中金 | AI时代的投研：组织与个体价值如何重塑？

AI时代正发生的投研范式之变？1）AI及数字经济时代信息爆炸且传播速度加快，通过信息差获取的超额收益持续收敛，差异化/高质量信息、认知差仍是竞争壁垒，“信息去中心化、信任再中心化”趋势下稀缺的注意力和信任向头部平台或优秀个人集中；2）类似摩尔定律与安迪-比尔定律共同作用，AI带来大幅提效、亦导致内外部“客户”对投研工作要求（包括研究深度/覆盖广度/响应速度等）的合格基准线不断抬升，导致竞争愈加激烈；3）金融资讯/信息/数据服务商针对信息获取、处理加工和决策辅助领域推出AI工具并快速迭代，但核心环节仍是人机协同模式。

未来“AI+投研”带来的变局？1）信息价值重估：AI重塑信息流转链条下，标准化/公开信息的价值因更易得而被稀释、私域及差异化信息的溢价或提升，同时市场共识更快形成或带来羊群效应及拥挤交易，因此预测共识形成路径和寻找非共识所在都很重要；2）投研工作流重塑：AI正改变买/卖方投研人员的操作习惯、交互模式及协作机制，在内部系统建设与外部服务商赋能之下，用户入口迁移及服务商商业模式变革有望发生；3）行业格局演进：AI提升投研能力上限也降低了基础投研的准入门槛，头部买/卖机构凭借规模优势及乘法效应实现强者恒强，中小机构以及“去中心化平台上的优秀个人”能够取得差异化发展。

变局下如何拥抱机遇与挑战？在“AI+投研”的变局中，需要充分发挥AI所能、通过AI放大自身价值，另一方面需要聚焦AI所不能、努力提升AI所无法颠覆的优势技能：1）于个人，通过一线产业调研及另类数据挖掘掌握差异化信息优势、通过长期经验积累及前瞻深度思考构筑认知优势；2）于投研机构，构筑内部知识库、打通交流分享机制、沉淀持续迭代的集体智慧，以平台化、工业化、数智化体系打造护城河；3）于服务商，用AI原生思维切入、以高频打低频拓展场景，占据买/卖方投研人员工作入口及更多时长、形成双边网络效应、打造AI时代的基础设施。

数据溯源及准确性挑战加大、知识产权保护难度进一步提升。

随着市场环境和信息技术的持续演进，投研机构与从业者面临的能力挑战和工作痛点愈发突出。围绕投研行业的变化，我们重点讨论三个问题：传统的信息优势是否仍然能够持续创造超额收益、投研效率提升能否满足不断升级的投研需求、以及投研工具与人的能力边界将如何重新划分。

投研信息端深刻变化，而超额收益获取难度提升。在数字化和全球化背景中，我们观察到投研信息出现三重变化：第一，信息总量快速扩容，但价值稀释、噪音增多的问题同样存在，有效信息的甄别成本上升。第二，信息传播速度变快、市场基于信息完成定价的效率提高，新信息的时效窗口收窄。第三，信息到定价的传导路径更加复杂，跨市场、跨资产、跨行业联动增强，单一维度的信息更难支撑决策。信息的总量和结构变化一定程度上压缩了“信息差”带来的超额收益，以往可以通过信息不对称和时效优势获取的超额收益收敛。例如，在量化投研领域，浅层因子开发趋于饱和、策略趋于拥挤，超额收益来源转移，而在基本面投研领域，信息可得性和流转速度提升，单纯依靠信息优势创造超额收益的难度提高。针对信息端扩容而超额收益收敛的悖论，我们试图厘清三个问题：

► “信息差”带来的超额收益是否会完全收敛？我们认为不完全如此。一方面，更多信息实现公开可得，这个维度的信息差距持续缩小，例如各类数据流通、买卖方交流增加、上市公司披露与交流渠道完善、自媒体资讯更发达，多渠道共同拓宽信息供给。另一方面，差异化和深度信息仍存在获取门槛，例如另类数据采购、深度产业调研、一线专家访谈都需要各类资源支撑，我们认为信息差并不会完全弥合。此外，市场上投研信息供给越充足，信息茧房的负面影响可能越突出，研究员如果误判自身掌握了完整信息，那么基于片面信息进行的决策可能进一步加大获取超额收益的难度。

