新华资产管理股份有限公司信息管理部总经理 李涛

  随着数据规模的剧增和信息流的加速，投资研究人员不仅需要快速浏览海量资讯，还要在有限的时间内进行深度逻辑推演，这对其信息处理的时效性和准确性提出了更高要求。大模型训练微调、混合专家模型、多模态融合、提示词工程(Prompt Engineering)、检索增强生成(RAG)、思维链(CoT)、智能体(Agent)以及推理大模型的发展，将大模型技术和应用推向了新的发展阶段，也为投研工作提供了新的思路。凭借强大的阅读理解、文本生成、逻辑推理能力，大模型不仅能够从冗杂的内容中提炼出核心信息，还能从海量的投研资讯中捕捉市场热点与关键逻辑。基于这些前沿技术，新华资产管理股份有限公司(以下简称“新华资产”)打造了“AI小研”智能投研辅助工具，该工具是一个应用灵活的智能助手，能够提升投资研究人员对市场资讯的覆盖面与决策精度，提高整体投研质量和效率。

  一、以投研场景为锚开展核心技术探索

  新华资产以投研业务中的高频场景为锚点，判断当前AI大模型及相关技术发展与业务场景的契合度，进而构建一个AI技术工具箱，为“AI小研”的探索与实践提供技术储备。

  1.热点研判与观点跟踪

  在热点研判场景，研究人员需要从大量卖方报告中提取出热点主题与趋势，而基于提示词工程和RAG的技术组合可以高效支持热点分析。提示词工程通过设计精准的提示词模板引导大模型提取重点内容，确保生成的要点符合分析需求。同时，思维链可帮助系统逐步分解复杂推理，针对热点的因果关系和背景开展深入分析。智能体技术在热点追踪中扮演工作流编排助手的角色，能够根据设定的关键词和话题动态筛选卖方报告内容，并运用概念标签和相似度模型，帮助研究人员构建热点主题的关联关系。这一过程使得研究人员不仅可以快速获取关键信息，还能获得上下游关联观点，形成更为立体的热点分析报告。

  2.财报点评与AI辅助写作

  每逢上市公司财报披露季，研究人员需要分析和解读大量财报公告，而自然语言转SQL(NL2SQL)和自然语言转API(NL2API)技术可以极大地优化数据获取流程。这类技术通过自然语言指令直接查询数据库或数据接口，省去繁琐的取数操作，且规避了传统向量化方式召回率低的短板。同时，领域微调可帮助大模型理解财务语言和指标含义，从而生成更加符合行业标准的点评。

  在生成评论内容方面，思维链通过逐步展开的方式支持因果分析，使大模型能够清晰地阐述数据变化背后的原因;提示词工程优化了生成模板，确保自动生成的财报点评覆盖核心要点。在重要信息加工与整合场景，智能体技术能够自动调用不同模块或数据库，动态聚合与实时更新信息，最终协助研究人员生成高质量的点评报告。

  3.语音识别与路演内容整理

  面对大量的卖方路演与电话会议内容，研究人员往往难以全面覆盖并快速整理出差异化观点。智能语音识别技术可通过实时转录将语音内容转化为文字，提示词工程和领域微调可帮助模型在大量文本中精准识别并提取关键主题。为进一步提炼重点内容，智能体技术能够在转录文本的过程中自动进行内容分类，筛选出高价值观点。结合RAG技术，智能体还可将音频内容与已存储的卖方研究报告进行交叉匹配，筛选出具有新意或与现有观点相符的内容，从而有效辅助研究人员提高信息获取的精确性与时效性。

  二、“AI小研”重点场景应用实践

  新华资产围绕投研重点业务场景为“AI小研”打造了热点研判与观点跟踪、财报点评与AI辅助写作、智能语音分析等专属功能，帮助研究人员高效应对市场波动和信息变化。

  1.热点研判与观点跟踪

  在投资研究中，热点分析是捕捉市场情绪变化、判断边际方向的重要途径。随着数据源的增多和信息流量的激增，如何高效且精准地筛选出对投资决策有直接影响的热点成为投研机构的重要课题。新华资产基于RAG技术和大模型的长文本能力，从热点取值、语义扩充、研报映射到智能速读，构建了一个热点事件跟踪工作流，显著提高了信息筛选的精确度与洞察的深度。热点研判与观点跟踪示意如图1所示。

