金融学金融研究所金融分析师实习报告

金融学金融研究所金融分析师实习报告一、摘要2023年7月1日至2023年8月31日，我在金融研究所担任金融分析师实习生，负责宏观经济数据监测与行业研究报告撰写。通过分析2022年第四季度至2023年第一季度12个主要经济指标，完成3份深度报告，涵盖利率走势预测与能源行业风险评估。运用计量经济学模型（如VAR模型）对PMI数据进行波动性分析，准确预测季度GDP增长率误差率控制在±1.2%以内。掌握Wind数据库高频数据处理与Python自动化脚本，将报告撰写效率提升40%。提炼出“多指标交叉验证”的量化决策方法论，适用于政策敏感性分析，具体体现在能源行业报告中对供需矛盾的量化拆解中。二、实习内容及过程1实习目的去研究所实习，主要是想看看金融研究这行到底是怎么回事，知道平时分析师们是咋干活儿的，顺便把学校里学的那些模型和理论用在真事儿上，看看效果咋样。2实习单位简介我们去的这家研究所，主要搞宏观经济和行业研究，有挺多老资历的研究员，也用不少量化工具，氛围挺专业，但有时候节奏也挺快的。3实习内容与过程开头几天主要是熟悉环境，看研究所发的内部资料，还有前人写好的报告，了解他们的研究框架和写作风格。7月5号开始跟着导师做具体项目，第一个任务是分析消费行业的景气度。导师让我用Wind把2022年第三季度到2023年第二季度的社零数据、电商数据、信贷数据都整理出来，用PMI和同业拆借利率做个简单的相关性分析。我发现电商数据环比增长在3月突然加速，但社零没跟上，后来查了新闻，原来是因为当时猪肉价格大涨，大家都在超市囤货，所以表面看总量没咋变，但结构其实变了。这个发现后来写进了报告里。8月10号开始独立负责能源行业的周报，每周要跟踪OPEC的产量数据、国内的煤炭期货价格、还有几个关键电厂的耗煤量。有一次做天然气供需平衡表，我发现模型里的进口量数据跟实际走势差得挺多。后来问了师兄，才知道他们用的是EIA的预测数据，但国内的进口商更看中中行国际的月度定价，得去那个渠道找高频数据。花了两天时间把数据源都捋顺了，之后周报的误差率确实降了不少。4实习成果与收获8周里完成了12份周报、3份深度报告，其中能源行业那篇后来被分所拿去给客户发，PMI波动性分析模型也被导师说“比他预想的还准”，虽然误差还是有点，但至少能自动跑了。最大的收获是学会了怎么把理论落地，比如VAR模型怎么调参数，怎么用Python把高频数据清洗成可用的样子。还有就是意识到，做研究不能光靠模型，得结合新闻、行业会议这些定性信息，不然有时候会走偏。5问题与建议最大的困难还是数据源太杂，有时候一个指标要跨好几个系统找，研究所内部的数据库权限也挺受限的。比如有一次做利率预测，需要美联储的褐皮书翻译版，但内部没买这个服务，只能自己找英文原版翻译，费时费力。建议研究所可以考虑再买几个付费数据库，或者给实习生开放点权限，至少让我们能接触到非公开的宏观数据。另外，培训上可以多讲讲怎么用Excel做复杂计算，现在大部分分析还是靠这个，但我的Excel技能真的不太行，好几次被师兄说“这个函数可以用更高效的方式”。我后来就买了网课补，但感觉还是得自己多练。这段经历让我更清楚自己到底喜欢哪块，宏观经济研究可能不是我最想干的，但行业研究我好像有点感觉，至少现在知道怎么下手了。三、总结与体会1实习价值闭环这8周，感觉像是把书里那些散落的金融知识点，在真实世界里拼成了一个稍微完整的图景。7月1号刚进研究所时，面对堆积如山的行业数据，心里挺打鼓的，完全不知道从哪儿下手。后来跟着导师做PMI波动性分析，用了学校教的VAR模型，但实际操作中参数选择、数据清洗这些细节，跟课堂作业完全不一样。导师让我把2022年第四季度到2023年第一季度的数据都跑一遍，结果发现某个季度外生冲击的系数特别高，一查新闻才明白是当时某家头部车企停产造成的。这个经历让我明白，研究不是单纯套模型，而是要结合现实情况去解读数字背后的故事。最终交出的3份深度报告，虽然还有不少瑕疵，但至少让导师看到了我的努力和思考，这比单纯完成任务更重要。2职业规划联结这次实习让我更清楚自己未来想干嘛。之前对宏观研究挺感兴趣的，但做完能源行业那篇报告后，发现我对产业分析更得心应手。特别是8月15号那个周末，为了查清楚煤炭供需缺口的具体原因，我泡在数据库里看了三天资料，最后写出的那部分逻辑清晰得很，师兄看了直夸“数据颗粒度够细”。这让我意识到，如果真要做行业研究，还得补不少功課，比如得把国内各大钢厂的生产计划都摸熟了，还得学会看懂那些晦涩的产业链图谱。所以接下来打算报个CFA的备考班，先把一级考了，至少把金融基础打得更扎实些。3行业趋势展望感觉现在金融研究这行，光会用Wind和Excel已经不够看了。8月最后一周，研究所搞了个内部培训，讲怎么用Python自动化处理高频数据，我听了之后回来就啃了两天教程，现在基本能写个脚本把月度宏观数据自动下载到Excel了，效率确实高。导师也说过，以后做研究得懂点机器学习，不然容易被淘汰。不过现在看来，技术只是工具，关键还得看人能不能想明白那些复杂关系。比如做利率预测时，我发现即使模型拟合度再好，有时候政策转向的变量根本没法量化，这时候就得靠研究员的经验和前瞻性了。这让我想起上周听那位资深研究员说的那句话：“研究不是科学实验，更像是在迷雾里开船，得靠罗盘，也得凭胆识。”4心态转变与未来行动这8周最大的变化，可能就是肩膀上的那股责任感吧。刚开始给导师发周报时，稍微出错就紧张得不行，现在虽然还是怕犯错，但至少能冷静下来想怎么解决。8月25号那天，我负责的电力行业数据突然出错了，导致整篇报告没法按时发，我急得连夜核对，最后发现是某个数据供应商的接口改了。虽然导师没说什么，但我自己心里挺过意不去的，回来就琢磨怎么做个数据备份机制。现在想想，这种压力其实是好事，至少能逼自己进步。未来如果还想做这行，估计得先拿下CFA，然后多看些产业报告，争取下个假期能找个相关的实习补补课，比如去个券商研究部看看他们怎么写券商研究报告，感觉那块儿也挺有意思的。四、致