AI如何赋能固定收益投研？——“AI+固收”系列之一

报告标题：AI如何赋能固定收益投研？——“AI+固收”系列之一

报告发布日期：2026年7月27日

分析师：张   旭执业证书编号：S0930516010001

分析师：孙牧北执业证书编号：S0930526070003

摘要

1、AI投研的三种应用模式

随着AI技术的不断成熟与普及，AI应用早已深度介入投研工作的各个环节，其强大的语义理解、逻辑推理、内容生成等能力正在快速重构金融投研工作的生产范式。从对话式AI到通用AI智能体再到金融垂类AI应用，其获取成本和使用门槛都在不断降低。

2、什么决定AI投研的能力边界？

决定AI投研产出质量不是“使用什么AI”，而是“如何使用AI”。我们认为，输入信息的质量、投研框架的系统化程度和对AI幻觉的纠错能力是决定AI投研能力边界的关键因素。

1）金融领域投研对于数据和信息的时效性、准确性有严格要求，通过接入专业数据终端的MCP服务为AI Agent提供可追溯、可验证的精准数据源，解决数据滞后、信源模糊等问题。

2）不同分析师在切入视角、分析路径、判断标准等方面的差异是投资中的超额收益来源。通过构建Skill将分析师的投研框架沉淀为能被AI精准执行的系统化方法论是决定AI分析深度与独特性的关键。

3）敏锐识别并高效纠正AI幻觉是AI时代投研工作者不可或缺的能力，可以通过明确限制信息来源、制定严格输出规则、跨模型交叉验证来降低AI幻觉风险。

3、“AI+固收”投研案例展示

1）利率债：央行《货币政策执行报告》分析。AI可以通过量化文本挖掘和大模型语义理解两种方式来赋能文本分析，前者以AI作为效率工具，采用词频统计、情绪打分等量化分析技术进行文本挖掘，后者由AI替代分析师来完成从文本阅读、语义理解到结论输出的全链路工作流。我们分别采取这两种方法对2020年一季度至2026年一季度的《货币政策执行报告》进行文本分析并对比其表现。

2）信用债：构建信用分析Skill。针对传统信评工作中的信源分散、核对繁琐易遗漏等痛点构建信用分析Skill，将信息采集、整理核验、指标计算、多维评分及报告撰写等环节固化为可复用的标准工作流。通过调用该Skill，AI Agent能自主完成从Wind、企查查、恒生聚源三个权威数据源获取实时信息并输出完整信评报告。在Skill的设计过程中，我们通过“三源数据融合”、“六步标准化工作流”和“七维打分”三个核心模块来确保最终分析报告的数据可信、流程可控和结果可追溯。

3）可转债：AI实现自动化量化策略回测。AI Agent能够通过自然语言交互直接生成规范的工程级量化代码，自主完成从量化策略设计到落地回测的全流程，实现零代码策略开发，破除各环节技术壁垒。我们以“可转债双低择券策略”为例，展示AI在量化投资领域的应用价值。

4、风险提示

本文涉及AI产品或服务描述仅作客观展示，不构成使用推荐或商业背书；AI技术发展和产品迭代迅速，本文介绍和结论存在未来失效风险；本文投研案例仅作方法论展示，结果由AI生成，不涉及分析师投资建议。

随着AI技术的不断成熟与普及，其强大的语义理解、逻辑推理、内容生成等能力正在快速重构金融投研工作的生产范式。本文我们结合固定收益研究的具体场景，以利率债、信用债和可转债三大券种的典型投研任务为切面，通过大规模文本分析、多源信息检索、Skill沉淀工作流、零代码策略开发等实践初步探索AI赋能投研的应用思路。

1、 AI投研的三种应用模式

1.1 对话式AI

对话式AI以自然语言交互为核心，通过预训练大模型理解用户输入并生成回复。早期对话式AI普遍不具备自主调用工具或操作文件等能力，目前部分应用也已开始接入Agent功能来执行复杂任务，但仍以对话交互主导。

