周刊

Morningstar Direct AI 与 MSCI SignalLab：数据巨头同日把内容做成 Agent

Morningstar Direct AI

三个 Agent：产品开发（选品类）、分销（进组合名单）、管理人研究（尽调），上线即面向全球用户

数据出口

Morningstar 数据同时接入 Claude、Microsoft Copilot 和 ChatGPT，客户可以不打开 Direct 也能用

底座

数百万只证券与实体、1,100 多名分析师的评级与研究框架

MSCI SignalLab

同日发布，600 多个研究级信号每日更新；Risk Premia 区由 AI 读经济金融文献生成候选信号，MSCI 研究员逐条验证

Morningstar 的三个 Agent 对应三种实际工作。产品开发 Agent 把资金流向与产品类别放在一起，帮助团队识别需求较强、竞争相对有限的类别，并参考同类产品的资产增长轨迹。分销 Agent 从目标机构的模型组合出发，识别组合缺口、评估基金加入后的变化，再准备审核会议的沟通要点。管理人研究 Agent 则用晨星分析师的评估框架，检查基金交易行为有没有改变、哪些市场环境有利或不利。

MSCI SignalLab 解决的是信号比较与接入问题。首批覆盖 Risk Premia、Micro-Industries、FactorLab 与 Crowding，统一不同来源的定义、标准和文档。Risk Premia 由 AI 阅读文献并生成经过测试、评分的候选信号，再由研究员验证；Micro-Industries 则先用专有语言模型聚类，再由大模型细化行业定义和分配股票，结果还要经过模型验证团队检查。

两条路线的共同点，是把研究框架放进产品，而不只提供检索入口。Morningstar 同时把数据送进 Claude、Copilot 和 ChatGPT；MSCI 则允许团队把自有数据放到同一环境，并通过 API、Snowflake 接入工作流。以上为两家官方发布的功能描述，不能据此推定使用效果或投资表现。

延伸阅读：Morningstar 官方新闻稿（英文） ↗
延伸阅读：MSCI SignalLab 官方新闻稿（英文） ↗

LSEG：110 万亿行 Tick History，GPU 加速到秒级

数据规模

Tick History 共 110 万亿行、1 亿只工具、跨 30 多年、580 多个交易所与场所

加速效果

基准测试显示多年数据用 NVIDIA cuDF + Polars 分析，从小时级降到秒级（厂商基准）

权限

不另存完整数据副本，原有许可、权限和访问控制保持不动

需求背景

2026 上半年实时网络流量同比增 29%，6 月峰值 2,600 万条/秒；Tick History 的 API 请求量增 48%

这项合作改变的是历史行情的处理方式。LSEG 把已获授权的 Tick History 数据带到 GPU 加速分析环境，由 NVIDIA cuDF 与 Polars 处理大规模数据；客户不必为分析再维护一份完整副本，既有许可、访问权限与控制仍然适用。官方特别强调，不应为了缩短处理时间而先把数据降采样，丢掉细粒度信息。

新闻稿列出三类工作流：量化团队可用更长历史、更多交易场所和不同市场条件检验策略；交易团队可重建订单簿，分析价格、流动性与执行质量；风控和研究团队可加快情景分析、历史市场回放，并在受治理的数据上应用自己的分析模型或 AI 模型。

接近全天候交易的市场，使“等收盘、装载数据、隔夜分析”的流程越来越吃紧。LSEG 希望把深度历史分析推到交易日内，更靠近实际决策。小时降到秒的数字来自厂商基准，新闻稿没有列明测试硬件、完整任务配置或客户实测结果，机构仍需按自己的查询与数据量评估。

延伸阅读：LSEG 新闻稿（英文）

Omega Point：组合分析 MCP 获 Anthropic 验证，进 Claude 应用市场

验证含义

Claude 应用市场的连接器都过自动检查，“Verified”表示 Anthropic 对质量与安全做了直接评估

使用历史

Omega Point 的 MCP 今年 5 月起已在 Claude 内被投资团队生产使用

计算方式

按客户自己的持仓、授权范围和数据实时计算：因子暴露、what-if、压力测试、归因，与其正式风险报告同一引擎

Omega Point 把对话入口与投资计算引擎分开：用户在 Claude 中表达问题，实际风险、压力测试与归因由 Omega Point 的确定性引擎计算。它强调与机构正式风险报告使用同一套模型，避免对话助手给出一组数字、风险系统又给出另一组近似结果。

