证券分析师会不会被人工智能替代？

自从2022年末ChatGPT火爆出圈，人工智能生成内容（AI Generated Content，简称“AIGC”）业务为市场所关注，内容从业者未来会被AI替代的预言四起，许多分析师就经常被问及这个话题。

然而至少今天来看，这一时点何时到来还不可见。现实的情形反而是，在国内各大科技厂商AI大模型研发之战正酣之际，从百度的文心一言，到腾讯的混元、阿里的通义千问、华为的盘古……“百模大战”的参与者，各擅哪些胜场，谁会胜出或出局，分析师的观点，颇为市场所渴求并重视。

这一结果，或可侧面回答开篇的问题，即人工智能究竟会成为分析师的“平替”，还是分析师乃至券商手里的“金刚钻”。

券商加码信息技术投入

“与入行的研究员相比，ChatGPT在资料搜索和整合上的效率高，而且可能更具有优势，内容更全面”，但是，由ChatGPT生产的研报，与券商各行业的首席分析师仍有较大差距，谈论数字化技术对分析师的替代，言之尚早。

财通证券研究所所长李跃博的观点，代表了当下的行业共识。

尽管ChatGPT从1.0进化到4.0，在360创始人周鸿祎看来，其已相当于理工科大学生的水平，但资本市场复杂多变，证券研究考量面广、专业度高，分析师的工作，AI还难以胜任。

虽然人工智能当下不能替代人工，不过，人对人工智能的利用已是一日千里。

分析师利用AI工具辅助研究、撰写公告点评等类型的简式研报，早就不是稀罕事。如今，在拓宽分析师的数据采集面，丰富其信息来源，提升其研究效率，打造投研支持平台等方面，包括AI在内的金融科技应用都展现出了可观的优势和落地速度。

事实上，金融堪称数字化、智能化技术的最佳落地领域之一。研究海内外券商的业务发展趋势可以发现，加大信息技术投入，加快金融与科技融合，增强智能投资与研究方面的竞争优势，深受业界重视。

仅从2022年上市券商已披露的信息技术投入来看，国内大中型券商中，华泰证券、中金公司、海通证券、招商证券、广发证券、国金证券的投入增幅均超过20%。其中，华泰证券投入达到27.24亿元，金额居行业第一；中金公司投入19.06亿元，金额上居第二，但增幅达44.83%，居于首位（表1）。

巨量投入，推动中国证券行业走向智能、高效发展之路，这也体现在分析师的日常工作中。

常规数据：爬虫挖掘与大数据技术加持，信息收集快、宽、细、准

数据是研报的基石，技术与研究的碰撞，最先改变的是分析师的数据获取效率和质量。

传统投研工作中，卖方分析师通常需要长期跟踪所研究的公司或行业，通过公司披露信息、实地调研等渠道，收集各类数据、信息；此后，依靠行业知识储备和历史经验，对数据进行加工整合；通过数理建模，展开预测；基于研究框架下的逻辑分析，形成观点，最终以报告的形式输出；同时，还要根据行业和市场的变化，对观点进行动态调整。

这一过程，对分析师的信息搜集、数据处理、逻辑分析和知识结构都提出了较高的要求，且耗费的时间成本不低。其中，数据收集是分析师工作的起点，其速度和质量，一定程度影响研究的速度和质量。

分析师需要收集的数据中，除了上市公司公告、交易数据、宏观数据、行业数据等常规数据，如果能快速收集到一些更为精细、深入的差异化数据，更有助于研究判断。

然而，在一些行业，碎片化和多源、异构的数据体系，往往为其研究平添困难。此时，通过调研、电话会议等渠道深入挖掘各类信息，成为分析师的核心竞争力之一。比如早年，一个分析师要想知道航空运输数据，需要打电话去各个旅行社了解情况，谁能找到更多的旅行社，谁就拥有更多的信息优势。

而在数字技术的加持下，分析师的信息获取速度不仅可以大大加快，信息面也可以大大拓宽，数据的多元化以及精细化程度可以大大加深。例如，爬虫技术的应用，可以通过模拟浏览器行为，自动化地从网页上抓取所需数据，极大地减轻人工操作的负担，让分析师获取大量颗粒度更细甚至意想不到的数据。

