为什么投资有时要追求“平庸的机会”？

“骚操作”与“平庸操作”

股民见面，免不了用自己的案例“相互切磋”一下，拿出来的案例无非几种：

短时间内快速上涨的；

“分”级准确逃顶抄底的；

在大跌前“分钟”级择时成功的；

连续换股成功的……

相反，很少有人以“这个月持有茅台，涨了5%”作为案例，后者难度系数看上去实在太低。

如果炒股是体操比赛打分制，这些“骚操作”自然都是10分，个个是股神，但细数真正的股神，总是有大量的“平庸操作”，让人无力吐槽。

有一次，我跟一位擅长围棋的朋友讨论这个现象，朋友推荐我一篇分析2016年“围棋人机大战”的文章，让我更深刻地领悟到在投资中“平庸操作”的意义。

“阿尔法狗”的“俗手”

话题回到当年“阿尔法狗”大战李世石，盘中，解说员们屡次用轻蔑的口吻评价“阿尔法狗”又是一手“俗手”，当然，结果我们也知道了，阿尔法狗4战3胜，而且每次都小胜即可。

俗手，是指无新意的围棋下法。俗手跟“错着”不同，后者是指计算错误导致重大损失，“俗手”是低水平的棋手常常下出的笨棋，最常见的是把可以争一争的棋型走“死”。

在大师级的较量中，几乎很少有俗手，所以才会引发解说员的嘲笑，但为什么程序常常下俗手呢？

作为一个无感情的程序，“阿尔法狗”每走一步都要预测对手下一步落子位置的概率，以及每一种可能造成的全盘胜负概率的变化。而在某些情况下，某一种下法的对方下一步棋的可能性非常多，其计算量过大时，“阿尔法狗”的俗手是策略的一部分，在满足最终胜率的前提下，牺牲某一步的落子质量，来降低棋型的计算复杂度。

假如我们把棋型的计算复杂度分为10个级别，1是最容易，10是最难，假定当时李世石一类的人类绝顶高手能计算的最高复杂度是5级，而“阿尔法狗”通过大量的机器学习，能力可达7级。

如果当前棋型的计算复杂度为9级，因为大大超过了人类对复杂度的理解，所以人类的理解仍然是5级，仍然想绞尽脑汁地去完成这个“不可能的任务”，就会在模糊的估计中不断犯错，而人类高手在复杂棋局中的比拼，就看谁犯的错误不那么致命。

但计算机有自己的办法，超过7级的复杂度，系统内部会预警：计算量太大，将要超时，必须降低复杂度。方法就是用“俗手”固定某一块地的棋型（人类的理解就是牺牲落子质量），强行把棋型的复杂度降低到7级，此时仍然高于人类的理解，但计算机已能从容应对。

道理有点类似于《天龙八部》中虚竹破“珍珑局”，自填一气后，“天地一宽，既不必顾念这大块白棋的死活，更不再有自己白棋处处掣肘，反而腾挪自如，不如以前这般进退维谷了”

被棋友们津津乐道的阿尔法狗自我对弈的第二盘，盘中放弃大龙，反败为胜，即是此策略的典型棋局。

这就是“阿尔法狗”四大策略之一的“快速走子（Fast rollout）”，在满足胜率的前提下，牺牲走棋质量，将决策速度提高1000倍。

下棋的结果就是三个，赢、平或输。阿尔法狗几乎每一局都是小胜，一开始大家觉得这是双方棋力差不多的表现，但时间长了，大家才琢磨过来，这才是实力悬殊的降维打击啊——只要满足胜率，什么棋都可以走。

但人类对于胜负的理解就太多了：狂胜、大胜、胜、小胜、平、惜败、败、大败、惨败……，还有转败为胜、大意失荆州，帽子戏法……

人类把胜败搞得这么复杂，恰恰是因为知道自己计算的精确性不那么强，试图积累更多的优势去稳操胜券，结果就有了相当的不确定性。不确定性让比赛充满悬念，观众是满意了，但对于选手却不是一件好事。

人类的下棋策略有其不得已之处，但一定程度上也是人类高估了自己的判断力，所以在同样有一定博弈成分的股票投资中，在面对过多不确定性因素时，以“俗手”降低某些不确定性，以节省资源和时间做更好把握的机会，这也是一种Fast rollout策略。

难以取舍的机会

比较一下下面两个机会，哪一个更值得争取：

A：三年连续收益10%，概率为80%的机会

B：一年收益20%，概率为80%的机会

前者的机会，经过复利和概率加权测算为，三年总的内在收益率为26.5%。

后者转化为三年进行分析，因为每一年都要以80%的概率重新寻找机会，实际上，三年总的内在收益率为37.2%。

看上去，还是后者的收益更高。但问题没那么简单，市场的机会是不均衡的，80%的概率是基于当前条件下的测算，包括市场位置、主题风格等。当你实现了第一个20%之后，找到下一个20%的机会时，其概率就未必是80%了，它是基于未来的条件测算的，而当下的条件演变为未来的条件，要经过相当复杂的预测，其计算难度会出现指数级增长。

而且，前者的假定研究已经结束，而后者还有两次研究，成本显然更高。

以人脑的计算能力，其实很难判断这两个机会，到底谁更值得争取。也许未来的量化投资基于某些因子组合的复杂策略可以计算，但现在显然不行。

所以，这两类机会可以进行一个持仓组合，一定比例的“三年连续收益10%”和“一年20%”的组合。

组合的比例，理论上说，你的股池规模越大，越可能在一年后继续能找到20%增长80%的概率的股票，所以散户的持仓理应更偏向前者，研究能力更强的机构理应更偏向后者。

但实际上，散户通常易被数字吸引，又习惯于高估自己的研究能力，喜欢更多比例地配置“一年20%”的品种；而很多基金规模太大，找不到足够的“一年20%”的品种，被迫超比例的持有“三年连续收益10%”。