► 超额收益如果不来自“信息差”，那么来自哪里？我们认为来自“认知差”。从信息到定价的过程中，如果信息获取和处理的环节被各类工具“平权”，“信息差”带来的超额收益收敛，那么信息解读的环节重要性将会提升，基于同一个信息，更准确、前瞻、非共识判断更可能带来超额收益。我们认为，目前的工具还难以捕捉人际交流的隐性信号、难以复刻资深投研人员长期沉淀的研判能力和感知、难以生成具备差异化价值的独立观点，也因此投研人员的“认知差”可能成为下一阶段稳定获取超额收益的来源。

► 超额从“信息差”走向“认知差”会带来什么？我们认为是信任再中心化。赫伯特・西蒙提出信息富足带来注意力匮乏[1]，我们认为这个理论在当前投研环境下依然适用。一方面，信息扩容的同时噪音泛滥和价值稀释，而具备可信度、深度、前瞻的研究仍然具备稀缺性。另一方面，市场注意力存在天然上限、且难以均匀分配至海量零散信息，更有可能集中流向少数可信度更高的研究信源。因此投研行业可能出现信息去中心化和信任再中心化的趋势，市场的注意力和信任将集中在具备“认知差”优势的头部机构和投研人员。

投研在产能提高与需求提升形成动态循环。摩尔定律揭示了芯片性能持续提升而单位算力成本不断下行，安迪比尔定律则指出硬件更高的性能会被持续迭代的软件需求消耗。我们认为这一对定律在投研领域同样适用：一方面，信息扩容、AI工具进步、从业者增加让投研的效率和产能不断提高，如同摩尔定律中持续增长的算力；另一方面，投研的质量要求也在同步提高，如同安迪比尔定律中软件的需求会把新增的性能消耗。在产能提升、需求持续消耗的动态循环下，投研供给似乎始终存在一定缺口，具体来看：

► 摩尔定律：投研的性能和供给持续提高。从狭义的投研供给来看，近几年卖方券商分析师队伍持续扩张，公募、私募等买方机构从业人员规模与基金经理人数亦在增长。从广义的投研供给来看，各类第三方产业咨询机构、投研自媒体等快速发展。此外，AI投研工具不断迭代推动单位人效提升，投研信息和服务载体由传统研究报告延伸至各类线上线下的策略会、电话会、调研和专家访谈等形式，市场整体的投研内容不断增多、服务供给不断提升。

► 安迪-比尔定律：投研质量要求同步提升。一方面，多资产、跨区域、跨行业配置需求提升、叠加信息端深刻变化，要求投研机构和从业者增加覆盖标的、关注更全面多元的信息、辨析更复杂的影响，同时服务对象扩容也提高了对工作量和响应速度的要求。另一方面，投研产能扩容和工具迭代推升行业整体生产效率，倒逼投研机构和从业者持续扩大覆盖范围、精进研究质量。摩尔定律下的投研效能提升，很快会被不断提高的投研要求追平，投研机构和个体需要在产出提升、需求增加的动态循环中不断提升性能。

传统投研大多属于人力驱动模式，产出质量依赖于人力资源。传统投研工作的信息获取、加工处理、逻辑解读、观点输出交流到投资决策环节大多需要人工研判，因此投研机构的产出质量常依赖于人员规模和个体水平。然而，人力驱动模式存在痛点，由于个体水平和专业领域存在差异，而优秀个体经验难以转化为可复用的标准化组织能力，因此投研成果、投资决策较难维持稳定、高质量输出。

工具迭代正推动投研走向人机协同新模式。在投研领域，随着金融资讯信息数据服务的优化与AI工具的采用，人力与工具形成非对称性互补，投研走向人机协同的新模式。工具可以辅助完成大规模且高效的信息获取和处理的工作，而人可以更聚焦于逻辑推理、创造、决策等更高价值、高难度的工作环节，具体来看：

► 投研工具解决了什么问题？1）针对信息扩容、传播提速、传导链路复杂化，各类工具从信息获取到处理环节赋能投研人员：金融数据终端聚合各个渠道数据、会议平台为买/卖方机构和上市公司交流提供平台，节省投研人员在各渠道获取信息的时间，更进一步，数据终端、会议平台提供插件、自然语言取数和AI智能体等工具，赋能投研人员更便捷地获取和分析更大规模和更复杂的信息。2）针对投研要求和工作量提升的痛点，各类工具逐渐从投研人员的效率工具向思考伙伴升级：生成式AI工具可以替代部分重复性工作如撰写会议纪要和汇报材料等；随着AI智能体等技术发展，AI工具可以承担更多环节的任务如完成信息抓取和整理输出、辅助投研人员快速学习新领域或跟踪覆盖领域；更进一步，机构可以依托AI技术将投研人员的技能、研究框架、数据封装为标准化组件（Skills）向内外部服务对象开放，拓宽知识共享与服务边界。