与此同时，通过大数据技术，也可以对收集的数据进行清洗和处理，探索其中的潜在规律，从而有助于分析师做出更准确且深度的判断。

结构化、模型化的处理使得金融市场大量原始数据的效用和价值得以提升。工作效率上，计算机在数据处理、模型搭建方面的速度明显超过人工，并可以避免因分析师个人水平、偏好、经验甚至情绪的不同而影响数据分析的结果。

因此，越来越多的金融机构在搭建智能投研平台时，重心之一即在于数据收集与处理，以探索“研究+数据”相结合的方式，提升研究质量。

譬如，东证期货推出的由大数据平台、人工智能、移动互联等技术所构建的智能投研平台“繁微”，即在引入数据可视化、流程化管理、人工智能等模块的基础上，将传统投研的各个环节优化升级，解放需耗费大量人工的基础投研数据搜集整理工作。

根据官方信息，在数据源的选择上，“繁微”结合了资深分析师在衍生品研究上的经验，从市场认可度、数据质量、数据稳定性等维度挑选对接数据商，并根据不同期货品种的研究框架，梳理成易于查询和使用的数据目录和图表。

而在技术上，针对梳理海量来源不同的数据要耗费大量精力，数据处理工作重复繁杂造成人力资源浪费，以及数据存储分散造成数据孤岛等一系列问题，“繁微”的ETL（数据仓库技术，是指将业务系统的数据经过抽取、清洗转换之后，加载到数据仓库）工具和数据集成平台，可以帮助解决格式转换、数据标准化、数据合并等问题，使数据更易于整合和分析，帮助研究员管理数据，支持其进行数据分析、建模等，助力研究效率提升。

目前，“繁微”平台的数据指标覆盖了超过60个商品/金融期货/期权，已完成清洗可直接使用的指标量达2万多条，形成标准的模板图表达3000多个，研究员可随时调用进行数据加工研究，或跟踪图表内数据更新情况，提升工作效率和准确性。

东证期货表示，在数据采集与整合方面，未来其将继续对数据的来源进行拓展和深挖，利用数据挖掘和自然语言处理，自动化数据采集和整合的过程，提高数据采集、清洗的效率；在数据分析与建模方面，使用机器学习、深度学习等技术，进行数据分析和建模。此外，针对非结构化的数据（如舆情资讯），进行自动化打标和情感分析，识别投资机会和风险，给出建议和预测，减少投资决策时间、降低风险。

另类数据：分析师必备新技能，成就差异化研究

常规数据之外，一些另类数据，比如产业链数据、政策与舆情数据、卫星图片、天气数据等，亦开始成为分析师重要的信息来源。

美国的Orbital Insight（轨道洞察）是一家通过分析卫星图像来获取和售卖数据的初创公司。据官网介绍，其在2019年推出了GO地理空间分析平台，通过提供融合了人工智能、卫星图像、合成孔径雷达（SAR）、自动识别系统（AIS）和物联网（IoT）设备的数据源，为分析人员提供支持。

其创始人詹姆斯·克劳福德（James Crawford）发现，通过卫星图观察不同地区在建建筑影子的变化，可以分析出建筑行业是处于繁荣上升还是萧条下降期；通过分析停车场的数据，可以预测沃尔玛、家得宝等零售商的季度销售情况。一个典型案例是，其基于对罗斯百货（Ross Stores）停车场的历史数据分析，预测其第三季度的销售额会好于预期，这一结果甚至优于同期分析师的普遍预测值。据称，目前该公司的首批用户已包括几家资管规模几十亿美元的对冲基金。

像这样的另类数据分析手段，亦被逐渐引入卖方研究领域。

大型投行摩根士丹利同样试图依靠数字手段获取的非标准化数据来了解市场。其量化和衍生品策略全球主管马克·科拉诺维奇（Marko Kolanovic）曾通过电子邮件表示，“我们跟踪新病例和住院的统计数据，可以更好地了解病毒的性质”。

