基于AIAgent的固收投研应用研究
// 摘要 //
AI固收投研的意义及路径：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，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被压缩到碎片化的时间窗口中。但换个角度看，持续增长的工作量里，存在大量规则明确、流程固定的任务，这部分工作天然适合交给自动化系统承担，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。
固收投研Skill：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”。
基于多Agent的债市研判：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的充分发挥-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，形成判断。在四种曲线判断逻辑的基础之上，进一步将各个曲线的形态封装成独立的Skill，再将各个Skill互相协作形成基于基本面、政策面、资金面、供给面和情绪面的五维度债市研判，每个维度由一个专业Agent独立分析，最后综合五个Agent的判断形成统一决策。该架构优势：(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。五个Agent及其职责，其中基本面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。
风险提示：数据不完整及统计存在偏差，历史规律未必代表未来，AI输出可能存在偏差。
// 报告正文 //
01
AI固收投研的必要性及路径1.1 必要性
固收投研工作的本质是数据密集型工作，从数据跟踪到走势判断到策略生成到组合执行再到业绩回溯，每一个研究环节都伴随着大量数据的获取、清洗、计算与呈现，这一过程涉及宏观基本面研判、货币政策解读、资金面监测、信用风险评估、机构行为跟踪、期限结构与利差分析等多个维度，每个维度背后都对应着持续更新的数据和复杂的交叉验证关系。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。但换个角度看，持续增长的工作量里，存在大量规则明确、流程固定的任务，这部分工作天然适合交给自动化系统承担，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。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，其优势较人工处理包括（1）自动化：自动完成数据收集、整理、监控、预警，把投研人员从重复劳动中解放出来，实现“人做决策，AI做执行”；（2）个性化：针对每个客户的情况，自主生成个性化的资产配置建议、产品推荐、持续陪伴服务，大幅降低服务成本，实现长尾客户的全覆盖；（3）实时性：实时监控全市场的舆情、数据、政策变化，第一时间做出分析和风险预警，把风险管理从事后处置变成事前预防；（4）标准化：自动校验全流程的内容与操作，确保业务合规，降低人工出错概率，大幅减少合规人力成本。固收投研是一个从数据到决策的闭环系统，且遵循基础数据维护，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。五个环节的逻辑关系是：数据是基础，研究是对数据的解读，策略是研究的产物，回测是策略的验证，业绩归因是策略执行后的复盘，归因的结论又反馈到研究和策略环节，形成闭环。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。
1.2 实现路径
第一层：工具与数据层——Wind API、交易系统、知识库、舆情监控等基础设施。第二层：Skill能力层——可复用的专业技能包，封装固收特定的知识、工作流、工具和传统经验。每个Skill由SKILL.md定义，包含触发条件、执行流程、工具和脚本、参数定义。进一步看，技术分析SKILL的意义也不只是“自动生成一段分析文字”，更重要的是，它将研究员日常反复进行的高频工作沉淀为统一口径下的标准工作流，并最终以直观、可信的形式交付。第三层：Agent协同层——多个专业Agent分工协作，各司其职，策略评审与投票，Skill助力多Agent实现。
