“实习生”成“新同事” AI加速嵌入基金投研全链条

证券时报记者 裴利瑞

一天的投研工作结束后，基金经理和研究员离开办公室，另一支“投研团队”却没有下班。

研报、公告、会议纪要和市场观点仍在持续汇入系统，大模型忙着解析、提炼和分类；一些相对规则化的研究和业务方法，则被进一步封装成Skill（技能），供不同场景反复调用；更进一步，Agent（智能体）开始尝试自主拆解任务、调用工具，并组织多个环节协同完成工作。等到第二天基金经理和研究员重新坐到电脑前，一部分过去需要人工完成的基础工作已在后台完成。

“AI（人工智能）的能力提升很快，已经从大学生水平变成了博士生水平。”上海某公募一位量化基金经理向证券时报记者表示，他在日常投研中使用AI进行因子挖掘，时常能够发现传统研究过程中不易捕捉的线索和信号。

类似的使用场景，正越来越多地出现在基金公司的日常工作中。记者近期采访多家基金公司了解到，随着大模型、Skill、Agent等技术加速落地，AI正在从信息处理工具进一步嵌入研究、投资、交易和风控等业务流程，部分投研经验也开始数字化、标准化，并沉淀为可复用的组织能力。与此同时，基金公司对AI的态度也正在从“能不能用”走向“用得怎么样”，开始用任务成功率、人工介入率、业务落地效果、投资价值乃至单Token（词元）成本等更具体的指标，衡量AI投研的实际成效和投入产出比。

AI成为投研“新同事”

过去两年，AI进入基金公司的第一站，大多是研报摘要、知识问答、会议纪要等信息处理环节。如今，AI的工作清单正在不断拉长，并逐步深入研究、投资、交易和风控等全链条，已经从辅助的“实习生”成为名副其实的“新同事”。

比如，富国基金表示，随着大模型技术的发展，AI处理非结构化数据的能力显著增强，已经可以赋能量化开发流程，支持复杂因子挖掘、回测及研究结果自然语言解读，提升策略研发的便捷性与效率。

“目前，我们能够系统性地对分析师的推荐文本、社交媒体数据、公开的会议纪要、机构调研信息、基金经理观点等进行分析，并能够评估在不同宏观环境和市场阶段下，不同分析师、基金经理或社交意见领袖观点的历史置信度，从而在适配的市场阶段给予高置信度观点更高权重。通过引入这些信息熵更高且与传统价量因子相关性较低的新特征，模型表现的稳健性得到有效提升。”富国基金相关人士表示。

易方达基金透露，公司以EWork平台为核心智能底座，已在投研场景落地多项大模型应用，比如，相关应用通过对多源市场动态的实时捕捉与重点提炼，提升团队对市场信息的响应时效，并以数字化方式将其深度融入日常研判全流程中，相关AI应用还具备挖掘传统投研体系难以捕捉的新线索、新信息或新因子的能力。

广发基金的AI大模型应用已经覆盖研究、投资、交易、风控和运营等多个环节。研究端，大模型可用于研报速读，自动提炼核心观点、业务逻辑和盈利预测，并支持追问深挖，同时进行财务分析、政策跟踪和会议纪要结构化整理；投资端，则从非结构化数据中提取另类因子，与传统量化模型融合衍生新策略，并通过“基金经理驾驶舱”和“策略超市”支持多策略一站式跟踪、模拟试算和精细化业绩归因。

此外，这一“新同事”也开始出现在更具体的基金运作环节。兴证全球基金推出的头寸AI助理能够实时追踪产品头寸变动，在每日核心时点自动推送负头寸预警，并结合当前融资能力监控资金缺口；还可依托实时头寸、持仓与资金交收等多源数据，自动测算并推荐债券卖出、银行间正回购、T+1申购款提前到账等处置方案，辅助投资人员快速决策。

投研经验开始“Skill化”

当AI逐渐进入日常工作流，下一个问题随之而来：除了让大模型掌握更多数据和知识，能不能进一步把业务流程中相对规则化的方法也“教”给AI？Skill正在成为基金公司探索这一问题的重要载体。

据了解，易方达基金采用“IT团队负责提供Skill开发的底层底座、模板与技术支撑，业务员工基于自身岗位痛点开发适配业务场景的Skill”的去中心化开发模式，在公司EWork平台上开发了大量Skill，可公开安装调用的Skill覆盖投研、交易、运营、销售、市场、合规、IT等所有核心业务条线，此外，还有很多限定个人或小组使用的Skill。

