猜你想问
东北金工联合Alpha Engine发布的AI投研Skill具体是什么？
东北金工团队联合Alpha Engine在Alpha Engine平台Skill广场首发两款量化Skill：拥挤度查询和公募持仓查询。这两款Skill仅Alpha Engine用户可调用，数据每日更新，拥挤度相关数据早8点半后可获取。调用便捷，通过平台斜杠指令即可调出，对话上下文自动锁定Skill范围，可直接获取指标结果并获得AI专业解读，无需复杂代码或额外沟通。拥挤度模型为东北金工2018年研发，框架稳定，通过趋势、估值、换手、同涨同跌四大底层指标综合打分，覆盖行业、风格两个维度，样本外数据表现稳定，可辅助仓位管理与避险。公募持仓测算通过抗弯滤波、加权回归等方法，以基金净值波动与行业走势为依据，测算公募行业超配低配、风格偏向等情况，为低特征测算指标，仅作参考。
AI投研生态未来发展趋势如何？
AI时代专业投研的核心是构筑专属上下文，人类稀缺的是选择判断能力，而非执行工作。专业投研Skill是封装成熟研究能力的Agent工具，可降低AI推理负荷、提升效率与可控性。当下AI应用分两类：补短板（占比约80%）、拉长板（占比约10%），拉长板需将个人/团队的优质投研框架、研究方法封装为Skill，形成独特竞争优势。Skill生态需双向建设，当前应优先打造点状深度Skill而非追求广度，未来将发展为专用Agent与券商端Agent联动的生态，AI还可帮助从业者破圈，弥补跨领域知识不足。
报告重点分析了哪些方向？
报告重点介绍了东北金工联合Alpha Engine发布的两款AI投研Skill：拥挤度查询和公募持仓查询。拥挤度模型通过趋势、估值、换手、同涨同跌四大底层指标综合打分，覆盖行业、风格两个维度，样本外数据表现稳定，可辅助仓位管理与避险。公募持仓测算通过抗弯滤波、加权回归等方法，以基金净值波动与行业走势为依据，测算公募行业超配低配、风格偏向等情况，为低特征测算指标，仅作参考。同时，报告探讨了AI投研生态的核心观点，强调构筑专属上下文和专业投研Skill的重要性。
当前市场对AI投研Skill的接受情况如何？
当前AI应用分两类：补短板（占比约80%）、拉长板（占比约10%）。补短板类应用占比高，主要解决执行层面的问题；拉长板类应用占比低，需要将个人/团队的优质投研框架、研究方法封装为Skill，形成独特竞争优势。Skill生态需双向建设，当前应优先打造点状深度Skill而非追求广度，未来将发展为专用Agent与券商端Agent联动的生态。AI投研Skill的接受情况取决于其能否有效降低AI推理负荷、提升效率与可控性，以及能否帮助从业者破圈，弥补跨领域知识不足。
研报提示了哪些风险？
公募持仓测算为低特征指标，结果存在不确定性，仅作参考。AI技术迭代快，需持续积累人机交互经验，避免因排斥AI而落后。单一大模型能力尚存在局限，依赖Skill可提升投研结果的稳定性与准确性。此外，Skill生态的建设需要时间，当前应优先打造点状深度Skill而非追求广度，未来将发展为专用Agent与券商端Agent联动的生态。在应用AI投研Skill时，需注意其局限性，并结合自身经验进行综合判断。