“财务数据以外的数据不仅是有趣的，还将成为研究的核心组成部分。”瑞银证券研究与分析部组长胡安·路易斯·佩雷斯（Juan Luis Perez）表示。

早在2014年，瑞银便成立了瑞银实证所（UBS Evidence Lab）。其独立于瑞银研究的专家团队，每月会收集、清理数十亿个数据项目并运用多种工具及技巧，将数据转化为实证，以建立深度数据库。瑞银实证所创新业务全球总监巴里·赫雷维茨（Barry Hurewitz）表示：“瑞银实证所拥有超过100个不同的框架，以及大约55个不同的实验室。”其相关资产库涵盖各地区、行业的超过4000家公司。

瑞银会在研报中广泛使用瑞银实证所的独有数据，这些数据被认为能够辅助分析师们撰写具有差异化视角的深度研究，以加强瑞银的影响力。瑞银实证所每年也会基于另类数据和分析，发布约3000份策略研究报告。

数据驱动式研究为分析师提供了更多工具，当然，数据的多元化也给他们提出了新的要求，学习并利用这些新型数据，成为其必备技能。瑞银便部署了一个由数据分析师、机器学习专家等组成的团队，帮助分析师更好地使用数据。

与此同时，瑞银也会通过技术手段了解市场关注点，其产品Q-series正致力于此——它会每天在全网搜集客户最关注的问题，反馈给研究部门，并产出研究结果。瑞银证券董事总经理、研究部总监连沛堃曾表示：“通过这种方式研究出来的成果一定是客户最感兴趣、最想了解的，这样，客户也肯定会读我们的报告。这还能吸引他们购买我们报告背后的专家咨询和关键数据。”

连沛堃表示，瑞银还将通过AI对数据进行处理，帮助客户深度开发数据，瑞银希望将自己打造成一家研报产品差异化、数据系统化、跟踪行业有持续性的卖方研究机构。

欧美之外，中国分析师同样关注另类数据的应用。

清华大学金融科技研究院证券科技研究中心早在2020年针对分析师的一项调研结果便显示，分析师关注如何借助数字科技，在数据集采、足迹分析、地理空间分析、定量研究等方面引入新式调查研究手段，从多重角度获取有帮助的数据和信息。

天风证券副总裁、研究所所长赵晓光在接受新财富采访时曾表示，目前天风证券研究所已组建专门的数据研究团队——天风数据研究院，而产业链数据则成为重要的数据来源。赵晓光介绍，除传统的财务数据外，天风数据研究团队会对各产业的数据进行挖掘与梳理，帮助分析师进行信息加工，提升研究效率。

事实上，在传统的基本面研究方法的基础上，叠加大量另类数据，结合人工智能技术的使用，主要包括知识图谱、自然语言处理等，能使分析师们对投资机会及方向的挖掘进一步智能化。

具体来看，基于深度学习的自然语言处理技术，包含信息抽取与文本匹配两个方面，信息抽取，一般是指从非结构化文本中，抽取机器或程序能够理解的结构化知识。譬如，从政策信息、新闻舆情信息中，抽取关键内容构成另类数据，同时，针对单条的政策信息，可以采用文本匹配的方法来统计报道相关政策的新闻数量，以此量化政策发布后的热度，帮助分析师们更好地进行判断，提升工作效率。

而知识图谱提出之初，旨在实现更智能的搜索引擎。知识图谱能够将互联网上的信息、数据以及链接关系聚集为知识，使信息资源更易于计算、理解以及评价。通俗来讲，知识图谱是由节点和关系所组成的图谱，为真实世界各个场景的直观建模。通过不同知识的关联性形成一个网状的知识结构，看起来就如同一张图谱。构建知识图谱的过程在于让机器拥有认知能力，从而更好地理解世界。

通常情况下，面对大量的上市公司，分析师们很难对所有公司的经营情况与业绩预期有较为透彻的分析，而证券研究所可以通过构建相关产业的知识图谱，帮助分析师们进行判断。

譬如，企业知识图谱可以将每一家上市公司的股权关系及控股股东、主营业务及对外投资情况、专利技术、涉及司法诉讼情况、行业地位等情况表示出来；行业知识图谱则可以采集行业上下游的数据、市场相关信息，运用自然语言处理技术进行加工处理，然后对其中不同类型的信息设置不同的权重，将信息输入知识图谱中进行推导、计算，得到市场上所有的信息对相关企业产生的影响，并将影响以及影响力传导的路径、大小以图形的形式展示出来。