在投资中，只要有弱点，就会有对手利用你的弱点赚钱。而基于人类无法克服的弱点的真正可怕的对手，是“阿尔法狗”的同类——量化投资。

量化资金赚了谁的钱？

从2015年开始，国内的量化基金开始发展，特别是在2018年的熊市，收益超过大部分主动型基金和指数基金。

我们平常都说，价值投资赚的是企业成长的钱，技术分析赚的是对手口袋里的钱，那么，量化到底是在赚谁的钱呢？

我刚入股市的1996年，用均线、KDJ、MACD一类的简单技术指标就能获得不错的收益，机会也比较多。

到了后来，必须要用多个技术指标相结合，机会出现的频率也大大降低，只有扩大股池才能实现收益，而且一个方法用一段时间就失灵了，还要寻找新的方法。

技术分析是一种基于行为的博弈，是一种对当前数据的基于概率的分析与判断，先天缺陷就是策略用得人多了就会失灵，复杂性需要不断加深，一旦深到人脑无法处理，必然会被量化投资打败。

技术分析天然适合量化投资，所以国内目前的量化策略，大部分都是以技术分析为主，那么它们赚的就是同为“技术派”的钱，所以这几年，你是不是感受身边的技术派高手越来越少了？

为什么国内现在基于基本面的量化策略并不多呢？正是因为价值分析有一些天然的“朴素主义”倾向，使其分析集中在目前无法被量化的“商业模式”“护城河”“管理能力”分析上，这是人类的优势领域。

而在交易上，价值投资又强调多看少动，有限的几个基本面指标的计算量并不大，导致量化策略能赚到价值投资者的钱不如技术派多。

所以价值分析者应该恪守“Less Is More”的原则，严格地将分析的复杂性控制在自己可以掌握的范围内，而不是轻易跑到对手的主场。

最典型的越界就是判断指数涨跌的“择时策略”。

在所有的技术分析中，对指数的判断最复杂，因为影响指数的因素相比影响个股的因素，是指数级的增长。经常用的人会发现，它常常跟“择股策略”相冲突，大大增加了系统的复杂性。

这就相当于放弃武器跟野兽肉搏。

两种不同的策略

最后总结一下：

一般投资者的策略是：设定好自己可以接受的风险，在这个前提下，追求风险收益比的最大化。

这个策略的看上去非常完美，可一旦遇到复杂到人脑无法计算的机会，我们就容易受高收益的诱惑而强行判断。

“阿尔法狗”的策略是：定下“至少赢一目”的小胜策略，在保持能让目前盘面维持在一个较高胜率的前提下，判断对手下一步棋位置的概率，如果计算资源仍然不够，就用“俗手”降低计算的复杂程度。

这个策略转换成投资策略是：先预设一个收益目标，比如15%，再搜索达到这个条件的各种资产组合，选择概率更高的执行交易。在价格发生变化时，通过对赔率的综合计算，不断调整标的的品种和比例，使一年的滚动收益率不断处于15%的水平。

这两种策略的最大区别在于，人类的最佳思维是在确定的风险收益比中，不断追求更高的收益率；程序的最理想状态（只是根据阿尔法狗的推想，并非现在的量化策略），是在确定的收益率下，不断追求更高的确定性。

来源：36Kr

面向量化投资的金融文本分类

采用预训练语言模型的文本分类算法难以区分细粒度的语义信息，尚无法在金融量化投资领域获得成功应用。近日，瞰点科技与华东师范大学、哈佛大学、上海交通大学的研究人员合作，将论文发表在ACM CIKM2020上的面向量化投资的细粒度金融文本分类框架正式对外发布。该方法采用针对目标任务的全局和模块信息编码融合的思想，有效地提升了针对金融领域的细粒度文本分类精度。

文本分类任务（text classification）是指根据文本内容自动地将文本分配到预定义类别的过程，是自然语言处理最基本的任务。文本分类的应用很多，如新闻分类、情感识别等，并且能够为更复杂的语言理解任务提供基础，如意图识别、关系抽取、事件检测等。

金融领域的文本分类任务尤其引起关注，股票投资机构的研究者每日分析大量的与投研分析相关的文本，以此来把握行业动态、做出合理的投资决策。因此，准确地将每日产生的大量金融文本自动分到规定类别以供研究人员进一步研究十分必要。

尽管已有市场上已经涌现许多基于文本分类的应用，这些模型大多基于大型预训练语言模型，对于复杂的类别体系，往往采用增加训练数据的方式提高模型的效果。但是金融领域不同类别之间语义上十分相似，仅在金融概念上有所区别。现有模型处理这类文本分类时，面临以下几项挑战：

分类体系类别数量多。在真实的工业应用中，例如金融领域，分类体系往往是类别繁多的复杂体系，类别体系最下端的叶子类别往往只有较少的训练数据，通过增加训练数据提升分类效果的方法成本较高且效果不可控；我们服务于量化投资的分类体系涉及 500 多个类别，分别分布于 7 个层级中；

