>> 中信建投-金融工程專題研究：模型之上、能力之下，AI投研還缺什么-260527
| 上傳日期： |
2026/5/27 |
大小： |
2635KB |
| 格式： |
pdf 共20頁 |
來源： |
中信建投 |
| 評級： |
-- |
作者： |
姚紫薇 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
核心觀點
AI投研的瓶頸不只在模型和數(shù)據(jù)，更在中間缺失的方法論層。
我們以金融工程及基金研究為例，將基金標簽矩陣、資產(chǎn)配置模型、行業(yè)輪動信號等研究能力封裝為AI可調(diào)用工具，并構(gòu)建場景化Skill。但會調(diào)用工具不等于會研究，AI仍可能產(chǎn)生“專業(yè)型幻覺”。下一階段關(guān)鍵是建立“反饋→記憶→Skill”閉環(huán)，并由研究員治理記憶折舊與方法適用邊界。
AI投研的瓶頸在方法論層。
大模型執(zhí)行能力已經(jīng)較強，金融數(shù)據(jù)也在開放，但研究團隊長期沉淀的框架、口徑、邊界條件和經(jīng)驗記憶，尚未被系統(tǒng)轉(zhuǎn)化為AI可調(diào)用、可校準、可演進的能力。
研究能力可以被工具化。
以金融工程及基金研究為例，基金標簽矩陣、資產(chǎn)配置模型、行業(yè)輪動信號和基金經(jīng)理資料等，可以被封裝為MCP、知識庫和場景化Skill，供AI調(diào)用。
工具化只是起點。
AI即使拿到正確數(shù)據(jù)和工具，仍可能出現(xiàn)“專業(yè)型幻覺”，如把篩選結(jié)果當(dāng)結(jié)論，把模型信號當(dāng)指令，把概率信號絕對化。其根源在于場景判斷、指標邊界、交叉驗證等隱性知識難以一次性編碼。
研究記憶決定AI能否越用越專業(yè)。
AI研究能力的分水嶺，在于能否建立“反饋→記憶→Skill”的閉環(huán)，并對記憶進行折舊與治理。AI越成熟，研究員越不是被替代，而是從執(zhí)行研究上移到治理AI的記憶、Skill和方法論體系。
風(fēng)險分析
AI投研能力轉(zhuǎn)化進度不及預(yù)期。研究能力從方法論、經(jīng)驗和判斷規(guī)則轉(zhuǎn)化為AI可調(diào)用能力的過程，涉及大量工程化和知識外化工作，實際推進節(jié)奏可能慢于預(yù)期。
專業(yè)型幻覺短期內(nèi)難以根本消除。即使工具層已內(nèi)置專業(yè)約束，大模型在組合和解讀數(shù)據(jù)時仍可能出現(xiàn)過度簡化或誤讀。AI生成的研究材料仍需研究員審核后方可使用，不宜直接作為投資決策依據(jù)。
研究記憶與折舊機制尚處早期探索階段。當(dāng)前行業(yè)對AI長期記憶、經(jīng)驗索引和折舊機制的研究仍在起步階段，距離成熟可用仍有較大距離，成熟L3的實現(xiàn)時間存在不確定性。
技術(shù)底層仍在快速迭代。MCP協(xié)議、工具調(diào)用、長期記憶和多智能體協(xié)作等技術(shù)尚未完全穩(wěn)定，若底層標準發(fā)生重大變更，已有的工具化實踐可能需要重新適配。
|
|