国内代表应用：豆包、Deepseek、Kimi等。

1.2  通用AI Agent（智能体）

AI Agent（智能体）在语言理解和推理能力之上，增加自主决策、任务规划、工具调用和长期记忆等关键能力，能够自主完成复杂的多步骤任务。

国内代表应用：WorkBuddy、TRAE Work、Kimi Work等。

1.3  金融垂类AI应用

垂类AI应用区别于通用AI工具，专注于特定行业，通过内嵌行业专业数据、知识体系、定制化功能等方式，为行业场景提供深度服务。

国内代表应用：Wind Alice、WindClaw、Alpha派等。

2、 什么决定了AI投研的能力边界？

随着AI技术的飞速进步，AI应用早已深度介入投研工作的各个环节，从对话式AI到通用AI智能体再到金融垂类AI应用，其获取成本和使用门槛都在不断降低。决定AI投研产出质量的早已不再是“使用什么AI”，而是“如何使用AI”。经过实践和反思，我们认为，输入信息的质量、投研框架的系统化程度和对AI幻觉的纠错能力是决定AI投研能力边界的关键因素。

2.1  输入信息的质量

金融领域投研对于数据和信息的时效性、准确性有严格要求，直接使用对话式AI进行问答时，其信息来源多为公开网页、新闻媒体以及已有研报的二次转述，存在滞后性和趋同性。因此，AI能够获取的信息质量，是决定其投研产出质量的最基本因素。

MCP（Model Context Protocol，模型上下文协议）是一项连接AI与外部系统的开放标准，允许AI应用接入并使用外部资源或能力。通过接入专业数据终端的MCP服务为AI Agent提供可追溯、可验证的精准数据源，从而解决数据滞后、信源模糊等问题。例如，企查查MCP能够让AI Agent调用精准实时的企业全维度数据；Wind的AIFin Market MCP能够让AI Agent精准调用万得底层数据库，自主完成从数据提取、投研分析到风险决策的全流程。

2.2  投研框架的系统化程度

虽然AI当前已经具备了信息解读、逻辑推理等满足投研基本需求的能力，但在真实的投研场景中，面对同一个研究标的，不同分析师的切入视角、分析路径和判断标准均有差异，而这种差异正是投资中超额收益的来源。因此，决定AI分析深度与独特性的关键就在于能否将使用者的投研框架沉淀为能被AI精准执行的系统化方法论。

Skill（技能）是一组封装的可执行脚本与工作流，其通过SKILL.md文件进行定义和管理，用于为Agent提供可复用、面向特定场景的专业能力。通过构建Skill，可以将分析师的投研框架落地成能够被AI精准执行的可复现、标准化的工作流。

2.3  对AI幻觉的纠错能力

AI幻觉指AI在生成内容时，产出与事实不符、逻辑矛盾或完全虚构的信息。从大模型的技术原理上来看，AI幻觉无法完全消除。因此，在AI时代，能够敏锐识别并高效纠正AI输出幻觉，是投研工作者不可或缺的能力。

在实践中，我们总结了以下三项有效降低幻觉风险的机制：

第一，明确限制信息来源。在对AI执行指令或设计Skill时，明确要求AI必须从指定的数据源中提取数据，而非依赖模型内部记忆。例如，要求AI必须从Wind MCP调用财务数据、必须从募集说明书中指定章节截取原文等。

第二，制定严格输出规则。例如，要求AI在提供资料时必须附上公开可查证的来源链接；必须基于事实和真实数据回答，对无法获取的信息要进行诚实标注，决不允许编造或推算；对于同一信息要进行多个来源的对比验证等。

第三，跨模型交叉验证。不同大模型在训练数据、模型架构上存在明显差异，因此，通过多模型进行交叉验证可显著降低错误概率。在实际应用中，可以让一个模型对另一个模型的输出内容进行核对或将同一指令发送给多个不同大模型的AI独立生成再交叉比对。

