大数据的分析理论

　　众所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？

　　1. 可视化分析。大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。

　　2. 数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。

　　3. 预测性分析。大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。

　　4. 语义引擎。非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能足以从数据中主动地提取信息。

　　5.数据质量和数据管理。大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。

　　大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

当前市场下，量化投资会面临怎样的挑战

       刚刚过去的2021年一年，在A股市场的结构化行情中，量化私募以优异的业绩表现获得市场关注。私募排排网数据显示，百亿量化私募在2021年的收益全部为正，平均收益达19.32%。

       然而，2022年A股市场遭遇“开门黑”，市场剧烈震荡，部分公募、私募基金产品的业绩遭遇大幅回调，其中不乏一些百亿级量化私募。

       投资者们关注的神秘面纱下的量化投资究竟是怎样的？量化策略的超额收益从何而来？2022年结构化行情下，量化策略将如何表现？量化投资是否会成为主流趋势？公私募量化投资又有哪些异同？

       就上述问题采访嘉实基金的基金经理刘斌，从公募量化基金经理的视角做出解答。博士毕业后，刘斌就扎根到量化投资中，是行业内最早一批的量化分析师之一。2009年，刘斌正式成为基金经理，先后管理过多只量化基金，现为嘉实增强风格投资总监，以及嘉实沪深300指数研究增强、嘉实量化精选股票等四只基金的基金经理。

       在刘斌看来，随着A股市场机构化占比的不断提高，想要靠一套量化固有方法从市场上赚永恒钱的做法已经走不通了，必须充分地与基本面做结合，回到投资的本源思考问题。同时，与主动权益类基金经理不同，量化基金经理的出发点是追求胜率。在当前阶段下，量化基金经理可能会面对超额收益与绝对收益的博弈。从公私募量化的角度来看，两者境遇相似，但存在方法及框架的差异，双方正在不同的道路上进行探索。

对话：

       量化投资在中国市场经历了怎样的变化？当前的市场环境如何？

       刘斌：2016年以前的中国市场为“散户主导的市场”，重在做交易。因为其本质是不断以中国散户占比高的制度优势或市场特征来获取收益。事实上，很多股票收益并非由公司基本面所贡献，而是来自交易行为的博弈。

       然而，2016年后，中国市场发生了几个重要变化，最主要的变化就是机构化。

       2016年至2020年，机构化占比迅速上升，市场由70%-80%的散户占比发展至不到50%的散户占比。在这个变化过程中，各路资金都有了大规模的扩张：其一是海外资金通过陆股通的方式流入整个市场；其二，公募基金的大发展；其三，私募量化基金的大发展。这三个代表性机构的力量大发展，使得散户占比下降，同时，在机构化过程中，白马股等优质股票通过不断持续的资金流入实现上涨。

       2021年往后为机构博弈时代，进一步来看，当机构投资占比提升到一定幅度时，整个市场的有效性会变得很高，这使得简单的套利型收益或短期趋势型的方式很难实现赚钱收益。尤其是在公私募基金量化交易规模如此大的体量以及海外资金涌入的情况下，上述收益模式可能会被抹平，未来将不复存在。

赚钱收益模式被抹平的原因是什么？

       刘斌：这恰恰是因为参与者的结构发生了变化，不同参与者有不同的偏好及定价逻辑，因此，想要靠一套量化固有方法从市场上赚永恒钱的做法是已经走不通了。因此要充分地与基本面做结合，回到投资的本源思考问题，而非依靠历史回溯来预测未来。更多的还是要穿透底层，看其运行逻辑。

       同时，长期来看，伴随着部分股票的估值回归、价值回归，其价格将会向基本面靠近。所以本身要对市场波动就有着密切的观察和深刻的认识，这样的经验和积累有助于我们在基金合同允许的范围之内，采取积极的办法来控制组合的回撤，提高产品的绝对收益特征。

当前的市场环境下，量化投资会面临怎样的挑战？

       刘斌：与主动权益类基金经理不同，量化基金经理的出发点是追求胜率。因此，现阶段量化基金经理可能会面对超额收益与绝对收益的博弈。

       其一，量化基金经理希望获得长期的超额收益，能够长期稳定地战胜某个基准。但事实上，每年能够战胜沪深300指数的基金比较少。在此情况下，短期的超额收益可能容易做，而长期稳定的超额收益很难做。

