唐輝俊

證券分析師會不會被人工智能替代？

自從2022年末ChatGPT火爆出圈，人工智能生成內容（AIGeneratedContent，簡稱“AIGC”）業(yè)務為市場所關注，內容從業(yè)者未來會被AI替代的預言四起，許多分析師就經常被問及這個話題。

然而至少今天來看，這一時點何時到來還不可見?，F實的情形反而是，在國內各大科技廠商AI大模型研發(fā)之戰(zhàn)正酣之際，從百度的文心一言，到騰訊的混元、阿里的通義千問、華為的盤古……“百模大戰(zhàn)”的參與者，各擅哪些勝場，誰會勝出或出局，分析師的觀點，頗為市場所重視。

這一結果，或可側面回答開篇的問題，即人工智能究竟會成為分析師的“平替”，還是分析師乃至券商手里的“金剛鉆”。

“與初入行的研究員相比，ChatGPT在資料搜索和整合上的效率高，而且可能更具有優(yōu)勢，內容更全面”，但是，由ChatGPT生產的研報，與券商各行業(yè)首席分析師輸出的研報仍有較大差距，談論數字化技術對分析師的替代，言之尚早。

財通證券研究所所長李躍博的觀點，代表了當下的行業(yè)共識。

盡管ChatGPT從1.0進化到4.0，在360創(chuàng)始人周鴻祎看來，其已相當于理工科大學生的水平，但資本市場復雜多變，證券研究考量面廣、專業(yè)度高，分析師的工作，AI還難以勝任。

雖然人工智能當下不能替代人工，不過，人對人工智能的利用已是一日千里。

分析師利用AI工具輔助研究、撰寫公告點評等類型的簡式研報，早就不是稀罕事。如今，在拓寬分析師的數據采集面，豐富其信息來源，提升其研究效率，打造投研支持平臺等方面，包括AI在內的金融科技應用都展現出了可觀的優(yōu)勢和落地速度。

事實上，金融堪稱數字化、智能化技術的最佳落地場景之一。研究海內外券商的業(yè)務發(fā)展趨勢可以發(fā)現，加大信息技術投入，加快金融與科技融合，增強智能投資與研究方面的競爭優(yōu)勢，深受業(yè)界重視。

僅從2022年上市券商已披露的信息技術投入來看，國內大中型券商中，華泰證券、中金公司、海通證券、招商證券、廣發(fā)證券、國金證券的投入增幅均超過20%。其中，華泰證券投入達到27.24億元，金額居行業(yè)第一；中金公司投入19.06億元，金額上居第二，但增幅達44.83%，居于首位（附表）。

巨量投入，推動中國證券行業(yè)走向智能、高效發(fā)展之路，這也體現在分析師的日常工作中。

數據是研報的基石，技術與研究的碰撞，最先改變的是分析師的數據獲取效率和質量。

傳統投研工作中，賣方分析師通常需要長期跟蹤所研究的公司或行業(yè)，通過公司披露信息、實地調研等渠道，收集各類數據、信息；此后，依靠行業(yè)知識儲備和歷史經驗，對數據進行加工整合；通過數理建模，展開預測；基于研究框架下的邏輯分析，形成觀點，最終以報告的形式輸出；同時，還要根據行業(yè)和市場的變化，對觀點進行動態(tài)調整。

這一過程，對分析師的信息搜集、數據處理、邏輯分析和知識結構都提出了較高的要求，且耗費的時間成本不低。其中，數據收集是分析師工作的起點，其速度和質量，一定程度影響研究的速度和質量。

分析師需要收集的數據中，除了上市公司公告、交易數據、宏觀數據、行業(yè)數據等常規(guī)數據外，如果能快速收集到一些更為精細、深入的差異化數據，更有助于研究判斷。