在量化研究中，目前已经有一些成型算法能够处理企业、行业、产业上下游等关联信息，可以根据知识图谱中相关信息来分析投资方向，选择投资标的，并且根据舆情信息，通过知识图谱、自然语言处理技术等，实时计算发现潜在的风险标的并预警。

中信证券即在新型数字技术的基础上，结合研究业务，形成了由政策到新闻、到产业链知识图谱、再到个股的政策事件驱动投研方案，而这一方案能够有效满足市场对于政策量化分析的需求。

譬如，中信证券研究10月发布的报告显示，在量化研究上，基于另类数据构建的量化指标往往可以获得较高的超额收益。其围绕基本面、政策情绪、研报情绪等10个核心指标，构建出针对中信二级行业房地产开发与运营指数的月频择时策略，经测算，10个指标中，6个择时胜率高于50%，8个超额年化收益率超过5%，其中，基于刚需二手房（指一居、二居户型二手房）成交量指标与基于政策情绪的月频指标的择时策略分别获得了13.4%与8.6%的超额年化收益，显示出另类数据的超额年化收益较高。

服务：数字平台、数字人，智能工具解锁沟通新形式

不仅如此，在智能投研平台的功能提升中，卖方研究的服务形式或也将同样迎来颠覆。

一直以来，投身卖方研究行业，成为一名分析师，往往意味着接受体力与脑力的双重考验。

由于客户分散，分析师们需要带着自己的观点飞往各地，为客户进行面对面路演。尤其在难以凭借单一的研究取得绝对性优势的前提下，不少分析师选择将更多精力投入客户服务，路演、电话会议、调研排满了他们的日程。

而随着技术的进步，分析师们正在改变传统的客户服务方式。

例如，当前大部分券商的研报可以通过投研平台、微信小程序等，实时、对口推送给买方机构。线上会议也已成为分析师和客户交流中使用频率最高的工具。

这些数字化平台的应用，不仅使得研究成果触达客户的形式更加多样化，大幅提升了分析师的服务效率，改善了沟通方式，也能够帮助分析师将服务细节进行量化评价。譬如，系统可以对买方的阅读、参会时长等数据进行统计，使得券商对客户需求以及自身的服务改善，有更加客观的数据可依。

而尤其值得关注的，是分析师在利用人工智能服务买方机构上的尝试。

2023年5月，曾有券商分析师通过“AI数字分身”，与机构见面。这一分身具有该分析师的声音和容貌，同时具有源自大模型的多模态交互和生成能力，能24小时不眠不休工作，还可以化为“亿万分身”，同时出现在路演现场、新闻发布会、分析师电话会等任何客户需要的地方，同时服务多个买方，节省体能的同时提升分析师的服务效率。

有公募基金从业者表示，技术上，AI路演已经可行，但机构会否接受AI路演，还需观察。“因为路演的价值在于一对一具体地、深入地聊一些信息。”

此外，业内也出现对于“数字人分身是否合规”的担忧。人工智能在金融领域的应用，同样受到科技伦理、法律等方面的约束。积极拥抱AI成为卖方研究大趋势下，数字分身的合法性与接受度问题，或仍需要在应用中解决。

质控：优化研报产出流程，精准识别，查缺补漏

数字技术的另一个落地场景，是研究的风控及合规环节。

据不完全统计，2023年上半年，监管部门针对券商研报共计开出40余张罚单，涉及22家券商，其中不乏知名分析师与头部券商。罚单类别主要为警示函、监管谈话、责令改正等，主要问题集中在券商研究内控制度不完善、内控制度执行有效性不足、具体研报制作审慎性不足等方面。

其中，研报数据引用不明确、底稿留存不全面、部分结论不够严谨、个别员工私自发表证券分析意见等，成为检查中出现问题的“重灾区”。

而在往年的监管调研中，监管部门也曾指出，部分券商研究报告质量控制和合规审查人员占比较低，研究报告质量控制和合规审查环节管控薄弱，要求各家券商研究部门配备充足的质量控制和合规审查人员，加强研报的质量控制。

