夜雨聆风
「机构眼·调研内参」机构投研资源平台
加入社群·微信：Buddha_Research
发言人 问：本次会议的主题是什么？
发言人 答：本次会议的主题是东吴金工的AS gl发布和现场演示。
发言人 问：AS gl在金融领域的探索主要目标是什么？
发言人 答：主要目标是尝试将AI能力与团队长期累积的量化模型、因子库、主动研究素材及标签体系结合，开发出能在投研工作中实际运行的CDO工具，以实现AI真正嵌入到日常研究流程中。
发言人 问：本次展示的内容模块有哪些？在量化研究方面，团队使用了什么技术进行因子开发？
发言人 答：展示内容主要覆盖三个模块：量化研究，包括因子生成和市场预判能力；主动投研领域，涉及深度研究、多角色投研讨论和观点形成；智能研究，聚焦于基金画像、相似基金匹配、策略回撤等场景。在量化研究领域，团队采用大元模型结合人工判断的方式，通过API接口或直接在自然语言界面中编写Python代码，来帮助进行因子的迭代和开发，并尝试让大元模型以AI coding的形式生成因子。
发言人 问：如何共享和使用开发好的量化研究技能？开发量化因子时，所需数据应如何准备？
发言人 答：团队将开发好的量化研究技能打包成一个名为“skill”的文件夹，其中包含Markdown文件和Python文件。客户可以通过低代码平台安装并调用这些技能，在背景基本面进行因子开发，技能会根据需求自动初始化并处理相关数据。在开发量化因子时，需要将对应的数据（如日行情、一致预期因子或高频量价数据）放在指定的数据文件夹下，然后告知AI系统数据已准备好。AI会自动浏览并理解数据格式，确认无误后进入下一步，进行因子评测的设置。
发言人 问：在计算IC时，收益率口径是如何确定的？
发言人 答：在计算IC时，收益率口径可以根据研究需求选择不同时间段的V或open、close数据作为基准。例如，个人喜欢使用T加1到T加6的V作为停车收益率口径。
发言人 问：AI在生成因子时如何获取评价口径信息？AI生成的第一个因子及其展示形式是怎样的？
发言人 答：通过自然语言的方式告诉AI评价口径，AI会基于此进行二次确认，并根据设定的条件（如7日因子信号为起点，7加1买入，T加一卖出）和参考因子点PI进行因子生成。AI生成的第一个因子为FXF001，并在界面中列出其分年度的CPM IC ICIR以及源码。用户可以便捷地查看因子源码及IC走势图。
发言人 问：如何让AI利用已有优秀因子代码进行开发？
发言人 答：将已有的优秀因子代码放在指定的reference sector文件夹中，AI会检查所有数据，包括确定收益率口径并修改底层代码，而无需人工参与代码修改过程。
发言人 问：AI能否根据特定逻辑进行定向因子开发？
发言人 答：可以，通过自然语言交互，用户可以向AI提供特定逻辑，如找寻处于缩量涨或放量下跌状态的股票，并让AI根据这些逻辑自动生成Python代码，进而实现因子开发。
发言人 问：K线时空镜像skill的作用是什么？
发言人 答：K线时空镜像skill主要用于寻找历史上的相似K线区间，以预测股票未来的走势。例如，对于上证综指或创业板指，技能可以找出最近60个K线与历史某段K线相似度较高的时期，并展示它们后续的走势情况。
发言人 问：该技能是否支持个性化定制和数据源更改？
发言人 答：是的，该技能是开源的，用户可以根据需要自行对技能进行个性化定制，比如更换数据源，如将万德API数据改为其他数据源。
发言人 问：在技能的底层算法中，是如何衡量K线相似度的？
发言人 答：我们采用DDW算法来衡量K线的相似度，该算法会综合考虑价格走势、成交额走势以及价格和成交额的绝对水平。其中，价格方面的权重更高，成交额次之。
发言人 问：如何指定回溯的历史交易日数？