       其二，绝对收益难做。只要量化基金经理拥有正确的估值方法，且能够客观地看待它，长期来看，做绝对收益的难度并不大，然而难度在于短期的绝对收益。

公、私募量化面临的问题一致么？

       刘斌：其实，公募量化与私募量化之间的方法及框架存在差异。尽管双方的目的和境遇相同，都在不同的领域下做量化，但各方对于股票的理解不同。目前，私募量化会选择走高频交易、系统量化的道路，可能会忽视个股的基本面。公募量化所走的路线则是将量化策略与基本面做深度融合，每家公司都在做自己的探索。

来源：经济观察网

大数据的作用

　　大数据是指无法在一定时间内用常规软件工具对其内容进行抓取、管理和处理的数据集合。大数据技术，是指从各种各样类型的数据中，快速获得有价值信息的能力。适用于大数据的技术，包括大规模并行处理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。

　　大数据由巨型数据集组成，这些数据集大小常超出人类在可接受时间下的收集、庋用、管理和处理能力。大数据的大小经常改变，截至2012年，单一数据集的大小从数太字节（TB）至数十兆亿字节（PB）不等。

　　在一份2001年的研究与相关的演讲中，麦塔集团（META Group，现为高德纳）分析员道格·莱尼（Doug Laney）指出数据增长的挑战和机遇有三个方向：量（Volume，数据大小）、速（Velocity，数据输入输出的速度）与多变（Variety，多样性），合称“3V”或“3Vs”。高德纳与现在大部分大数据产业中的公司，都继续使用3V来描述大数据。高德纳于2012年修改对大数据的定义：“大数据是大量、高速、及/或多变的信息资产，它需要新型的处理方式去促成更强的决策能力、洞察力与最优化处理。”另外，有机构在3V之外定义第4个V：真实性（Veracity）为第四特点。

　　大数据必须借由计算机对数据进行统计、比对、解析方能得出客观结果。美国在2012年就开始着手大数据，奥巴马更在同年投入2亿美金在大数据的开发中，更强调大数据会是之后的未来石油。数据挖掘（data mining）则是在探讨用以解析大数据的方法。

       大数据的作用主要有下面几点：

　　第一，对大数据的处理分析正成为新一代信息技术融合应用的结点。移动互联网、物联网、社交网络、数字家庭、电子商务等是新一代信息技术的应用形态，这些应用不断产生大数据。云计算为这些海量、多样化的大数据提供存储和运算平台。通过对不同来源数据的管理、处理、分析与优化，将结果反馈到上述应用中，将创造出巨大的经济和社会价值。

　　大数据具有催生社会变革的能量。但释放这种能量，需要严谨的数据治理、富有洞见的数据分析和激发管理创新的环境(Ramayya Krishnan,卡内基·梅隆大学海因兹学院院长)。

　　第二，大数据是信息产业持续高速增长的新引擎。面向大数据市场的新技术、新产品、新服务、新业态会不断涌现。在硬件与集成设备领域，大数据将对芯片、存储产业产生重要影响，还将催生一体化数据存储处理服务器、内存计算等市场。在软件与服务领域，大数据将引发数据快速处理分析、数据挖掘技术和软件产品的发展。

　　第三，大数据利用将成为提高核心竞争力的关键因素。各行各业的决策正在从“业务驱动” 转变“数据驱动”。

　　对大数据的分析可以使零售商实时掌握市场动态并迅速做出应对；可以为商家制定更加精准有效的营销策略提供决策支持；可以帮助企业为消费者提供更加及时和个性化的服务；在医疗领域，可提高诊断准确性和药物有效性；在公共事业领域，大数据也开始发挥促进经济发展、维护社会稳定等方面的重要作用。

　　第四，大数据时代科学研究的方法手段将发生重大改变。例如，抽样调查是社会科学的基本研究方法。在大数据时代，可通过实时监测、跟踪研究对象在互联网上产生的海量行为数据，进行挖掘分析，揭示出规律性的东西，提出研究结论和对策。