随着监管对研报的审慎性提出更高的要求，多家券商研究所的质控岗出现缺口。有研究所人士谈到，质控岗多为前台的研究员转型而来，在监管从严的背景下，质控岗工作压力不小，人手有限，公司有长期招聘质控岗的需求。2023年6月至今，开源证券、国盛证券、东亚前海证券、民生证券、华创证券、天风证券、德邦证券等都陆续在不同渠道公开招聘研究所质控人员。

从招聘文案看，这一岗位对个人综合素质的要求较高，多个研究所表示，法律、财经、金融、会计、管理类专业优先，“吃苦抗压”“极强责任心”“认真细致”成为高频关键词。

研报数量的高速增长，正是质控压力的来源之一。Choice数据显示，年度发布研报数量在4000篇以上的证券研究所，由2021年的9家增长至2022年的15家。这意味着，这些研究所的质控与合规审查人员每天需要审核至少11篇研报。

那么，数字化技术的引入，能否有效解决研报质控问题？

目前，市面上已存在众多由第三方金融科技公司研发的人工智能审核系统。从介绍看，这些系统可以自动识别各类格式底稿的内容、语义，如图片、PDF、Excel等。分析师将研报所引用的截图、数据、原始文件的底稿等上传至平台，系统可自行将底稿与研报关联，自动审核，并对研报和研报底稿中的数据、文字信息进行精准识别，快速捕捉数据引用错误、文本写作错误、敏感信息、底稿遗漏缺失等情形，降低文字和数据出错的风险。

譬如成立于2017年的金融科技公司犀语科技推出的产品——犀察，其核心技术便是自然语言处理、图像识别以及知识图谱，在研报的质控上，可以就引用事件的准确性、合规性、敏感词、黑名单、查重等进行自动审核，并显示错误，提示更正和修改建议。

这些产品不仅在批量处理研报上具备优势，能够大幅提升审核效率，还能够对审核流程进行优化，支持分析师、研究助理、质控、合规等角色进行协同审核，并进行多角色、多人员的线上沟通，让每一次审核沟通有迹可循。

有券商内部的合规人员表示，质控监管的核心，更多在于保障研究报告的独立性和发布的公平性，具体抓手就是研究信息流的合规性管理，因此，需要相应的技防措施和信息系统作为保障。人工智能审核技术正满足这一要求。

不过目前，技术手段仍然无法取代人工审核。这是因为，研报质控岗需要具备出色的研究分析和逻辑思维能力，能够对研究报告撰写、财务分析和公司估值模型有较为深刻的理解和专业判断能力，同时要具有较强的职业敏感度、市场风险识别和危机管控能力。有券商研究所人员指出，质控岗既然能审核研报，也意味着其应当具备与分析师相当的研究分析能力，能看得出研报逻辑能否成立。

尽管如此，技术的发展仍令未来充满无数可能。Open AI发布的ChatGPT，不仅能对话、写作，还能编程等，一系列逆天表现让人们对AI的能力、算力有无限的想象。

华福证券首席战略官兼研究所所长周励谦即表示，将加快对AI等新技术的落地，提高对研报的自动化合规、质控审查能力，通过信息化率的提升，进一步提高业务管理的精细化和合规管理的有效性，持续优化业务管理流程。

平台化：数字化建设，全方位赋能分析师

在数字技术所展现的巨大优势下，越来越多的证券公司开始致力于打造平台级的投研能力，以全方位赋能分析师。

不少研究所正着力打造智能投研平台，利用数字技术，沉淀投研数据、模型与方法论，将资深分析师的个人经验沉淀为平台能力和价值，实现知识的可复制及可传承，令新人能够更快成长，提升效率的同时，也节省培训成本。

譬如，在产业链知识图谱的构建中，基于产业链上下游公司已有的非实时数据，构建基础架构的企业知识图谱，投研人员就可以看到上市公司及非上市公司与投研相关的市值、所属行业、行业地位等信息以及各个公司之间的相互关系。而对于其中的宏观信息、行业信息包括行业趋势、企业运营等的分析，则可以借助行业专家或资深分析师的经验来完成。

基于此，一个包含产业链上下游关系、股权、债券、合作、竞争、子公司、兄弟公司等信息的知识图谱，将直观展示在分析师面前，便于其对产业进行快速梳理。知识图谱将散乱的节点连接形成网状，以图谱可视化的形式展示出来，分析师可以观察各个节点间的关系对整个关系网造成的影响，并通过产业链上已经发生的事件及影响，来预测该产业链上其他公司可能会出现的情况。