► 投研工具的能力边界可能在哪里？1）基于深度研究形成的前瞻、准确的感知和判断：一方面，虽然目前多模态等技术在进步，但AI等工具在解读难以标准化和结构化的隐性逻辑与深层信号方面仍有局限，这通常需要资深投研人员的敏锐感知；另一方面，AI等工具可能存在幻觉问题和放大市场噪音，校验、深度和延伸分析、决策判断环节仍需要投研人员参与；2）资源整合和关系维护等综合实力：投研工作不仅是案头工作，还涉及产业和专家资源对接、人际沟通及信任关系建立等，这些工作依赖人与人之间的深度互动和长期积累，投研人员及机构的综合能力和品牌价值短期内仍不会被工具替代。

随着AI能力持续提升，AI正从单点的效率工具逐步演进为嵌入投研全工作流的基础设施，投研行业或迎来新一轮变局，我们主要讨论三个变化：信息价值将如何被重新定义、投研工作方式将如何被重构、以及行业竞争格局将如何演进。

AI正深刻影响市场信息流转全链条。在信息获取和传播环节，互联网与AI工具发展便捷化了信息搜集、整理和生成。在信息处理、分析与定价环节，AI正逐步打通基本面与量化投研两类范式，既可以辅助基本面研究员通过自然语言快速验证投资逻辑、挖掘数据规律，又可以帮助量化研究员挖掘基本面的非结构化因子、拓展量化研究的信息边界。AI进一步加速从信息披露、逻辑推演到投资决策与交易执行的传导链路。我们认为，信息流转全链条的深刻变革也将改变信息本身价值和市场价格发现机制：

► 投研信息价值或迎来重估。AI工具深刻变革信息流转全链条，我们认为改变了信息的供需结构、进而推动信息价值重估。1）标准化公开信息价值或有所稀释，但高质量数据仍具备较高价值。过去，标准化、一站式信息因便于直接用于投研，而多渠道采集、清洗与整合成本较高，因此具有较高价值。随着AI工具降低多渠道信息获取、加工、解读门槛，标准化公开信息的供给显著增加，其稀缺性带来的价值或有所下降。但是，对于来源合规且可追溯、实时更新、垂类覆盖深的高质量数据，因其生产、维护和持续运营仍需要长期投入，短期仍难以被替代。2）私域及另类信息溢价或进一步提升。一手调研、专家访谈、非公开交易等独家、原生信息以及另类数据服务仍主要在授权范围内流转，获取壁垒难以被AI突破，因此其稀缺性和价值或进一步提升。Coalition Greenwich调研显示采用另类数据进行投研和计划提高相关预算的买方机构均过半（图表4），也印证了机构对稀缺信息的重新定价。

► 市场定价效率或呈现双向分化。AI对市场信息流转链条的重塑，可能进一步影响市场价格发现机制，使市场定价效率呈现双向分化。1）AI可能优化市场定价效率、帮助降低信用风险和操作风险。根据国际货币基金组织（IMF）、美联储及国际证监会组织（IOSCO）研究，AI不仅在一定市场环境下可以加快信息流转和价格发现，还在部分情境下可以辅助修正降低情绪化决策和人为判断偏差。2）AI也可能提高市场系统性风险。上述研究也显示，市场参与者如果普遍依赖同源数据和同类基础模型，可能出现研判一致、策略趋同和交易拥挤，在压力情景下放大市场顺周期性、价格波动及流动性风险。更进一步，美国国家经济研究局研究指出，AI驱动交易在特定条件下可能出现合谋现象[2]，从而可能损害市场有效性。

投研行业正逐步将AI工具嵌入工作环节，投研工作流或将被重塑。Coalition Greenwich在2025年7月发布的北美调查报告显示，约15%的买方交易员已经将AI工具整合进交易工作流，而另外25%也将在之后一年跟进。投研工作流一般涵盖研究想法产生、信息获取与处理、分析论证、投资决策及复盘反馈等环节，AI正逐步从赋能单点任务发展至支持复杂任务、多任务协同，未来或将在四个方面进一步重塑整个投研工作流：

