(来源:覃汉研究笔记)

报告链接:善假于物:机构行为MCP初探
核心观点:
机构行为研究,每一次灵光乍现的问题,每多一层追问,往往就伴随新一轮查数、计算与比较。先把最简单重复的事情交给AI,机构行为MCP尝试让这些追问接得下去:连接数据、调用工具、串联分析,降低研究的“摩擦成本”,将更多精力留给问题本身。
一图看懂MCP
1、MCP是什么?
MCP(Model Context Protocol,模型上下文协议)是一种开放协议,规范AI应用与外部工具、数据源之间的连接和交互,是AI应用领域的“通用接口”。 它允许模型或Agent在推理过程中调用外部数据库、API、工具与预定义工作流,通过结构化、可审计的接口把实时外部信息引入模型上下文,而不是只依赖静态训练知识。
2、为什么搭建机构行为MCP?
机构行为是理解债券供求、市场情绪、定价变化与策略选择的重要线索,但相关数据来源分散,部分数据缺少API接口,难以直接被AI稳定调用。搭建机构行为MCP,本质上是在原始数据与AI分析之间建立一层标准化的“投研连接层”。
机构行为MCP全景框架
1、MCP框架架构
机构行为MCP整体架构分为数据层、执行层与输出层,各层协同完成从自然语言问题到研究支持材料和成果的转换。用户向Agent提出研究任务,Agent理解问题并拆解需求,通过MCP调用数据与工具。其中,数据层通过API接口及云端、本地数据库接入专业数据,为研究提供基础;执行层由数据Agent结合Skill,完成范围与口径解析、跨源数据串联、滚动计算、文字分析及图表渲染;输出层由Agent依据任务需求组织结果,形成文字问答、统计图表、日报周报、跟踪面板及PPT材料等。支持研究员持续追问、核验结果并深化分析。
MCP可调用的核心数据主要为现券交易数据、托管数据、市场情绪、行情数据(收益率曲线、利差等)及资金利率等。
2、功能地图:机构行为MCP具备哪些能力?
债市机构行为MCP的核心功能模块围绕数据获取、查询增强、行为刻画、联动研究以及解释归因展开。
1. 结构化数据获取及多轮查询增强
数据获取是机构行为MCP的起点,但不应仅描述为“能提取净买入数据”。更完整的表述应是:机构行为MCP将原本分散在交易、托管、资金等多源系统中的债市行为数据,重构为可按机构、券种、期限、时间窗口、比较口径调用的标准化研究对象,并返回精确的时间序列数据和图表结果。例如,用户可以直接提问:“基金公司今年20-30Y国债累计净买入走势?”、“今年各机构净买入的期限分布相比去年同期如何变化?”等,MCP便能调取相关内容返回数据及图表。
2. 驱动AI Agent完成复杂的机构行为分析工作流
在基础数据获取之上,MCP可支持AI Agent围绕不同研究问题编排工作流:Agent负责串联步骤,MCP调用数据及分析工具,Skill约束解读框架与输出规范。
内嵌Skill及工具支持查询增强、机构行为刻画及联动研究等,基础示例包括分析交易拥挤度:拆解基金久期、分歧度及历史分位及活跃券换手率等指标,分析市场情绪与交易热度;刻画机构分歧:跟踪配置盘与交易盘的净买入方向和变化,并结合价格表现判断需求接力;跟踪市场状态:对持续买入中断、净买入历史分位越过阈值等状态进行监测。重点在于识别不同机构的稳定行为模式与阶段性偏离;联动研究:从“行为描述”走向“市场状态识别”,识别这些买入是否与市场价格、资金环境、情绪状态和其他机构行为相互印证。
输出层面,配套工具可按任务需要将查询结果组织为统计图表输出、日报周报、HTML面板搭建、报告及PPT材料等。
3. 解释归因:把“看见现象”升级为“验证假设”
机构行为MCP不仅提供结构化的交易数据,也能结合固定的研究框架,帮助AI快速梳理和提炼其中关于机构行为的定性观点,实现定量与定性分析的结合。
机构行为MCP应用示例
MCP操作使用流程:接入MCP服务→输入提示词→生成查询与图表→如有需要日报及周报类任务可按需设置定时任务。
示例依次展示包括净买入图表一键输出、机构行为日报周报生成、HTML面板搭建、市场拥挤度刻画、机构净买入与收益率、利差及资金面等走势联动分析等查询示例,从基础数据调用到连续研究递进。
总结与展望
MCP 延伸了AI的研究触角,债券研究的生产函数也将随之发生实质性变化:研究员不再被数据搬运束缚,而是把更多精力投入到真正有Alpha的信息筛选、假设构建和交易判断中。