然而，在一些行業(yè)，碎片化和多源、異構的數據體系，往往為研究平添困難。此時，通過調研、電話會議等渠道深入挖掘各類信息，成為分析師的核心競爭力之一。比如早年，一個分析師要想知道航空運輸數據，需要打電話去各個旅行社了解情況，誰能找到更多的旅行社，誰就擁有更多的信息優(yōu)勢。

數據來源：Wind、公司財報，新財富整理

而在數字技術的加持下，分析師不僅可以加快信息獲取速度，拓寬信息面，數據的多元化以及精細化程度也大大加深。例如，爬蟲技術的應用，可以通過模擬瀏覽器行為，自動化地從網頁上抓取所需數據，極大地減輕人工操作的負擔，讓分析師獲取大量顆粒度更細甚至意想不到的數據。

與此同時，通過大數據技術，分析師可以對收集的數據進行清洗和處理，探索其中的潛在規(guī)律，從而做出更準確且深度的判斷。

結構化、模型化的處理使得金融市場大量原始數據的效用和價值得以提升。工作效率上，計算機在數據處理、模型搭建方面的速度也明顯超過人工，并可以避免因分析師個人水平、偏好、經驗甚至情緒的不同而影響數據分析的結果。

因此，越來越多的金融機構在搭建智能投研平臺時，重心之一即在于數據收集與處理，以探索“研究+數據”相結合的方式，提升研究質量。

譬如，東證期貨推出的由大數據平臺、人工智能、移動互聯等技術所構建的智能投研平臺“繁微”，即在引入數據可視化、流程化管理、人工智能等模塊的基礎上，將傳統投研的各個環(huán)節(jié)優(yōu)化升級，解放需耗費大量人工的基礎投研數據搜集整理工作。

根據官方信息，在數據源的選擇上，“繁微”結合了資深分析師在衍生品研究上的經驗，從市場認可度、數據質量、數據穩(wěn)定性等維度挑選對接數據商，并根據不同期貨品種的研究框架，梳理成易于查詢和使用的數據目錄和圖表。

而在技術上，針對梳理海量來源不同的數據要耗費大量精力，數據處理工作重復繁雜造成人力資源浪費，以及數據存儲分散造成數據孤島等一系列問題，“繁微”的ETL（數據倉庫技術，是指將業(yè)務系統的數據經過抽取、清洗轉換之后，加載到數據倉庫）工具和數據集成平臺，可以幫助解決格式轉換、數據標準化、數據合并等問題，使數據更易于整合和分析，幫助研究員管理數據，支持其進行數據分析、建模等，助力研究效率提升。

目前，“繁微”平臺的數據指標覆蓋了超過60個商品/金融期貨/期權，已完成清洗可直接使用的指標量達2萬多條，形成標準的模板圖表達3000多個，研究員可隨時調用進行數據加工研究，或跟蹤圖表內數據更新情況，提升工作效率和準確性。

東證期貨表示，在數據采集與整合方面，未來其將繼續(xù)對數據的來源進行拓展和深挖，利用數據挖掘和自然語言處理，自動化數據采集和整合過程，提高數據采集、清洗的效率；在數據分析與建模方面，使用機器學習、深度學習等技術，進行數據分析和建模。此外，針對非結構化的數據（如輿情資訊），進行自動化打標和情感分析，識別投資機會和風險，給出建議和預測，減少投資決策時間、降低風險。

常規(guī)數據之外，一些另類數據，比如產業(yè)鏈數據、政策與輿情數據、衛(wèi)星圖片、天氣數據等，亦開始成為分析師重要的信息來源。

美國的OrbitalInsight（軌道洞察）是一家通過分析衛(wèi)星圖像來獲取和售賣數據的初創(chuàng)公司。據官網介紹，其在2019年推出了GO地理空間分析平臺，通過提供融合了人工智能、衛(wèi)星圖像、合成孔徑雷達（SAR）、自動識別系統（AIS）和物聯網（IoT）設備的數據源，為分析人員提供支持。