1.2.1 封装高频Skill
固收投研中大量工作具有高度重复性——定期下载数据、跨表清洗对齐、按固定公式计算指标、生成标准化图表。这些环节的共同特征是输入明确、输出明确、中间逻辑固定，不需要在每一次执行时重新判断。将这类工作封装为Skill，封装Skill的过程中，输入端需要明确数据来源的层级—是直接从相关网站下载，还是从终端通过函数接口拉取，抑或是从已经落地的本地数据库中调取；处理端需要把研究员日常手工操作的每一步（筛选、拼接、去重、异常值处理）写成可复用的步骤链；输出端则需要标准化为后续Agent或人工可以直接消费的结构化数据，而不是一份只能用肉眼看的数据表格。封装完成之后，这个Skill就降低了个人经验的依赖，团队中的任何人都可以调用同一个Skill得到同一口径的结果。
1.2.2 小规模Agent协同
Skill解决的是"怎么做"的问题，但固收投研中更核心的问题是"怎么看"——面对多个维度的数据，如何给出方向性判断。这时候就需要Agent。Agent与Skill的根本区别在于，Skill是被动执行的工具，Agent是主动判断的决策单元。一个Agent通常会调用多个Skill作为其底层数据获取和计算能力，但它自身的核心工作是权衡各项指标后产出带有置信度的判断。
小规模Agent协同是验证这套机制是否可行的最小闭环。通常两到三个Agent即可构成一个完整的投研节点：一个负责某个分析维度（比如资金面或宏观方向），调用相关Skill拉取数据和计算指标；另一个负责风险校验，检查前一个Agent的判断是否超出了预设的约束边界；第三个负责将分析过程和结论组织成可交付的研究成果。这个最小协同单元跑通之后，就可以向更多Agent、更细维度的系统演进——每个新加入的Agent只需要遵循统一的接口规范，即可嵌入已有流程，而不需要重构整个决策链条。
02
固收投研Skill应用一套完整的固收投研体系包括基础数据维护、定期行情跟踪复盘、行情预测判断、投资决策制定以及时复盘归因，整套流程依靠不同角色多人协同分工完成，每个研究员/投资经理既是决策链中的基础“工具”也是“裁判”，Skill在整个投研流程中扮演的角色即“工具”层。
2.1 数据集成类skill
固收投研对“基础数据搭建”的依赖较强，原因在于其分析对象是多频率、多口径、多市场、来源分散的组合，如常见的利率分析师会从WIND、iFinD、中债、上交所、深交所、外汇交易中心等多源头获取数据，数据处理并非一次性完成，而是一个“人工下载—Excel拼接—手工刷新—经验判断”的持续滚动的工程。Skill不是一个单独工具，而是一种新的研究生产组织方式，它把过去散落在Excel插件、个人脚本、手工文件夹、口头经验里的内容，拆解为可调用、可审计、可增量更新的研究资产，把团队已有的数据方法论、分析框架和经验阈值以标准化结构沉淀为可以反复调用的、可检索、可分析、可追溯Skill。
应用场景一：对于结构化数据通常是从WIND/iFinD中通过函数获取，在《固收量化周报20260518：券商和基金承接超长端》中我们提出了一个可以定时更新带有WIND函数的数据库功能，该skill能够实现在不打开excel的情况下，自动完成更新到指定日期的含有Wind函数、iFinD函数、普通excel函数等表格，并且能够实现自我检查检验，如果有错误及时纠正报告，该skill助力人工处理大量含有外部终端函数场景中，且后续可以继续实现多个表格按顺序或者并行处理，并且可以设置定时任务，即让Skill助力日常固收投研人员对于繁琐表格处理。
应用场景二：如何用Skill整理公告、研报、披露文件等非结构化数据，以机构行为数据回顾为例，可通过将本地的数据以看板的形式展现，该Skill可以实现每天自动更新数据看板，从传统的excel拉数据到灵活操作“按钮”即可实现快速查询各个机构在指定期间内配置交易行为特征。
2.2 行情跟踪：债市复盘skill
在债券市场的研究与交易实践中，10年期国债收益率作为中国债市的"锚定利率"，其单日大幅下行往往意味着重大宏观信号——可能是央行超预期降息、政治局会议政策定调转向、社融数据不及预期、或是外部地缘冲击的避险反应。然而，当前对这类事件的追踪普遍依赖人工翻阅Wind终端、手动导出利率数据、逐日比对新闻公告，效率低下且容易遗漏，如果能将利率异动监测、事件归因和规律统计系统化为一个自动化数据看板，就能帮助研究员和投资经理在及时感知市场信号、快速定位触发因素、并基于历史规律做出更有依据的判断。本Skill旨在将此前手工完成的"利率下行事件库"升级为一个可持续运行的数据看板工具：自动读取最新利率数据、识别单日大幅下行、匹配可能的宏观事件、按驱动类型分类统计、并生成可视化报告。其核心价值在于将"经验驱动的复盘"转化为"数据驱动的实时监测"，为债券投研提供一套更加及时的利率异动监测框架。