3、“AI+固收”投研案例展示

我们在利率债、信用债和可转债三个券种上各选择一个投研案例，展示AI如何赋能固收投研。需要说明的是，本文的写作目的是进行投研方法论的展示，因此以下案例并不涉及具体的市场观点和投资建议。

3.1  利率债：央行《货币政策执行报告》分析

利率债市场的走势在很大程度上受到货币政策的影响，央行发布的《货币政策执行报告》是市场洞悉央行政策态度、前瞻利率走向的关键信息来源。《货币政策执行报告》中每一处措辞的变化都可能预示着货币政策的调整，因此每次发布后投研人员皆会逐字逐句地进行研究，反反复复地分析其中蕴含的政策信息。一直以来，上述研究和分析流程主要由投研人员手工完成，不仅费时费力，还不易形成可被他人（如投研团队成员）快速复用的知识累积。

在本章中，我们对该工作流程进行革新，将AI引入对《货币政策执行报告》的文本分析工作中。

一般来说，AI赋能文本分析有两种方法：

第一种方法为量化文本挖掘，即将AI作为效率工具，采用词频统计、情绪打分、LDA主题模型等量化分析技术进行文本挖掘。在这种方法中，AI并不直接参与文本理解和逻辑判断，只是作为数据处理、代码生成等环节的提效工具。

第二种方法为LLM（注：Large Language Model，大语言模型）语义分析，即由AI替代分析师来完成从文本阅读、语义理解到结论输出的全链路工作流。相较于第一种方法，本方法中AI的参与度明显提升，由相对被动的提效工具变为更为“给力”的研究助手，使用者只需通过Prompt（提示词）或Skills来指定其分析逻辑、输出形式等信息。

上述两种方法各有其优点及局限性。前者精确、稳定、可复现，但本质上只是将复杂语义简化为数字，输出的结果仍显粗糙，使用者还需进行大量的后续工作。后者能够直接理解自然语言，捕捉措辞的细微变化和语气的偏移，更接近真实场景下的分析师行为，但其输出存在天然的不确定性，特别是模型版本的迭代容易导致输出结果的漂移。

鉴于此，上述两种方法宜组合使用，各取所长。本章我们分别采取这两种方法对2020年一季度至2026年一季度的《货币政策执行报告》进行文本分析。

3.1.1 方法一：量化文本挖掘

第一步，数据预处理。我们要求AI agent在人民银行官网一次性下载2020Q1-2026Q1共计25个季度的《货币政策执行报告》的PDF文件到本地，并由AI撰写代码实现对PDF文件的文本提取、章节切分，并保存为便于读取的TXT文件。

第二步，文本分词、词典构建、词频统计和情感打分。本步完全由AI撰写代码实现。为确保结果的可追溯和可复现，我们建议使用者要求AI将代码脚本、情感词典、打分公式和每篇报告的分词结果、词频、分数等明细均保存到本地。

最后一步，生成可视化的图表和分析报告。本步亦由AI完成，主要输出结果为不同类别词频统计以及货币政策情感得分等。从词频统计上看，以《货币政策执行报告》中的内容摘要、第四部分（宏观经济分析）和第五部分（货币政策趋势）为分析范围，自2020年一季度至2026年一季度，宽松性词语累计出现874次、收紧性词语累计出现53次，比例约为16:1。从货币政策情感得分上看，自2020年一季度至2026年一季度，得分值从40.7升至57.2。我们可以从货币政策情感得分中观察到政策态度的变化，且AI给出的数据与我们主观感受的基本相符。但是，相对于第二种方法（注：即LLM语义分析），本方法所提供的结论略显粗糙。

3.1.2 方法二：LLM语义分析

本节我们分别调用了GLM-5.2和Deepseek-V4-Pro两个LLM，让AI Agent基于完全相同的Prompt对2020年一季度至2026年一季度的25份《货币政策执行报告》直接进行语义分析，同样以内容摘要、第四部分（宏观经济分析）和第五部分（货币政策趋势）为分析范围，并分别生成一份研究报告。