其創(chuàng)始人詹姆斯·克勞福德（JamesCrawford）發(fā)現，通過衛(wèi)星圖觀察不同地區(qū)在建建筑影子的變化，可以分析出建筑行業(yè)是處于繁榮上升還是蕭條下降期；通過分析停車場的數據，可以預測沃爾瑪、家得寶等零售商的季度銷售情況。一個典型案例是，其基于對羅斯百貨（RossStores）停車場的歷史數據分析，預測其季度銷售額會好于預期，這一結果甚至優(yōu)于同期分析師的普遍預測值。據稱，目前該公司的首批用戶已包括幾家資管規(guī)模幾十億美元的對沖基金。

像這樣的另類數據分析手段，亦被逐漸引入賣方研究領域。

大型投行摩根士丹利同樣試圖依靠數字手段獲取的非標準化數據來了解市場。其量化和衍生品策略全球主管馬克·科拉諾維奇（MarkoKolanovic）曾通過電子郵件表示，“我們跟蹤新病例和住院的統計數據，可以更好地了解病毒的性質”。

“財務數據以外的數據不僅是有趣的，還將成為研究的核心組成部分。”瑞銀證券研究與分析部組長胡安·路易斯·佩雷斯（JuanLuisPerez）表示。

早在2014年，瑞銀便成立了瑞銀實證所（UBSEvidenceLab）。其獨立于瑞銀研究的專家團隊，每月會收集、清理數十億個數據項目并運用多種工具及技巧，將數據轉化為實證，以建立深度數據庫。瑞銀實證所創(chuàng)新業(yè)務全球總監(jiān)巴里·赫雷維茨（BarryHurewitz）表示：“瑞銀實證所擁有超過100個不同的框架，以及大約55個不同的實驗室。”其相關資產庫涵蓋各地區(qū)、行業(yè)的超過4000家公司。

瑞銀會在研報中廣泛使用瑞銀實證所的獨有數據，這些數據被認為能夠輔助分析師們撰寫具有差異化視角的深度研究，以加強瑞銀的影響力。瑞銀實證所每年也會基于另類數據和分析，發(fā)布約3000份策略研究報告。

數據驅動式研究為分析師提供了更多工具，當然，數據的多元化也給他們提出了新的要求，學習并利用這些新型數據，成為其必備技能。瑞銀便部署了一個由數據分析師、機器學習專家等組成的團隊，幫助分析師更好地使用數據。

與此同時，瑞銀也會通過技術手段了解市場關注點，其產品Q-series正致力于此?它會每天在全網搜集客戶最關注的問題，反饋給研究部門，并產出研究結果。瑞銀證券董事總經理、研究部總監(jiān)連沛堃曾表示：“通過這種方式研究出來的成果一定是客戶最感興趣、最想了解的，這樣，客戶也肯定會讀我們的報告。這還能吸引他們購買我們報告背后的專家咨詢和關鍵數據?！?/p>

連沛堃表示，瑞銀還將通過AI對數據進行處理，幫助客戶深度開發(fā)數據，瑞銀希望將自己打造成一家研報產品差異化、數據系統化、跟蹤行業(yè)有持續(xù)性的賣方研究機構。

歐美之外，中國分析師同樣關注另類數據的應用。

清華大學金融科技研究院證券科技研究中心早在2020年針對分析師的一項調研結果便顯示，分析師關注如何借助數字科技，在數據集采、足跡分析、地理空間分析、定量研究等方面引入新式調查研究手段，從多重角度獲取有幫助的數據和信息。

天風證券副總裁、研究所所長趙曉光在接受新財富采訪時曾表示，目前天風證券研究所已組建專門的數據研究團隊?天風數據研究院，而產業(yè)鏈數據則成為重要的數據來源。趙曉光介紹，除傳統的財務數據外，天風數據研究團隊會對各產業(yè)的數據進行挖掘與梳理，幫助分析師進行信息加工，提升研究效率。

