热点能手胡锡进，真能玩转中国股市吗？

       6月27日，“胡锡进在多家公司任职高管”的消息登上热搜，网民称其“掌握流量密码、多才多亿”、“谁说学新闻的不行，这不发财了吗？”……老胡之所以这个时候又被起底，源于此前一天他宣布进军中国股市的消息。

       胡锡进进军中国股市你怎么看？

       6月26日，三大股指集体飘绿，股民哀嚎一片；“A股”跌上热搜，随后“胡锡进宣布进军中国股市”的词条在A股网红李大霄的加入以及一众财经媒体加持下，热度高过“A股”，一时风光无两。

       向来懂得拿捏热点的知名媒体人胡锡进，选择这个时间点在社交平台发文称“正式进入中国股市”耐人寻味。

       李大霄在社交媒体上回应称，“给胡主编提个建议：要循序渐进，货币基金、债券基金、混合基金、指数基金、股票基金、毕业之后才能买股票，而且要买好股票。要余钱投资、理性投资、价值投资，做好人、买好股、得好报”。中国人民大学国际关系学院教授金灿荣也来凑热闹，表示“祝老胡能在股市发财”。

       胡锡进文中两次表达了不想成为“韭菜”，“力争让自己的炒股收益超过银行的存款利率”，引起股民们热议。有人认为重振信心、捡到黄金底；更多人则表达了不看好：“99%的人开户时候也是这么想的，也不多你一个”、“成为韭菜的概率百分之99”、“你明天胡锡进，后天必须胡锡退”、“老胡要晚节不保！大A专治不各种不服！”……

       胡锡进已经具备“韭菜”的典型特征？

       不少网友发现胡锡进作为大V的最大本事就是“蹭热点”：“哪里有热度、有流量，哪里就有胡锡进”、“作为大V，本身没有什么专业特长，那么抓热点、蹭热点、制造热点或许就是他的专业吧。”

       胡锡进本人在微博中称：“老胡没有额外信息渠道，我的所有信息都来自互联网”、“我对自己或许能赶个好运气抱有一定乐观”、“要是能通过炒股‘挣来大钱’，那就太好了”。

       阿牛智投创始人毛羽表示，作为新手，胡锡进已经具备了“韭菜”的典型特征：喜欢热点、喜欢看网络新闻、期待挣大钱。看热点炒股最危险，往往在最热闹的时候进去，“高处不胜寒”。凭运气赚来的钱，往往也会凭实力输进去。比赚钱更重要的是学会正确的投资方法，这远不是买几只股票试水就能学会的。

       胡锡进们该如何管理自己的资产？

       胡锡进说，他会在6月27日上午开始买股票。不少人都替他捏把汗。股票比债券、货币基金等投资品种风险更大，尤其是波动较大的A股，老胡这样的新手真能扛得住吗？

       毛羽表示，不要把鸡蛋放在同一个篮子里，建议胡锡进采用“三个钱包”投资。开三个账户：第一个账户，自己想怎么做就怎么做，摸摸A股的脾气；第二个账户，选择债券型基金、偏债型基金等低风险投资品种作为中长期配置；第三个账户，选择一个靠谱的团队，跟随投资。一年以后，看哪个账户收益最好，再调整自己的投资策略。

       很多人都想从市场上赚钱，但往往忽视了自己的风险承受能力和资产配置的合理性。希望“股民老胡”能够拿捏好自己的钱袋子。

大数据金融的风险与挑战

现代化经济体系有着明显的网络化和数字化特征，随着大数据时代的到来，大数据金融模式随之诞生，金融行业在大数据的基础之上也具有更深的挖掘潜力。同时，新的金融模式使得数据采集与信息处理变得更加全面、高效，数据资源价值挖掘也更加充分，为金融行业提供了极大便利，但也存在着风险与挑战。本文从大数据入手，简要概述了大数据的发展前景，分析了大数据金融面临的风险和挑战，并针对此提出了一些应对策略，希望能对大数据金融的发展提供帮助。

