本文转载自微信公众号：中信建投证券研究
文｜姚紫薇
AI投研的瓶颈不只在模型和数据，更在中间缺失的方法论层。我们以金融工程及基金研究为例，将基金标签矩阵、资产配置模型、行业轮动信号等研究能力封装为AI可调用工具，并构建场景化Skill。但会调用工具不等于会研究，AI仍可能产生“专业型幻觉”。下一阶段关键是建立“反馈→记忆→Skill”闭环，并由研究员治理记忆折旧与方法适用边界。
AI投研的瓶颈在方法论层。
大模型执行能力已经较强，金融数据也在开放，但研究团队长期沉淀的框架、口径、边界条件和经验记忆，尚未被系统转化为AI可调用、可校准、可演进的能力。
研究能力可以被工具化。
以金融工程及基金研究为例，基金标签矩阵、资产配置模型、行业轮动信号和基金经理资料等，可以被封装为MCP、知识库和场景化Skill，供AI调用。
工具化只是起点。
AI即使拿到正确数据和工具，仍可能出现“专业型幻觉”，如把筛选结果当结论，把模型信号当指令，把概率信号绝对化。其根源在于场景判断、指标边界、交叉验证等隐性知识难以一次性编码。
研究记忆决定AI能否越用越专业。
AI研究能力的分水岭，在于能否建立“反馈→记忆→Skill”的闭环，并对记忆进行折旧与治理。AI越成熟，研究员越不是被替代，而是从执行研究上移到治理AI的记忆、Skill和方法论体系。
1
为什么“虾”不聪明？
2026年的AI投研讨论已经越过了"模型能不能做事"的阶段。大模型可以理解复杂指令、编写分析代码、调用外部工具、生成研究报告；AI编程工具也可以从公开论文和研报出发，临时复现一套分析框架。但在真实投研场景中，一个更尖锐的问题正在浮现：AI生成的研究材料看起来很完整，却未必经得起专业研究员的审视。
这个问题不宜简单归因为"模型还不够强"或"数据还不够多"。Stanford HAI《2026年人工智能指数报告》显示，AI在博士级科学问题、多模态推理、竞赛数学和软件工程等方向持续突破，但在税务、房贷处理、公司金融、法律推理等高可靠性专业场景中，模型表现仍存在明显不稳定性。专业场景的难点不是单点能力，而是高标准、可追溯、可问责的系统性可靠。
金融投研尤其如此。FinRetrieval基准测试显示，在金融数据检索任务中，同一类前沿模型接入结构化数据工具后，准确率可达90.8%，而仅依赖通用搜索时降至19.8%，落差超过71个百分点。这个结果说明，金融任务的质量高度依赖工具和数据组织方式。但对真正的投研工作而言，仅有数据工具仍不够，更关键的是把研究团队验证过的方法论、口径、边界条件和判断规则一并转化为AI能力。
1.1 "空壳虾"缺了什么
2026年以来，"养虾"成为金融行业的高频话题。研究员通过OpenClaw、Claude Code等智能体或AI工具培养自己的AI助手，希望它逐步学会处理日常研究工作。理想状态中，AI可以帮助研究员拉数据、算指标、做归因、写报告，研究员则把精力集中在判断和决策上。
但多数实践很快会遇到一个共同问题：AI助手可以完成一份外观看起来专业的研究报告，却很难真正继承研究团队多年积累的研究能力。它可以去读公开研报，再现场写代码从零复现一套框架；但这些框架往往只是"像"，而不是"是"。它缺少的是团队实际使用中的口径、约束、边界条件和校验经验。"空壳虾"的本质不是AI没有执行能力，而是AI没有继承研究团队的能力。模型层已经很强，数据层也在快速开放，但位于模型和数据之间的"方法论层"仍然缺失。
2026年以来，数据供应商及社区生态的MCP化已经在快速推进。同花顺iFinD已推出面向金融数据服务的MCP能力；Wind数据也可通过社区方案实现MCP接入。数据商正在把自己的能力标准化地交给AI，而当MCP、API、数据库等各类数据和工具越来越丰富时，Skill层的价值反而越突出，因为能调用的东西越多不等于分析得越好。在传统研究中，每个团队都用Wind和iFinD的数据，但每个团队同样有自己的Python脚本、Excel估值模板、测算模型等。数据从来不等于研究。从数据到研究产出之间的那套加工方法，过去存在于团队内部工具中，现在需要同样被转化为AI可调用的能力。