分类体系类别粒度细。金融领域文本分类的类别体系往往类别之间相关性很大，无法直接通过文本信息进行分类。例如在我们的分类体系中，宏观 - 行业栏目下的 C4.2.5.1 产业支持政策 与公司 - 经营活动栏目下的 H2.9.3 产品结构调整与 H2.9.4 业务转型存在较强的相关性；

分类涉及领域的知识。金融领域文本分类任务往往设计许多领域相关的知识，例如垂直领域的实体，这些实体对文本分类的结果起十分关键的作用，忽略这些实体信息而将其当作普通的文本叙述，导致分类效果难以提升。

因此，在本文中，瞰点科技联合华师、哈佛、交大等机构的研究者提出了一种名为 GraphSEAT 的文本分类框架，可以为中国顶级金融信息服务供应商提供金融文本分类服务。具体来讲，他们创建了用于建模目标金融文本全局结构的异构图，其中文本和金融命名实体被视为节点（node）。并且，利用边缘（edge）将文本连接到包含的命名实体，然后利用注意力机制训练图卷积网络（GCN）以学习包含文本域信息的嵌入表征。

此外，研究者利用神经序列编码器从文本的词序列中提取语义信息，并通过注意力机制融合文本学得的两个表征，最终形成了文本的整体嵌入表征并进行预测。

最后，研究者在自己发布的真实金融新闻数据集和其他 3 个公开数据集上进行大量实验，以评估 GraphSEAT 框架的性能。结果表明，该框架优于全部 8 个同类型的基准模型，特别是在研究者自己的数据集上。

论文地址：https://dl.acm.org/doi/10.1145/3340531.3412707

代码地址：https://github.com/finint/graphSEAT

模型和方法

本文提出一种解决细粒度金融领域文本分类任务的方法 GraphSEAT ：Fusing Global Domain Information and Local Semantic Information to Classify Financial Documents。模型结构如下图所示。模型主要包括三部分，分别是全局领域信息编码器、局部语义信息编码器和一个 Attention 模块。

模型结构图。

全局领域信息（Global Domain Information）编码器：本文使用金融领域的实体信息作为全局信息，例如公司、人名、地点、时间和产品等。研究者构建一个文本（document）和命名实体（entity）的异构图来建模全局领域信息，如果实体存在于文章中，那么该实体节点和该文章节点就在异构图的邻接矩阵中产生连接，那么不同的文章将通过异构图中的同一个实体联系起来。文章和文章之间、实体和实体之间的都存在着直接连接关系。

本文使用图卷积（GCN）来提取全领域信息，GCN 对于中心节点的每一个邻居的上一层的表征取平均作为当前的节点的表征，但在真实的金融文本中，不同的邻居节点对于文本的正确分类并不同等重要。因此，本文使用注意力机制动态地计算每一个邻居节点的权重。实体节点的初始化表征为词向量，文章节点的初始化表征为文本词向量的均值。

局部语义信息（Local Semantic Information）编码器：金融新闻除了金融领域有关的全局领域信息之外，最基本的语义是文本本身所包含的语义，本文称为局部语义信息。对于局部语义信息，本文采用双向的 GRU 作为编码器，并将正反向的表征合并，作为最终的结果。

在合并上述两部分信息作为文章的最终表征时，本文使用注意力机制，动态地计算每部分的权重。最后，将加权求和作为分类器的输入用于文本分类。

实验

本文在两类数据集上进行了实验，第一类是金融领域的文本数据集 FGCNews（Fine-Grained Chinese Financial News）。该数据集由瞰点科技与华师联合发布，并已由预训练好的命名实体识别模型识别出其中的实体。同时为了证明该模型的普适性，本文方法还在通用文本分类数据集（Movie Review、AGNews 和 Reuters 两个子数据集）上进行了广泛的验证。对于通用数据集，由于没有特殊的领域信息，本文使用词表作为全局领域信息。

下表 2 和表 3 汇总了以上数据集在本文模型和对比方法上的实验结果：

实验结果表。

从表中可以看出，本文模型在文本分类任务上有着优于基线的效果，尤其在金融文本数据集 FGCNews 上。在通用文本分类数据集上，虽然全局信息编码器仅仅使用了词表信息，但是本文模型仍然比基本方法有一定的提升效果，验证了本文方法在细粒度分类任务中的有效性。

为了探究模型每一部分的效果，本文进行了控制变量实验，实验分别研究了消去局部文本信息编码器、消去全局领域信息编码器、消去异构图上的注意力机制、消去语义合并处的注意力机制以及同时消去两部分注意力机制的效果，实验效果如下表 4 所示：

表 4：控制变量实验结果。

未来展望

本文讨论了面向量化投资的金融领域细粒度文本分类任务，通过建立文本和命名实体的异构图，将实体这一领域特征信息加入文本表征，但是本文仍然留有以下工作可以探索：

1. 本文所识别的实体包含公司、产品、人物、地名等，但是本文在处理实体信息时将其视为一个整体的集合，实际上，实体类型包含了更丰富的领域知识；

2. 本文依赖上游预训练好的实体识别模型，不是一个端到端的训练任务，采用端到端的学习或多任务学习是本论文的一个未来研究方向。

瞰点科技 (www.seek-data.com) 是位于上海的金融高科技企业，主要研究知识图谱、自然语言处理等 AI 与大数据技术在量化投资领域的应用，并且上线和发布多款 AI 技术驱动的策略产品。在后续的研究中，研究者将会继续探讨和介绍自然语言处理服务于量化投资的创新算法。

参考文献

[1]. Yao, Liang, Chengsheng Mao, and Yuan Luo. "Graph convolutional networks for text classification." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 33. 2019.