事實上，在傳統的基本面研究方法的基礎上，疊加大量另類數據，結合人工智能技術的使用，主要包括知識圖譜、自然語言處理等，能使分析師們對投資機會及方向的挖掘進一步智能化。

具體來看，基于深度學習的自然語言處理技術，包含信息抽取與文本匹配兩個方面。信息抽取，一般是指從非結構化文本中，抽取機器或程序能夠理解的結構化知識。譬如，從政策信息、新聞輿情信息中，抽取關鍵內容構成另類數據，同時，針對單條的政策信息，可以采用文本匹配的方法來統計報道相關政策的新聞數量，以此量化政策發(fā)布后的熱度，幫助分析師們更好地進行判斷，提升工作效率。

而知識圖譜提出之初，旨在實現更智能的搜索引擎。知識圖譜能夠將互聯網上的信息、數據以及鏈接關系聚集為知識，使信息資源更易于計算、理解以及評價。通俗來講，知識圖譜是由節(jié)點和關系所組成的圖譜，為真實世界各個場景的直觀建模。通過不同知識的關聯性形成一個網狀的知識結構，看起來就如同一張圖譜。構建知識圖譜的過程在于讓機器擁有認知能力，從而更好地理解世界。

通常情況下，面對大量的上市公司，分析師們很難對所有公司的經營情況與業(yè)績預期有較為透徹的分析，而證券研究所可以通過構建相關產業(yè)的知識圖譜，幫助分析師們進行判斷。

譬如，企業(yè)知識圖譜可以將每一家上市公司的股權關系及控股股東、主營業(yè)務及對外投資情況、專利技術、涉及司法訴訟情況、行業(yè)地位等情況表示出來；行業(yè)知識圖譜則可以采集行業(yè)上下游的數據、市場相關信息，運用自然語言處理技術進行加工處理，然后對其中不同類型的信息設置不同的權重，將信息輸入知識圖譜中進行推導、計算，得到市場上所有的信息對相關企業(yè)產生的影響，并將影響以及影響力傳導的路徑、大小以圖形的形式展示出來。

在量化研究中，目前已經有一些成型算法能夠處理企業(yè)、行業(yè)、產業(yè)上下游等關聯信息，可以根據知識圖譜中相關信息來分析投資方向，選擇投資標的，并且根據輿情信息，通過知識圖譜、自然語言處理技術等，實時計算發(fā)現潛在的風險標的并預警。

中信證券即在新型數字技術的基礎上，結合研究業(yè)務，形成了由政策到新聞、到產業(yè)鏈知識圖譜、再到個股的政策事件驅動投研方案，而這一方案能夠有效滿足市場對于政策量化分析的需求。

譬如，中信證券研究2023年10月發(fā)布的報告顯示，在量化研究上，基于另類數據構建的量化指標往往可以獲得較高的超額收益。其圍繞基本面、政策情緒、研報情緒等10個核心指標，構建出針對中信二級行業(yè)房地產開發(fā)與運營指數的月頻擇時策略，經測算，10個指標中，6個擇時勝率高于50%，8個超額年化收益率超過5%，其中，基于剛需二手房（指一居、二居戶型二手房）成交量指標與基于政策情緒的月頻指標的擇時策略分別獲得了13.4%與8.6%的超額年化收益，顯示出另類數據的超額年化收益較高。

不僅如此，在智能投研平臺的功能提升中，賣方研究的服務形式或也將同樣迎來顛覆。

一直以來，投身賣方研究行業(yè)，成為一名分析師，往往意味著接受體力與腦力的雙重考驗。

由于客戶分散，分析師們需要帶著自己的觀點飛往各地，為客戶進行面對面路演。尤其在難以憑借單一的研究取得絕對性優(yōu)勢的前提下，不少分析師選擇將更多精力投入客戶服務，路演、電話會議、調研排滿了他們的日程。