新闻稿给出的例子比“问组合风险”更具体：按某个子组合查看不同行业的因子风险变化；找出贡献一成风险的股票，同时看这些持仓当月损益；把拟交易清单粘贴进去，一次比较交易前后的风险、暴露与压力情景；也可以上传完整持仓文件，不必逐个输入证券。

团队还能把自有研究与信号带进同一分析环境，减少各自维护表格、再核对口径的工作。回答范围按用户原有权限限定。“Anthropic Verified”指连接器质量与安全经过直接评估，不等于投资结论获背书，也不能替代机构对数据授权和计算结果的复核。

延伸阅读：Omega Point 新闻稿（英文）

中证协：超七成券商研究部门已用 AI，研报总量回落

AI 渗透

2025 年超七成券商研究部门已运用 AI：基础层做信息搜集、校对、纪要转录；深度层做大模型本地化部署和自研投研系统

人员

100 家券商设研究部门，研究人员 7,591 人（同比 -3.68%），其中分析师 5,886 人（+4.38%）

产出

98 家券商全年发布研报 205,503 份，同比 -11.54%

收入

机构客户交易佣金 158.94 亿元，占研究所总收入 85.98%

这份统计不只反映工具采用，也反映研究部门的收入与人员调整。2025 年研究人员总量下降，但登记分析师人数增长，占研究人员的 77.54%；全年离职 1,972 人次、新招聘 1,644 人次。研报总量减少，同时业务集中度继续提高，说明“报告写得更多”已经不是唯一的竞争方向。

AI 使用被分成两个层级。基础事务包括信息搜集、校对、格式核查、会议纪要转录和文字润色；深度应用则包括大模型本地部署、自研智能投研系统，以及研究方法创新、专题分析和合规管控。超过七成是“已运用 AI”的机构比例，不能理解成七成研究任务已自动化，也不能直接说明模型具备独立研究能力。

收入结构也在变化：44 家研究部门已产生内部协同收入，占总收入 3.57%；82 家产生其他收入，主要是咨询服务费，占 7.29%。协会因此把研究服务转型与信息来源管理放在一起，提出差异化发展、改进估值方法、规范专家咨询费及加强职业道德等建议。这里的数据来自协会统计，经媒体披露，不是 AI 投入产出的对照实验。

延伸阅读：证券日报报道

券商财富管理的大模型底座：从单点工具到全链路

样本

财联社与中证协联合专题，已刊发 30 余篇券商高管访谈

自研路线

东方财富证券“妙想”大模型支撑研报解读、持仓诊断；中金财富建“投顾助手、投研、财富数字员工、对客”四大智能体群

共建路线

中泰证券与阿里云共建“千问千泰”投顾品牌，累计落地 700 多个服务场景

边界延伸

AI 从投研投顾延伸至合规：事前适当性筛查、事中违规荐股实时监测、事后全程留痕

行业基数

全行业注册投顾接近 9 万人

财联社梳理的转型路径，已经延伸到“研究如何进入账户”。东方财富证券用自研模型做研报解读、资讯分析和持仓诊断，并计划走向账户级服务、连接外部智能体生态。中泰则同时建设自有数智底座与智能中台，并与阿里云共建应用；中金财富按投顾助手、投研、内部数字员工和对客服务划分四类智能体。

服务流程里，人机分工也更具体。国金证券把 AI 放到投前研判、投中跟踪与投后复盘，人工顾问处理个性化需求；华源证券提出由技术处理标准化信息、账户监控与常规服务，专家集中于复杂判断、风险沟通与信任建立。民生证券则明确，相关 AI 首先服务一线员工和投顾团队，而非直接面对客户。

合规侧的投入与业务扩张同步。中银证券介绍，事前以客户画像和适当性规则筛查风险，事中监测投顾沟通、营销和市场解读中的违规荐股、收益承诺与不当推荐，事后保存电子记录与行为轨迹。报道还提到长期留存、客户体验等考核指标的变化：工具能扩大覆盖，但组织如何激励员工、如何留痕问责，决定了服务能否长期运行。上述做法为受访机构自述。