图1 热点研判与观点跟踪示意

  (1)热点圈定，精准筛选与提取

  热点圈定通过多个维度的筛选与过滤机制，确保最终呈现的热点具备较高的市场影响力和相关性。首先，“AI小研”利用概念筛选与过滤功能，从广泛的市场概念中提取高价值的热点信息，对概念的涨跌幅和波动率进行计算统计，剔除地域等无关标签，并结合市场舆情传播的量化指标来确保热点具有较高的时效性。同时，为了进一步聚焦影响显著的热点，结合保险资管业务特点，“AI小研”优化了成交额、小规模、低关注度等信息，进一步固化了热点概念分析框架，使热点与实际业务的匹配度显著提升。

  (2)语义扩充机制进一步提升热点内容匹配度

  资本市场的热点瞬息万变，存量公司增加新概念的情况时有发生，新概念的逻辑论证推演需要以过往观点为依据，这就需要“AI小研”进一步通过语义扩充和定向回收功能增强热点识别与关联能力。借助同义词扩展与语义扩充，“AI小研”不仅能识别基本热点词，还能捕捉到与之相关的同类概念，确保热点在多维语义层面得到覆盖。例如，鸿蒙作为热点词涉及通信行业时，“AI小研”会自动关联其行业内的信创、昇腾、华为欧拉等其他相关主题。

  (3)研报映射，从概念到研报的高效匹配

  热点分析的价值在于其权威性与专业性，特别是在为研究人员提供决策支持的过程中。为此，“AI小研”为热点概念与研报内容建立了紧密的映射关系。通过自动化标签体系，热点概念能够精确映射至宏观、行业、投资策略等研报维度，确保研究人员在调阅研报时能够快速定位到与当前热点直接相关的内容。此外，“AI小研”通过概念下的成分股，可进一步将热点概念与个股进行精细关联，这种双向映射不仅支持热点与个股的直接关联，还能通过大模型的语义扩展能力，帮助系统从各类投研报告中提取与热点词相关的参考素材，进一步提升分析的深度和实用性。研报高效匹配流程如图2所示。

图2 研报高效匹配流程

  (4)观点提要，基于LLM长文本能力的要点提取

  热点信息的全面提取不仅依赖概念与观点的筛选，更需要在长文本信息中总结出具备实际价值的核心内容。借助大语言模型的长文本能力，新华资产对研报内容进行了多维度的智能化提取。首先，“AI小研”基于RAG技术从不同维度通读研报全文，可系统化地提取出最为关键的素材，同时自动进行智能化总结。系统的提取方式包括全维度观点抽取、定向业务维度抽取以及不相关维度的自动过滤，帮助研究人员从多个视角获取研报最有价值的见解。为了满足研究人员快速掌握要点的需求，新华资产在大模型能力的基础上结合了深度提示词工程和思维链能力，设计了多维度速读总结功能。因此，“AI小研”可直接对研报全文进行快速的多维要点总结，使研究人员能够在短时间内全面了解研报的核心内容(如图3所示)。在热点分析中，这一速读总结功能极大地缩短了研究人员的阅读与筛选时间，提高了研报解读的效率。

图3 研报速读详情效果示意

  2.财报点评与AI辅助写作

  在财报发布高峰期，研究人员往往面临大量数据解读和业绩点评的压力。为帮助研究人员在短时间内高效生成上市公司业绩点评，新华资产基于“AI小研”开发了专属的财报点评助手来辅助报告撰写。这一智能化助手不仅确保了财报发布高峰期内点评的时效性，还让研究人员能更专注于撰写高质量的投资建议，助力实现从数据采集到深度分析的流程自动化。其构建逻辑围绕结构化的点评框架、归因分析、多维素材召回三个主要步骤展开。财报点评归因分析流程如图4所示。

图4 财报点评归因分析流程

  (1)结构化点评框架与数据调取技术相结合可高效分析财报

  财报点评助手可提供分析模板及多个分析维度，能自动检测财报数据变化并定位关键解读要点。在数据调用环节，财报点评助手借助大语言模型及NL2API技术将财务数据转化为结构化信息并嵌入点评模板，可自动调取多数据源财务信息，并将其整合为结构化数据，确保数据传输准确，减少人工干预和出错概率，缩短研究人员数据录入的时间，确保财务数据准确可追溯，提高分析效率和数据可信度。

  (2)财务科目归因与智能提示

  财报分析的深度在于准确的变动归因，为此，财报点评助手内置了智能化的归因分析模型，可基于财务科目变动规则进行自动化的归因解析。财报点评助手可根据预设的规则自动识别财务科目变化的异常点，并自动生成相应的分析提示词，帮助研究人员更精确地理解财报中的关键变化。提示词的自动生成功能让财报点评助手能够将重要变动信息通过直观的提示展现给研究人员，确保分析过程流畅，同时减少对财报细节的逐项检查，极大提升了分析效率。