如何在热门板块中锁定黄金时机？阿牛智投推出“弘阳策略”

       消费股、科技股是近年来股市中的热门板块，长久以来受到很多股民关注，然而不少人选对了板块，却输给了选股、择时。板块走热，个股股价飙升，散户跑步入场，股价跑步下跌，是股市中经常上演的故事。

       随着大数据、云计算、人工智能等在金融领域的快速发展，“人工+智能”正在成为不少专业投资者的重要投资方式。阿牛智投投资顾问季梦杰表示，做好选股、择时，不仅需要有专业的金融投资知识，还需要有大数据工具支持。对于普通投资者来说，这两点都不具备，盲目进入股市碰运气，很容易成为被收割的韭菜。

       与铩羽而归的散户不同，阿牛智投的“弘阳策略”，2021年精准把握多次行业封口，5G、华为、芯片、消费电子、汽车、食品等，并精准捕捉到行业里的龙头个股，充分受益了分化行情格局下优质个股的独立上涨行情。

       作为“弘阳策略”产品的主理人，季梦杰介绍，阿牛智投的“弘阳策略”之所以能跑赢市场，是因为它利用“增强选时”、“量化大师”智投大数据工具，重点解析市场中活跃且有机构布局的中期波段个股，并有团队进行市场调研、行业分析，在这些潜力公司股价没有形成大涨之前，做出一定量的提前布局，股价表现之后做好获利了结。此外，“弘阳策略”还会做出加仓、减仓、止损、止赢的提示，让股市小白也能“抄作业”。

       据了解，季梦杰专注于消费股、科技股两大主题的深入研究；在大型券商和专业投资机构长期从事投资顾问工作，有超过6年的大资金实战指导经验。他擅长通过产业链把握业绩线预期，有效寻找收益产业链发展的核心个股，并通过量价时空和中枢突破来确认有效买卖点。

2022年怎么看待量化投资

       新年伊始，私募量化投资在2021年发展极为迅猛。越来越多的人开始关注量化行业，在这里我们根据市场部同事们的反馈整理出了最常见的问题来解答疑惑，并在此展望2022。

No.1 什么是量化投资？

       量化投资是通过对历史数据进行挖掘，建立统计学模型来进行投资。市场上充斥着海量的交易信息，个人投资者的算力肯定是不及的，只有通过高效计算机配合优秀的团队才有可能捕捉到这样的交易机会。

No.2 在建立量化投资模型中会做什么研究？

       以下某股票策略研究员A提供的回答：

       A：我在研究部，主要从事股票策略的研究。工作里从数据到策略执行，各个环节的研究问题我都会参与。

在工作中，我们处理着来自整个经济体的，从微观到宏观，从证券市场到实体经济的海量信息，这些信息通过研究转化为我们对市场的认知，通过更多的研究又转化为具体的投资策略，最终转化为投资人的价值，为市场提供价格发现的服务。

       在这个过程的每个环节都有大量有趣而富有挑战性的问题。有的问题关注当下的经济现实，比如：市场参与者的结构和交易习惯正在发生什么变化？上市公司的财务分析的逻辑是否有需要重估之处？产业政策与行业盈利是否能建立定量的模型？有的问题关注一般的统计理论，比如：如何在高维和小样本前提下对某个统计模型进行参数估计？如何在小样本下检验某个随机过程的平稳性？如何把特定的先验知识应用到模型选择或正则化方法上？还有的问题关注工程上的挑战：如何实现细粒度的自动并行计算？是否能设计一个在CPU/GPU混合环境下的通用的透明缓存？在低延迟环境里如何灵活地提高计算吞吐量？

       为了解决这些问题，我需要与其他研究专长的同事紧密合作。这是我们这里研究工作的特点：我们会以问题为导向形成临时的、紧密协作的小组，发挥各个研究人员的专长来解决问题。我们会特别关注共性化的方法，每当在方法论上形成研究成果，我们会积极地推广它，使得每个研究人员都能从中获益。

       我们是一群解决问题的研究人员。在多年的研究工作中，最令我们惊讶（以及欣慰）的是，市场（以及更大的经济体）像一座问题的宝库，源源不断地对我们提出新的挑战，并且随着我们认识和研究的深入，新的挑战越来越复杂，越来越引人入胜。这似乎是一段永远不会结束的精彩旅程。