[2]. PetarVelickovic, GuillemCucurull, ArantxaCasanova, AdrianaRomero, Pietro Lio, and Yoshua Bengio. 2017. Graph attention networks. arXiv preprint arXiv:1710.10903 (2017).

[3]. Linmei, Hu, et al. "Heterogeneous graph attention networks for semi-supervised short text classification." Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP). 2019s

[4]. Lai, Siwei, et al. "Recurrent convolutional neural networks for text classification." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 29. No. 1. 2015.

[5]. Kipf, Thomas N., and Max Welling. "Semi-supervised classification with graph convolutional networks." arXiv preprint arXiv:1609.02907 (2016).

[6]. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, ukasz Kaiser, and Illia Polosukhin. 2017. Attention is all you need. In NIPS. 5998–6008.

[7]. Joulin, Armand, et al. "Bag of tricks for efficient text classification." arXiv preprint arXiv:1607.01759 (2016).

[8]. Minaee, Shervin, et al. "Deep learning based text classification: A comprehensive review." arXiv preprint arXiv:2004.03705 (2020).

来源：机器之心Pro

易方达基金量化团队：量化投资价值优势日益凸显

人工智能、大数据等新兴技术的快速发展，助推金融行业的变革，也为投资方法带来了巨大的改变。依托于新技术运用的量化投资，也在国内市场步入发展快车道。

易方达基金量化投资部高级研究员殷明，易方达基金量化投资部研究员、基金经理助理徐德晖近期在直播中表示，量化投资，就是利用数学、统计学、计量经济学等工具，从海量数据中寻找能够带来超额收益的大概率策略，并纪律严明地按照这些策略所构建的数量化模型指导投资。

　选股：多因子模型更客观

徐德晖指出，相对于主动基金选股时通过对个股的深度研究，给单个公司下重注来获取收益，量化基金更多是做大概率的事情，通过概率的胜率来获取收益。当前A股上市公司已超过4000家，通过计算机以及模型的方法分析、比较上市公司，可以系统化实现覆盖和跟踪更多上市公司，甚至是全市场的公司，量化投资的价值优势日益凸显。

量化交易的优势在于让投资者依据海量数据进行分析、筛选、学习，并对比历年来各式回撤信息来进行综合比对，根据市场行情进行及时判断，以此选择最佳策略。多维度模拟让量化交易显得更为高效精准，在逻辑性和准确性上均相当优秀。

据徐德晖介绍，量化基金在具体投资过程中，会通过多因子模型，对标的公司的各个方面进行特征刻画，并通过比较客观的数据帮助投资人做出投资决策，这也成为量化投资最大的特点。

易方达量化团队将量化投资类比为年轻人找对象。“找对象的时候，考察一个人不能只看一个维度，要考察多个方面。考察一家公司也也差不多，先看这家公司过去涨得好不好，通过过去的价格或者成交数据来反映，这些指标就称为量价指标，这种指标也是因子。” 徐德晖说。

　择人：机构投资者更有利

近年来，机构投资者在A股市场的话语权和影响力不断增强，在更加复杂的量化投资领域，机构投资者的优势更加明显。

殷明表示，机构投资者相对比较大的优势是团队的多元性。不同于个人单打独斗，团队作战的好处是可以互补。犹如一支特种部队，有狙击手、爆破手通讯兵等，每个人将自己最擅长的事情做到极致，进而合力形成更大优势。

徐德晖认为，机构如果将量化投资做得足够好、足够极致，某种程度上也类似于科技公司不断进行研发投入，才能保持技术上的领先地位。一方面，量化投资离不开技术软硬件的持续投入，另一方面，量化投资离不开不同部门、人员之间的投研信息共享，这些机构天然具备一定优势。

来源：新浪基金

科技驱动发展中邮消费金融探索人工智能服务平台与业务深度融合

数字经济浪潮下，技术价值充分释放。AI、大数据、云计算、区块链等新技术蓬勃发展，给企业和社会带来了巨大的动能与机遇。在金融领域，新兴技术的应用也越发广泛。作为持牌机构，中邮消费金融始终坚持技术与业务的深度融合，成功自研人工智能服务平台，提升了企业的运营效能。

中邮消费金融自主研发的人工智能服务平台，结合业界成熟、先进的技术框架，致力于解决计算资源的统一调度管理、人工智能模型的快速部署和AI应用的高效构建，快速满足业务场景的智能化诉求。

目前，中邮消费金融人工智能服务平台已经对外提供多种AI能力。在图像处理方面，人工智能服务平台提供了包括场景识别、图像背景识别、身份证识别以及OCR等能力，有效防范了欺诈行为，快速提升了审批效率，为用户带来快捷方便的消费金融服务。在语音和自然语言处理方面，人工智能服务平台的对话机器人完成客户语音到文本的转换、对话的管理、意图的识别和文字到语音合成，最终实现机器人与客户自动对话；目前对话机器人在催收、期前还款提醒、延期还款通知场景方面取得了显著成效。此外，人工智能服务平台通过对图像和语音非结构化数据的处理，支持多维度刻画客户，为综合评估客户的额度需求、用款时间、还款能力、还款意愿提供更加丰富的数据。

中邮消费金融总经理王晓敏高度重视人工智能服务平台的建设与应用，这是公司全面实现服务场景化、自动化和智能化的重要技术布局之一。对于未来发展，王晓敏总经理提出更加长远的“以数据驱动智能化”战略，并表示，中邮消费金融会持续关注技术创新，将5G、区块链等技术与AI一同更深入地运用在公司业务发展中，推进中邮消费金融进入高质量发展，为客户带来更加便捷、高效、温暖的消费金融服务。