一、大数据的发展现状

（一）大数据的概念

大数据（BigData）的概念，业界没有统一的定义，最初理解为一类海量数据的集合。2011年，美国麦肯锡在研究报告《大数据的下一个前沿：创新、竞争和生产力》中给出了大数据的定义：大数据是指大小超出典型数据库软件工具收集、存储、管理和分析能力的数据集。根据Gartner的定义，大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。随着大数据含义的逐步扩大，后来的概念中涵盖了数据处理的速度。

（二）大数据的发展前景

金融企业经过多年的信息积累沉淀了大量高价值的数据，发展金融大数据成为必然方向。为了应对金融行业日益激烈的竞争，基于数据的精细化运营成了金融大数据发展的迫切需求。经过近几年的发展，大数据产品越来越成熟，技术供给越来越丰富，运营成本直线下降，为金融大数据发展提供了良好的条件。

二、大数据金融面临的风险

（一）传统金融机构面临改革

实现“数字化转型”“大数据应用落地”对传统金融机构而言意味着改变。首先，国家对该行业的监管方式以及开放程度都做出了一定的调整，同时，非金融机构也开始进入到了金融行业之中，直接对传统金融机构的市场占比造成了冲击，致使金融市场竞争更加激烈；其次，金融行业数据资源丰富，数据应用由来已久，如何将数字工具灵活应用，并与其他跨领域数据融合应用，仍需不断强化；最后，金融机构要保持开放心态，对于大数据的应用分析能力，正在成为金融机构未来发展的核心竞争能力。

（二）大数据技术水平亟待提高

安全与隐私问题是大数据发展过程中的一个关键问题，多项实际案例表明，即使无害的数据被大量收集后，通过存储、处理、分析等也会暴露个人隐私，大量的数据收集整理同时也意味着更大的数据泄露的风险。针对这一点，各金融机构制定了不同的安全措施，保护对象不仅包括大数据自身，也包含通过大数据分析得到的知识，因为其中任何一个环节出现问题，都会对金融财产安全造成威胁，所以各金融机构对金融数据技术的安全性管理水平亟待提高。

（三）技术应用与业务探索仍需突破

与其他行业相比，金融具有逻辑关系紧密、处理实时性要求高、可展示性需求强等特征，因此，对数据分析、数据管理、数据处理、数据展现等关键技术要求都比较高，由于大数据金融模式起步相对较晚，数据库建设以及数据统计、分析等技术模块还处于不断发展之中，导致金融机构只能通过探索的方式，来对大数据技术进行选择，这就加剧了技术决策的风险系数，可能会使金融机构产生不必要的损失。

（四）行业标准与安全规范仍待完善

目前，各行业的发展长期各施其政，行业间存在较高的壁垒，即使金融行业内部，也采用了不同的标准，遵守不同的行业规范。为了加快元数据、数据交换、数据交易、数据质量、安全保密等重点共性标准的制定，实现数据的互联互通，需要围绕产业链建立跨行业的技术体系标准和数据标准。

三、大数据金融面临的挑战

（一）数据基础设施承载力不足

大数据基础设施是支撑大数据应用和大数据产业的基础设施，大数据金融作为一个完整的链条，包含很多中间环节，每一个环节基本上都有独立的机构进行经营管理，同时每一个环节也都会产生大量的数据往来，而这些大量的数据往来必然需要各个环节上的基础数据设施作为支撑，大量的数据往来对基础设施形成了很大冲击，大数据金融基础设施建设的重要性迫在眉睫。

（二）数据共享平台缺乏

目前，各个金融机构的数据信息大多比较保密，各金融机构之间有效联系缺乏，金融数据很难得到共享，存在不愿共享，不敢共享，不能共享的情况，由于金融数据得不到共享，金融需求得不到满足，对于金融机构而言，为了更好地了解客户，与客户建立良好的客户关系管理，就会增加金融活动成本，严重的还会增加金融风险。由于共享数据平台的缺乏，纵使该金融机构再强大，也很难实时、准确地满足海量用户的个性化需求。

