在传统的量化交易世界里，一个投资想法从产生到验证，往往需要交易员花费数日时间编写代码，并从庞大的历史数据库中挖掘证据。但对于 27 岁的香港 (Hong Kong) 量化交易员赖安·雷 (Ryan Lei) 来说，这种低效的“体力活”正在成为过去。

在最近一次针对大型科技公司 IPO 的交易中， Lei 没有选择手动编写筛选脚本，而是部署了富途 (Futu) 的 AI 智能体 (AI agents)。他通过自然语言指令，让 AI 自动搜集过去十年间类似上市公司的历史数据，并解析其上市后的股价表现。这种从“手动编码”到“自然语言交互”的转变，直接支撑了他的空头头寸决策。

这一转变揭示了生成式 AI 在金融领域的核心赋能点：消除技术门槛。长期以来，金融分析被划分为“基本面分析”和“量化分析”，前者依赖经验，后者依赖编程。而 AI Agent 的出现，让不精通编程的研究员也能快速构建量化模型，将原本需要数天的数据清洗和分析时间缩短至分钟级。

然而，工具的普及也带来了职业危机感。当 AI 能够快速完成数据收集、初级解析和报告起草时，传统投研岗位中负责“搜集资料”和“简单建模”的初级研究员正面临被替代的风险。金融从业者的竞争维度正在发生位移：对代码的掌控力不再是核心护城河，而能否在复杂的市场信号中提出深刻的问题、构建独特的逻辑框架，成为了决定胜负的关键。

对于寻求效率提升的中文财经从业者而言，这意味着金融研究的逻辑正在从“数据驱动”演变为“问题驱动”。当 AI 处理了所有繁琐的 grunt work（琐碎工作）后，研究员的价值将更多地体现在对宏观趋势的洞察力以及对 AI 输出结果的批判性审核上。

本文内容仅供参考，不构成投资建议。