而隨著技術的進步，分析師們正在改變傳統的客戶服務方式。

例如，當前大部分券商的研報可以通過投研平臺、微信小程序等，實時、對口推送給買方機構。線上會議也已成為分析師和客戶交流中使用頻率最高的工具。

這些數字化平臺的應用，不僅使得研究成果觸達客戶的形式更加多樣化，大幅提升分析師的服務效率，改善溝通方式，也能夠幫助分析師將服務細節(jié)進行量化評價。譬如，系統可以對買方的閱讀、參會時長等數據進行統計，使得券商對客戶需求以及自身的服務改善，有更加客觀的數據可依。

而尤其值得關注的，是分析師在利用人工智能服務買方機構上的嘗試。

2023年5月，曾有券商分析師通過“AI數字分身”，與機構見面。這一分身具有該分析師的聲音和容貌，同時具有源自大模型的多模態(tài)交互和生成能力，能24小時不眠不休工作，還可以化為“億萬分身”，同時出現在路演現場、新聞發(fā)布會、分析師電話會等任何客戶需要的地方，同時服務多個買方，節(jié)省體能的同時提升分析師的服務效率。

有公募基金從業(yè)者表示，技術上，AI路演已經可行，但機構會否接受AI路演，還需觀察?！耙驗槁费莸膬r值在于一對一具體地、深入地聊一些信息?！?/p>

此外，業(yè)內也出現對于“數字人分身是否合規(guī)”的擔憂。人工智能在金融領域的應用，同樣受到科技倫理、法律等方面的約束。積極擁抱AI成為賣方研究大趨勢下，數字分身的合法性與接受度問題，或仍需要在應用中解決。

數字技術的另一個落地場景，是研究的風控及合規(guī)環(huán)節(jié)。

據不完全統計，2023年上半年，監(jiān)管部門針對券商研報共計開出40余張罰單，涉及22家券商，其中不乏知名分析師與頭部券商。罰單類別主要為警示函、監(jiān)管談話、責令改正等，主要問題集中在券商研究內控制度不完善、內控制度執(zhí)行有效性不足、具體研報制作審慎性不足等方面。

其中，研報數據引用不明確、底稿留存不全面、部分結論不夠嚴謹、個別員工私自發(fā)表證券分析意見等，成為檢查中出現問題的“重災區(qū)”。

而在往年的監(jiān)管調研中，監(jiān)管部門也曾指出，部分券商研究報告質量控制和合規(guī)審查人員占比較低，研究報告質量控制和合規(guī)審查環(huán)節(jié)管控薄弱，要求各家券商研究部門配備充足的質量控制和合規(guī)審查人員，加強研報的質量控制。

隨著監(jiān)管對研報的審慎性提出更高的要求，多家券商研究所的質控崗出現缺口。有研究所人士談到，質控崗多為前臺的研究員轉型而來，在監(jiān)管從嚴的背景下，質控崗工作壓力不小，人手有限，公司有長期招聘質控崗的需求。2023年6月至今，開源證券、國盛證券、東亞前海證券、民生證券、華創(chuàng)證券、天風證券、德邦證券等都陸續(xù)在不同渠道公開招聘研究所質控人員。

從招聘文案看，這一崗位對個人綜合素質的要求較高，多個研究所表示，法律、財經、金融、會計、管理類專業(yè)優(yōu)先，“吃苦抗壓”“極強責任心”“認真細致”成為高頻關鍵詞。

研報數量的高速增長，正是質控壓力的來源之一。Choice數據顯示，年度發(fā)布研報數量在4000篇以上的證券研究所，由2021年的9家增長至2022年的15家。這意味著，這些研究所的質控與合規(guī)審查人員每天需要審核至少11篇研報。