Prompt方面，我们统一要求AI按照综合政策立场、经济增长判断、通胀态度、流动性态度、信贷政策、汇率态度、风险关注、前瞻指引8个维度进行定性打分。打分采用1–5分制，1分代表极度宽松/高度担忧，5分代表明显收紧/高度乐观。

总体来看，两个LLM均生成了完成度较高的分析报告，并且对2020年以来的货币政策给出了相似判断，对政策态度转折点的识别也基本一致。例如，两个模型均将2020Q4报告中“灵活精准、合理适度”的表述作为政策向常态回归的重要判断依据，均识别出2024Q4报告中货币政策基调从“稳健”到“适度宽松”的变化，并对该处变化给予了足够的重视。

具体到每个季度的打分上，两个模型的判断尺度存在小幅差异。（注：我们给两个模型的Prompt完全一致。）我们发现，相较于GLM，Deepseek的经济增长评分更偏悲观、信贷政策评分更偏宽松、通胀判断评分上更偏中性。不过总体来看，上述差异对结论的方向性影响并不大。在实践中，我们建议投资者通过制定更严格的Prompt或编写Skills等方式进一步提升AI输出的稳定性和可靠性，更好服务于投研工作。

3.2  信用债：构建信用分析Skill

传统信评工作长期面临两大痛点：其一，信息源高度分散，人工整合耗时费力、核对繁琐易遗漏，导致覆盖广度与跟踪频率受限；其二，报告撰写高度依赖分析师个人经验与主观判断，不同主体间的评估逻辑与口径难以完全标准化。

AI天然擅长处理重复性高、规则明确的研究任务。本节我们构建了一个信用分析Skill，将信息采集、整理核验、指标计算、多维评分及报告撰写等环节固化为可复用的标准工作流。该Skill由AI Agent驱动，能够自动获取实时信息并按照预设的分析框架输出完整信评报告。在Skill的设计过程中，我们通过“三源数据融合”、“六步标准化工作流”和“七维打分”三个核心模块来确保最终分析报告的数据可信、流程可控和结果可追溯。

“三源数据融合”实现数据可信。输入信息方面，我们在信用分析Skill中要求AI同时接入Wind、企查查、恒生聚源三个权威数据源MCP并行搜集信息，并将债券发行人的信用画像拆分为九大类，设定不同信息源的优先级，实现信息的多源补足和交叉验证：当某一信息源缺失数据时，则由次一优先级的信息源提供数据。当同一财务指标在多信息源存在差异时，则在报告中进行标注。

我们建议投资者在Skill中要求AI在报告最后附上数据溯源与未获取清单，除新闻舆情允许联网搜索外，所有信息必须严格从MCP中获取并注明来源，无法获取数据全部标空并注明未获取原因。这样做可以有效防止AI编造数据以及使用网页搜索替代数据源。

“六步标准化工作流”实现流程可控。在信用分析Skill中，我们将AI的完整分析流程固化为确认主体、多源信息采集、整理指标、七维评分、完整性核查、出具报告六个顺序步骤，并在每个步骤中写清需要AI做什么、调用哪些工具、遵守那些要求，通过这样做来确保工作流的稳定可复现。

“七维打分”实现结果可追溯。在信用风险Skill中，我们构建了覆盖偿债能力、盈利能力、运营能力、资本结构、外部支持、行业/区域风险、公司治理与法律风险的七维评分框架与具体评分规则。每个维度均要求AI根据核心财务指标表现取基本分，再结合趋势变化、行业偏离的表现微调，最后检查评级下调、负面展望、高管频繁变更等特殊情况做最后修正。最后，将七维评分加权汇总得到总评分，并映射到风险投资者定义的风险档。Skill生成的报告会对每一个维度制作独立的打分卡、展示各维度分数的计算过程，实现分析结论清晰可追溯。