来源：中国网

2020世界人工智能大会，合合信息用AI智能暖金融

2020年注定是不平凡的一年。全球经济在持续两个季度的新冠疫情中，经历着自2008年经济危机以来最严峻的挑战。近日，今年的世界人工智能大会（WAIC）以全程线上活动的特别方式如期举办。在“未来金融论坛”上，合合信息联合创始人/副总裁、启信宝CEO陈青山，就如何应对疫情和复杂多变的世界局势带来的经济下行压力？如何改变金融行业面临的诸多难点，提高运营效率，催生新的商业模式，带来产业全面升级？合合信息用实际案例给出了自己的答案。

陈青山表示：“未来金融业的发展风口是科技，科技发展则必须依附经济稳步回暖。在后疫情环境下，合合信息基于自身的技术和产品，以STR（场景文字识别）+DATA（数据）+AI（人工智能）+Service（服务）模式，进一步为金融、供应链、生产制造、房地产等多个行业领域提供价值，创造服务。切实有效地帮助政府快速搭建抗疫物资平台抗击疫情；协助企业复工复产、远程商务办公；提高金融行业工作效率和节省人工成本；提升预测风险评估能力等。让科技既有力量更有温度，创建数字化和智能化新生态。”

国内外经济环境严峻，未来金融需依托科技发展全面提升效率节省成本

从当前疫情发展情况来看，下半年我国内外部环境依然严峻复杂，无论是供给侧还是需求侧，都面临不少阻力。今年两会和《政府工作报告》上多次强调强化国内企业的金融支持，金融机构与贷款企业共生共荣。为保护市场主体，加大力度解决中小企业融资难，缓解企业资金压力，国务院常务会议进一步提出“推动金融系统全年向各类企业合理让利1.5万亿元”的具体规模目标。

无论是从政府要求、市场环境还是金融行业自身发展的多个维度来看，金融服务体系亟待深化创新的诉求愈发强烈。未来金融体系需要依托大数据平台和线上化、自动化、智能化的金融服务系统，实现国有大型银行与中小微外贸企业的“线上直连”，推动电子商务、市场采购等新业态发展。金融业态必然要向信息化、数据化、智能化、生态化的方向去演进。

合合信息作为一家专注于人工智能与商业大数据的科技公司，十多年来专注于图像处理、模式识别、文本识别、场景识别以及高阶层的认知智能、移动互联网应用、大数据分析和深度学习等领域，积累了大量技术优势及市场实战经验。先后创建发布了4款C端产品，包括名片全能王、扫描全能王、启信宝和找到，均是过亿用户级别的产品，获得了行业与用户的高度认可。

在实现产品落地过程中，金融成为AI融合的重要目标产业之一。针对金融行业需要技术全面升级，同时还面临交易对手方信用质量下滑、供应链能否持续提供服务的风险、运营成本高、效能不足等一系列痛点，合合信息采取“AI+金融”的思路，帮助金融行业进行流程改造、降本提效、模式创新、产业升级，并借助于大数据分析结合AI进行提前评估预警，增强金融行业的风控抵御能力。

多年深耕金融领域的技术创新服务，合合信息以大数据+AI应用，服务于上千家海内外客户，并与行业主要金融机构建立深度合作，业务渗透银行、保险、证券、基金、支付、汽车金融、融资租赁等金融细分领域和30多个行业。

AI+金融不是简单的叠加，合合信息助力金融行业数字化转型

目前应用在金融领域的AI和大数据的相关技术有深度学习、自然语言处理、知识图谱、计算机视觉，应用于金融业务各个环节，有效优化流程、提升效率。然而，这些技术进入金融领域，并不是简单的技术叠加，而是有更深层次的底层逻辑。在本次论坛上，陈青山以多个具体案例，详细解析人工智能大数据如何为金融企业带来效益和价值，阐明科技如何重塑金融业态的具体方法论。

第一，金融数字化。

未来金融业态将会全面打通物理世界与虚拟世界的通道，AI数字在其中的作用不容小觑。

合合信息将AI数字化分为文本识别、语音识别、计算机视觉、场景识别四个阶段。用AI搭建一个平台，将金融领域日常的单据、票据、合同、证件等信息，进行高效识别、实体提取、自动分类甚至感情标注。利用AI进行识别录入的准确率上可以达到99%，远高于人工录入90%的准确率，在年扫描量上更高达逾120亿份，这相当于9亿小时的人工工作量。如果按照每个人每天工作8小时，一年工作250天来算的话，这大概节约了45万人每年的工作量，这正是科技带来的价值和节省的成本优势体现之一。

当所有的业务流程及对应业务进行数字化重建之后，利用合理的场景算法，就可以帮助金融业务与产品之间产生智能化链接，变成企业内部的信息库、知识库，金融变得更加智能。

第二，金融智能化。

合合信息自主研发的企业查询平台启信宝，为企业提供风险监控、信用管理服务。目前，启信宝在全国已经覆盖2.3亿家工商注册企业、事业单位、专业服务机构、非营利机构和组织等。用6大类数据上千个维度，存量700多亿条的动态数据刻画商业世界，包括了工商、司法、资质诚信、舆情监控、经营情况等多个数据体系，对企业的了解可谓是清晰透明。数据的实时性、真实性和价值参考性在金融客户的使用过程中都得到有效的验证。借助于这些数据信息，可以充分进行知识梳理，最终形成商业大数据平台后，启信宝就可以对一家企业进行数据画像、信誉评分。这有助于金融体系对于合作伙伴、销售、渠道商等进行更深入、真实地了解，也为企业的决策提供了充分理性的数据凭据。