以债市周度/月度复盘为例，我们将每日的债市走势及相关事件同步处理后以图文形式展现出来，便于快速进行指定区间段的债市行情分析（如图4）。在研究过程中，研究员可能会对历史上的特殊事件做回顾分析，比如“历史上降准降息前后10日债市走势”，“历史上PMI降幅较高的时候原因分析”，我们以“历史上10Y利率单日降幅大于4BP”作为特殊事件进行回顾分析，使用AI Agent对于本地数据进行汇总形成可直观覆盖历史单日降幅较高的时间及触发因素（如图5）。历史上2024年以来，10Y利率单日大幅下行的核心特征可以概括为：政策预期主导、基本面偏弱配合、配置力量在关键时点放大行情，外部冲击则在短期内制造最大弹性。从样本看，2024年以来18次事件的平均单日下行幅度约为5.5bp，其中最大一次是2024-09-30，10Y收益率单日下行10.2bp，触发因素是“924新政” 后降准、降息等宽货币信号释放的窗口期，叠加股市上涨后的股债跷跷板效应及债市修复补涨行情。这说明，单日极端下行往往不是单一行情驱动，而是政策组合、市场仓位、跨资产再定价同时发生时形成的集中反应。
2.3 数据预测：宏观数据预测skillPMI预测值并非依赖人工判断或简单加权，而是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，如南方电厂煤炭日耗、高炉开工率、汽车轮胎开工率（全钢胎/半钢胎）、聚酯切片开工率、PTA开工率等15项生产端指标，加上需求端高频数据，通过线性回归回归拟合历史PMI公布值与高频指标的关系，实现每月PMI正式公布前的高频预测。
多元线性回归模型的全链路在Excel里较难维护，它不是简单的线性公式——需要将15+个高频指标作为特征向量、做数据预处理（缺失值填充、异常值处理、季节性调整）、训练线性回归模型、生成预测值与置信区间。这套流程在Excel里几乎不可行——要么用Python训练好模型后手动把结果贴回Excel（每月一次），要么退化为简单加权，使用skill将线性回归的预测链路可以被固化、自动化和迭代。
使用预测Skill，我们对2026年8月PMI预测值为49.47（实际值49.8），在景气度下方。具体到高频数据，8月PMI预测值降至49.47，核心原因不是生产端单边走弱，而是需求端拖累更突出。生产端细分指标有升有降、整体韧性尚存；需求端虽然有出行、零售和物流类指标支撑，但地产成交、乘用车批发回落更明显，最终使PMI预测值继续处于景气度下方。
2.4 综合决策：骑乘策略skill
一个完整的投研需要有一个可落地执行的策略，在我们的报告《固收量化周报20260623：近期机构行为特点》中，我们提出了一个骑乘策略skill，该skill基于传统的Excel骑乘模型在单次测算中已具备成熟的计算能力，但在工具交付、日频维护、批量回测及团队方法论传承等外延场景中存在显著瓶颈。将骑乘策略方法论结构化为AI可调用的技能模块，并非替代既有Excel流程，而是针对其周边重复劳动提供标准化解决方案。
2.5 事后复盘：业绩归因skill
如何快速、标准化地拆解一只债券基金的收益来源，传统的做法是依赖Wind终端导出基金净值数据和各类指数收益率，在Excel中手动构建因子组合、做久期中性化处理、运行回归，最后整理成一张归因表。整个过程耗时久，高度依赖分析师个人经验，通过蒸馏后的skill 把整个流程工程化，输入基金代码，选择日期区间，后端自动从东方财富API拉取完整的日收益率数据，结合本地基准收益率数据，自动构建5个久期中性化因子（Level、Slope、Convex、Credit、Default），运行OLS回归，返回结构化的归因结果。研究者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”。
我们用该Skill合成一个可实现在线查询某个产品的业绩归因来源（如图8），该产品在2026年初至8月底的收益归因中，利率水平因子是最主要的正贡献来源（Level，+4.8793%），说明产品在该方向上判断较为有效；凸性因子和信用利差因子贡献较小，对整体收益形成边际影响；期限结构因子贡献接近于零（-0.0728%），说明曲线斜率暴露不强；信用利差因子是本区间内主要拖累项（Credit，-0.0737%），表明产品在该方向上的配置并不占优；评级利差因子形成正贡献（+1.6300%），反映信用等级或违约利差变化对收益的影响。
