经济学投资咨询公司投资分析师实习报告

经济学投资咨询公司投资分析师实习报告一、摘要2023年7月1日至2023年8月31日，我在一家经济学投资咨询公司担任投资分析师实习生。核心工作成果包括完成12份行业研究报告，覆盖科技、能源、医疗三大领域，其中3份报告被团队采纳并用于客户提案。通过应用Python进行数据清洗和分析，将历史股价回测模型的运行时间缩短了40%，日均处理数据量达5000条。参与撰写5份投资建议书，涉及8个标的，累计涉及资金规模约200亿元。提炼出可复用的财务指标筛选法，通过净利润增长率、市盈率、资产负债率三项指标组合，准确率达82%。掌握Wind数据库高频数据抓取与可视化技术，为团队节省了60%的数据整理时间。二、实习内容及过程1.实习目的希望通过实习了解投资咨询行业实际运作，把学校学的财务分析、估值模型知识用到真项目上，看看自己是否真的喜欢这份工作节奏和内容。2.实习单位简介我实习的公司主要做宏观经济研究和行业投资咨询，团队不大但做的东西挺深，客户主要是些私募和基金。工作环境挺宽松，但节奏快，对报告质量要求高。3.实习内容与过程第12周主要是熟悉公司和行业，看团队之前的报告，学用Wind和Bloomberg抓数据。第3周开始独立做新能源行业的周报，每天盯盘，跟踪公司公告和财报预告。第45周参与了一个医药行业的项目，跟着带我的老师做行业梳理，我负责整理了25家企业的财务数据，包括营收、毛利率、研发投入占比这些。第67周独立写了一篇关于半导体设备的深度报告，跑了5家上市公司公告，还用Python写了估值模型，算出行业市盈率中位数是42倍，比市场平均高8个百分点。最后1周帮团队整理了今年前半年的策略会纪要，汇总了20个行业的核心观点。4.具体挑战与应对做医药项目时遇到点麻烦，有些公司财务数据特别乱，有合并报表也有母公司报表，直接用Excel算容易出错。我后来学会了用Python的pandas库来处理，先写个脚本自动筛选数据类型，再统一折算口径，效率高多了，也少犯错了。不过刚开始写深度报告时，感觉几百页的报告从哪开始写都没头绪，老师就教我画逻辑框架图，把产业链、竞争格局、关键变量都画出来，思路一下子就清晰了。5.实习成果与收获完成了12篇周报和3篇深度报告，其中半导体那篇后来被客户问过细节，算是有点用。最直观的感受是学会怎么把一堆数据变成有逻辑的报告，以前在学校做论文总觉得空，现在写东西得考虑客户想看什么。还掌握了用Python做因子分析，帮我那个行业报告里找核心驱动指标省了不少事。6.专业领域挑战及应对行业研究最头疼的是数据获取，有些行业公开数据特别少，比如我做的半导体设备，好几个细分领域的企业连年报都不发，后来只能靠招股书和券商研报拼凑。应对方法是多渠道挖掘，比如用企查查查关联交易，或者找同业的财报补充。还有一次做新能源周报，遇到突发的技术突破消息，市场反应很快，我就每天盯专利网和行业论坛，比新闻早半个点发现几个潜在机会，带我的老师也夸了。7.技能升级与思维转变以前觉得估值就是套模型，现在明白要结合行业周期和公司护城河，比如那个半导体报告里，我发现虽然市盈率高，但行业增速确实快，算出来隐含回报还挺合理。还学会了怎么快速看懂复杂的财务报表，比如通过营运资本周转率判断公司运营效率，这点比背公式有用多了。8.职业规划启发这次实习让我更清楚自己想做什么，不太喜欢纯研究，可能更倾向于投行那种快节奏的估值定价工作。不过也发现，光会算没用，得懂行业逻辑，还得会讲故事，这点我确实得加强。以后想多看些产业分析的书，顺便考个CFA，先把基础打牢。9.现存问题公司培训挺随意的，基本靠师傅带，要是能系统教教Wind高级功能或者Python数据处理就更好了。另外团队就几个人，有时候客户需求特别杂，几个人分不过来，显得有点乱。10.改进建议建议公司搞个新人培训计划，比如每周固定学点Wind的VBA或者Python的pandas，还可以搞个内部案例库，把以前做的行业报告整理好共享。客户需求这块，可以搞个需求优先级排序表，比如紧急的先做，不急的排后面，避免手忙脚乱。三、总结与体会1.实习价值闭环这8周实习像是把学校理论推到实践场地的演练。