发言人 答：可以通过输入特定的代码来设定回溯的交易日数。例如，若想查看过去120个交易日的K线历史，可以输入000985点C3，系统会找到这段历史中与最近120个K线相似度较高的时期。
发言人 问：在使用技能时，AI的作用是什么？
发言人 答：在使用该技能时，AI主要负责理解自然语言，尤其是中文，前端则用Python代码实现算法以匹配用户输入的指令。AI的推理能力并非关键，用户可以选用较为便宜且已实现的模型。
发言人 问：K线S空心线技能的主要用途是什么？
发言人 答：K线S空心线技能主要用于将当前行情映射到历史数据上，通过比较历史走势为当前走势提供参考。此外，还有一种深度学习系列的技能，它基于神经网络模型，能对未来走势给出明确的多头或空头观点，并且具备回溯功能，可统计模型过去一段时间内的胜率和赔率。
发言人 问：深度学习模型的特点及使用方法是什么？
发言人 答：深度学习模型采用GRU神经网络结构，输入为股票K线数据，但推理时针对指数进行。其优点在于不容易过拟合，并且可以持续回溯历史数据验证模型的有效性。使用时只需直接调用相应的skill，并输入想要查看的指数代码即可。
发言人 问：模型给出的实时观点如何衡量？
发言人 答：模型给出的观点以颜色面积表示，绿色代表看多，黄色代表看空，而底部面积则代表看多或看空的胜率和赔率。通过对比模型观点线与指数实际走势（如中证全指）的变化，可以直观地观察到模型对指数后市的预测效果。
发言人 问：在中证1000指数的走势中，转中性的时间点相较于中证全职是怎样的情况？对于中证1000指数，除了展示其转中信的时间点外，还有哪些关键信息？
发言人 答：根据我个人主观判断，中证1000由于相对超跌，其转中性的边际好转时间点可能比中证全职更早一些。中证1000指数的多头胜率、多头赔率、空头胜率以及空头赔率也表现得相当不错。
发言人 问：路演中分享了哪三个主要的投研技能案例？
发言人 答：分享了三个技能案例，分别是基于选股因子的技能用于选股，第二个是K线冲镜像技术，第三个是基于深度学习模型构建的智能工作流。
发言人 问：A进（可能是智能投研助手）在投研场景中的应用价值可以延伸到哪些方面？
发言人 答：A进的应用价值可以从单点工具调用进一步扩展到复杂投研流程的组织和协同，尤其适用于具有强重复性和可复用性的标准化工作流，有助于缓解复杂的投研任务中的上下文管理、任务拆解等问题。
发言人 问：投价报告是如何利用agent技术进行优化的？
发言人 答：通过构建专属的skill，将投价报告的整个过程自动化，包括取数、解析、判断和报告输出。该skill能够自动调用可靠及时的数据接口获取所需数据，并按照预设模板生成正式的投价报告。
发言人 问：除了投价报告外，还有哪些类型的报告可以通过类似方法构建？
发言人 答：这种周期性的报告、事件点评、产品分析等各种标准化框架的报告都可以通过构建固定框架的skill实现结构化自动生成，并支持多次调用和跨场景复用。
发言人 问：研究框架类的skill是如何工作的？
发言人 答：研究框架类的skill可以根据资产类别自动选择合适的研究框架，完成识别研究对象、处理材料、选择框架、生成假设、整理证据链、质询和结论等环节，其中还涉及多个角色的交叉秩序讨论，最终形成研究结论或报告。
发言人 问：对于投资观点探讨，AI技能如何协助？
发言人 答：AI技能可以结合本地知识库探讨行业主题前景等投资观点，引导大模型整理相关证据链，形成有证据、有分歧、有风控、留痕的结构化讨论流程，为后续会议提供前置材料，促进深度思考和全面决策。
发言人 问：我们通过深度研究框架生成的AI投资决策是偏向算力还是应用？
发言人 答：通过投学会的skill分析，最终得出的决策是采用算力和应用相结合的目标配置，即一半一半的比例。
发言人 问：如何利用投资专家画像来辅助投资决策？