► 工作环节：AI从执行重复性工作向辅助深度思考延伸。在投研领域，AI工具已经在会议纪要整理、信息检索、文档生成等相对简单、重复性的任务中得到较为广泛的应用，在AI承担标准化工作后，投研人员可将更多精力投入深度研究和交流等高附加值工作。此外，随着大模型能力和智能体技术的发展，AI不仅能够开始参与研究分析、逻辑校验和观点形成等认知环节，还能够自主拆解复杂任务、调用多个工具并协调执行流程，从完成单点任务进一步延伸至复杂任务和完整工作流，为投研人员深度工作提供更多辅助。

► 工作平台：从碎片化工具切换走向一体化研究工作台。传统流程需要投研人员频繁在数据和会议平台、本地办公软件和内部系统间反复跳转切换，信息流转依赖人工衔接。随着AI工具的发展和落地，数据查询、模型测算、报告撰写等多环节工作逐渐可以被整合到一个界面完成，例如Claude支持以插件形式嵌入办公软件使用、讯兔科技PaiWork则集成数据库、Skills[3]、智能体和在线办公软件等工具到一体化的AI工作台。工作平台从碎片化走向一体化、信息在各工作环节无缝流转，不仅帮助投研人员减少重复操作和系统切换带来的信息损耗和错误，还有助于投研人员保持思考和工作连续性。

► 执行模式：从线性串行转向多任务并行处理。过去投研流程通常需要投研人员按照信息收集、数据整理、模型测算、报告撰写、合规复核等环节依次推进。随着智能体技术发展，AI可根据任务依赖关系自动拆解和调度多个子任务，将相互独立的工作并行执行，例如一个研究员可配备多个智能体，在获取基础数据后，不同智能体可并行完成财务模型更新、图表生成及报告初稿撰写，缩短整体投研周期、并使投研人员更多聚焦于分析判断与投资决策。

► 工作流触发：从人工主动启动转向事件自动触发。传统研究主要依赖投研人员主动跟踪市场动态并启动分析流程，响应速度受人力限制。而AI工具可持续监控政策文件、公司公告、市场波动等事件、并在满足预设条件时自动触发相应研究工作流，例如AlphaSense AI工具支持设置自动化提醒跟踪财报超预期、评级调整等事件；结合智能体后，还可进一步自动完成后续投研工作，有助于投研人员减少重要信息遗漏，提升响应市场变化的效率。

投研工作流重塑或推动投研产业链用户入口迁移。传统模式下，投研人员主要通过数据、会议或内容平台等获取和处理金融信息，金融资讯信息数据服务商通常以订阅产品形式直接向用户提供服务。随着AI逐步成为新的研究工作入口，投研人员获取、分析和使用信息的交互入口可能由直接使用数据终端转向通过AI调用数据、交互方式可能由菜单式检索和手工处理转向自然语言交互，未来集成AI能力的一体化工作台或成为连接底层数据、办公软件及内部系统的重要交互界面。

用户入口迁移或进一步驱动服务和商业模式变革。金融资讯信息数据服务商为适配用户入口和交互方式的变革正转变服务方式和商业模式，一方面服务形态可能由终端模式逐步转向AI调用模式、通过提供标准化接口支持AI工具调用数据，商业模式也可能由席位订阅制向按调用量收费模式延伸；另一方面同步自研前端AI应用，拓宽用户入口。与此同时，卖方投研机构的服务模式也逐渐由交付研究内容向交付研究能力延伸，通过将投研数据、内容和框架封装为AI可调用的技能，产品由传统研究报告和路演服务进一步拓展至AI应用和可调用的Skills等，由此深度嵌入客户未来的AI投研工作台、甚至进一步扩大服务触达的客户范围。

AI在投研领域的应用或将推动行业格局演进。投研竞争力的建立依托长期积累的数据资产、研究框架、行业认知、品牌效应等能力，而当前AI仍难以替代这些能力。我们认为，AI工具更有可能基于投研机构与个体自身底层能力、放大原有能力差异、加速行业分层分化：个体层面，投研人员驾驭AI工具的水平与研究深度各不相同，AI应用可能进一步拉大从业者的产出差距；行业层面，头部投研机构或凭借既有优势实现强者恒强，中小机构则需打造差异化竞争力寻求发展空间。