No.3 量化指数增强是什么？

       A：指数增强策略是指在跟踪指数的基础上，利用量化方式适当调整投资组合的持仓结构，以期在跟踪指数Beta收益的基础上，再获得额外的Alpha收益的一种投资策略。

No.4 如何看待极端情况下的高回撤？

       A：所有的alpha策略模型都是统计学模型，这意味着，所有的回撤与风险都是有可能被打破的，只是出现概率的大小而已。因此，所谓最大回撤，这只是一段时间出现过的最大回撤而已，而绝不意味着策略不可能出现更大的回撤。

       至于出现超额回撤,我们觉得市场的原因,比如成交量缩小、风格切换、19极端行情、策略拥挤等都会带来影响.一方面市场出现这种情况每年都会有,拉长时间看不会造成太大影响,另一方面管理人也在做模型的更新迭代,更好的适应多变的市场环境。

No.5 策略会存在失效问题吗？

       A：所有量化模型都需要持续优化，没有任何一个模型会永远有效。如果投资方式的收益来源于市场无效波动，无效波动变小了，投资收益就会下降。

       策略失效是无法绝对避免的，也没有任何机制能够保证策略的更新可以永远有效。但是，两个方面非常重要：第一，通过不断地提升投研团队的实力，可以有更大的概率保证策略的有效性，这也是为什么说核心投研团队的持续培养，是量化对冲基金最核心与最关键的竞争力所在。第二，策略有效运行的时间越长，突然失效的可能性就越小。策略更多的是慢慢出现衰减，效果逐渐变弱，而不会突然失效。

No.6 为什么可以获得超额收益？

       A：负α在市场都普遍存在，指数增强策略恰恰是针对市场的负α现象，只要市场不是随机波动，那么就可以被统计规律所捕捉。通过量化模型选股，承担指数的β波动，赚取增强收益α，最终获取的收益是（α+β）。

由于中国市场无效波动较大，因此存在着超过美国等成熟市场的Alpha收益。所以，2022年以及未来一段时间里，指数增强投资还存在着较为可观的超额收益。

来源：财经头条

量化选股

　　量化选股是指利用数量化的方法选择股票组合，期望该股票组合能够获得超越基准收益率的投资行为。

　　1、多因素模型（Multiple-factor regression）

　　Ross(1976)建立了套利定价理论 （Arbitrage Pricing Theory，APT） 。在投资实务中，多因素定价（选股）模型可以看作是APT理论最典型的代表。多因素模型将那些引起证券价格联动的因素直接加入到收益率公式之中，然后开发基于这些因素的模型，简化投资组合分析所要求的关于证券之间相关系数的输入。模型效果的好坏主要取决于因素的选取，即那些被选定的因素是否足以证明，证券收益率之间联动效应的根源在于那些因素对各证券的共同影响。对于因素的选取可以采用逐步回归和分层回归的方法进行筛选，然后进行主成分分析，从众多因素中找出解释度较高的某几个指标，尽可能反映原来所有的信息。另外，多因素模型进一步提出，证券之间的联动性，除了源于市场因素的影响之外，还取决于其他一些非市场因素。

　　2、动量反转选股

　　动量反转策略的起源可以追溯到有效市场理论的起源。1900年法国数学家Bachelie首先发现股票价格的变化服从布朗运动，但这一发现当时并没有受到广泛的关注。 直到1950年Kendall在经济时间序列分析中强调股票遵循随机游走的模型之后，现代资本市场理论体系才得到了长足的发展。这一理论一经问世，很多学者对其进行了大量的研究，其中包括Samuelson、Mandelbort和Fama。有效市场假说分三个层次，分别为弱有效市场、 半强有效市场、 强有效市场分别代表价格反映了历史信息、公开信息和全部信息。学术界对有效市场假说的检验分为两类：一是股价收益率分布的检验；二是市场有效性的检验。正是对市场弱有效的检验产生了动量反转策略。