知识图谱的构建，使得投研知识沉淀成为可能，各领域的资深分析师及专家可以将自身经验沉淀在智能投研平台上，一定程度上节约了因人员变动而产生的高昂交接及培训成本。

长江证券研究所正是其中代表。其总裁刘元瑞在接受新财富采访时曾表示，打造智能投研平台，主要是为产品端以及投研端赋能。

在智能平台的构建上，刘元瑞介绍，第一步是实现数据的归集，第二步则是研究图谱的搭建。他表示，按照传统的方式，当某个数据发生变化时，分析师只有关注到这一变化，才能进行后续的研报生产，而在研究图谱的帮助下，系统会根据其习惯自动抓取、梳理和规整所需数据，成为分析师的智能助手。

华泰证券在2022年推出的机构客户数字服务平台“行知”最新版本，体现了相似的思路。据介绍，这一平台汇聚分析师、上市公司、行业专家等人士的经验，基于120个研究子领域，汇聚了34个行业研究以及4个总量研究的模型及产业链图谱，将底层研究数据、研究框架、研究逻辑以及产品输出等进行数字化整合，更好服务投资者的同时，也有助于沉淀智力和经验，助力研究工作更加聚焦于产业和公司的深层逻辑，提升研究深度与价值。

中信证券在研究数字化赋能方面同样走在前列。其研究部数据科技首席分析师张若海介绍，中信证券研究部的标准化投研产品“投研魔方”，在对内数字化工作赋能方面，可以实现更好的可视化布局，方便初级分析师更快捷、更全面地获得内部资源。同时，在数据资产的可触达性上有了显著提升。垂直行业研究员可以更加便捷地了解研究部的全面储备，数据可以成体系地有效支撑研究员的增量业务需求。

数字化能否助力行业破局？

当下，随着分仓佣金的下降，外部环境改变之下，卖方研究或再一次站在破局的关键时点。

一方面，作为券商研究所主要收入来源的公募基金分仓佣金呈下降趋势。公募基金2022年年报显示，其股票交易总额为24.90万亿元，券商斩获的佣金分仓总收入达188.72亿元，与2021年的222.5亿元相比，整体下滑15.18%（图1）。

另一方面，券商研究所之间有着强竞争生态。2003年以来，Top10券商的分仓佣金占比缓慢下滑（图2），行业集中度的下滑，意味着券商之间的竞争更趋激烈。

这一态势下，高质量的研究会更具竞争力。以欧洲市场为参照，自经历《欧盟金融工具市场指导》（MiFIDⅡ）改革以来，哪怕证券研究机构的收入与佣金完全脱钩，研报价格变得透明，买方机构也需要挑选合适的外部研究，也就是说，研究的需求会一直存在，尽管大型券商仍具备规模优势，但长期看，研究质量会实际发挥决定作用。

从国际投行的实践来看，数字化建设不可或缺。波士顿咨询（BCG）认为，数字化突破将成为券商拉开差距、形成自身品牌特色的有力武器。

譬如，将产品差异化作为核心目标的瑞银全球研究所，其生产差异化研究产品的核心法宝正是瑞银实证所，作为瑞银集团的全球数据工厂，其管理着大量数据的标准化使用。

再譬如智能投研领域的现象级明星公司Kensho（肯硕，2018年为标普全球收购），其致力于寻找事件与资产之间的相关度来做投资预测，可以利用人工智能技术大数据平台，帮助卖方人员快速准确地生成销售材料以及研究报告。自创立之初，其便以“华尔街之狼”“取代分析师”等口号吸引了海内外大量的关注，而大型投行高盛正是Kensho最大的投资人。

反观国内市场，在技术的催化下，传统卖方研究市场或将进一步分化。以新兴技术为核心的金融科技，或将推动研究业务向更具智能化、精准化和特色化的服务模式发展。对于陷入存量博弈状态已久的卖方研究行业而言，率先实现数字化突破的券商研究所，或将抢占更多先机。加强平台对研究的加持，在卖方研究商业模式的变革中，抢先迈入新时代，正成为每一家券商研究所面对的课题。