2026年AI辅助固收投研实务系列开篇：信用债复杂场景下，AI嵌入真实研究工作流的标杆案例

为什么很多 AI 投研没有真正进入研究工作流程

现在很多 AI 辅助投研的成果，还是停留在更快总结、更快润色、更快问答这几个层面。它们 当然不是没有价值，但如果只停在这里，AI 充其量只是一个更顺手的写作工具，而不是研究 方法的一部分。 问题在于，信用研究真正耗时间的地方，从来不只是写结论。更费时间的是，把散落在年报、 半年报、附注、公告、条款、评级报告和市场数据里的信息，一条一条找出来、对起来、再 组织成能复核的证据链。很多时候，卡住研究员的不是不会总结，而是材料太多、口径太散、 证据太碎、回头太难。 所以，本文想强调的不是 AI 能让我们写得更快，而是 AI 能帮我们真正进入研究工作流程， 这两者差别很大。前者讲的是表达效率，后者讲的是研究生产方式。信用研究里真正有价值 的环节，往往不是最后一句结论，而是结论前面的材料组织、附注拆解、主体比较和证据归 档。 换而言之，很多内容看起来像在讲 AI 辅助投研，实际上还停留在研究外围；而真正值得讨论 的是， AI 能不能走进研究最具体的那条链条里。 这也是为什么“工程化”比“智能化”更重要。智能化回答的是能不能看、能不能说；工程 化回答的是能不能稳定地看、稳定地说、稳定地复用、稳定地交接。对于信用研究这种需要 长期跟踪、批量复审和多人协作的工作来说，后者更关键。

站在当前时点，信用债研究正在面对的，不只是方法更新，而是研究对象和研究组织方式同 时变化。过去很多框架之所以有效，是因为主体类型、行业边界和融资方式都相对稳定，研 究员可以在既有范式里不断迭代经验。但现在的情况不一样了：传统主体进入存量化阶段， 新增主体和新赛道不断出现，很多历史上看似稳定的指标，放到今天的信用语境里，含义已 经开始变化。这就意味着，研究人员不仅要继续看新的主体，还要重新审视过去已经看过的 主体，甚至把历史财报重新找回来读一遍。 如果没有工程化的工作流，这种“重看”几乎是不可能批量完成的。人脑很难长期保持同样 的口径去处理上百份、上千份财报，也很难把一条附注里的细节和另一份主体的细节稳定地 对照起来。AI 的价值正是在这里显现出来：它不是替代判断，而是把大规模、重复性、需要 结构化处理的文本劳动先接住，让研究员有可能在更大的样本里重新建立认知边界。

这里还有一个容易被忽略的变化：过去很多研究工作之所以能够依靠个人经验维持，是因为 信息流速没有今天这么快，市场对主体的再定价也没有今天这么密集。现在不一样了，信息 更快、主体更多、材料更碎，研究员面对的不是“偶尔写一篇深度报告”，而是“持续跟踪一 串主体并且还要反复复核历史判断”。这使得研究流程本身开始成为竞争力，而不再只是某位 研究员个人能力的外化。 从这个意义上说，工程化是为了让研究工作真正可持续。它让团队可以把重复动作沉淀下来， 把高频动作标准化下来，把低频但重要的动作保留下来。只有这样，即使新的主体来了、历 史主体重审了、团队里换人了，研究工作也不会中断。

Financialanalysis 项目介绍

Financialanalysis 是一个围绕债券发行主体财务分析搭建的开源研究项目，核心目标不是 生成摘要，而是把信用研究中最依赖人工经验的环节，拆解为可执行、可复核、可交接的流 程。

从项目内容看，它覆盖了几个连续环节：原始材料采集、文档解析、附注优先分析、结构化 工作底稿生成、正式分析报告输出，以及知识沉淀与版本治理。也就是说，它处理的不是单 一文本任务，而是一条完整的研究链路。对信用研究来说，这种链路比单个功能更重要，因 为真正的难点往往不在于某一步，而在于步骤之间如何衔接、如何复核、如何留下可追踪的 痕迹。

从输入和输出看，这个项目面向的是年报、半年报、公告、募集说明书、评级报告等非结构 化或半结构化材料，输出的是可以继续用于判断的证据索引、结构化字段、分析底稿和最终 报告。它的重点不在于替代研究员判断，而在于先把材料整理成研究员可以直接使用的形态， 让后续的主体比较、条款比较和持有期跟踪有统一口径。