1.2 如何“炼化”研究能力
所谓研究能力的“炼化”，是指将研究团队多年沉淀的方法论、判断规则和实践经验，转化为 AI 可以调用、可以校准、可以迭代的能力。
"炼化"包含三层含义：第一，将显性方法论工具化，让AI不再从零搭建分析框架，即避免AI每次都重复造轮子；第二，将解读规则技能化，让AI知道指标应该如何在场景中使用；第三，将真实研究反馈经验化，让AI在持续使用中形成记忆，而不是每次从零开始分析。我们将研究能力智能化拆解为三个连续阶段：工具化、技能化和经验化。三个阶段分别对应三个问题：AI会不会算、会不会解释、会不会积累。
本文接下来的结构围绕这个框架展开，并且以金融工程及基金研究领域作为案例，讨论如何“炼化”研究能力，并展示团队的工具化实践和端到端验证，以及在实际探索中遇到的挑战与思考。
2
我们做了什么
基于上述框架，我们对团队研究方向进行了系统化实践：定量侧，将团队基金研究及资产配置模型封装为标准化工具；定性侧，将基金经理交流和研究资料结构化入库；任务层，让AI根据研究目标自主规划调用路径，完成从数据提取、知识召回到报告撰写的端到端任务。
2.1 AI基金研究：从标签矩阵到研究Skill
（1）定量研究
我们在《追寻优秀基因：如何构建基金标签矩阵》中介绍了中信建投金融工程及基金研究团队搭建的基金标签矩阵，重点可划分为基金综合能力、基金多维投资能力、风格标签及行业配置标签、组合管理特征、基金经理个人特征、基金经理定性标签、基金公司运营标签等标签大类，分析维度包含了基金产品、基金经理和基金公司，整个标签体系共包含了30多个子类别、500多个指标，具体指标见下表，其中标红的为团队特色模型，标蓝的为定性指标。
我们基于基金标签矩阵的模型及数据，将基金研究模型产出的所有数据提炼成了数据工具，并封装成了MCP供AI调用，称其为Fund-MCP。相比于直接调用iFinD和Wind的MCP数据工具，调用Fund-MCP本质是在调用基金研究员的模型产出，可让AI在基金研究、基金筛选、基金报告撰写等方面具备一名基金研究方向的研究助理的能力。如下图，我们可以让AI基于MCP工具一键筛选出重仓CPO的基金列表，也可以让AI筛选行业配置及行业择时较强并且偏好TMT的基金经理。
（2）定性研究
基金经理交流材料为知识库搭建，核心是对基金经理调研纪要和基金经理研究资料做结构化拆解，并以MCP的形式供AI调用。每篇纪要不再作为一整段文本进入知识库，而是被拆解为投资理念、行业配置、个股选择、组合管理、风险控制、后市看法等标准章节。AI检索时可以精确定位到某位基金经理对某一行业、某一阶段或某一操作逻辑的表述，而不是返回一堆模糊相关的段落。基于该知识库，我们可以快速了解单个基金经理的投资框架、总结多个基金经理的投资框架等。
（3）场景化研究
如果基于MCP搭建研究Skill，则将让AI能完成场景化的基金研究工作。MCP工具多了之后，LLM的上下文容易超限，并且也影响LLM对每个MCP工具的理解。就像一位还没有研究经验的研究员，拿到了资深分析师分享的海量资料及研究模型结果，即使在面对一个简单的问题时，也一样会无所适从。当然，Skill包含了研究员本人的分析过程和分析思路，每个研究员可根据个人偏好来搭建。如下图，我们构建了基金诊断报告的Skill，可调用该Skill让AI自动生成一篇非常详尽的基金分析报告，分析维度包括了基金经理画像、业绩表现、业绩归因、持仓及风格分析（风格、行业、操作特征、拥挤度、勤奋度、能力圈等）、交易行为及资金动态、综合分析建议等内容，并且报告格式参考中信建投研报格式。值得一提的是，由于该报告长达 30 多页，任务链路较长，若提示词约束不足，AI 输出可能向摘要化、简报化收敛，难以稳定生成完整深度报告。