（三）专业性人才欠缺

与信息技术其他细分领域人才相比，大数据发展对人才的复合型能力要求更高，需要兼备计算机技术、数学、统计学等方面的知识以及应用领域的专业知识。然而，金融业在大数据方面的专业人才还比较匮乏，现有的人才难以满足大数据处理的需要。由于金融机构工作人员业务能力不足，在处理数据的过程中，就会出现数据失真的情况，进而不利于金融业的发展。另外，很多金融机构，没有针对人才较高的薪酬待遇，在这种情况下，就会造成人才的流失，从而不利于金融业的发展。目前金融行业在可承担分析和挖掘的复合型人才、高端数据科学家以及管理人才都存在很大缺口。

四、大数据金融发展应对策略

大数据时代里，数据的价值被逐渐挖掘，然而，大数据技术作为一般双刃剑，在方便金融业发展的同时，也对金融业提出了更高的要求，而金融业要想健康、稳定的发展，就必须结合大数据时代背景，不断创新，积极响应大数据时展的需求。

（一）传统与创新并举

首先，要坚定信念，发挥传统金融机构的优势，同时，寻求新型金融机构的创新之路，做到多角度全方位的发展；其次，从顶层设计入手，面向全局考虑，以客户需求为导向，在保障信息安全的同时，努力构造金融机构自身的大数据规模。

（二）加大基础设施建设

一是软基础设施，即从事金融产业和大数据处理的人力资源，要保证有足够的人才储备，以此保证大数据金融有足够的智力和技术支持，同时，加强内部控制，保证用户数据不被泄露；二是硬基础设施，主要指基础IT设备和信息安全防范系统，应用此设备来完成金融机构内外的金融数据的收集、汇总、处理及分析，使机构、用户双方都可以最快的、最便利的方式调用自己本身需要的信息，并通过信息安全等级保护制度，切实保护数据安全。

（三）强化金融数据安全与技术

大数据技术是解决大数据框架下金融风险的关键，运用好大数据技术，既能获得优先发展先机，也能保障大数据安全。大数据时代，金融机构之间的关联性越来越紧密，在大数据处理过程中，一旦金融数据遭受安全威胁，就会产生“连锁反应”，金融业的稳定发展就会受到影响，为了保证数据安全，金融业务顺利开展，可以通过数据加密技术、身份认证技术、防火墙技术等，提高数据信息系统的安全性，还可以借助大数据技术，建立统一的大数据安全仓库，实现金融共享，将客户的信息纳入到数据库中，更好地为客户的金融需求服务。

（四）培养大数据金融人才

金融企业想通过大数据实现价值一个重要的制约因素就是人才短缺，目前，金融行业在发展过程中已经遇到了人才瓶颈，急需拥有统计学和计算机专长的人，以及运营金融企业的管理者和分析师。金融企业，一方面需要强化现有人才能力的培养，结合大数据的要求，对金融工作人员进行针对性、专业性的培训，另一方面需要对外引进专业的金融人才，打造专业、高效、灵活的大数据人才团队，从而更好地为金融发展服务。

（五）做好大数据金融风险管控

大数据时代，竞争越来越激烈，对于金融业而言，金融风险是一直存在的，对于金融机构而言，风险管理是一项重要的工作，只有做好风险管理工作，才能更好地应用大数据，推动金融业的发展。首先，在开展金融业务的时候，要立足市场，做好市场分析，全面掌握相关数据，为业务的开展提供保障；其次，建立风险管理机制，对大数据业务进行综合分析，找出大数据业务中存在的风险因素，从而有针对性地进行防范，并针对这些隐患制定有效的防范策略，减少风险损失。

结语

大数据时代已经到来，大数据金融的发展具有明显的时代特征，金融业是海量数据行业，数据是其发展核心，大数据为金融创新提供了新的机会，并正在成为金融创新的发力点和突破点；金融行业想要更好地发展，就需要对大数据金融模式进行全面研究，并结合时代特点以及金融行业发展特点，通过优化机构发展规划、加大基础设施建设、加大技术研究力度、培养专业的金融人才、做好大数据金融风险管控以及完善金融相关法律法规和行业标准等手段，积极应对大数据金融发展过程中遇到的各种风险与挑战，从而为大数据金融的科学发展提供保障。

来源：南开大学

大数据如何推动金融业的商业变革?