那么，數字化技術的引入，能否有效解決研報質控問題？

目前，市面上已存在眾多由第三方金融科技公司研發(fā)的人工智能審核系統。從介紹看，這些系統可以自動識別各類格式底稿的內容、語義，如圖片、PDF、Excel等。分析師將研報所引用的截圖、數據、原始文件的底稿等上傳至平臺，系統可自行將底稿與研報關聯，自動審核，并對研報和研報底稿中的數據、文字信息進行精準識別，快速捕捉數據引用錯誤、文本寫作錯誤、敏感信息、底稿遺漏缺失等情形，降低文字和數據出錯的風險。

譬如成立于2017年的金融科技公司犀語科技推出的產品?犀察，其核心技術便是自然語言處理、圖像識別以及知識圖譜，在研報的質控上，可以就引用事件的準確性、合規(guī)性、敏感詞、黑名單、查重等進行自動審核，并顯示錯誤，提示更正和修改建議。

這些產品不僅在批量處理研報上具備優(yōu)勢，能夠大幅提升審核效率，還能夠對審核流程進行優(yōu)化，支持分析師、研究助理、質控、合規(guī)等角色進行協同審核，并進行多角色、多人員的線上溝通，讓每一次審核溝通有跡可循。

有券商內部的合規(guī)人員表示，質控監(jiān)管的核心，更多在于保障研究報告的獨立性和發(fā)布的公平性，具體抓手就是研究信息流的合規(guī)性管理，因此，需要相應的技防措施和信息系統作為保障。人工智能審核技術正滿足這一要求。

不過目前，技術手段仍然無法取代人工審核。這是因為，研報質控崗需要具備出色的研究分析和邏輯思維能力，能夠對研究報告撰寫、財務分析和公司估值模型有較為深刻的理解和專業(yè)判斷能力，同時要具有較強的職業(yè)敏感度、市場風險識別和危機管控能力。有券商研究所人員指出，質控崗既然能審核研報，也意味著其應當具備與分析師相當的研究分析能力，能看得出研報邏輯能否成立。

盡管如此，技術的發(fā)展仍令未來充滿無數可能。OpenAI發(fā)布的ChatGPT，不僅能對話、寫作，還能編程等，一系列逆天表現讓人們對AI的能力、算力有無限的想象。

華福證券首席戰(zhàn)略官兼研究所所長周勵謙即表示，將加快對AI等新技術的落地，提高對研報的自動化合規(guī)、質控審查能力，通過信息化率的提升，進一步提高業(yè)務管理的精細化和合規(guī)管理的有效性，持續(xù)優(yōu)化業(yè)務管理流程。

在數字技術所展現的巨大優(yōu)勢下，越來越多的證券公司開始致力于打造平臺級的投研能力，以全方位賦能分析師。

不少研究所正著力打造智能投研平臺，利用數字技術，沉淀投研數據、模型與方法論，將資深分析師的個人經驗沉淀為平臺能力和價值，實現知識的可復制及可傳承，令新人能夠更快成長，提升效率的同時，也節(jié)省培訓成本。

譬如，在產業(yè)鏈知識圖譜的構建中，基于產業(yè)鏈上下游公司已有的非實時數據，構建基礎架構的企業(yè)知識圖譜，投研人員就可以看到上市公司及非上市公司與投研相關的市值、所屬行業(yè)、行業(yè)地位等信息以及各個公司之間的相互關系。而對于其中的宏觀信息、行業(yè)信息包括行業(yè)趨勢、企業(yè)運營等的分析，則可以借助行業(yè)專家或資深分析師的經驗來完成。

基于此，一個包含產業(yè)鏈上下游關系、股權、債券、合作、競爭、子公司、兄弟公司等信息的知識圖譜，將直觀展示在分析師面前，便于其對產業(yè)進行快速梳理。知識圖譜將散亂的節(jié)點連接形成網狀，以圖譜可視化的形式展示出來，分析師可以觀察各個節(jié)點間的關系對整個關系網造成的影響，并通過產業(yè)鏈上已經發(fā)生的事件及影響，來預測該產業(yè)鏈上其他公司可能會出現的情況。