❕ 该图片疑似使用了AI生成技术，请谨慎甄别
2.2 AI资产配置：从周期信号到模型调用
我们进一步将团队资产配置模型封装为AI可调用能力，使AI能够基于周期信号、宏观状态识别和组合约束，辅助完成配置方案生成与调整。
《资产配置理论、演进及国内实践》详细阐述资产配置模型的演进，即传统资产配置阶段、风险配置阶段、周期配置阶段、因子配置阶段、智能配置探索，并针对各类资产配置模型检验其在国内市场的表现，进行实际的应用。文章分别从战略资产配置和战术资产配置两个维度给出配置组合，结果显示：均值-方差模型、基于资产的风险平价策略、基于宏观因子的风险平价策略、普林格周期模型均在国内市场取得不错的业绩表现。
《中信建投资产因子与股债配置策略月报》会每个月发布普林格周期信号。普林格周期脱胎于美林时钟模型，在美林时钟模型增长/通胀的基础上加入信贷指标来更好地适应货币主义时代。在普林格周期中，使用先行指标（M1、M2同比），同步指标（GDP同比、工业增加值同比），滞后指标（PPI同比）三个指标来衡量经济周期，将经济周期划分为六个阶段，并计算了在上述各个阶段中各类资产的回报率和股票不同风格回报率，结果表明，在经济周期各个阶段的轮换中，不论是大类资产还是股票风格，其收益率均有所分化，优势品种有超越大市的表现，具体周期划分以及表现如下图。
《基于宏观状态识别的多资产配置ETF组合》报告是通过宏观层面的经济增长、通胀、流动性、货币政策、美元指数、汇率、央行购金等指标及因子，采用马尔可夫转移模型识别宏观状态，分别探讨股票、债券和黄金的投资价值，根据市场环境的变化进行动态调整不同资产的风险预算，并综合考虑宏观状态、风险分配及业绩动量，构建多目标优化模型进行资产配置分析，构建ETF配置组合。
基于以上的资产配置策略，我们最终可以让AI具备资产配置能力，并且可根据团队的信号灵活调整实际的配置模型。如下图，在获取了普林格周期信号后，如并不希望按团队原本的等权配置资产的方式进行组合构建，也可以考虑直接采用风险预算模型来做组合落地。
2.3 AI行业轮动：从策略信号到场景推荐
《多维轮动，更上层楼——多策略行业轮动体系构建》基于因子动量的思想以及宏观、基本面、资金面，事件动量等子维度构造复合行业轮动策略，策略每月更新，包含了单策略及复合策略信号。除了月报以外，我们也会在智研多资产配置+平台（fund.csc.com.cn）上更新模型每月信号，如下图展示了今年表现较好的基于“优选基金仓位模型”的行业轮动策略。
2.4 工具化之后：会调用不等于会研究
从基金研究、资产配置到行业轮动，上述实践共同说明：研究团队长期沉淀的方法、模型和数据，首先可以被工具化。过去存在于研究员模型、代码脚本、研究报告和内部平台中的能力，可以被拆解为AI可调用的数据、函数、模型、知识库和Skill。AI不再需要每次从公开资料中重新搭建框架，而是可以直接调用团队已经验证过的研究能力。
但工具化只是第一步。它解决的是AI“能不能调用”“会不会计算”的问题，并不自动解决AI“会不会解释”“会不会判断边界”“会不会积累经验”的问题。AI拿到基金标签矩阵，不等于真正理解基金经理能力；拿到资产配置信号，不等于理解宏观状态切换；拿到行业轮动推荐，不等于知道什么时候应该相信信号、什么时候应该降权处理。
因此，工具化之后，更关键的问题开始浮现：即使数据是正确的，工具是经过验证的，AI仍然可能给出不专业的解释。研究能力智能化真正困难的部分，由此进入第二阶段。
3
工具化之后，更深的问题
3.1 专业型幻觉：正确数据上的错误解释
工具化之后，AI的问题不再主要表现为“不会算”或“拿不到数据”。在基金研究、资产配置和行业轮动等场景中，AI已经可以调用经过封装的研究工具，获得相对完整的指标、模型信号和分析结果。但这也带来了一个更隐蔽的问题，我们将这类问题称为“专业型幻觉”。它不同于一般意义上的事实幻觉。事实幻觉是AI编造不存在的数据、案例或结论；专业型幻觉则更接近“有中生错”——AI没有编造数据，也没有算错指标，但它把工具返回的结果过度简化、过度确定化，甚至直接误读为研究结论。
