在中级应用阶段，AI主要辅助专题研究、宏观分析和资产配置优化。比如资产配置方面，国信证券总量团队尝试用ETF优化风险平价模型，并选ETF基金做模拟资产配置，发现AI能够结合市场情绪、指数ETF跟踪误差等因素优化选基，帮助ETF模拟组合将年化收益率从6.75%提升至7.18%。“虽然AI能够在中级应用领域发挥重要作用，但由于AI仍需人类决策者提供研究框架，因此整体AI有效性约为60%。”王开说。
在高级应用阶段，AI主要用于市场深度洞察和大型课题研究。王开表示，尽管AI在数据处理和分析方面有优势，但仍然难以独立完成完整的研究逻辑和因果推理，高级应用的AI有效性约为40%。
从上述分享中可以看出，当下AI在基础性、重复性的投研工作中表现较好，但越到创造性的深度思考阶段，仍独木难支。
中信证券信用债首席分析师李晗也告诉证券时报记者，在信用债市场的投研实践中发现，AI在数据处理方面较人工效率有一定提升，但在策略应用、机会挖掘和标的定价等多个方面的实践中仍存不足之处，离不开投研人员的核心把控。
海量数据（维权）处理问题待解决
在采访中，受访人士也都提到了当下受到热议的AI幻觉问题（如生成错误信息）。
据浙商证券研究所有关人士介绍，这主要体现在两方面，一是大模型信息混杂，互联网语料混合了很多不严谨的信源；二是大模型本身缺乏金融数据和语料，使得回答可用度和可信度降低。“但我们也觉得无需因噎废食，接受它的不完美，并在实际应用中通过多个工程手段来减少AI幻觉发生的概率。”该人士同时说。
中信建投证券研究所有关人士也有类似观点，“好比人与人之间需要时间彼此了解，才能建立信任一样，人与AI也需要不断磨合。”
综合中金公司、中信建投证券、申万宏源、国信证券、浙商证券等券商在这方面的解决思路和实践，其实可以从不同阶段对AI幻觉进行针对性规避。首先，是在预处理阶段，使用合法合规公开的数据来源，接入金融数据库，并将自身知识成果的积累沉淀整合为投研知识库。其次，是在输入层面，用Prompt Engineering的手段、通过上下文注入等技术实现更结构化的提示词，设定边界、明确约束，避免大模型随意发挥。在生成阶段，还可以使用RAG（检索增强生成）、Graph RAG等手段检索相关高质量文档，并将其融入生成过程。最后，是在输出层面，通过人工、多模型交叉验证、重复抽样验证等方式复核，还可以通过提供引文溯源对比来实现。甚至还可以引入一个多智能体的框架，由专门的智能体负责模型输出结果的验证，并通过智能体内部的多轮对话，尽最大可能保证输出的可靠性、准确性。
从现实来看，私有化部署的模型算力有限，无法满足海量信息处理需求是券商研究所使用AI大模型的另一个“拦路虎”。中信建投证券研究所有关人士坦言，这使得公司在处理公开信息资讯时，需要借助云端大模型的能力，但很多时候很难准确界定私域信息和公开信息。
王开也提到，当下API调用的响应速度仍然存在一定瓶颈，尤其是在高频次、大规模数据分析的场景下，计算延迟影响了应用效率。不过，国信证券研究所也在探索解决思路，即将部分AI处理流程迁移至本地化模型，以减少API调用依赖，提高计算效率。同时，通过批量处理与并行计算优化数据流，进一步提升AI在复杂投研任务中的响应速度。
好工具还是业务颠覆者？
站在当前时点看，AI在全方位赋能投研上仍不够完满，但AI的发展日新月异，未来将在多大程度上重构券商投研业务呢？
“随着大模型的发展，AI正从信息处理工具跃升为投研体系的核心驱动要素，推动研究范式由经验驱动向数据驱动升级。”王开同时也指出，从应用实践看，AI在投研中的作用更倾向于从1到1.5的增量优化，而非从0到1的创造性构建，其核心价值在于提升计算效率、优化分析框架，而非完全取代人工推理。
这也是受访人士的共识。浙商证券研究所有关人士直言“投研流程不会发生颠覆性的改变”，比如AI大模型投研应用于自动信息处理和规模数据分析两大方向，其本质是对人力劳动密集环节的替代，而非投资逻辑的颠覆。
中金公司非银行金融及金融科技行业首席分析师姚泽宇认为，随着大模型不断发展，更多投研场景中可以使用AI进行提质增效。不过，整体而言，大模型的优势在于文字与推理，而不在于判断与创造。在他看来，未来人工主导、人机协作可能仍是常态。
“人机协同的本质是认知能力再分配，并非效率叠加。分析师借力AI Agent的目标，是努力从‘信息处理’中解放出来，更多参与价值判断与价值分发。”中信建投证券研究所有关人士亦提到。
在该位受访人士看来，未来，AI Agent将深度介入信息采集、数据清洗、基础分析等脑力活中的“体力活”，更多为投研工作的非决策类环节进行赋能；而分析师的战场则向更高阶的认知维度迁移，在AI的辅助下理解知识，输出观点，进行决策。最终，基于人类与AI认知差异形成双向赋能通道，实现1（人）+1（AI）＞2，在人与AI能力矩阵的乘数效应中创造价值。
“可以把AI当作一位不错的合作伙伴，在AI驱动、人工创作和校准基础上，未来投研流程或会有AI与资深分析师互相提示、AI与人工都校准等趋势。”刘洋表示。
还没有评论，来说两句吧...