03
基于多Agent的债市研判
3.1 利率曲线判断
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。债券收益率曲线变化可以拆成两个维度：一是整条曲线是上移还是下移，二是曲线斜率是变陡还是变平。当收益率整体下行时，债券价格上涨，称为“牛”；当收益率整体上行时，债券价格下跌，称为“熊”；当长短端利差扩大，称为“陡”；当长短端利差收窄，称为“平”。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。短端通常更敏感于政策利率、资金面、逆回购与银行负债成本；长端更敏感于增长预期、通胀路径、财政扩张、超长债供给、风险偏好和长期配置需求。
3.1.1 牛陡：资金宽松推动短端先下
牛陡是“收益率整体下行，但短端下行幅度大于长端，导致曲线斜率增大、曲线更陡”，通常发生在流动性宽松、央行降息在短端兑现，或对宽松预期提前定价，短端快速下行，但市场对中长期经济复苏、通胀升温仍有理性预期，长端收益率下行幅度有限，甚至保持平稳，长端下行幅度相对较小。传导链条：降息/流动性投放→DR007和同业存单利率下降→1Y、2Y收益率快速下降→10Y、30Y下行较慢→30Y-2Y与10Y-1Y走阔→牛陡。判断指标：1Y、10Y、30Y均下行，30Y-2Y利差、10Y-1Y利差走阔。对交易而言，牛陡通常利好短端或中短端久期资产的相对表现，持仓结构上更适合多短空长。
2020年初至4月是中国债市最典型的牛陡阶段之一。公共卫生事件影响下，央行连续降准降息，1年期国债收益率大幅下降超过100bp，期限利差跃升至130bp，曲线牛陡。同期，4月初央行定向降准1%，并将超额准备金利率从0.72%下调至0.35%，宽松政策和资金面推动中短端迅速下行。
2026年上半年也整体更接近牛陡。截至2026年5月29日，30年、10年、1年期国债分别收于2.21%、1.71%、1.16%，较年初分别下行5bp、13bp、17bp，10年-1年利差走阔4bp至55bp，这意味着短端下行幅度大于长端，牛市中伴随斜率抬升，曲线呈牛陡形态。
3.1.2 牛平：基本面持续疲弱长端下行快于短端
牛平是收益率整体下降，长端下降快于短端，期限利差收窄，曲线变平。这种形态往往在“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。传导链条：经济增长和通胀预期下修→配置盘增加长久期买入→10Y、30Y快速下降→短端受政策利率约束、下行较慢→期限利差收窄→牛平。判断指标：1Y、10Y、30Y总体下行，长端利率（如10Y、30Y）下行明显，短端变动较小，10Y下行幅度大于1Y下行幅度。30Y-2Y利差、10Y-1Y利差收窄。牛平形态则意味着市场对中长期经济走势预期偏悲观，增长放缓预期升温，市场资金出于避险需求，纷纷涌入长期债券，推动长端收益率大幅下行，进而导致曲线变平。这种形态通常对应经济走弱、政策宽松预期长期化，债市整体处于强势格局。此时，长期债券、债券型基金相对更具配置价值，同时也预示着宏观经济可能需要进一步的政策刺激来提振信心。从策略角度看，牛平形态对应的是期限利差压缩，长久期资产的弹性空间或相对更大。
2024年是中国债市“牛平”特征最鲜明的年份之一。其中，10Y国债收益率从年初2.56%下行88bp至1.68%附近，30Y从2.84%下行93bp至1.91%附近，30Y-10Y利差整体处于较低位。更具体地看，2024年7月末至8月下旬是典型牛平阶段。10Y-2Y期限利差从7月24日的71bp压缩至8月20日的50bp，30Y-10Y利差从23bp压缩至19bp。其原因是：市场对监管落地的预期未能兑现，同时政策利率与广谱利率下行推动长端利率持续走低，而短端受资金面偏紧约束，下行受限。2024年12月1Y从1.35%降至1.08%，下行27bp；10Y从1.98%降至1.68%，下行30bp，10Y-1Y利差从63BP收窄至59BP。这段时间通胀预期走平以及配置盘（保险、银行）期限偏好增强有关。2025年3月下旬至3月底也出现牛平，当时央行态度边际呵护，开始关注银行负债端压力，长端下行。
3.1.3 熊平：资金收紧推动短端先上