这类问题在基金研究、资产配置和行业轮动三个场景中都会出现。
这些场景的共同点是：工具返回的是研究线索，AI却容易把它写成研究结论。这也说明，工具化只是研究能力智能化的第一步。真正困难的，是让AI从“会调用工具”进一步走向“会解释工具”，从“能生成材料”进一步走向“能承接研究逻辑”。专业型幻觉正是工具化之后暴露出的核心问题，也是后续技能化和经验化必须解决的关键。
3.2 隐性知识：研究能力最难外化的部分
知识管理领域有一句经典表述："We can know more than we can tell"（Polanyi, 1966）。放到投研场景中，这句话尤其贴切。研究员真正形成判断时，依赖的不只是写在模型里的公式、参数和口径，也不只是报告中可以明确表达的研究框架，还包括大量在长期使用、比较、纠错和复盘中形成的隐性知识。
专业型幻觉之所以难以完全避免，根源正在于此。工具化能够沉淀的是显性方法论：数据接口、指标口径、计算公式、模型参数、输出格式和标准流程。但研究员使用这些工具时，往往还会同时判断市场环境是否变化、模型假设是否仍然成立、信号强度是否足够、结果是否需要同类比较、结论是否存在反例，以及风险约束是否允许从研究线索进一步走向投资动作。
所谓隐性知识，并不是无法解释的“玄学判断”，而是尚未被系统写入工具、规则或流程中的专业经验。它通常存在于研究员长期使用模型、复盘案例和修正判断的过程中。研究员看到一个结果时，通常不会只问“这个数是多少”，而会继续追问：这个数在当前环境下是否有意义？和历史可比吗？和同类对象相比处在什么位置？模型假设是否仍然成立？有没有相反证据？如果这些问题没有进入AI的分析流程，AI就容易把一个正确的工具输出，写成一个不充分的研究结论。
因此，隐性知识不是研究流程之外的附加判断，而是研究能力中最难外化、也最决定结论质量的部分。隐性知识难以一次性编码，原因在于它高度依赖场景。很多规则单独看都成立，但放到不同市场阶段、不同资产类别、不同决策目标下，含义会发生变化。比如，同样是基金集中持仓上升，在产业趋势明确时可能代表主动加仓，在风格快速轮动后也可能只是净值上涨带来的被动暴露；同样是某类资产配置信号转强，在周期拐点确认时可能是有效提示，在信号滞后时则可能已经失去配置意义；同样是行业轮动模型推荐靠前，在信号早期可能具备价值，在交易拥挤后则可能需要降权。
这也解释了为什么仅靠提示词、规则清单或一次性知识库建设，很难彻底解决专业型幻觉。研究员的很多判断并不是预先完整写好的，而是在一次次使用模型、观察结果、发现偏差、复盘错误的过程中形成的。AI只有在真实研究任务中不断接受反馈，才会逐步知道哪些解释太绝对、哪些结论缺少证据、哪些模型结果需要降权。
因此，从工具化走向技能化，本质上不是简单增加工具数量，而是把研究员使用工具时的判断过程逐步外化。这个过程不会一次完成，只能在持续使用中不断沉淀。
3.3 研究记忆：AI如何越用越专业
如果说隐性知识解释了专业型幻觉为什么会发生，那么研究记忆解决的是另一个问题：这些隐性知识如何在AI的持续使用中被逐步外化。
我们在《认知革命：AI投研的能力阶梯与价值重构（L1-L5）》中借鉴自动驾驶分级逻辑，提出金融投研自动化L0-L5能力阶梯。L0对应生成式AI到来之前的传统投研自动化阶段；L1-L3主要描述AI在研究执行层面的逐步深化，即从局部环节辅助走向更深层次的人机协作，并进一步迈向局部放手与独立研究；L4-L5则开始触及研究规划、任务组织、跨角色协同以及更高层次的跨领域综合认知。
