2. 金融研究基础

在构建金融研究智能体之前，必须先建立对金融研究“原材料”和“加工方式”的系统认知。智能体的任务规划能力，本质上取决于它能否准确识别研究对象所处的市场、资产类别、适用的研究方法以及可获取的数据来源。本节将这四个维度串联起来，形成后续任务拆解的知识底座。

一、核心原理：金融研究的四层结构

金融研究并非单一动作，而是一个由“市场环境—资产对象—研究方法—数据证据”构成的四层结构。市场环境决定了交易规则、参与者结构与信息传播方式；资产对象决定了收益来源与风险因子；研究方法决定了从数据到结论的推理路径；数据来源则决定了结论的可信边界。智能体在接到一个研究任务时，应首先定位这四层，再决定是否需要拆分为多个子任务。

二、金融市场与资产类别

金融市场可按交易标的分为股票市场、债券市场、外汇市场、大宗商品市场及衍生品市场。按发行与交易阶段又可分为一级市场与二级市场。不同市场的微观结构不同，例如做市商制度与竞价制度会影响价格发现效率，进而影响研究中对流动性和交易成本的建模方式。

资产类别方面，常见分类包括权益类、固定收益类、现金类、另类资产（如房地产、私募股权、大宗商品）以及衍生品。每类资产的核心收益驱动不同：权益类关注盈利增长与估值，固定收益类关注利率与信用利差，大宗商品关注供需与库存周期。智能体需要根据资产类别选择对应的因子库与分析框架。

三、研究方法与典型任务类型

金融研究方法大致可分为基本面分析、量化分析、事件研究与宏观分析。基本面分析侧重财务报表与商业模式；量化分析侧重统计建模与回测；事件研究关注特定公告或政策对价格的异常影响；宏观分析则连接经济指标与资产配置。

常见研究任务类型包括：资产定价与估值、风险度量、组合优化、因子挖掘、市场情绪分析、政策影响评估、信用风险评估等。智能体在规划任务时，应先将用户问题映射到任务类型，再选择方法流程。例如“评估某银行信用风险”属于信用风险评估，方法上可能涉及财务比率、违约概率模型与行业对比。

四、数据来源与常见研究任务流程

金融数据来源可分为市场数据、基本面数据、另类数据与宏观数据。市场数据包括行情、成交量、订单簿；基本面数据包括财报、公告、分析师预期；另类数据包括卫星图像、信用卡消费、舆情文本；宏观数据包括GDP、CPI、利率、PMI等。智能体在规划时需评估数据可得性、频率、覆盖范围与合规性。

一个典型研究任务流程如下：

1. 明确研究问题与目标资产；
2. 确定市场与资产类别，选择对应分析框架；
3. 收集并清洗数据，处理缺失值与频率对齐；
4. 选择研究方法并构建模型或指标；
5. 进行回测、检验或情景分析；
6. 输出结论并标注假设与局限。

# 示例：数据频率对齐与缺失值处理伪代码
load price_daily, financial_quarterly
price_daily = forward_fill(price_daily)
financial_quarterly = align_to_daily(financial_quarterly, method="ffill")
merged = merge(price_daily, financial_quarterly, on="date")
merged = dropna(merged, subset=["close", "roe"])

五、误区与复盘

常见误区包括：忽视市场微观结构差异，直接套用其他市场结论；混淆资产类别，将股票因子用于债券分析；数据频率对齐时引入前视偏差；以及过度依赖单一数据源而忽略样本选择偏差。复盘时应检查研究问题与资产、方法、数据是否一致，并验证关键假设是否成立。