  (3)素材召回与点评报告生成

  财报点评助手首先整合基础财务数据，按预制框架的要求组织内容结构，并在关键节点融入智能生成的素材，包括重点财务数据、数据变动归因、主营业务表现、整体评价以及未来业务展望等多个模块。在数据与素材汇总完毕后，财报点评助手通过Prompt工程优化，基于召回素材与点评框架需求生成条理清晰、内容丰富、逻辑严密、全面且专业的点评报告，让研究人员可以在短时间内获得专业的财报分析支持。

  3.智能语音分析

  在高负荷投研环境中，“AI小研”的智能语音分析功能可助力研究人员高效应对挑战。为实现金融领域特征兼容，新华资产基于垂直领域6000小时会议语料对语音转录模型进行精调训练，并以新闻和研报语料等金融领域定向语料对基座模型进行全参微调，大幅提升模型的生成能力和领域适用性。全参微调主要经过语音转录与大模型深度分析两个阶段。

  在语音转录阶段，首先对音视频文件的格式、采样率、无效数据片段等进行预处理;然后，使用精调训练后的语音转录模型生成高质量文字，并记录时间戳以便快速定位原始音频片段，且对不同讲话人进行识别区分;最后，基于大语言模型对转录的文本内容与发言人角色识别信息进行整体优化，包括分段、补全标点、标准化数字、段落文字长度控制、多余语气词去除等，确保文本内容聚焦精练、文本逻辑连贯且符合阅读习惯。

  大模型深度分析主要体现为分段摘要、会议要点、指标提取等方面，如运用大模型能力自动识别会议转录内容中的关键部分，根据发言内容总结分段摘要，根据全文发言主旨梳理出核心会议要点，并将会议中涉及的关键数据指标进行统一提取和聚合展示，辅助研究人员快速获取会议关键信息。智能语音分析效果如图5所示。

图5 智能语音分析效果

  三、“AI小研”迭代方向

  “AI小研”的市场热点跟踪、财报智能点评和智能语音等重点功能在高频业务场景发挥了显著的提效作用。随着用户黏性的提升，“AI小研”积累了大量的数据，为后续进一步衍生应用提供了基础保障。新华资产将从技术迭代优化、业务拓展、交互优化等多个方面对“AI小研”进行持续迭代。

  一是技术迭代优化。首先，通过优化RAG技术来提高“AI小研”的信息检索召回率，更精准地获取关键信息;其次，实现多模态融合，将图像、文本和音视频数据相结合;再次，引入知识图谱动态更新技术，对实时数据进行动态跟踪，并运用迁移学习和微调技术满足特定投研需求;最后，丰富AI技术工具箱，提升复杂信息处理能力，包括基座模型迭代升级、数据应用生态扩充、大模型应用流程编排、智能体与业务场景深度融合、多模态交互入口打造、推理加速与算力优化等。

  二是业务拓展。新华资产将围绕信用评估领域进一步下沉“AI小研”的应用场景。在信息收集环节，利用其强大的信息检索能力，快速从公开渠道、专业数据库以及实地调研中获取更全面、准确的发行人信息，包括公司治理、财务状况、行业动态等，提高信息收集的效率和质量;在分析评估环节，通过智能分析工具，对财务数据进行更深入的比率分析、趋势分析和结构分析，同时结合行业分析和公司治理分析，为信用评估提供更客观、科学的依据;在评级确定环节，借助先进的算法和模型，综合考虑各种因素，得出更精准的评级结果，并根据特殊事件及时进行调整;在跟踪监测环节，实时关注市场动态和重大事件，对发行人的信用状况进行持续监测和评估，为保险资金的运用提供及时、可靠的决策支持。

  三是交互优化。“AI小研”的多端联动智能交互体将为用户带来全新的体验。新华资产将通过整合数字人、智能体、多模态知识库和投研数据底座等基础能力，在不同领域打造强大的智能交互入口。对外，数字人智能体将作为机构运营服务的窗口，在对客需求分析、产品规划、营销推广、信息披露、合规管理、监管报送等方面进行全面的数智服务;对内，数字人智能体能够根据用户的语音提示拆解复杂任务，迅速响应并从内外部数据源收集相关信息，给出深度解读。同时，多模态知识库为智能体提供相关数据支持，帮助其更好地理解任务和分析数据。

  未来，新华资产将持续对“AI小研”进行迭代升级，跟踪最新技术发展趋势，进一步优化用户体验，提升投研工作效率，积极推动智能投研在保险资管领域的落地实践。

作者：新华资产管理股份有限公司信息管理部总经理 李涛

   新华资产管理股份有限公司信息管理部 李旭嘉