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（AIGeneratedContent，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

“与初入行的研究员相比，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，与券商各行业首席分析师输出的研报仍有较大差距，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场景之一。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（附表）。

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，一定程度影響研究的速度和质量。

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外，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。

2022年部分券商信息技术投入金额

而在数字技术的加持下，分析师不仅可以加快信息获取速度，拓宽信息面，数据的多元化以及精细化程度也大大加深。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，分析师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也明显超过人工，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过程，提高數据采集、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OrbitalInsight（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（JamesCrawford）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。