L3是观察金融投研智能化是否发生实质跃迁的关键分界。它不再只是让AI完成公告抓取、研报摘要、财报解析等基础信息处理，也不只是让AI在单个问题上提供辅助分析，而是要求AI能够围绕某一研究方向或研究对象，独立完成相对完整的研究任务。现实中，当前很多系统看上去已经"很像研究员"，可以自动生成报告、调用工具、跑代码、完成多步骤分析，但严格来看，仍大多处于初级L3阶段。它们具备一定程度的独立执行能力，却未必在某一方向上形成足够稳定的经验沉淀。初级L3和成熟L3之间的差距，本质上就是有没有建立起"反馈→记忆→Skill"的闭环。
（1）经验、记忆与Skill
经验沉淀的核心基础设施是记忆。研究员在真实任务中不断纠错、复盘、形成判断，这些就是经验。但经验如果不被保存和索引，下一次遇到类似问题时AI还是从零开始。记忆解决的就是这个问题：让经验可以被后续任务找到和调用。
Skill有两个来源。一部分可以由研究员直接编写：检查清单、流程模板、解释规则、提示词约束。这些是研究员已经想清楚的显性判断逻辑，不需要等AI犯错才沉淀。但另一部分Skill很难靠事前编写穷尽，它只能从真实使用中生长：研究员事先想不到AI会在哪个环节犯什么样的错，只有看到AI的实际输出后才意识到需要补一条规则。这部分Skill的来源就是记忆。记忆把一次次纠错保存下来，当某条纠错被反复验证、足够稳定时，它就可以被提炼为一条新的Skill。
这条路径在基金研究中已经可以看到具体的形态。AI在筛选任务中把"重仓某产业链的基金"直接写成"值得重点关注"，研究员纠正：这只能作为研究线索，还需要检查持仓时点、暴露来源、经理能力圈和组合约束。这条纠正一开始只是经验；被系统保存并标注适用场景后，它成为研究记忆；当筛选流程中固定加入这些检查步骤时，它才真正转化为Skill。资产配置中AI把模型信号写成配置指令、行业轮动中AI把推荐绝对化，研究员的修正同样需要经历这条"经验→记忆→Skill"的路径。
（2）记忆的折旧与封存
但记忆也承担着折旧的职责，而折旧远比想象中复杂。金融市场的一个基本特征是：有效的经验会随市场环境切换而过期，但过期不等于永久失效。
以Alpha能力选基为例，在某些市场阶段，超额收益稳定、信息比率较高的基金经理可能持续占优；但在风格剧烈切换、Beta和风格暴露主导收益的阶段，这一路径可能阶段性失效。如果后续结构性行情重新占优，相关经验又可能恢复适用。这个例子说明，记忆折旧不能简单等同于“近期无效就封存”，而需要理解策略失效的原因是市场环境暂时不适配还是方法论本身过时。前者需要保留但标注适用条件，后者才应该真正降权。
因此，研究记忆在保存时不能只记录一句结论，而要同时记录任务场景、市场状态、AI初始解释、研究员修正、适用条件和失效条件。只有这样，AI才能在相似任务中复用经验，也能在市场环境变化时做出判断：这条经验是暂时休眠还是永久失效。记忆需要沉淀，也需要折旧，更需要区分"暂时休眠"和"永久失效"。没有状态感知的记忆系统，积累越多，误导风险越大。
（3）研究员的角色：从纠错到治理
AI能不能自行完成记忆折旧？部分可以，但关键判断做不了。AI可以通过统计手段发现"某条经验近期的预测效果在下降"——这是信号检测，模型擅长。但从"效果下降"到"应该怎么处理"，中间隔着一个AI目前无法独立完成的判断：这条经验失效的原因是什么？
回到前面的Alpha选基案例，统计信号会告诉AI"这条经验不灵了"。但研究员知道的是：Alpha策略失效不是因为方法论错了，而是因为那两年市场的超额收益主要来自Beta和风格暴露，Alpha能力被系统性掩盖。方法论本身没有过时，只是市场环境暂时不适配。这个判断需要对市场结构、风格周期和策略机理的理解，不是回测数据能告诉AI的。
如果把折旧决策完全交给AI，它大概率会走向两个极端：要么过度保守，把所有近期失效的经验一律降权，结果在风格回归时措手不及；要么过度保留，认为所有经验都可能卷土重来，结果在真正过时的方法论上浪费注意力。研究员在这个环节的价值，不是提供更多数据，而是提供因果判断：区分"市场没给机会"和"方法论本身有问题"。这种判断能力恰恰是隐性知识中最难被编码的部分。