同时，对于企业内部的人员管理与业务管理也行之有效。陈青山以招商银行与启信宝共同搭建的知识图谱平台为例，将数据全量整理后，实现信息智能化，单向传输到招商银行的安全网络环境中，可以对企业内外部完成数据模型，完成评分，这样就建立了一个招商银行内部的风险门户，将每个操作环节进行实时监控将风险有效降低。完成金融领域中多个业务场景的智能风控、智能拓展客户、智能合规审查等，有效降低成本、提高效率。

第三，金融生态化。

合合信息在新冠肺炎疫情期间利用了AI+大数据的技术优势，将口罩产业链充分研究，最终做成了疫情物资查询平台并植入到启信宝中。合合信息是全国第一家完整分析研究并有效为实际抗疫物资调配工作提供完整信息化数据的企业。合合信息用人工智能大数据的方式，切实地践行新基建建设工作，为政府与企业上下游供应链提供了数据价值，不仅帮助政府高效调配抗疫物资，为抗击疫情做出了贡献，同时借助合合信息的专业全面的数据分析报告，也可以为产业整合布局提供参考，促进行业发展。

一个数据，不仅仅只是一个数字，这背后可以表示一个产业链的生态系统。将数据变为信息、变为知识、变为智能之后，就能挖掘出更加有价值的动态关系和深层价值。

将数据放在一个安全的生产环境里，给企业进行画像、评分，得到的评估结果更加时效并且精准。基于此，政府可以更加精准地将扶持资金投放在对应企业，金融体系也可以配合相关信息提供相关产品，而企业也因为这些数据的支撑得到更高的信用评级，这就形成了一个完整的生态闭环。

合合信息从产品到服务，致力打造平台服务为高效智能商业连接赋能

现在AI技术发展迅速，算法、计算能力、大数据等基础条件一应俱全。能否充分利用人工智能和大数据，是新基建和虚拟世界与物理世界完美融合的关键。在疫情防控与经济发展博弈的当下，需要有温度的金融基础设施为新基建和经济重振提供动量，而合合信息就是为智能暖金融，提供基础技术与专业配套服务的代表性企业。

合合信息始终不断沉淀整合数据价值，理解业务需求，积极关注前瞻性风险，开展合规创新，探索有利于行业发展的长远解决方案，为金融行业提供了有力的技术研发支撑和价值传递。高效赋能金融业与其他商业领域的无接触虚拟连接，致力于服务全球企业，希望能够创造一个高效智能的商业新生态、金融新生态。

来源：IT168

多重驱动，助力量化私募强势崛起

资本市场改革不断深化，监管部门持续释放证券行业利好政策，为量化私募行业提供了良好的发展环境，2020年的结构性牛市行情也造就了量化私募的规模扩张，高层次人才的引进也增添了量化私募发展的动力。

2020年疫情反复、贸易争端、油价波动等不确定事件的刺激下，造成了证券市场波动率的提升，给量化私募投资者提供了更多套利的机会。

一、私募行业政策支持

2020年以来，政府监管部门政策密集出台，规范私募行业健康发展。特别是，2020年证监会、基金业协会发布多项新规，引导私募证券行业健康发展。

数据来源：华锐研究所

可以看出，我国政府监管部门高度重视私募证券投资基金行业的发展，多项新规发布，支持量化私募基金经营机构的可持续发展。由于多项有利政策陆续推出，逐渐形成了在监管政策指引下，支持量化私募基金公司做大做强。

二、自身内在发展需求

量化私募发展需要自身内在的竞争力，量化投资是以量化模型为手段来战胜市场，获得超额收益的。由于资本市场交易变幻莫测，对量化模型的精度要求极高，同时也要跟着市场风格的切换来随时调整和更新投资策略，以最精准和及时的量化模型进行投资。

在资金和渠道资源等方面颇具优势的头部量化私募机构，也存在量化投资策略失败、容量有限、超额收益下降等问题。在经历多次洗牌后，许多量化对冲策略的基金经理开始反思自身的投资策略，并不断进行优化，逐渐更加注重技术智能化和风控精细化方向转变，提升自身整体竞争力。

随着人工智能、大数据、云计算、区块链等新一代信息技术的日趋成熟，国内量化私募机构逐渐开始引入人工智能等智能化技术应用于量化领域，人工智能在量化投资中是一种全新的工具。

1.寻找和改变量化因子，优化量化交易策略；

2. 基于机器学习深度挖掘市场交易信息，做好风险防控，防止挖掘海量数据加以模型训练，寻找影响市场波动的指标，优化现有量化因子库，使构建的量化模型更为科学，有效地提升整个投研团队的效率，降低投研成本；

3. 同时，在市场风格发生重大切换时，人工智能克服人性情绪波动的弱点，对于突发事件的反应速度远远超过人类，可以进行及时止损，做好风险防控。

基于人工智能所构建的量化投资策略或模型是否有效，需要市场进行检验：

1. 以历史真实数据为支撑，逻辑关系的科学合理；

2. 进行市场实际检验，是否可以得到验证；

3. 在市场结构发生变化时，量化模型是否依旧有效。

因此，量化投资策略或模型的准确性和普遍性是保持长久、持续、稳定超额收益的基石。

三、证券公司赋能

大多数中小型量化私募机构由于数量有限，量化投资技术陈旧，系统算力不足等诸多问题，外加头部机构的挤压，一直在生死边缘挣扎。

对于证券公司来说，量化私募年换手率大概在100-300倍之间，即一家100亿规模的量化私募，一年的交易量可以达到1万亿-3万亿。高换手率意味着高额的手续费，这是证券公司巨大的收入来源。此外，还有证券公司代销私募产品产生的申购费用、代销费用及部分业绩提成，都是收入的重要来源。

