如何用AI进行债市机构行为跟踪

近期AI的风越刮越大，作者也尝试了一下在债券投资中运用AI工具。在烧掉了不少Token之后，给大家作一个简单的分享。

Part I 介绍一下工作流

如果用做饭比喻，这个工作流设计选食材、找厨房、定厨师三个步骤。

1、选食材（原始数据）：对于客观的定量数据，主要有两种方式。一是数据公司的MCP结构，这样就可以用自然语言告诉AI去MCP中调取所需的数据；二是本地上传的模式，通过excel函数提取到本地后让AI读取。如果有MCP资源，强烈推荐MCP接口，省去了非常多找数据的麻烦。我这里用的是同花顺iFinD MCP（免费试用中，给同花顺点个赞）。对于主观的数据，主要是各种研报、公众号等等，大家保存到本地直接丢给AI读就行，这是大语言模型的看家本领了。

2、搭厨房（AI工具）：这方面作者也不是太专业，推荐一套正在用且容易上手的组合。VS Code + Claude Code插件 + CC Switch，其中 Claude Code插件是核心，VS Code 提供了展示界面，CC Switch则是可以将Claude Code插件默认的Claude Code模型转换为其他模型。以上除了CC Switch要Guthub下载，不用魔法可能失败外，其他都可以直接下载。

3、定厨师（大模型）：这个作者尝试了好几种，包括Claude Code、kimi、Deepseek等。就金融投资角度，主观评价一下，kimi用的是199包月的kimi code，整体比较拉垮，又慢又贵；Claude Code效果挺好，就是太贵了，一下午能烧掉100+RMB...钱包不允许；综合下来最优的还是DS，金融也算其老本行了，使用效果基本满足要求，平时低强度使用大概3-5块钱一天，周末高强度使用也不到10块钱。

Part II AI机构行为框架搭建

1、喂报告：将可以获取到的研报，保存到本地后，直接丢给AI进行总结即可。作者大概喂了十几篇高质量研报，总结内容如下：

2、找数据：这里面除了核心的idata机构行为数据需要手动处理外，其他的数据基本都可以通过iFinD接口或者大模型自己从券商整理好的数据库中进行提取。处理数据这一步是AI对于投研赋能的核心环节，节约了大量的时间和精力。

3、跟踪信号：有了研报提供的逻辑，和各种渠道准备好的数据。就可以进行各种逻辑的回测。

***这里由于作者从2025年开始回测导致回测窗口不同、所用数据处理方法不一定与原文完全一致、AI天然存在幻觉等原因，所以输出的结论跟原文存在一定偏差。***

上述图中WR为胜率，IC可以简单理解为平均收益，左图为信5日后的结果，右图为信号10日后的结果。在完全没有人为干预前，AI数据的主要结论如下：

（1）大行的净买入数据，对于10年国债有最强的指导性作用（高胜率、高收益），体现了2025年以来大行作为市场配置基石的决定性作用；

（2）理财的净买入数据，对于信用债有最强的指导性作用（单一指标中最高的胜率、尚可的收益），体现理财是信用债的主要投资人；

（3）基金、券商等交易盘的净买入数据，没有任何有效含义，可能是因为交易盘买卖波动过大；

（4）资金的持续宽松、保险的持续买入是利多兑现信号（负收益）。

此外，AI也犯了一些肉眼可见的错误，比如右上角最佳策略就是一个典型的过拟合，用二级债与信用债的利差去预测二级债的收益率...

4、进一步优化：在AI给出的分析结论的基础上，根据个人的经验进一步进行优化。

（1）基金机构行为：AI仅进行了净买入、久期等单因子的检验。建议AI进一步根据基金仓位的逻辑，结合两个因子进行综合检验。AI很快给出了以下完整方案。

指标的胜率来到了70%，且平均收益也远超单因子检验的效果。同时AI也给出了解释：这不是趋势跟随，而是拥挤度反转信号——当基金仓位和久期双双拉满时，恰恰是最危险的时候。反而纯仓位 gauge（E8, IC=0.196）才是趋势跟随——仓位高说明趋势强，趋势延续。

（2）大行机构行为：建议AI结合资金面和大行净买入进行分析，也得到了一点有趣的结论，效果不及单因子。

场景 A 在 20 日窗口进一步放大到 +3.9bp，上行率 67%。你的逻辑——利差收窄+大行少买=后续收益率上行——在数据中得到明确支持。B7 不是一个普适信号，它是一个需要资金面上下文才能解读的条件信号。

在资金宽松时是利空信号（大行有钱但不买债=真不看好），在资金紧张时反而是利多信号（大行没钱买债≠不看好，央行可能随后放水）。

Part III AI机构行为信号跟踪

最后进入了DS老本行的交易系统构建阶段，根据前面一系列的试错和调整，AI给出了下面的方案：

1、核心信号

信号	构造	IC_10D	WR	逻辑
B7 大行剔除新券z	`zscore(bigbank_adj, 20)`	0.201	0.58	大行信息优势+剔除承销噪音
G2×B7 分域	场景规则		—	资金面定context，大行定方向

核心信号的思路是跟着大行配置盘买，大趋势上没有问题。但在25年下半年的下跌中，明显出现了配置盘越跌越买的情况，交易盘需要谨慎参与。

2、辅助信号

信号	IC_10D	用途
E7 基金20日净买入	0.136	交易盘方向确认
F2 T期货持仓变化	0.092	增量资金确认

辅助信号的思路是跟着交易盘买，优点是躲过了上述25年下半年的下跌，缺点是整体来看有点“追涨杀跌”。

3、风控信号

信号	触发条件	行动
E13 基金拥挤	仓位gauge>0.8 + 久期>均值	仓位上限50%
G2 流动性预警	G2 z-score(60d) < -1.2 且 G2 < 0	减仓至30%
E2 久期分歧度	久期分歧度 z-score(60d) > 1.5	关注，暂不强制减仓

风控信号表现最好，除了25年9月做反之外，基本都实现了逃顶。

从最近数据来看（5月15日）。

核心信号为买入，大行配置力量仍在买入；

辅助信号无，基金交易力量已经边际转弱；

风险信号无，4月市场拥挤度过高，现拥挤情绪已释放。

整体来看，从机构行为角度分析，整体在配置盘支撑下，市场依旧偏多。但近期宏观层面，中美关系、美联储新主席等新增变化获取才是市场主线。

最后，总结一下AI的使用体验。优势在于极快的文档阅读速度和数据处理能力，且思考策略十分全面，经常能弥补人脑全面性上的不足。但对于金融等专业领域，其理解依旧不够深刻，小概率会出现低级的逻辑错误，需要人为监督。整体来看，当前AI的金融问题处理能力更像一个拥有丰富知识储备，但业务经验不足的大学生。