量化模型与构建方式 1. 模型/因子名称：DongWuFactor因子库Skill[12] 构建思路：将内部因子数据库封装为可被AI Agent通过自然语言调用的标准化Skill，以提升因子数据调用的效率和口径一致性[12] 具体构建过程： 1. 将内部因子数据库（DongWuFactor）封装为一个Agent可调用的Skill[12] 2. 研究员通过自然语言或简单命令提出需求，如因子查询、样本筛选、回测数据导出等[12] 3. Agent自动检索因子字典，补充日期、代码等过滤条件，输出结构稳定的数据结果[12] 2. 模型/因子名称：宏观数据分析Skill[41] 构建思路：将宏观数据分析流程（数据获取、图表整理、观点归纳）封装为Agent Skill，使研究员能专注于逻辑判断[41] 具体构建过程： 1. 调用Wind MCP Skill获取可靠的宏观数据（如CPI、PPI）[41] 2. Agent基于获取的数据进行现状总结（如上半年通胀情况）[41] 3. Agent锁定核心观察变量（如下半年通胀的四大变量）并给出综合结论[41] 3. 模型/因子名称：投资价值分析报告Skill[45] 构建思路：将指数或基金产品的标准化分析范式封装为专属Skill，实现从数据获取到报告生成的全自动化链路[45] 具体构建过程： 1. 通过Wind MCP Skill自动调度数据接口，获取关键数据（如日K线、月K线、PE/PB分位数、行业权重、宏观指标等）[46] 2. 依托内置的投研框架逻辑，对多维度因子进行解析和逻辑研判[45] 3. 自动生成相对正式的投资价值分析报告[45] 4. 模型/因子名称：深度研究框架Skill（finance-deep-research）[49] 构建思路：将研究员日常判断问题的方式沉淀为可复用的结构化工作流，而非固定模板，以提升研究深度和可审计性[49][50] 具体构建过程： 1. 任务拆解：将深度研究任务拆分为“研究对象识别—材料处理—框架选择—假设生成—证据链整理—反方质询—结论落地”等环节[49] 2. 流程约束：为不同资产类型（市场、行业、公司等）设置研究框架约束，并规定输出格式和质量边界[49] 3. 输出要求：要求Agent区分事实、推论和判断，给出核心假设、证据链、主要分歧、投资含义、监控指标、认错条件和后续工作[50] 4. 质询机制：对于重要结论，要求Agent先给出反方视角，再形成最终判断[50] 5. 模型/因子名称：投资专家讨论Skill（基金经理投研会Skill）[55] 构建思路：将多位投资专家的研究框架转化为可复用的会议流程，模拟真实投研会中的角色分工和质询机制[55][56] 具体构建过程： 1. 角色定义：基于基金经理调研纪要，将不同投资方法沉淀为多个匿名角色（如Manager A-E）[55] 2. 流程设计：由会议主持人（Agent）组织议题、控制讨论顺序、提炼分歧和输出结论[55] 3. 边界设置：规定会议流程、隐私规则，并将输出格式标准化[55] 4. 输出内容：明确问题和约束，让不同风格角色独立判断，最终保留共识、分歧、投票和行动建议[55] 6. 模型/因子名称：投资决策Skill（investment-committee Skill）[58] 构建思路：将投资决策流程结构化，从单一观点输出改造为包含证据、分歧、风控和留痕的完整讨论流程[58] 具体构建过程： 1. 输入明确：明确决策对象、投资期限、约束条件和证据包[58] 2. 角色设计：设计投决会中的不同角色（如不同观点的研究员或基金经理）[58] 3. 流程规定：规定会议顺序，包括角色陈述、交叉质询、观点修正、风险反证等环节[58] 4. 输出沉淀：输出可审计的决策记录，包括议题证据、各方观点、质询过程、最终结论、操作建议、监控指标及认错条件[58] 模型的回测效果 （报告中未提供具体量化模型或因子在历史数据上的回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率（IR）等，因此本部分无相关内容。）