基于市场中中小型量化私募机构众多和自身资源有限，在数据更新、模型优化、资金引入、渠道支持等方面困难重重，证券公司赋能量化私募机构主要集中在中小型公司。

当前，在证券公司大力发展财富管理的背景下，证券公司赋能中小型量化私募机构发展是的重要业务发展方向，其主要集中在资金引入、量化交易、投资策略方面。

其中，在量化交易方面，证券公司积极撮合大数据公司与私募机构间的合作，解决数据量有限问题，通过提供极速柜台、极速行情、实时风控等服务，满足量化私募对高性能低时延的要求。以及链接第三方算法服务商与量化私募机构间的合作，解决算法交易领域的技术壁垒。例如，非凸科技作为国内领先的智能算法和交易系统服务商，已服务多家国内券商，其中不乏量化领域的头部券商。

来源：非凸科技

专注量化投资 用数据感受世界的变化

中证网讯（记者 李岚君）近日，上投摩根指数及量化投资部总监胡迪表示，“过去30年，海外资产管理有两个趋势：一个是共同基金的指数化，另一个是对冲基金逐渐走向量化。”胡迪在量化投资方面的经验丰富，12年来，其先后在海外和国内资本市场从事量化投资。同时，金融工程硕士和计算机工程学士的背景也让她在量化研究领域“如鱼得水”。

　　从业12年来，潜心量化投资研究

　　胡迪先后在美国哥伦比亚大学修读计算机工程学士和金融工程硕士，在读书期间，胡迪就对统计学、量化模型等理论在资本市场的应用产生了浓厚的兴趣。对数据的好奇和敏感度，驱动她从学生时代就开始关注量化投资。

　　2008年开始，胡迪先后在纽约美林证券全球资产管理部担任高级分析师、标准普尔投资管理委员会担任量化主管。2012年底，胡迪回到国内在中金公司资产管理部担任执行总经理、量化团队负责人。2020年5月，胡迪加入上投摩根基金，担任指数及量化投资部总监。

　　扎实的专业背景，加之资深的从业经历，使得胡迪对于量化投资有着自己的方法论，对行业及公司的研究也有着自己独到的见解。在研究过程中，胡迪力求客观、准确地把握行业的发展规律，喜欢建立各种各样的行业及公司数据模型，从数据的海洋中，挖掘潜在的投资机会。

　　谈及对量化投资的理解，胡迪表示，在量化投资体系中，交易的操作是完全被动的程序化操作，由计算机程序做出客观决策。量化投资经理做的更多是顶层逻辑的构建。胡迪谈到，其实在构建量化模型中也会借鉴主动管理的分析逻辑和投资框架，将这些逻辑提炼成选股因子，然后把模型放在过去的数据中回溯验证，根据分析结果进行调参和组合优化。

　　大数据时代下，量化投资优势凸显

　　现如今，市场波动幅度加大似乎已经成了金融市场的新常态，要在当前的市场环境下甄选出在未来具有相对更高投资价值的品种越来越难。在这样的背景下，量化模型在投资的应用也越来越广泛。

　　“采用有别于传统数据的，海量的大数据来指导投资是一个明确的方向。因为投资靠的就是信息，谁掌握的信息更快，更准，更全面，谁就有竞争优势。”胡迪说到。

　　正是这样的认知让其深信量化投资，胡迪认为，参考海外的经验，随着市场信息透明、监管力度加强、市场效率提升，整个资本市场的有效性会逐渐加强。这样的趋势下，超额收益获取的难度会提高，主动管理成本和难度会上升。有别于其他投资方法，量化投资借助于计算机技术，能够快速、准确地处理海量数据，从更大的范围选择投资对象，而这种优势随着时间的增加更为突出。并且，量化投资凭借着系统化思维和程序性下单，能够避免主观情绪对投资的影响。

　　目前，胡迪领导的上投摩根量化团队成员大多是数学或计算机背景出身，同时具备丰富的国内和海外的投研经验。胡迪指出，目前上投摩根在量化投资的布局，主要分为ETF、指数增强、量化对冲、商品CTA四条产品线，并且每条产品线下又有不同的细分产品类型和多样的策略种类。

　　谈及量化投资在国内的发展，胡迪认为，量化投资作为一个行业在国内才刚刚起步，与海外市场相比，国内公募的量化管理规模还非常小，在市场占比只有5%左右，未来整个行业还有非常大的发展空间。

来源：中证网

国泰基金量化投资事业部总监梁杏：行业投资框架和逻辑

国泰基金量化投资事业部总监梁杏拥有14年证券从业年限，曾就职于华安基金，现任国泰国证医药卫生行业指数分级基金、国泰国证食品饮料行业指数分级基金、国泰中证生物医药ETF及联接基金、国泰半导体50ETF联接基金等基金的基金经理。