　　动量效应(Momentum Effect)指的是投资策略或组合的持有期业绩方向和形成期业绩方向一致的股价波动现象；而反转效应(ContrarianEffect)则指的是投资策略或组合的持有期业绩方向和形成期业绩方向相反的股价波动现象。对于动量和反转效应，学术界有很多解释，其中比较具有说服力的是行为金融学的解释：反应不足和反应过度。如果在市场上发现了动量效应，说明股价对信息反应不足，股价在消息公布后不是第一时间上涨或下跌至其应有的位置，而是较为缓慢的移动至其应有的位置；同理，如果在市场上发现了反转效应，则可说明股价对信息反应过度。由此可见，动量效应与反应不足、反转效应与反应过度，这两组概念是紧密联系在一起的。动量效应和反转效应可以看作是反应不足与反应过度的实证支持。在使用动量反转方法选股的时候，需要考虑以下几个问题：样本选择的区间、不同策略在不同市况下的表现、持有期的长短、显著性检验等。

　　3、分类和回归树（Classification and regression tree）

　　分类和回归树是数据挖掘技术的一种，以递归分割技术为基础（常用于制药学的研究），包括分类树和回归树：分类树产生定性输出，回归树处理定量输出，分类和回归树可以用来提取规则和输入和输出变量之间的映射关系。输入数据通过与分裂节点的分割条件作比较，决定其属于左节点还是右节点。不断重复上述过程，就可以得到该输入数据的分类结果.从根节点到叶节点的所有分割条件则指明了输入变量对应输出结果之间的规则。 分层决策树采用替代变量的方法解决缺失数据问题，不要求数据的分布，可同时利用各种类型的数据。

　　4、神经网络（Neural networks）

　　因为股市的建模与预测所处理的信息量往往十分庞大，因此对算法有很严格要求，它的非线性动力学特性也非常复杂，所以一般传统的方法对于股市的预测往往难如人意。人工神经网络不仅具有大规模并行模拟处理、网络全局作用和非线性动力学等特点，而且有很强的自适应、自学习以及容错能力，具备传统的建模方法所不具有的许多优点，其可以不必事先知道有关被建模对象的参数、结构以及动态特性等方面的知识， 对被建模对象经验知识要求不高。 而只需给出对象的输入和输出数，通过网络本身的学习功能即可实现输入和输出之间的映射。人工神经络模型具有巨量并行性、存储分布性、结构可变性、高度非线性、自学习性和自组织性等特点，可以逼近任何连续函数，目前作为非线性函数的逼近模型被广范应用。神经网络目前在国际上已广泛用于金融分析和预测，并取得了较好的效果。人工神经络模型已在多变量非线性系统的建模方面取得了惊人的成就，成为一种新兴的预测时间序列方法。

数量化评价法

　　数量化评价法是指对事物发展过程和结果从数量方面进行描述、分析，采用数学的方法取得数量化结果的评价方法。

　　运用数量化方法评价的特点是侧重于事物的量的方面。

　　数量化评价法的优点：

　　统计分析科学、精确，具有较高的客观性和可靠性，能使一些含糊概念精确化，使主观随意性的程度减弱；可操作性较强。

　　1．评语定量法

　　评语定量法首先要确定评价的若干评语。

　　例如，对某教师课堂教学效果进行评价，其评语是：教学目标、教学内容、教学方法、教学语言、课堂结构、板书设计。然后对该教师的课堂教学按上述评语逐项打分。如非常满意打4分，基本满意打3分，一般打2分，不满意打工分，极不满意打0分。