商业无论是接受还是拒绝，中国金融业的大数据时代正在呼啸而至。据调查，经过多年的发展与积累，目前很多国内金融机构的数据量级已然大增。而且，非结构化数据量正在以更快的速度增长。在高数据强度的金融行业，这一发展激起了巨大的想象空间。然而，要抓住这一机遇并非易事。

大数据引领金融机构变革主要体现在哪些方面?

成就大数据的不仅是传统定义中的“三个V”，即数量(Volume)、速度(Velocity)和种类(Variety)。对金融机构而言，更重要的是第四个V，即价值(Value)。大数据的价值不仅体现在对金融机构财务相关指标的直接影响上，也体现在对商业模式变革的推动能力上，即不断引发传统金融机构的内嵌式变革。

大数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面(“四个C”)包括：数据质量的兼容性(Compatibility)、数据运用的关联性(Connectedness)、数据分析的成本(Cost)以及数据价值的转化(Capitalization)。

大数据推动银行的变革主要体现在价值层面上

数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。

为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。其中的三个关键点(“TMT”)包括：团队(Team)、机制(Mechanism)和思维(Thinking)。

大数据是什么?在这个问题上，国内目前常用的是“3V”定义，即数量(Volume)、速度(Velocity)和种类(Variety)。

虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据?”其实这个问题在“量”的层面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机处理几个小时，而这个量现在只是一台普通智能手机存储量的一小部分而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了大数据。

海量的数据为银行的发展提升了价值

另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。在商业环境中，企业过去最关注的是ERP(Enterprise Resource Planning)和CRM(Customer Relationship Management)系统中的数据。这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。随着互联网的深入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。但所有这些都还不是构成“大量数据”的主体。

“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据?

成就大数据的关键点在于“第四个V”，即价值(Value)。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。

大数据运作如何推动金融业变革?

多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的?

无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求;IT部门获取并整合数据;数据科学家构建并完善算法与模型;IT发布新洞察;业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。

大数据延长了金融机构的生命周期

大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。

来源：36大数据

券商总裁21年交易9亿仍亏损 专家能从股市赚到钱吗？

       6月16日，安徽证监局公布的一份行政处罚决定书显示，华安证券前总裁杨爱民作为证券从业人员在职期间违规炒股长达二十一年，累计交易390只股票，累计交易金额逾9亿。但因扣除税费后交易亏损，最终杨爱民被罚25万元。

       券商高管炒股这么久、这么大的资金量都赚不到钱，那么经济学家、财务专家、行业专家、数据专家、基金经理、分析师、投资顾问、K线专家……哪种专家能从股市赚到钱呢?

        有人说：“能看懂K线的人是很厉害的”、“我炒股前就认为跟经济沾边儿的行业，去股市就会挣到钱”，也有人说：“家里有钱亏不完，中欧医疗找葛兰”、“我就是从事财务多年的人，然并卵”……阿牛智投创始人毛羽在近期直播中关于“专家能从股市赚到钱吗”的话题，引起股民热议。

一致预期指数与深证综指走势相同

来源：阿牛智投

       毛羽表示，经济学家擅长宏观分析、财务专家喜欢研究基本面、行业专家了解本行业……但如果只是看孤立的数据，没有把数据与股价涨跌的相关性分析出来，都很难从股市有所收获。基金经理善于分析，但他的目标是基金公司利益最大化。K线专家，研究的交易数据很重要，但代表的只是重要数据的一部分。分析师擅长写报告预测行业，阿牛智投把所有研究员写的报告中关注度最高的公司整合起来，制作成“一致预期”指数；这个指数近一年与深证综指的走势基本一致，也没有表现出明显优势。

