固收量化专题：基于AI Agent的固收投研应用研究

传统模式下，一名固收分析师需要同时扮演数据工程师、量化研究员和文字作者多重角色。从平台拉取数据、清洗异常值、更新Excel模板、核对不同数据源之间的一致性，这些工作占据了投研人员大量的时间与精力。真正需要深度思考的环节，例如识别市场定价的核心矛盾、推演政策传导的可能路径、评估策略逻辑的合理性，反而被压缩到碎片化的时间窗口中。

随着AI应用场景快速普及，通过构建Skill将分析师的投研框架由Agent集成为可追溯、可复用、标准化的工作流，成为解决这一痛点的关键路径。固收投研是一个从数据到决策的闭环系统，遵循基础数据维护、研究累计沉淀、研究结果的策略执行、策略的回测以及策略后期的复盘五个环节。未来的固收团队，可能是一个人带一组装备了Skill的Agent，而不是一组人做一件事。AI不会替代固收研究员，但会重塑固收研究员的工作方式。

Skill体系：沉淀方法论与自动化执行

Skill（技能）是一组封装的可执行脚本与工作流，其通过SKILL.md文件进行定义和管理。在固收投研中，Skill主要承担“工具”层的角色，解决“怎么做”的问题。数据融合类Skill把团队已有的数据方法论、分析框架和经验阈值沉淀为可以反复调用的、可检索、可分析、可追溯的“资产”。行情跟踪Skill旨在将历史行情升级为一个可持续运行的数据看板工具。趋势预测Skill将以往手动维护的线性回归模型形成自动化可迭代的输出项。业绩归因Skill不再需要手动导出数据、清洗、写公式、调格式，归因分析从“专项任务”变成了“日常查询”。

以数据集成类Skill为例，固收投研对基础数据搭建依赖较强，分析对象是多频率、多口径、多市场、来源分散的组合。过去散落在Excel插件、个人脚本、手工文件夹里的内容，被拆解为可调用、可审计、可增量更新的研究资产。对于结构化数据，Skill能够实现定时更新带有Wind函数的数据库，自动完成表格更新并自我检查纠错；对于非结构化数据如公告、研报，可通过本地数据看板形式展现，实现机构行为特征的快速查询。

在宏观数据预测方面，PMI预测值基于多元线性回归模型，输入特征包括生产端和需求端高频指标。该流程在Excel中难以维护，而Skill将线性回归的预测链路固化、自动化和迭代。例如，对2026年8月PMI预测值为49.47，核心原因在于需求端拖累突出，地产成交、乘用车批发回落明显。

利率曲线形态判断与Agent驱动

利率曲线的四种典型形态——牛平、牛陡、熊平、熊陡是债市交易与宏观分析中的基础判断工具。决定曲线形态的核心并不是单一变量，而是“短端的货币政策锚”与“长端的基本面/通胀/供需锚”之间的相对强弱。

牛陡表现为收益率整体下行，但短端下行幅度大于长端，通常发生在流动性宽松、央行降息在短端兑现时。2026年上半年整体更接近牛陡，截至5月29日，10年-1年利差走阔至55bp。牛平则是收益率整体下降，长端下降快于短端，往往在“短端已低、政策进一步放松幅度有限，但基本面持续疲弱”时出现。2024年是中国债市“牛平”特征最鲜明的年份之一，30Y-10Y利差整体处于较低位。

熊平源于央行收紧货币政策，直接带动短端收益率大幅上行，但市场对中长期经济增长预期并不强烈。2020年5月之后，中国债市从牛陡迅速切换为熊平。熊陡则是收益率整体上行，但长端上行幅度大于短端，多因市场对中长期经济复苏、通胀抬头的预期升温。2025年2月下旬至3月中旬出现了明确的熊陡，一致宽松预期被打破，机构降杠杆降久期，长端加速回调。

通过对四种曲线的逻辑梳理，利用AI Agent可以对特定区间的曲线进行判断。例如，针对2026年7月20日至24日的曲线，Agent判断显示为“牛平”，信号方向清晰但强度有限，长端快速下行驱动曲线平坦化，而短端受政策利率约束基本没有松动。

基于多Agent的五维债市综合研判

债市综合分析涵盖基础数据层、Skill技能封装层、Agent判断层三层架构。完整的固收投研包括5个Agent，每个Agent在封装好的投研标准化Skill组件上，通过内置的金融业务逻辑，能够完成专业推导研判。

对于债市通常使用“五碗面”（资金面、政策面、供给面、基本面、情绪面），对应设计五个Agent。因为五个面之间本身不需要相互依赖，这使得Agent能够充分发挥——五个Agent可以同时开展分析，不需要排队等候。最后返回五Agent的结果，通过设定每个Agent对于债市影响的权重，形成统一决策。

具体职责分工如下：基本面Agent跟踪经济增长、通胀、就业、外贸，判断经济周期位置；政策面Agent跟踪货币政策、财政政策、监管政策，判断政策取向；资金面Agent跟踪银行间流动性、央行操作，判断资金松紧；供给面Agent跟踪利率债供给和机构配置需求，判断供需格局；情绪面Agent跟踪机构行为，配置盘、交易盘对于利率债的买卖情况。

该架构优势在于：(1)避免单一视角盲区；(2)每个维度可独立更新；(3)不同维度矛盾时可直接暴露，而非被掩盖。这种多Agent协同机制，标志着固收投研从人工经验驱动向数据智能驱动的范式转变。