金工专题报告：AI研究系列之三，Agent时代，Skill为核——投研成果的可调用化实践.pdf

随着大模型能力快速迭代，金融投研领域正面临从"单次问答辅助"向"可持续复用能力"转型的关键节点。传统投研成果分散在报告、脚本、数据文件和个人经验中，跨场景复用存在显著的信息断点与口径不一致问题。东吴证券金融工程团队在本报告中系统探索了AI Skill化路径，即通过组织研究说明、数据接口、确定性脚本、模型资产和输出模板，将已有方法沉淀为边界清楚、口径明确、可以持续调用的专业研究能力。

核心研究目的与方法论

本报告围绕"AI Skill如何承接专业投研成果"这一核心命题，探索从通用模型能力向可复用研究工作流转化的实现路径。研究采用"代表性展示、而非完整方法覆盖"的阶段性定位，选取选股、择时、主动投研和基金研究四类场景，验证不同类型研究成果的Skill化可行性。

四类场景的核心实践

选股因子迭代Skill将数据接入、研究细则确认、候选因子代码生成、IC评测、历史反馈和断点恢复组织为可持续迭代的工作区，当前以低频量价数据为样例，但Coding方式本身不限定因子类型。择时场景中，K线时空镜像Skill通过多维量价特征和动态时间规整方法返回Top 3历史相似片段及其真实后续走势；深度学习择时Skill调用已训练完成的GRU时序模型，将连续量价因子转化为多头、中性和空头观点。主动投研场景中，固定框架报告Skill将标准化任务沉淀为可重复执行流程；深度研究框架Skill围绕核心问题组织研究假设、正反证据、投资含义、监控指标和认错条件；投资决策委员会Skill通过多角色陈述、交叉质询、风控核查和投资总监总结形成可审计决策记录；投资专家画像与研讨会Skill将专家方法论转化为结构化角色档案并支持多角色讨论。基金研究场景中，FundLab采用"本地数据优先、外部数据按需补充"的数据组织方式，覆盖基金筛选、单基金画像、基金公司画像、相似基金检索、基金组合分析和标签回测等典型场景。

跨场景共性原则与演进方向

四类实践共同遵循明确输入、稳定执行、可解释输出和过程留痕的原则。Skill化并未消除不同研究方法之间的差异，而是为其提供了相对一致的组织和复用方式。后续扩展方向包括：沿现有研究方向扩充方法覆盖，接入分钟行情、财务报表等更多数据类型；建设共享数据接口、公共工具、研究资产等可被不同Skill复用的基础设施；完善版本管理和生命周期管理，使Skill能够回答"使用了什么""为何得到这一结果""与上一版本有何差异"；推动单点Skill形成上下游协同，使量化证据、深度研究、反方质询、投资决策和持续跟踪在不同流程之间有序传递。

风险提示

报告提示了五类核心风险：模型与方法失效风险，历史表现不代表未来收益；数据质量与接口可用性风险，Wind、iFinD等外部服务不可用可能影响计算结果；生成式模型输出错误风险，大模型可能出现意图理解偏差、代码生成错误等问题；回测与实际应用差异风险，实际结果可能显著低于历史评测表现；信息安全与合规风险，Skill输出仅供研究参考，不构成收益承诺或确定性投资建议。