延伸阅读：财联社报道

资产所有者调研：AI 成首要战略优先，治理明显落后

样本

全球 20 家资产所有者，合计管理超 5 万亿美元

优先级

67% 把 AI（含代理式工具）列为首要战略优先，高于通胀环境（44%）、流动性压力（33%）、私募市场（28%）

预期

技术对投资结果的贡献占比，从当前约 17% 升至未来 3-5 年的 30%

治理缺口

仅 25% 把 AI 列为董事会或投委会固定议题，60% 只是偶尔审议

首要约束

四分之三受访者认为数据质量与标准化是最大障碍

这份调研真正值得展开的，是 AI 将改变哪些投资工作。报告认为，数据平台、分析工具和 AI 正从后台支持，进入投资研究、组合监测与决策流程。受访机构普遍认可方向，但现有技能、系统和运营模式还没有准备好。人的判断、解释与责任仍然要保留，变化的是研究、技术和管理团队如何共同完成工作。

数据障碍也不只在“有没有数据”。旧系统、部门孤岛和依赖电子表格的流程，已经占用大量资源；当 AI 需要稳定、可信、可访问的数据时，这些问题会被进一步放大。研究指出，能够独立完成这类转型的机构并不多。外部平台可以补足能力，但如果行业集中依赖少数平台和工具，也可能增加分析与行为趋同的风险。

报告给出四项优先工作：董事会和管理层明确 AI 战略、风险与问责归属；培养能连接投资专业与技术的复合人才；围绕投资决策重新设计工作流，保留人工判断；把 AI 当作持续投入，建立能够衡量价值的成本机制。它讨论的是组织能力建设，不是再采购一批工具。

样本只有 20 家、合计资产超过 5 万亿美元，具有大型资产所有者视角，不能当作全球机构的普查。67% 的优先级数据来自披露该项指标的参与者；25% 的固定议程比例反映治理安排，也不能与其他行业的 AI 使用率直接相减。

AI 正在变成一个组织问题，而不是一个技术问题。

Roger Urwin，Thinking Ahead Institute 联合创始人（据官方新闻稿）

延伸阅读：Thinking Ahead Institute 新闻稿（英文）

Itaú：ia.i 面向全部客户，IARA 管模型、成本和权限

ia.i

全行统一的对话层，文字或语音，覆盖账户、信贷、卡、保险；首阶段约 30 万客户，目标 2026 年底覆盖全部约 7,000 万

IARA

内部治理与编排平台：按政策给团队开通不同模型，管 token 成本、可观测性和负责任 AI 执行

法务场景

9,000 多万份文档库，每月执行 200 多万项任务，部分环节效率提升 20%-80%

内部目标

客户关系时间增 3 倍、服务速度快 2 倍（预期值）

ia.i 的前台体验与 IARA 的后台治理是两条相互支撑的工作线。客户可以用文字或语音处理账户、信贷、卡与保险相关需求，必要时连接专业人工支持。案例还介绍了 Customer DNA：把客户的财务情境、习惯与人生阶段作为个性化服务的上下文，在治理约束下由包括 GPT 在内的模型维护和丰富，而不是让每次对话都从零开始。

IARA 为不同团队按内部政策开放不同模型，把模型调用、可观测性、token 成本和负责任 AI 要求放到同一层。简单问题选成本与延迟合适的模型，复杂问题再使用推理能力更强的模型。法务部门的大规模文档阅读和分析，是检验这套治理与编排能力的具体场景；相关效率数字只针对部分流程，不代表全行统一收益。

同一能力也供关系经理和客服团队使用，例如会前摘要、客户问题梳理、方案与备选路径准备。首批约 30 万客户用于学习真实使用行为；年底覆盖全量客户、未来增加产品模拟和持续收支分析，是后续目标。案例中的“关系时间增加三倍、服务更快”仍属预期，应与已经披露的部署规模区分。

挑战是让技术消失。简单、直接、有用，把直接的好处给到客户，让技术几乎不被注意。

Carlos Eduardo Mazzei，Itaú CTO（据 OpenAI 官方案例）

延伸阅读：OpenAI 客户案例（英文）

瑞穗：吉祥物“あおまる”变成对话式 AI 代理，初期不看账户

定位

官方吉祥物“あおまる”化身 AI 代理“あおまるバンク”，第一阶段回答银行服务与手续咨询

知识基盘

以 1,700 多项官方 FAQ 和官网信息为检索基础，回答附依据来源，必要时引导至人工电话窗口

语音

上线即支持实时语音对话，采用 OpenAI 语音技术

安全设计

输入输出多层检测与控制；上线初期不读取账户信息和交易记录；客户数据不用于 OpenAI 模型训练

“あおまるバンク”的第一步，是把用户自己翻 FAQ 的过程变成对话。用户描述问题后，助手继续确认情况和需求，再从官方 FAQ 与网站信息中组织适合的说明。回答附上依据，用户可以回到原始页面检查；问题超出范围时，引导到电话等人工渠道。这里的 Agent 主要承担信息整理和服务引导，并不是自主操作账户。