 低估成长指数大幅跑赢中证500

来源：阿牛智投

       毛羽表示，影响股市涨跌的因素非常复杂，不管是哪个领域的专家，都必须把数据与股市涨跌相关性分析出来，才能指导投资。比如“低估成长”指数是对A股市场5000多只股票进行5-10年长期实测做出来的，一年走势大幅跑赢中证500，风险回报率0.81也大于“一致预期”指数的0.30，就说明“低估成长”这个指数更值得关注。

       投资不简单，专家从股市赚钱尚且困难，普通股民就更难。毛羽表示，投资不能急功近利，树立理性投资的理念很重要。一方面要认清自己的风险承受能力，量力而行；另一方面要认清市场，把握机会，规避风险。

巴菲特最爱的长线投资，到底该怎么做？

       A股30年的投资经历中，阿牛智投创始人毛羽总结了影响股价的三大核心要素：情绪、资金、价值。

       这三大要素对应着三种投资方式：情绪驱动的短线投资、资金推动的趋势投资、价值驱动的长线投资。

       你喜欢做长线投资吗？

       沃伦·巴菲特说：“如果你不打算在十年内持有一支股票，那就别再持有十分钟。”

       要想在股市赚到钱，学会做长期价值投资很重要。

       沃伦·巴菲特为什么会成为“股神”？20%的年收益率不算很高，但他保持了60多年。

       这就是长线投资的魅力。

       怎么做长线投资？

       历经A股30年的投资老将、私募基金经理、阿牛智投创始人毛羽，将于6月20日（本周二）12：00-13：00在点掌财经的阿牛直播（点掌财经官网、阿牛智投APP同步呈现）跟朋友们一起聊聊。

       本次直播还会抽出阿牛智投618“为财富站台”投票活动的免单大奖！敬请期待！

点击图片来预约，精彩直播不错过！

隐秘AI巨头“幻方量化”：大模型，不止用来炒股

当幻方量化的公告卷起“AI炒股说”之时，两天后，幻方量化董事总经理陆政哲在朋友圈泼了盆冷水：“我用中文重申一下：AGI不是用来炒股的，有大得多的用处和大得多的价值。”

自概念诞生之初，量化投资就与AI挂了钩。与人为管理基金产品不同，量化投资仰赖的是数学和统计模型进行预测和风控，并通过计算机技术实现下单交易。

对于量化私募基金而言，准确性和速度是核心竞争力。这也意味着，一家量化私募基金需要在程序化技术上烧大量的钱——其一，需要专业人才搭建效果更优的预测和风控模型，其二，还需要使用处理速度更快的设备和与交易所服务器物理距离更近的服务器，以提升交易速度。

当“AGI不是用来炒股的”一句从幻方量化口中说出，一方面，我们有理由相信，拥有万张英伟达A100显卡储备的幻方量化具有训练出AGI的资源储备；但另一方面，在这一轮AI浪潮中，金融领域除了拥抱，别无选择。

非AI领域出身的金融机构，也能用大模型打仗

翻阅公开资料就能发现，高算力是不少量化机构宣传的重点。

比如2022年9月，头部量化私募基金明汯投资合伙人、投资总监解环宇就在世界人工智能大会上强调：“2021年，我们自有的高性能计算集群已经位居世界超算排名TOP500榜单前列。预计到今年（2022年）底，我们的计算集群将拥有1500张GPU卡，3万CPU核、1Pb内存以及5Pb磁盘存储，在金融数据的应用场景下AI算力达到400P Flops。”

重算力的特性与长期以来我国的算力资源较为分散不无关系，能够靠高性能算力集群支撑起模型训练的金融机构更是少之又少。

据《财经十一人》介绍，国内GPU持有量超过1万张的企业不超过5家，即使规模最大的企业也不超过5万枚，而且这里面有不少都是英伟达中低端数据中心芯片。

但幻方量化担得起金融领域“卡王”之称。

作为目前国内唯一公开宣称拥有万张英伟达A100显卡的企业，幻方量化即便出了金融圈，其算力储备量在一众科技公司中也豪不逊色。

2019年，幻方量化就成立了AI公司幻方AI。从2020年官方披露的数据来看，幻方AI自研的深度学习训练平台“萤火一号”总投资近2亿元，搭载了1100块GPU。

一年后，“萤火二号”的投入增加到10亿元，算力约为“萤火一号”的18倍，搭载了约1万张英伟达A100显卡。数据显示，“萤火二号”2022年全年运行任务135万个，共计5674万GPU时。用于科研支持的闲时算力高达1533万GPU时，占比27%。