发言人 答：我们会整合公开数据信息，构建投资专家画像，包括专家的投资框架、选股偏好、行业偏好、组合管理和风险控制等。通过组织投资专家讨论会，围绕特定行业个股策略或市场观点进行讨论，并通过主持人提问引导，提取专家间分析、关联及质询信息，投票后给出建议结论。
发言人 问：投资专家对于是否超配半导体的观点有何不同？
发言人 答：不同的投资专家因其风格偏好各异，对于是否超配半导体的观点也各不相同。通过讨论和投票，可以形成共识和分歧，并针对当前光通讯是否创造中期买点等市场观点进行投票和前提条件分析，提供决策依据。
发言人 问：如何解决基金研究中的痛点？
发言人 答：我们研发的fun lab skill旨在解决基金研究痛点，将分散的数据和经验转化为可复用、扩展的研究能力。它不仅利用大模型智慧辅助投研工作，还强调基于团队长期积累的数据资产和研究规则，形成有理有据的研究助手。
发言人 问：基金研究中存在哪些痛点？基金研究中最具突破价值的两点是什么？
发言人 答：基金研究面临的一大痛点是数据量庞大且复杂，不仅涉及产品、基金经理、公司等多个维度，还包含净值、持仓、配置风格、行业暴露等各种结构化和非结构化数据。此外，虽然信息丰富，但提炼有效结论较为困难，依赖于研究员的个人经验和深入分析。最具突破价值的是data和reference部分。对于data，我们区分必须本地存放的数据（如特色研究口径和高频使用标准化数据）和适合外部接入的数据（如大量外部接口获取的数据），以提高研究过程中的效率和性价比。
发言人 问：这个skill的整体数据获取方式是怎样的？
发言人 答：我们采用以本地数据为主，外部数据源作为补充的方式。长期复用或体现研究册的数据放在本地，临时查询的大规模数据通过MCP方式获取。
发言人 问：这个skill在代码设计上与单一任务目标有何不同之处？
发言人 答：这个skill在设计时会固化很多研究方法和工作流进reference文件夹中的代码中，不同于单一任务目标，它通过reference来实现这一目的。
发言人 问：该skill支持哪些核心的研究场景？能否举例说明一个基础的单只基金分析案例？
发言人 答：该skill支持多个核心研究场景，包括单只基金分析、基金池筛选与构建、多基金横向比较、经理分析、公司分析以及组合分析等。在基础的单只基金分析案例中，只需一句话指定要对某基金进行画像任务，系统会自动盘点所需数据并在本地和外部数据源之间拉取数据，计算收益风险指标并生成一份直接的画像报告。
发言人 问：对于找相似基金的场景，该skill如何运作？
发言人 答：在找相似基金的场景中，若看好某基金但受限于风控要求不能大量持有，或遇到特定情形时，可通过一句指令让skill找出与目标基金相似的替代产品，并按研究流程确认数据来源后给出结论。
发言人 问：组合配置场景下，如何利用该skill进行分析？这个skill的核心设计理念是什么？
发言人 答：在组合配置场景中，当通过定性定量筛选出核心池子后，可能需要判断入选是否因持仓高度重合而被扎堆选择。这时可直接使用skill分析基金间的持仓重叠度、行业集中度、风格同步性等信息，并给出风险诊断结论。整个skill设计围绕通用的基金研究工作流搭建底层框架，旨在解决包括基金筛选、单基金分析、多基金比较、基金经理评价、组合回测在内的多种需求，共享同一套数据基础、底层数据及方法体系。
发言人 问：该skill是否具有开放性和可定制性？
发言人 答：是的，这个skill保持了开放性，既可以作为开箱即用的研究助手，也可以作为基础框架根据实际需求进行定制化改变，以适应并服务于真实的投研流程。
发言人 问：在AI时代，未来投研能力的竞争焦点在哪里？
发言人 答：在未来AI时代，投研能力的竞争焦点将不再仅限于模型强度，而更在于谁能沉淀出高质量的数据资产和合理的研究方法，以及对数据的理解、问题定义和研究框架设计的能力。