头部机构凭借乘法效应与规模效应，有望巩固领先地位。头部投研机构已积累了品牌口碑和客户资源、组建了深耕各专业领域的人才队伍、沉淀了丰富的投研内容和数据资产、发展了较成熟的数字化系统和技术能力。一方面，AI能够将这些能力与模型能力深度融合、放大专业投研能力的乘数效应、推动投研产出提升，例如摩根大通资管的Spectrum平台，将长期积累的研究数据、投资经验与AI能力结合，为投研人员提供全流程支持。另一方面，AI可以将个人能力沉淀为可复用的知识资产、实现跨部门共享和跨代际传承、持续提升头部机构的整体投研能力。更进一步，头部机构凭借资金、技术、人才等优势有望率先落地AI应用、进一步吸引投研资源向头部集聚，持续拉大与中小投研机构的投研能力差距。

AI在提升头部机构投研能力上限的同时，也降低了基础投研的准入门槛，中小投研主体或有差异化发展空间。细分领域的个人投研IP、中小型机构可借助通用或垂类AI投研工具箱，补齐基础投研能力、提升个体研究效率、以较低成本拓宽覆盖范围。在此基础上，中小主体或能将更多资源聚焦于产业认知和特色研究等能力建设，以差异化、特色化定位错位竞争。

在投研行业信息端、工作流和行业格局的变化中，投研从业者、投研机构和服务商也需要重新思考自身定位，不仅要充分发挥AI所能、通过AI放大自身价值，还要聚焦AI所不能、提升AI所不能颠覆的技能优势，在新一轮行业变革中实现长期发展。

AI将重新定义优秀投研人才的能力边界。随着AI赋能基础研究工作，投研人员需要在充分运用AI提升效率的基础上，更加聚焦AI难以替代的核心价值，构建自身在信息获取、客户服务和投资认知等方面的差异化优势和竞争壁垒，成为兼具专业深度与能力广度的“超级个体”：

► 发展信息优势，持续获取和提供高价值的信息来源。AI推动公开信息可得性提高，但产业链上下游调研、企业交流、专家访谈及政策解读等私域信息资源和深度认识等高质量信息仍需长期积累。未来，能够持续获取更高质量信息、并结合自身研究框架进行信息输出的研究员更有可能形成AI难以替代、他人难以复制的信息优势。

► 升级客户服务，提供更高效率、更高价值的投研服务。AI能够提升相对简单、标准化、重复性工作的效率，买卖方投研人员可以借助AI提升标准化服务效率，将更多精力投入深度交流、产业调研、高质量课题等高价值工作，持续提升客户服务质量和投资决策支持能力，为客户创造更大价值。

► 构筑认知壁垒，持续输出具有前瞻性的深度判断。AI难以替代形成独立认知和前瞻判断的能力。未来，投研人员需要借助AI放大自身认知能力，并结合产业理解、市场经验和长期思考形成“非共识”观点。对于买方而言，可以借助AI修正主观偏见、根据市场变化不断更新认知框架、探索新的投资范式，进而做出更优投资决策；对于卖方而言，则需要持续输出具有差异化和前瞻性的深度观点，为客户创造超越共识的研究价值。

机构将AI能力深度融入投研体系，更有望形成长期竞争优势。随着AI技术发展，AI的价值并非简单部署大模型或引入工具带来的局部提效，而更在于将AI能力深度融入投研体系，实现研究效率、投资能力和组织能力的持续提升。这不仅需要AI赋能投资研究、交易执行、组合管理、合规风控等投研全流程，还需要将AI应用于组织协同和人才培养等体系建设：

► 推进投研协同模式工业化升级。AI不仅改变人与机器的分工方式，也将变革人与人的协同模式。在人机协同上，未来一个研究员可配备多个AI Agent完成信息收集、数据处理、初步分析等大量标准化工作，研究人员将更多聚焦高价值环节。在人与人协同上，AI能够将研究成果自动标准化、结构化表达，降低跨团队沟通成本，促进研究成果在不同团队、不同投资范式之间快速流转和复用，推动机构投研向平台化、工业化生产模式升级。