用大算力砸出来的模型表现也是亮眼的。私募排排网数据显示，幻方量化自成立以来的累计收益率为181.63%，年化收益率达18.02%。截至2023年3月24日，幻方量化旗下管理的具有历史数据的100只基金中，94只均为正收益。

大算力固然重要，但多个案例证明，比起算力，大量高质的数据是金融垂直领域跑出高性能模型更关键的资源。

即便具有丰富的算力储备，幻方量化仍然发文表示，数据才是Alpha（超额收益）的根本来源。截至2021年，幻方量化累积的数据量超过了10PB，每天还在从数十个不同数据源持续更新。

一个更典型的“薄算力，厚数据”的案例则发生在最近。

3月31日，金融商业咨询平台彭博社（Bloomberg）推出了其为金融界打造的大语言模型BloombergGPT。从官方发布的技术细节来看，BloombergGPT的参数规模为500亿，远不到GPT-3 1750亿的参数规模。

在算力上，BloombergGPT在训练中备份了4个模型，共使用了约512块内存为40GB的A100——这对于不少头部金融机构而言，是可复制的路径。

但官方测试的结果显示，BloombergGPT对金融任务的执行效果已经超过了现有的通用语言大模型，在通用场景的表现则持平——优异表现的根源在于Bloomberg构建了目前规模最大的金融数据集FINPILE，其中涵盖了7000亿预训练数据量。

这一案例或许也能将不少机构从“算力焦虑”中解放，优质开源模型底座+优质垂直领域数据的思路，依然可以在垂直领域训练出专精的大模型。

AI代替人炒股，仍在征途

不可否认的是，ChatGPT引起的大模型热潮，对包括量化在内的金融行业会产生广泛的影响。

一方面，接入大模型有助于提升投研的效率，以个人智能助手为应用形态的AI能够理解分析师和研究员所输入的信息，并呈现出经过逻辑分析的检索结果。

另一方面，AI可以通过基于大量数据的深度学习，辅助人们做出更准确的投资决策、优化交易策略，以及进行风险管理。

不少业内人士也指出，大模型对金融领域的重要意义在于超越人有限的思维，站在更高的维度对行业进行全面的解构。

“AI做金融风险评估，不是基于人的规则，因为人的规则容易被破解，需要更高维的AI模型来做。”氪信科技CEO朱明杰为36氪举了个例子：比如对交易风险的检测，银行每天有上亿笔交易，靠专家人力无法一一审核。而通过金融数据和金融专家经验数据去训练AI模型，就能够拥有更多的“专家”。

但相对地，让AI通过深度学习从而产生超越人的思维能力，在现阶段是不少金融机构可望而不可即的图景。

就决定垂直领域模型核心能力的数据而言，出于数据安全等因素的考虑，不同金融机构之间的数据并未打通，这也意味着单一机构的数据资源较有限。尤其对于成立初期、规模有限的中小型金融机构而言，难以具备构建垂直领域模型的能力。

另一亟待完善的层面在于算法。朱明杰认为，目前ChatGPT有模仿的能力，但本质上还是人的思维，没有自主创新的能力，很难应对一些黑天鹅事件，“大模型涌现的能力还很有限”。

一个案例是，随着2020年下半年小票市场行情分化，明汯投资在同年Q4调整了选股模型，从而存在过度风格暴露（指基金持有的资产在风格特征上与某个特定的市场、指数或其他资产组合相关联的程度）的嫌疑。

2021年初，招商证券发布的一篇报告提到，量化投资在未来越来越难以靠“单纯的风格、行业暴露”来挣钱，一定会在新的赛道展开激烈比拼，包括基本面因子深度挖掘、舆情等另类数据，以及进一步优化模型与提高算力。