　　计算公式：

　　F（课堂教学效果）＝F1+F2+F3+F4+F5十F6

　　由此得出总分，满分为40分，设定34分以上为优，30～33分为良，24～29分以下为差。

　　2．加权定量评定法

　　加权定量评定法是为了弥补评语定量法不考虑各因素之间实际存在差别的缺点而提出来的。其主要特点是给每一项评价因素加权。

　　此外，还有其他一些数量化方法。例如，模糊数学法，模糊数学法是指运用模糊数学的理论对一些模糊事物以数量化的描述和运算做出连续性评价结论的方法。

战略量化管理的必然性

　　在上世纪七八十年代，在国际上仅有很少的大公司依靠非财务和非运作的指标进行量化管理的实践。例如美国联合包裹服务公司，他们通过开发劳动力满意指数，使得经理人员可以识别劳动力最不满意的工会选区。这在当时是十分少见的，而今天量化管理已经成为管理的一种趋势，许多《财富》500强的一流公司在进行量化管理的实践。例如希尔斯·罗巴克公司(Sears Roebuck)、联邦快递公司(Federal Express)、通用电气公司、宝洁公司等等，他们利用一套平衡财务和非财务运作的量化措施来帮助管理业务。在这个过程中，已经把量化转变成为平衡的战略量化--一个新的重要实施企业战略的管理工具。例如，运用战略量化管理，1988—1991年强生公司的矫型诊断系统公司(Jonhson & Jonhson’s Ortho Diagnostic Systems Inc.)在总裁威廉·克劳斯(William Crouse)的带领下，实现了销售和利润的增长。如《管理评论》所说，改变的关键是公司的量化系统，这包括雇员的调查过程，它为公司带来了新生。

　　实施战略量化管理并不意味着量化更多的事情。真正有效的战略量化管理并不意味着量化指标的多少，而在于把量化指标瞄准“做正确事情” 。学术研究的成果也进一步证明了上述的结论。例如卡普兰和诺顿认为，最有效的量化包括4个关键部分：财务、内部业务流程、消费者、学习和成长。这4个部分构成一个“平衡计分卡”。卡普兰和诺顿强调，每个一方面对组织的长期战略成功都是关键的，因此，组织需要不断考察这4个领域中少数期望结果和促进因素，实践领域的应用将这4个方面进行了修正，随着虚拟组织数量的增加导致战略联盟和供应商对实施战略重要性的增加，关键绩效量化范围增加了“伙伴／供应商”。

什么是量化资产

　　量化资产，是指如果原所在的企业原来是集体所有制，后来进行股份制改造，作为企业的一员，自然会得到一些企业的股份，然而这些股份不能以现金的方式发给企业员工，而是把企业的所得资产，如地皮、厂房、设备等，划分成股，然后分配给每名职工的资产。

　　对职工个人以股份形式取得的量化资产，暂缓征收个人所得税。只有在股份转让出去后，才需要缴税，缴税方法与财产转让方式一样。

　　国有资产的产权要体现国家的利益，但同时也要考虑实际操作、控制、掌握这个资产的劳动者利益。是劳动者在运作、保证国有资产的保值增值，上交各种税费，保证地方稳定，促进一方经济稳定，劳动者在运作资产时也是排他的，但他们一直处在无产者的地位，这是很不公平的。企业的资产是国家赋与的，但国家的财力也是人民创造的，这里应有一个全体人民与特定群体的人民之分，资产赋与时是全体人民的，创造时就是特定群体的人民，企业作为一个特定群体对财力的贡献是非常大的，尤其对本企业的资产积累的贡献是独一无二的，这个贡献不应只体现为国有资产无穷无尽的鸡与蛋的全转化关系，也可以拿一部分鸡蛋出来蒸“鸡蛋羹”改善伙食。因此，企业的劳动者应对企业的资产有一定的所有权，企业资产所有权应从两个方面来进行理解，一方面是国家赋与的资产，这理所当然应有产权的归属，这种归属的体现是通过所得税、社会价值及资产积累来实现的。另一方面劳动者的创造应得到尊重，国有企业的长期低工资、低福利、多种费用，使很多利润转化成了所得税和承担的社会功能费用。可由两个数据进行比较，一是当年国家投资的现值，二是国有企业多年所交纳的所得税复利现值，对这两个数据进行比较，选择一个合理点，即国有资产价值已被收回了多少，这部分资产相应地应量化给特定群体的国有企业的劳动者，剩下的国有资产可由社会人出资购买。这个特定群体所作的贡献的体现，当然是按贡献的大小来予以分配的，并承担今后的风险。

　　由于国有企业职工多年辛苦奉献，并一直是处在无产者地位，正因为这部分无产者的存在，造成了国有资产的保值增值，资产的积累，以及高额税收。按照党的“十六届三中”全会的精神，产权要归属清晰，流转通畅，我们把这部分资产合理地流转到职工手里，使我们的产权名义上由国家负责，实质上无人负责，变成人人负责，人人监督，这样资产的使用就会被有效地监督。