研究对象与策略设计。利率债新老券利差是市场流动性溢价的直观体现，新券上市后交易重心迁移，次新-新券之间形成可观测的利差周期。本文参考此前报告《再谈新老券利差交易策略构建》，以“AI赋能固收研究”为视角，以10年国债、30年国债、10年国开债为研究对象，基于成交占比定义切券日，刻画流动性轮换过程中利差扩张、收敛的周期特征，并设计利差收敛、利差转正共四类交易策略开展回测分析。
　　AI重构固收回测工作流。传统固收策略回测难点不在于代码编写，而在于金融业务规则向程序逻辑的精准转换，券对识别、开平仓时点、损益口径任一环节定义偏差，都会造成回测结果偏移。AIAgent改变了传统研究工作流，我们可以通过自然语言输出研究目标、数据口径与交易规则，由AI完成读取资料、编码运算、迭代调试，缩短策略想法到可运行回测的链路，但研究口径与最终判断仍需由专业分析师把控。
　　自动化数据更新链路搭建。在AI辅助下完成策略回测后，可进一步搭建自动化数据更新链路。历史行情数据可来源于Choice、Wind、iFinD等终端，通过MCP/AI-Skill工具实现每日增量行情、债券基础信息自动接入，自动对齐交易日历，补齐新券上市参数，实现回测模型每日迭代运算，输出策略日报，减少人工导出、清洗数据的重复劳动。
　　策略流程封装为Skill组件。研究流程可封装为标准化Skill组件，明确任务边界、输入输出、异常处理逻辑，规避AI指令泛化带来的调用错误。组件需要对数据缺失、程序报错设置容错机制，保证部分数据源异常时，其余模块仍可持续运行；交付前进行独立复现验证，剥离个人密钥等隐私信息，提升策略的可复用、可分享能力。
　　交互式研究工作台实现。基于回测逻辑，借助Streamlit搭建交互式研究工作台。工作台集成回测参数配置、利差时序图表、周期历史比对、逐笔交易明细、风险绩效指标、实时交易信号监测模块，把离线回测转化为日常可使用的研究工具，实现对新老券利差周期位置、策略信号的可视化跟踪。
　　回测结论与AI边界提示。回测结果显示，利率债新老券多数时期维持正利差，不同品种倒挂发生频率存在差异；四项交易策略历史回测取得不同水平的毛收益，利差转正策略2累计与单笔收益表现占优。需要注意，部分策略依赖事后极值选点，历史回测胜率不能直接等价于实盘效果。AI工具可以高效完成编码、回测、可视化工作，但不能替代研究员对金融逻辑、交易风险的判断。
　　风险提示：利率波动风险、流动性风险、数据质量风险、模型前视偏差及估值价格与实际成交价格之间的偏差。