这种开发方式也在改变传统数字化工具的生产模式。过去，一个新的工具往往主要依赖IT部门开发，如今，熟悉具体业务的人也开始直接参与工具的开发和迭代。

从行业实践看，国泰基金也在推进Skill生态建设，公司已发布覆盖数据获取、行业分析和个股分析的标准化Skill，将资深研究员的方法论、行业框架与合规红线沉淀为可复用、可评估的数字资产。

此外，Skill还被应用到了内部风险管理：兴证全球基金的风控AI助手在发行期内，可基于基金合同逐条解析投资范围、投资比例、禁止与限制事项、集中度、杠杆与久期、对手方等合规要素，再调用内部沉淀的风控知识库与风控Skill，将相关要求映射为风控条目并生成可执行的参数方案。人工修正过的条目还会重新沉淀回知识库，供后续生成时理解和复用。

从你问我答到Agent自主干活

有了越来越多的Skill之后，AI的下一步，是如何把不同能力组织起来完成一项复杂任务，这也让Agent成为近期基金公司AI布局中的高频词。

传统的大模型交互更多是“你问我答”，人提出一个问题，AI给出一次回答。而Agent试图进一步把目标拆解成多个步骤，并自主调用数据、工具和不同Skill完成任务。

据了解，一些更加具体的多Agent协作已经出现，比如，富国基金智能办公平台已内置20余个Agent、60余个Skill，并接入50余个MCP（模型上下文协议），日请求次数超过3000次。投研端，富国建设了“智能研究院”多智能体平台，用户可以定制研究员Agent，通过“学习技能”沉淀Skill，也可以由研究专家Agent规划、拆分任务，再交由多个研究员Agent协同完成研究课题。

广发基金也表示，投研系统未来较大的技术突破点，很可能出现在AI智能体与投研全流程的深度融合上。当前大模型更多作为被动的问答工具使用，而智能体技术的演进方向，是让AI具备自主规划任务、调用多种工具和接口、多步骤并行执行的能力。未来投研系统将从个体操作的工作平台，进化为能够自主完成信息搜集、分析论证、策略生成乃至模拟交易的智能协作体。

不过，Agent自主干活并不意味着把最终决策权交给机器。富国基金表示，公司采用“AI辅助生成+人为审核”的人机协作方式，即人作为决策者提出正确的问题、验证关键假设、做最终决策，AI作为执行者24小时待命，提供垂直研究、深度研究、群策群力的工作能力。

当Skill能够沉淀具体能力、Agent开始组织不同能力完成复杂任务，AI对基金投研的影响也开始从单点提效进一步延伸至组织能力建设。易方达基金用了一个形象的说法——“经验随代码流传”，公司表示，将依托EWork平台持续推进投研经验的数字化与标准化落地，将个体能力转化为可规模化复用的公司组织能力。

AI投研开始算“投入产出账”

但在投入大量算力、模型和系统建设之后，一个更现实的问题也摆在基金公司面前：AI究竟有没有效果？记者了解到，随着AI越来越深入投研流程，基金公司也开始重视AI的投入产出比，且评价维度正在从“节省了多少时间”等相对直观的效率指标，进一步延伸到业务价值、投资价值和投入产出比。

易方达基金介绍，公司已构建起以业务价值为核心导向的AI投研全链路效果评估体系，覆盖技术能力、业务效率、投资价值三大维度，同时配套全流程AI运营评价机制。具体来看，在过程指标方面，公司会考察任务成功率、任务处理效率、人工介入率、用户活跃度等；在运营指标方面，则关注业务落地效果、业务覆盖范围、算力利用率、单Token成本等，以此全面衡量AI投研的投入产出比。

富国基金的评价维度则聚焦在研究与投资、交易等业务环节。公司表示，对系统投入的转化效率采取多维度综合衡量，主要考察投研协同效率、研究与投资的转化率、投研信息处理时的数据准确性、策略与因子研究在分析系统中的表现，以及交易执行的绩效分析，同时关注管理规模的承载能力与增长质量。

这意味着，基金公司对于AI的关注已经不再停留在“有没有部署”“使用人数多少”，而是进一步转向任务能否稳定完成、业务覆盖是否扩大、策略和因子研究表现如何，以及最终能否转化为投研和交易环节的实际成效。随着Skill、Agent等工具逐步进入日常流程，AI投研也正在从“尝鲜”走向常态化应用，能否形成稳定、可衡量的投入产出，将成为检验其长期价值的重要考题。