熊平是收益率整体上升，短端上升快于长端，曲线变平。多源于央行收紧货币政策，比如加息、提准等操作，直接带动短端收益率大幅上行，但市场对中长期经济增长、通胀的预期并不强烈，投资者对长期债券的需求相对稳定。短端利率（如1Y、2Y）上涨显著，长端变动幅度较小，期限利差缩小。传导链条：资金收紧/宽松预期落空→DR007、R007和同业存单利率上升→交易盘去杠杆→1Y、2Y快速上升→10Y、30Y上行较慢→期限利差收窄→熊平。判断指标：1Y、10Y均上行，1Y上行幅度大于10Y上行幅度，30Y-2Y、10Y-1Y收窄。对投资而言，熊平短端和中短端资产的持有收益会面临资金利率上行与估值调整的双重压力，而长端虽然也跌，但跌幅相对可控。
2020年5月之后，中国债市从牛陡迅速切换为熊平，其原因为央行二季度货币政策执行报告提出“引导市场利率围绕政策利率平稳运行”，货币市场利率中枢抬升，1年期存单收益率和1年期国债收益率上行约130bp左右；随着公共卫生事件影响逐步消退，经济恢复改善，长端利率也上行，但幅度低于短端。截至年底10年国债从2.58%左右上行57bp至3.15%附近，30年国债从3.3%左右上行40bp至3.7%附近，这就是标准的熊平。2023年8月至10月熊平：稳汇率、供给放量与“防空转”带来资金收紧，1Y上行幅度显著大于10Y，曲线熊平；年末政策呵护后曲线再陡峭化。2025年1月初至2月中旬也是熊平，资金收紧导致短端上行，长端回调幅度较小，利率曲线呈熊平。
3.1.4 熊陡：经济复苏预期升温长端上行大于短端
熊陡是“收益率整体上行，但长端上行幅度大于短端，曲线陡峭化”，多因市场对中长期经济复苏、通胀抬头的预期升温，长端利率迅速反映经济修复，短端受资金面宽松/稳定影响，上行有限。传导链条：财政扩张/长债集中发行→30Y快速上升→10Y上行、短端相对稳定→利差走阔→熊陡。判断指标：平均收益率上升，1Y、10Y、30Y总体上行，10Y上行幅度大于1Y上行幅度，30Y-2Y、10Y-1Y走阔。熊陡往往发生在经济回暖初期，对交易而言，熊陡往往是长久期资产回撤压力可能相对更大，投资者对长期债券的抛售意愿上升，长端利率上行不仅带来价格损失，还会通过久期和凸性放大回撤。
2024年4月是一个局部熊陡案例。监管多次提示“关注长期收益率变化”，市场对长端谨慎；与此同时，禁止手工补息推动配置需求向短期限演绎，30-10Y利差走阔至25bp。这是在长端承压、短端相对稳定背景下形成的。
2025年2月下旬至3月中旬是明确的熊陡。当时一致宽松预期被打破，机构降杠杆降久期，长端加速回调，利率曲线呈熊陡。
3.1.5 Agent驱动的利率曲线判断
通过对四种曲线的逻辑梳理，我们通过AI Agent判断2026年7月20日至24日的曲线，显示"牛平"（如图22）其中信号方向清晰但强度有限—长端快速下行驱动曲线平坦化，判断逻辑则包括第一步，牛熊判断。整体收益率水平下降因此判定为"牛"，从结构上看，这一下行主要由长端驱动——10Y从1.7453%降至1.7282%（-1.7bp），30Y从2.2495%大幅降至2.1870%（-6.3bp），而短端1Y仅微降0.6bp（1.1449%→1.1389%），2Y基本持平。这意味着收益率曲线的整体下移几乎完全来自中长端的贡献，短端受到政策利率约束基本没有松动。第二步，平陡判断。以10Y-1Y期限利差作为主指标。7月20日10Y-1Y为60.0bp，7月24日收窄至58.9bp，变化-1.1bp，判定为"平"。辅助确认指标30Y-2Y从98.0bp大幅收窄至91.8bp（-6.3bp），同样指向平坦化，且幅度更为剧烈。30Y-10Y从50.4bp收窄至45.9bp（-4.5bp），进一步验证了超长端的快速下行。
综合来看，7月20日至24日的"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，资金面宽松但短端约束明显，配置盘卖出压力较明显，交易盘行为存在分化。
3.1.6 基于多Agent的债市综合分析
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的充分发挥-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，形成判断。