► 推进平台化能力体系建设。AI目前已经能够承担部分基础研究工作，虽然降低了初级研究员的重复劳动，但也可能削弱了对初级研究员的基础能力训练，进而提升了资深研究人才培养断层的风险。而头部机构有望借助AI重构人才培养体系，将优秀研究员的研究框架、分析方法和决策经验沉淀为可复用的组织资产，例如通过Skills共享等方式实现快速复制和跨领域复用。这一方面，缩短人才培养周期，提高人才培养的标准化程度；另一方面，持续放大优秀研究员能力，实现组织能力的长期积累和持续迭代。

服务商需要顺应AI投研发展趋势，持续提升产品能力和生态适配能力。我们认为，投研服务商竞争重点或将改变，行业竞争不再局限于单点产品功能优化，而是转向投研全工作流的整合与协同升级，深度嵌入机构内部投研体系或将成为服务商构建自身竞争力的关键：

► 筑牢数据能力护城河，提升数据质量与结果可信度。在“AI+投研”时代，数据仍然是重要资产。一方面，服务商需要提供高质量的标准化公域数据、并拓展产业调研及访谈等具备稀缺性的原生、独家数据，持续巩固高质量数据的护城河。另一方面，数据合规性与可信度仍是机构应用AI的重要前提，数据治理能力或成为服务商竞争的分水岭，具备完善的引用、溯源和质量管理机制的高质量数据，将更容易获得机构信任、被引入投研工作流。

► 融入AI时代投研工作流，提升数据与工具的AI生态适配能力。我们认为，未来AI工具或将成为数据和服务调用的重要用户入口，这要求投研服务商持续提升产品的生态适配能力，可能有两个路径：1）构建生态：围绕客户需求整合大模型、金融资讯信息数据服务商和各类投研用户，构建开放协同的产品生态，例如讯兔科技推出生态合作伙伴计划（图表7）；2）融入生态：根据标准协议开放数据接口，将数据和功能封装为可供AI直接调用的Skills，通过AI工具嵌入机构投研工作流，例如东方财富、同花顺、Wind等服务商已推出金融Skills，投研用户能够在AI应用中直接调用平台数据和能力。

数据溯源及准确性挑战加大。一方面，大模型具备黑箱特性，输出内容如果融合多个数据和信息来源，可能出现推理逻辑难以清晰追溯的问题、加大投研人员验证AI产出并基于此进行投资分析的难度。另一方面，大模型也可能出现幻觉或模型漂移等问题，输出内容可能存在虚构或者事实偏差，如果投研人员未对AI输出信息的准确性进行核查，错误的信息可能干扰投资分析和决策。

知识产权保护难度进一步提升。一方面，AI训练需要大量数据，在投研领域，研究报告、专业数据库、闭门交流会议等训练数据的版权归属和授权使用范围可能存在一定争议。另一方面，AI能够快速基于一手数据和研究成果总结生成新内容，这类AI生成内容的权属界定、传播使用规则仍待明确，进一步提升了知识产权保护难度。

[1]Simon H A. Designing Organizations for an Information-Rich World[C]//Greenberger M. Computers, Communication, and the Public Interest. Baltimore: Johns Hopkins Press, 1971:40-41.

[2]AI合谋（AI collusion）是指，在没有明确协议、通信或预设程序的情况下，自主逐利的AI强化学习算法会通过自主独立学习形成协同交易，以获取超竞争利润（supra-competitive profits）的现象。这种现象下，少数掌握前沿技术的专业投资者获利，但同时也会破坏市场竞争格局、削弱市场流动性、降低市场定价效率、损害广大普通市场参与者的利益。

[3]根据Anthropic发布的Agent Skills开放标准，Skills指面向AI智能体、轻量化且具备跨平台迁移能力的标准化封装格式，可以用于承载专项知识与任务工作流。

本文摘自：2026年7月22日已经发布的《AI时代的投研：组织与个体价值如何重塑？》

姚泽宇 分析员 非银及金融科技 SAC 执证编号：S0080518090001 SFC CE Ref：BIJ003 

冼仲恩 联系人 非银及金融科技 SAC 执证编号：S0080125070076 SFC CE Ref：BXL330

樊优 分析员 非银及金融科技 SAC 执证编号：S0080522070009 SFC CE Ref：BRI789

唐一宁 联系人 非银及金融科技 SAC 执证编号：S0080126030017

李佩凤 分析员 全球研究 SAC 执证编号：S0080521070004 SFC CE Ref：BTO526