语音能力也不是附加一个朗读按钮。瑞穗把 OpenAI 的语音技术与自建 Agent 功能组合，支持实时往返交流，同时在屏幕保留文字，让不熟悉打字的客户也能核对回答。开发过程中，OpenAI 工程团队提供技术支持与咨询。

安全边界被写得很明确：输入和输出均设置多层检测、控制，降低不当内容或恶意指令诱发异常行为的风险；启动时不接触账户与交易记录，银行记录、分析对话仅用于改善服务，输入输出不用于 OpenAI 模型训练。后续才会结合客户反馈、法规要求和监管沟通，逐步评估手续办理及资产形成咨询等范围；公告未给出使用量或准确率。

延伸阅读：瑞穗新闻稿（日文）

Huntington：给小企业主的“AI 操作系统”，不限本行客户

产品

The 1866 Studio，基于 Google Cloud Gemini 平台的小企业经营系统

场景

创业启动（注册、许可、生成行动计划）、营销物料与广告文案生成（多模态）、贷款准备度评估与改进建议

开放策略

10 月 19 日起开放早期注册，明确不限于 Huntington 客户

The 1866 Studio 把银行的小企业经验、AI 助手、专家内容和业务工具放进同一入口。其设计目标是让系统在不同任务间保留相关经营上下文，帮助企业主协调财务、运营和管理工作，减少在分散工具之间反复交代背景；企业主仍然控制决策与后续行动。

首批能力围绕三类任务展开：创业时梳理主体选择、注册、许可与运营准备，生成行动计划；营销时用多模态 Gemini 模型制作品牌物料、广告文案与社交媒体活动；融资前识别准备度缺口、解释贷款方通常关注什么，并建议补足材料或改善条件。贷款准备度工具不等于授信承诺，也没有替代贷款审核。

银行强调这是一条逐步扩展的产品路线，未来希望覆盖创业、日常经营、增长，乃至继承、出售或退出。10 月 19 日开放的是早期使用登记，而且不限于 Huntington 客户，不能写成已经全面普及或取得经营成效。它更接近银行把专业服务提前放到企业生命周期前端，而不只在客户申请金融产品时出现。

延伸阅读：Huntington 新闻稿（英文）

MAS：金融机构 AI 风险管理指引落地，分阶段到 2028

四大期望

董事会与高管对 AI 风险的监督问责；覆盖全生命周期的风险管理（清单、风险分级、数据治理、测试、人类监督、网络安全、监控与变更）；第三方 AI 的风险管理；按风险相称原则适用

生效节奏

2027 年 10 月 7 日生效：监督与管理制度两节须达标；生命周期控制与能力建设两节可延至 2028 年 10 月 7 日

代理式 AI

MAS 明确将在 2027 年就代理式 AI 所需的补充指引再作行业咨询。

第三方

机构对外部提供的 AI 仍负全责；风险压不进胃口内时，应限制、暂停或更换服务

MAS 的要求同时落在企业整体与单个用例两层。机构需要知道自己在哪里使用 AI，以适当粒度维护清单，判断用例风险的重要程度，再匹配数据治理、测试、人工监督、网络安全、持续监控和变更管理。不是所有工具都套同一套重型流程，但也不能因为 AI 嵌在采购的软件中，就把它排除在管理之外。

第三方管理的重点是取得足够保证、判断服务是否适合预定用途，并在供应商证据不足或现实限制存在时增加补偿控制。若剩余风险仍超出机构风险偏好，应考虑限制、暂停或更换服务。这把责任留在提供金融服务的机构，而不是把“模型由外部公司提供”作为免责理由。

实施采用比例原则：若工具表现不佳或不可用，不太可能对机构、客户或其他相关方造成重大影响，基础政策与程序可能足够；风险越大，控制应越细。现有委员会能提供有效监督和跨部门协调，就不必另设 AI 委员会。2027 年先满足第 3—4 节要求，第 5—6 节可到 2028 年；代理式 AI 的额外指引仍待 2027 年咨询。

延伸阅读：MAS 官方媒体稿（英文）