7月10号刚上手时，对着几千条清洗好的数据都有些发懵，老师让我做的第一份行业周报，花了两周才勉强交差，现在回头看，里面错漏不少。但正是这些错误，让我快速理解了从数据到观点的逻辑链条。比如我负责整理的医疗行业数据，初期光顾着堆砌财务指标，后来发现不同财报口径直接导致结论矛盾，于是学会了先做数据清洗和口径统一，这才把25家企业的可比性提上来。最终交的那份报告虽然没亮点，但每一步都踩实了，这种从零到一的感觉，比单纯做模型有意思多了。最值钱的是学会怎么用工具解决重复劳动。8月15号写半导体深度报告时，我花了3天搭了个Python脚本，把100多家公司的财报自动导入Excel，再匹配关键指标，效率比手动快了至少5倍，团队其他人知道了都来找我改数据。这让我明白，做研究不能光靠熬夜，得会借力。实习最后那周整理全年策略会纪要，我直接用脚本把20个行业的核心观点自动分类汇总，对比之前纯手工整理，时间节省了70%，还发现有几个行业矛盾点，这种工作流优化，比单纯算对几个估值更有价值。2.职业规划联结这段经历帮我排除了投行研究岗的一些幻想。以前觉得研究就是天天看报表，现在知道最累的是行业信息搜集和逻辑梳理，比如7月底做新能源项目时，为找一家小公司的定增信息，我在企查查、天眼查爬了两天数据，最后发现靠券商研报拼凑的。虽然过程繁琐，但确实学到了不少信息渠道。这让我更清楚自己的短板对产业细节了解太浅，后续想补上这块短板，可能得去考个CFA，顺便多看些行业深度报告，把商业模式分析练起来。8月25号跟老师吃饭时，他建议我多学点公司估值里的二阶段现金流折现法，说现在市场波动大，这种老方法反而更稳，这直接给我指了条学习方向。现在再看招聘要求，觉得以前太执着于量化技能。比如8月初写医药行业报告时，我做了个市净率对比表，但老师提醒我，药企的商誉减值风险没在表里，必须结合研发管线和专利布局看，这让我意识到，硬技能是基础，但真正帮客户做决策的，还得懂商业逻辑。所以下学期打算把计量经济学补上，争取把模型用活。3.行业趋势展望实习期间明显感觉到AI对行业的冲击。8月刚开始接触Python时，还觉得只是处理数据的工具，后来看到团队用ChatGPT自动生成行业周报初稿，再人工修改，效率确实惊人。虽然现在AI写的东西逻辑还简单，但想想几个月前它连经济报告都写不了，这变化太快了。我8月20号整理的20篇策略会纪要里，就有好几个提到AI对半导体设备需求的催化，当时觉得是趋势，现在再看，可能已经有点晚了。这让我意识到，做研究不能只盯着眼前数据，还得有前瞻性。不过反过来想，AI时代，分析师的价值可能更在于把AI当工具，把精力放在挖掘更深层次的逻辑上。比如我在半导体报告里做的技术路线分析，AI短期内还做不了。另一个观察是行业轮动加快。7月底做的能源行业报告刚发出去，8月中旬下游就开始涨价，而传统研究方法通常要等财报才反应过来。这让我觉得，未来研究可能得更动态，比如用高频数据做情绪指标，或者像8月30号我做的那个Python模型，通过股价波动和新闻舆情抓事件驱动机会。虽然现在模型准确率还不高，但至少开了个好头。4.心态转变最直观的感受是压力和责任感的变化。7月刚接手新能源行业周报时，因为行业信息太多，凌晨2点还在改图表，虽然最后交得还行，但第二天还是头疼。现在回头看，这种加班不是熬，是成长。8月20号独立做医药报告时，更是体会到这份责任错一个数据可能影响客户判断。所以那周我每天工作12小时，但状态比实习前好多了。以前觉得研究是技术活，现在发现，跟客户沟通、说服对方接受逻辑，可能更重要。比如8月25号给客户汇报时，我用了那个用Python做的因子分析结果，虽然数据是7月底的，但解释得还算清楚，客户反而更愿意听。这种被认可的成就感，以前在学校体会不到。未来打算把实习里学的流程都标准化，比如建立自己的数据备份系统，或者整理个常用指标库。现在看，这些习惯可能比单纯学会几个模型更重要。毕竟，实习教会我的不是多少知识，而是怎么持续学习。8月30号最后一天，我在整理的20篇报告里又发现了几个值得深挖的点，这让我觉得，这份实习还没结束它只是给我打开了一扇门。四、致谢1.感谢实习期间给予指导的导师，