在四种曲线判断逻辑的基础之上，进一步将各个曲线的形态封装成独立的Skill，再将各个Skill互相协作形成基于基本面、政策面、资金面、供给面和情绪面的五维度债市研判，每个维度由一个专业Agent独立分析，最后综合五个Agent的判断形成统一决策。该架构优势：（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。五个Agent及其职责，其中基本面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。
04
风险提示
1）数据不完整及统计存在偏差。本报告基于有限数据测算，相关模型测算可能存在误差或偏差以及存在大模型幻觉，结果仅供测试参考，任何情况下不构成投资建议。
2）历史规律未必代表未来。本报告依据历史表现做分析，历史规律未必代表未来。
3）AI输出可能存在偏差。AI Agent的判断债市行情五个面的权重为假设数据，最终的打分结果仅在假设情况下有效。AI输出可能存在事实错误或推理偏差，结果质量受提示词设计、数据质量和人工复核影响。
研究报告信息
证券研究报告：《固收量化专题：基于AI Agent的固收投研应用研究》对外发布时间：2026年9月13日分析师：徐亮 S0590525110037研究助理：毛昌梅 S0590126020008
重要提示：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供国联民生证券的专业投资者参考，完整的投资观点应以国联民生证券股份有限公司（下称“国联民生证券”）发布的完整报告为准。若您并非国联民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。国联民生证券不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。
免责声明：国联民生证券股份有限公司（下称“国联民生证券”）已获中国证监会许可的证券投资咨询业务资格，本平台推送观点和信息仅供国联民生证券研究服务客户参考，完整的投资观点应以国联民生证券研究所发布的完整报告为准。若您非国联民生证券研究服务客户，为控制投资风险，请勿订阅、接受、转载或使用本平台中的任何信息，若给您造成不便，敬请谅解。国联民生证券不会因订阅本平台的行为或者收到、阅读本平台推送内容而视相关人员为客户。任何未经国联民生证券同意或授权而对本平台内容进行复制、转发或其他类似不当行为均被严格禁止。对于使用本平台包含信息所引起的后果，国联民生证券概不承担任何责任。
本平台及国联民生证券研究报告所载资料的来源及观点的出处皆被国联民生证券认为可靠，但国联民生证券不对其可靠性、准确性、时效性或完整性做出任何保证。本平台推送内容仅反映国联民生证券研究人员于发出完整报告当日的判断，本平台所载的资料、意见及推测有可能因发布日后的各种因素变化而不再准确或失效，国联民生证券不承担更新不准确或过时的资料、意见及推测的义务，在对相关信息进行更新时亦不会另行通知。在任何情况下，本平台所载信息、意见不构成对任何人的投资建议，所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。本平台所包含的观点及建议并未考虑获取本平台包含信息的机构及个人的具体投资目的、财务状况、特殊状况、目标或需要，客户应当充分考虑自身特定状况，进行独立评估，并应同时考量自身的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见，不应单纯依靠本报告所载的内容而取代自身的独立判断。在法律允许的情况下，国联民生证券及其关联方可能持有本平台推送内容中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问、咨询服务等相关服务。客户应充分考虑可能存在的利益冲突，勿将本平台推送内容作为投资决策的唯一参考依据。对任何直接或间接使用本平台所载信息和内容或者据此进行投资所造成的任何一切后果或损失，国联民生证券及/或其关联人员均不承担任何形式的法律责任。
法律声明：本微信号及其推送内容的版权归国联民生证券所有，国联民生证券对本微信号及其推送内容保留一切法律权利。未经国联民生证券事先书面许可，任何机构或个人不得以任何形式转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。任何订阅人如引用或转载本平台所载内容，务必注明出处为国联民生证券研究所，且转载应保持完整性，不得对内容进行有悖原意的引用和删改。转载者需严格依据法律法规使用该文章，转载者单方非法违规行为与我司无关，由此给我司造成的损失，我司保留法律追究权利。