从方法上看，这个项目强调的是附注优先和证据可回溯。信用研究中很多关键问题并不在正 文里，而在附注、补充披露和其他说明里；如果这些信息不能被准确定位、拆分和归档，后 续结论就很难复核。Financialanalysis 的作用，就是把这些原本分散在人工阅读中的动作 固定下来，使同一套材料在不同主体、不同时间和不同研究员之间都能按照相对一致的方式 处理。

从协作上看，它对应的是投研团队里最常见的痛点：个人经验难以沉淀、不同研究员口径不 易统一、历史底稿难以继承、重复劳动占用大量时间。项目把这些问题拆成了分层流程之后， 研究工作就不再只依赖于某个人的记忆和习惯，而是变成一套团队可共享的底座。对于需要 长期跟踪主体、反复复审材料的信用研究而言，这比单点自动化更有意义。

财报附注是 AI 在固收领域重点跑通的场景

如果说 AI 在信用研究里最先应该落地到哪里，答案大概率不是正文摘要，而是财报附注。 原因在于，财报附注是大文本、复杂文本、非标准化文本，恰恰是传统人工最耗时、最容易 遗漏、也最难保持一致性的部分。主体的真实债务结构、担保安排、受限资产、回售赎回条 款、融资用途、重大事项披露，常常都藏在附注和注释里。报表正文提供规模，附注提供结 构；正文能看出有多少，附注才能看出是什么、怎么形成、受什么约束。

过去一直以来，财报附注的分析与跟踪是信用研究员的核心工作，占据了大量的人力。 就整个信用团队的工作量占比来说，财报分析的压力非常大。例如： 1. 一个研究员通常需要覆盖 300 家主体，对应的就是一年 600 份年报、半年报和 600 份季 报，以及 600 份以上的发行说明书、评级报告 等资料。 2. 每一份年报的附注量，约在 100 到 200 页左右。 面对如此庞大的数据量，研究员不只是要阅读，还要从中提取出结构化的数据进行分析。可 想而知，整个工作量是非常巨大的。 而且很关键的一点是，这项工作非常容易出错，且质量难以统一掌控： (a)资深的研究员可 能会分析得深入一些。 (b)资历浅的人分析得就会相对浅一些。 所以，财报附注分析这一场景，是非常适合用 AI 来进行增强。

这类场景最适合 AI 做的，不是直接替研究员下判断，而是把长文本先拆开、先定位、先归 类、先形成证据索引。也就是说，AI 先解决的是看材料的问题，而不是结论问题。这个顺序 很重要。因为只要证据链没有先搭起来，后面的判断就很容易漂。 更重要的是，附注场景天然适合形成标准化的“证据语言”。例如，现金不是只看货币资金余 额，还要看受限资金和现金等价物能否真正覆盖短债；债务不是只看借款科目，还要看应付 债券、租赁负债、应付利息和其他应付款中的计息部分；风险也不是只看单个的一个个指标， 而是要把资产减值、信用减值、合同负债、经营性应付和持续经营安排放在一起看。这样的 信息结构，恰恰适合 AI 做第一轮整理，再由研究员完成最后判断。

如果附注能够先被结构化，那么后面的很多研究动作就会被同时简化：横向比较可以更快， 时间序列变化可以更清楚，主体之间的差异也更容易被捕捉。更现实一点说，这意味着研究 员不必每次都从“找材料”开始，而是可以直接从“看变化”开始。这种前移带来的效率， 才是真正可感知的提效。 比如财报附注中常见的科目，并不是每一个都要一视同仁地处理：有些科目只是结果展示， 有些科目是中间过渡，有些科目则直接对应信用判断的核心约束。货币资金、受限资金、一 年内到期债务、应收与其他应收、存货跌价准备、资本化利息、担保和或有事项，这些往往 都是需要优先抓取的字段；而其他一些说明性内容，则更多是辅助判断。AI 最适合的，就是 先把这一层“优先级”做出来，让研究员的时间集中在真正关键的地方。 从实务经验看，财报附注如果没有先被结构化，很多研究动作会被迫重复。每一次看新主体， 都要重新翻附注、重新标记科目、重新挑证据；每一次做横向比较，都要重新校准口径。这 样一来，研究并不是在持续积累，而是在不断重复劳动。把附注做成可检索、可索引、可对 照的形式，才算真正把 AI 的优势用起来。