以山东钢铁集团有限公司为例，我们调用此Skill进行信用分析。AI通过MCP完整采集了上述七维度信息和公开新闻舆情，对山钢的信用画像整体定性为“外部支持强、基本面偏弱”。一方面，山钢AAA评级稳定、新发债票面利率较低、股东实力雄厚。另一方面，山钢偿债、盈利、资本、行业/区域四个维度处于中性或偏弱区间。AI给出的综合评分60分，落在中等风险区间；AI提示需持续观察行业景气周期变化，发行人的信用短板集中于盈利与短期流动性。

3.3  可转债：AI实现自动化量化策略回测

在AI出现之前，量化投资策略开发对于编程能力有极高要求，从数据清洗到回测框架搭建，各个环节均存在较高的技术壁垒。如今，投资者只需通过自然语言描述策略逻辑，AI Agent便能够直接生成规范的工程级回测代码，自主完成从策略设计到落地回测的全流程，实现零代码策略开发。

“可转债双低择券策略”是可转债市场中非常经典的量化择券策略，通过“低价+低溢价”选债，在市场低估时获取均值回归收益。本节我们以此为例，展示AI在量化投资领域的应用。

首先，投资者可对AI提出量化策略回测需求，指定具体策略规则、数据来源、回测输出等内容。随后，AI可自动识别拆解任务，并针对择券条件、强赎处理、初始资金规模等细节进行反向提问。

在提问得到确认后，AI便可以独立完成全市场共计918只可转债的历史数据获取与本地落库，编写回测代码实现双低值计算、月度调仓、停牌/封板剔除、退市强卖、手续费扣除等全部策略规则。在2020年1月-2026年6月回测区间内，AI实现了1571个交易日、77次调仓的完整回测，自动计算组合表现并最终输出净值曲线图、调仓明细、交易记录及结构化投研报告。全过程总共耗时约1小时，无需任何人工编码。

4、结语

以上三个案例是我们对AI赋能固收投研这一命题的初步探索。不难看出，当前AI在信息检索、文本分析、代码撰写等多元场景中具有强大的应用能力，可较为明显地提高投资者的工作效率。未来AI在投研场景中的应用仍有广阔的空间等待开拓，这需要我们在实践中持续迭代、验证和积累，探索AI时代下更多人机协作的投研模式。

我们也需要强调，AI应用中潜在的风险不容忽视，要客观看待当前技术水平下的AI能力边界。在实践中，我们应强化对AI幻觉、黑箱等风险的识别管控能力，确保AI工具始终服务于人的专业判断。

5、风险提示

本文涉及AI产品或服务描述仅作客观展示，不构成使用推荐或商业背书；

AI技术发展和产品迭代迅速，本文介绍和结论存在未来失效风险；

本文投研案例仅作方法论展示，结果由AI生成，不涉及分析师投资建议。

本订阅号是光大证券股份有限公司研究所（以下简称“光大证券研究所”）固收研究团队依法设立、独立运营的官方唯一订阅号。其他任何以光大证券研究所固收研究团队名义注册的、或含有“光大证券研究”、与光大证券研究所品牌名称等相关信息的订阅号均不是光大证券研究所固收研究团队的官方订阅号。

本订阅号所刊载的信息均基于光大证券研究所已正式发布的研究报告，仅供在新媒体形势下研究信息、研究观点的及时沟通交流，其中的资料、意见、预测等，均反映相关研究报告初次发布当日光大证券研究所的判断，可能需随时进行调整，本订阅号不承担更新推送信息或另行通知的义务。如需了解详细的证券研究信息，请具体参见光大证券研究所发布的完整报告。

在任何情况下，本订阅号所载内容不构成任何投资建议，任何投资者不应将本订阅号所载内容作为投资决策依据，本公司也不对任何人因使用本订阅号所载任何内容所引致的任何损失负任何责任。

本订阅号所载内容版权仅归光大证券股份有限公司所有。任何机构和个人未经书面许可不得以任何形式翻版、复制、转载、刊登、发表、篡改或者引用。如因侵权行为给光大证券造成任何直接或间接的损失，光大证券保留追究一切法律责任的权利。