知識圖譜的構建，使得投研知識沉淀成為可能，各領域的資深分析師及專家可以將自身經驗沉淀在智能投研平臺上，一定程度上節(jié)約了因人員變動而產生的高昂交接及培訓成本。

長江證券研究所正是其中代表。其總裁劉元瑞在接受新財富采訪時曾表示，打造智能投研平臺，主要是為產品端以及投研端賦能。

在智能平臺的構建上，劉元瑞介紹，第一步是實現數據的歸集，第二步則是研究圖譜的搭建。他表示，按照傳統方式，當某個數據發(fā)生變化時，分析師只有關注到這一變化，才能進行后續(xù)的研報生產，而在研究圖譜的幫助下，系統會根據其習慣自動抓取、梳理和規(guī)整所需數據，成為分析師的智能助手。

華泰證券在2022年推出的機構客戶數字服務平臺“行知”最新版本，體現了相似的思路。據介紹，這一平臺匯聚分析師、上市公司、行業(yè)專家等人士的經驗，基于120個研究子領域，匯聚了34個行業(yè)研究以及4個總量研究的模型及產業(yè)鏈圖譜，將底層研究數據、研究框架、研究邏輯以及產品輸出等進行數字化整合，更好服務投資者的同時，也有助于沉淀智力和經驗，助力研究工作更加聚焦于產業(yè)和公司的深層邏輯，提升研究深度與價值。

中信證券在研究數字化賦能方面同樣走在前列。其研究部數據科技首席分析師張若海介紹，中信證券研究部的標準化投研產品“投研魔方”，在對內數字化工作賦能方面，可以實現更好的可視化布局，方便初級分析師更快捷、更全面地獲得內部資源。同時，在數據資產的可觸達性上有了顯著提升。垂直行業(yè)研究員可以更加便捷地了解研究部的全面儲備，數據可以成體系地有效支撐研究員的增量業(yè)務需求。

當下，隨著分倉傭金的下降，外部環(huán)境改變之下，賣方研究或再一次站在破局的關鍵時點。

這一態(tài)勢下，高質量的研究會更具競爭力。以歐洲市場為參照，自經歷《歐盟金融工具市場指導》（MiFIDⅡ）改革以來，哪怕證券研究機構的收入與傭金完全脫鉤，研報價格變得透明，買方機構也需要挑選合適的外部研究，也就是說，研究的需求會一直存在，盡管大型券商仍具備規(guī)模優(yōu)勢，但長期看，研究質量會實際發(fā)揮決定作用。

從國際投行的實踐來看，數字化建設不可或缺。波士頓咨詢（BCG）認為，數字化突破將成為券商拉開差距、形成自身品牌特色的有力武器。

譬如，將產品差異化作為核心目標的瑞銀全球研究所，其生產差異化研究產品的核心法寶正是瑞銀實證所，作為瑞銀集團的全球數據工廠，其管理著大量數據的標準化使用。

再譬如智能投研領域的現象級明星公司Kensho（肯碩，2018年為標普全球收購），其致力于尋找事件與資產之間的相關度來做投資預測，可以利用人工智能技術大數據平臺，幫助賣方人員快速準確地生成銷售材料以及研究報告。自創(chuàng)立之初，其便以“華爾街之狼”“取代分析師”等口號吸引了海內外大量的關注，而大型投行高盛正是Kensho最大的投資人。

反觀國內市場，在技術的催化下，傳統賣方研究市場或將進一步分化。以新興技術為核心的金融科技，或將推動研究業(yè)務向更具智能化、精準化和特色化的服務模式發(fā)展。對于陷入存量博弈狀態(tài)已久的賣方研究行業(yè)而言，率先實現數字化突破的券商研究所，或將搶占更多先機。加強平臺對研究的加持，在賣方研究商業(yè)模式的變革中，搶先邁入新時代，正成為每一家券商研究所面對的課題。