量化投资行业与科技行业的缝隙正在缩窄，这也意味着金融机构在研发上依然需要舍得出血。在瞬息万变的市场环境中，不存在“躺平数钱”的时刻。

来源：36氪

短线调整 中期看好

       “炒股不是什么人都可以的”、“今天知道了毛总是数据王”、“毛老板的直播有技术含量，好好学习”……

       6月16日中午，阿牛智投创始人毛羽在直播间用大数据工具对A股市场的深入分析给股民留下深刻印象。他用数据说话，对当下行情亮明观点：“短线调整，中期看好。”

左侧机会都是好时机

来源：阿牛智投

       毛羽表示，整体来看目前有一定左侧机会，过去一年内左侧机会有三次，历史上看，一年也不会超过4次。机会来临时行情持续性比较强，目前还在处于左侧机会的阶段。

       6月9日点掌全指发出翻多信号，6月15日行情上来后沪深300、上证指数等开始普遍翻红。不少跟随点掌全指操作的股民提前布局抢占了先机。毛羽表示，做好股票“选时”的第一个关键就是选个好的对标指数，这是选时投资的第一颗纽扣，市场上现有的重要指数受关注程度过高，会导致平均收益下降，也会受到人为资金的影响，选时效率会降低甚至失效。现在趋势已经很明确，中期看好，即使是短期调整，也要理解为"倒车接人"的好时机。

优选量化对冲基金看五大指标

       量化基金是指主要采用量化投资策略来进行投资组合管理的基金，并且量化投资技术几乎覆盖了投资的全过程，包括量化择时、量化选股、股指期货套利统计套利、算法交易、风险控制等。

       整体来说，量化基金还是跟随市场跑的，从过去的收益率来看，确实有部分策略跑赢市场的概率较大，但需要投资者自身比对历史数据。而对冲基金则不同，整体收益率可以与债市进行类比，一般来说风险偏好较低的投资者，可以选择风险敞口较低的对冲基金。

       投资者是否要选择购买量化基金或者对冲基金，也需要对后市的风格有判断。如果认为A股未来可能出现震荡甚至下跌，则选择对冲基金更为合适；对于一些对后市无法判断的投资者，也可以多配量化对冲基金。如果认为A股一定是牛市，而且是大牛市，则购买指数型基金是最好的选择，这也可以称为是另一种类型的量化基金；如果出现慢牛，则投资者需要仔细对照量化基金的投资目标、投资策略以及历史业绩等，因为量化基金除了投资范围不同之外，还涉及到是否是增强型基金。

       然而，面对市场上种类繁多的量化对冲产品投资者又该如何选择呢?除了考量一般基金的三大指标，历史收益（区间收益）、夏普比率、最大回撤外，还可以通过考察量化投研团队和产品对冲策略来做出选择，这样，在选择量化对冲基金就可以通过以下五个方面考虑。

       一、历史收益（区间收益）

       对于投资者而言，选择量化对冲产品最直观的就是看产品业绩。但并不意味着产品在某一段时间内业绩高，就意味着产品本身质地好。投资者在观察量化对冲产品业绩时，尽量看长期业绩，尤其是在一个区间内能够涵盖多种市场风格阶段，从而能综合反映其投研策略的稳定性以及产品的长期盈利能力。

       A股市场尚不成熟，市场风格变化较大，量化对冲产品运行的时间越长，越能表明其量化模型的可靠性和稳定性，体现产品的长期盈利能力。因而，只有半年业绩的新产品，参考性并不强，有2年以上运作业绩的产品更值得关注。

       二、夏普比率

       夏普比率是用来衡量产品风险收益比的，即单位风险内能获得的收益有多大，其计算公式为收益率/风险。通常情况下，夏普比率越高越好。比如两只产品的年化收益率都是20%，但一只上半年跌了20%，下半年涨了50%;而另一只产品从来没有亏损，每天小幅上涨。相比之下，后者的夏普比率就很高，而且投资者的体验感也更好。