这也意味着，AI越成熟、积累的记忆越多，研究员的角色不是变轻了，而是从"纠正AI的单次错误"上移到了"治理AI的记忆和Skill体系"。哪些经验该保留、哪些该休眠、哪些该永久退役、哪些Skill需要根据市场变化更新适用条件——这些决策构成了一种新的研究能力，它不直接产出研究报告，但决定了AI产出的研究报告是否可信。这正是"模型之上，能力之下"的深层含义：AI缺的不只是方法论工具，还有治理这些工具的人。
4
总结与展望
本文尝试回答的问题是：当大模型已经能够调用工具、处理数据、生成报告之后，AI投研还缺什么？我们的阶段性结论是，AI投研的瓶颈不只在模型和数据，更在于研究能力能否被系统化转化为AI可调用、可校准、可演进的能力层。
这也是本文标题“模型之上、能力之下”的含义：“模型之上”并不是否定模型能力，而是强调通用大模型本身并不能自动形成专业研究能力；“能力之下”则指向AI表面能力背后的底层支撑，真正决定AI投研质量的，是研究团队沉淀在工具、Skill、记忆和治理机制中的能力层。
从当前实践看，工具化已经具备可行性。以金融工程及基金研究方向为例，基金研究中的标签矩阵、定量模型和定性知识库，资产配置中的宏观状态识别与配置模型，行业轮动中的信号体系和平台化工具，都可以被封装为AI可调用的能力。AI不再需要每次从公开资料中临时拼接分析框架，而是可以直接调用研究团队已经验证过的方法和模型。
但工具化只是起点。AI即使拿到了正确的数据和工具，仍然可能出现专业型幻觉：数据没有错，模型没有错，但解释不专业。真正困难的，是让AI理解工具的适用条件、模型的边界、结论的证据要求，以及历史经验在当前环境下是否仍然有效。这意味着AI投研需要从工具化继续走向技能化和经验化。
未来我们将继续围绕三个方向推进：第一，将更多研究模型、指标体系和数据能力转化为AI可调用工具；第二，建设更稳定的场景化Skill，让AI在基金研究、资产配置、行业轮动等任务中形成可复用的分析流程；第三，探索研究记忆系统，让研究员反馈、历史案例和市场复盘能够被保存、召回和折旧。
AI越成熟，研究员的角色越不是被替代，而是从执行研究动作，上移到定义方法、校准解释、沉淀经验和判断边界。AI投研的核心竞争力，也将从“谁拥有更多工具”，转向“谁能率先把自己的研究方法和判断经验，转化为AI可以继承、调用和演进的能力资产”。
AI投研能力转化进度不及预期。研究能力从方法论、经验和判断规则转化为AI可调用能力的过程，涉及大量工程化和知识外化工作，实际推进节奏可能慢于预期。
专业型幻觉短期内难以根本消除。即使工具层已内置专业约束，大模型在组合和解读数据时仍可能出现过度简化或误读。AI生成的研究材料仍需研究员审核后方可使用，不宜直接作为投资决策依据。
研究记忆与折旧机制尚处早期探索阶段。当前行业对AI长期记忆、经验索引和折旧机制的研究仍在起步阶段，距离成熟可用仍有较大距离，成熟L3的实现时间存在不确定性。
技术底层仍在快速迭代。MCP协议、工具调用、长期记忆和多智能体协作等技术尚未完全稳定，若底层标准发生重大变更，已有的工具化实践可能需要重新适配。
姚紫薇：金融工程及基金研究团队首席分析师，上海财经大学硕士，厦门大学统计学与数据科学系行业导师、中证报金牛奖专家评委。历任兴业证券金融工程分析师、招商证券基金评价业务负责人，2024年加入中信建投研究发展部，深耕基金研究、资产配置、财富管理、数字化建设、大模型应用等领域，主导开发招商证券研基实验室、中信建投智研多资产配置+平台（网址：https://fund.csc.com.cn）。多次获得团队荣誉，获得2020年新财富最佳分析师金融工程方向第3名，2021年新财富最佳分析师金融工程方向第2名。
证券研究报告名称：《模型之上、能力之下：AI投研还缺什么》
对外发布时间：2026年5月27日
报告发布机构：中信建投证券股份有限公司
本报告分析师：
姚紫薇 SAC 编号：S1440524040001
SFC编号：BXU265