       由于国内对冲基金起步较晚，短期的夏普比率并不准确，投资者在参考这一指标时，应尽量选择运作期限较长的量化对冲产品。

       三、最大回撤

       最大回撤率也是反映量化对冲产品运作稳定性的关键指标，是指在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值，该指标用来描述买入产品后可能出现的最糟糕情况。通常情况下，最大回撤率越高说明产品的风险越大。

       四、量化投研团队

       量化基金的核心就是量化模型，模型思想是产品的灵魂，而最接近这一灵魂的人物就是这个模型的构建者。对于量化投资团队的考察可包括人员构成、投资能力和经验、成员稳定性、策略研发能力等。任何一只量化对冲产品背后都离不开投研团队的支持，例如，如果模型的核心开发人员变更，会在一定程度上影响量化策略的稳定性和有效性，从而影响量化基金的业绩表现。

       五、产品对冲策略

       目前量化对冲产品实施的策略很多，可分为市场中性策略、套利策略、管理期货策略等，有时投资者还会遇到宏观对冲、趋势等多样策略。不同的产品在具体运作中，可能只使用一种策略，也可能是多种策略的同时运作。对于投资者而言，最重要的是要搞清楚自己选择的量化对冲产品采用的是什么策略，赚的是哪一部分的钱。

       值得注意的是，不同的量化对冲产品管理人都有属于自己的市场中性策略，其策略是否有风险敞口，投资者需要仔细了解和辨别，从而选择适合自己风险偏好和收益需求的产品。

       在搞清楚产品策略后，投资者也要对量化对冲产品的规模进行选择。这是因为当基金规模快速增加，超过策略可容资金上限时，无论是公募还是私募基金公司往往都需要增加新的策略来吸纳多余的资金。当没有新策略加入时，就会增加原有策略的冲击成本，造成策略收益率降低。

       一般而言，市场中性策略即传统的阿尔法策略可以承载的产品规模最大，获取统计套利策略的可容资金量要少于传统的多因子策略，而像股指期货日内趋势策略的可容资金量就更少。

来源：明星私募网

让你顿悟的“风险回报率”

        股市有句老话“投资有风险，入市需谨慎”。认知风险，是每个人理解投资的第一课。大部分投资者都觉得市场风险比较高，但怎么衡量风险却不甚明了。

       下面是一只基金和上证指数的对比。两条曲线三年的累计收益率基本相同，都在10%左右。你会买指数还是基金？

某基金和上证指数累计净值对比

来源：点掌财经

       通过调查发现，大部分投资者会选择上图中的红线来投资。阿牛智投创始人毛羽表示，衡量市场风险有个非常直观的指标——风险回报率。所有风险资产，包括基金、股票、板块、黄金、国债、企业债等，都可以用这个指标统一衡量风险收益特征。上证指数目前风险回报率是0.23，相当于冒一块钱的风险，收益只有两毛三。而上图的基金冒一块钱风险，收获是一块二毛二。理解了这个指标，普通投资者也能明了，要买风险回报率高的资产。

       风险从哪里来，收益就从哪里来。毛羽表示，风险回报率的计算方法是收益率除以波动率。波动就是风险的来源。很多人情绪一激动在高点冲进去，跌下来受不了就卖了，结果市场又涨回去了，从而导致投资者亏损，这就是风险。反过来看，如果在低点买进去，高点出来，这就是一种机会。风险与机会像孪生兄弟，如影随形，风险所在的地方就是机会所在的地方。做投资首先要考虑的是风险回报率。

“赤兔七号”风险回报率

来源：阿牛智投

       以“赤兔七号”为例，每次风险来临前会自动清仓，而机会来临时又会及时买入，躲避了风险，抓住了机会，这样它的风险回报率就很高，达到2.49。

       毛羽表示，一般情况下，全球资产风险回报率是1时，投资者往往会感觉比较舒适，这也是世界优秀基金经理的平均水平。而在A股投资很多人的反映是“拿不住”，就是因为波动太大，风险回报率太低。

       毛羽提醒投资者，一定要重视风险回报率，“掌握了风险回报率，看投资世界的角度和方法就完全不一样了。”