2021年1月9日，梁杏受邀参加第一届揭幕者基金组合持有人大会暨ETF高峰论坛。

在现场，梁杏为我们带来了行业投资思路与框架

以下为梁杏在第一届揭幕者基金组合持有人大会上的最新讲话实录：

各位小伙伴们大家上午好，我给大家介绍一下国泰基金这边积累下来的一些

就像刚刚胖纸老揭提到的，我们公司是行业ETF和主题ETF，相对来说多一点，尤其是行业ETF特别多。

我们像早些年发的证券ETF、军工ETF，都是市场上非常有影响力的产品，包括在2019年布局的生物医药ETF、通信ETF、计算机ETF，也都有不错的表现。甚至我们在2020年的时候，还丧心病狂发行了钢铁煤炭ETF，也有不错的收益，因为赶上了一波顺周期的行情。

在这里一开始我想跟大家讨论一下，不同类别的指数基金的投资性价比的问题。

我们给大家列出几类的指数或者是说不同类别的权益资产，比如说宽基指数、比如行业指数、主题指数，包括最后免不了直接跟投资个股，做一个比较。

我们是怎么看这个问题呢？如果我们投资一个宽基指数的话，其实它的性价比，如果锚定它相对来说比较适中的话，我们再去以这个作为参照，去考虑行业投资和主题投资的性价比，为什么我们会定义这个宽基指数的投资是相对来说性价比比较不错的呢？

因为决定去投资一个宽基指数的时候，应该说还是相对来说长期看好股市的长期未来的发展。

投资宽基的时候，宽基里面的指数分门别类也比较多。比如说上证50是纯大盘、沪深300是大中盘的，中证50是中盘的，创业板就是另外一个特征的这种宽基。包括还有一些其他偏中小的宽基，那就很多了。

你决定投宽基的时候，其实你要选一下市场风格。

比如两大著名宽基指数，沪深300和中证500，你会看到它们的相关性，虽然都是权益类资产，相关性其实也蛮高的。

比如2020年，其实中证500收益率远远比不上沪深300。其实你要投一个宽基指数的时候，是要做一个风格的判断。

这个风格判断，相对于其他的判断来说，我们觉得还是相对简单，你能够获取的回报是什么？是宽基指数对应的风险收益特征。我们如果把它定义为一个适中的话，再以此考虑一下主题的投资。

主题的投资又是什么样的呢？

主题其实在我们眼里比较像是一个“小宽基”或者是多个行业贯穿或者是粘在一起，小主题比较适合平时还跟踪一下SZ，比如至少看一下新闻联播，对时事还是比较关心的小伙伴，去做这个投资。

比如这两年热门的主题，去年5G、通信网络，这是一个非常热门的主题。在2020年像今年，包括2020年到2021年，是新能源汽车这样的一些主题就非常火爆。

主题有一个什么样的特征？可以理解为小的宽基，或者多个行业粘合在一起，比如5G产业，它主要的Base或者是囊括的行业，应该是通信行业，但也涉及到一些上游的电子，包括下游的计算机等等，它都会包括。

新能源汽车它的构成至少包括上游的有色、就是原材料这部分。中游是电力和新能源。下游是汽车。你会发现，它的跨越还是相对大的。这就是主题。

我们刚刚说了主题是可以适合跟踪时政，对这个概念有一定的了解的小伙伴能够提供的风险收益特征，也是要高于宽基的。

比如说不管是在2019到2020，我们去投资5G也好，还是2020到2021年去投资新能源汽车节也好，你能够获取的回报肯定远远高于沪深300。

这是它的性价比，它的门槛和要求会比宽基略高。宽基只要做方向选择和判断。但是主题，它要求你对时政、对国家大政方针，还是要有一些知道和了解。

所以我们觉得，虽然它要求稍微高了一点，还是它也能够提供相对来说更高的回报。所以它还是不错的投资标的，性价比还可以。

行业，我自己觉得行业的投资门槛，相对来说更高一点。但其实它能够提供的回报也更高。比如说证券行业，这些都是算简单的行业，证券行业、银行行业、食品饮料行业、医药行业，医药行业，里面涉及细分的话，技术壁垒还是比较高的，但是比较简单粗暴，大家可能会觉得跟生活息息相关，理解起来应该还算容易。但有很多的行业，涉及到高科技的、有些门槛的，就不一定好了解。

比如说电子行业，包括电子领域细分，就是半导体芯片行业，会有比较高的技术或者知识的门槛。甚至包括医药领域，比如有生物医药行业，生物医药行业它里面还可以再细分，有疫苗、有生物创新药、有IVD，有的小伙伴都不知道IVD是什么？那是体外诊断的意思。就是平时去医院做检查，那些都算是各种诊断，都算。还有就是血制品等等。就会相对来说有一些的认知的门槛。但它能够提供的这种回报更高，比宽基和主题都要高。

比如说芯片，在2019年这个指数涨了，芯片ETF跟踪指数990001，2019年涨了104%，到2020年它也有50、60%的收益。

像这种行业指数，其实是可以提供一个更高的风险收益特征的回报。当然它要求的知识门槛或者需要你研究的东西，也要稍微比前两样更多一些。所以我们去定义它的话，觉得性价比还可以，因为自然要求高了，但你能获得的回报也不错。

跟个股做一个对比。

个股，像今年2020年其实就已经发生了。2020年已经出现指数涨得非常好。但其实大多数的个股都是在亏钱。这种风格在2021年开头，开年这一个星期内，也是演绎到了一个极致。尤其是最近几天，昨天是1月8日稍微调整了一下，这种局面也有所改善。

我记得1月7日、1月6日、1月5日应该这几天都非常恐怖，或者是越来越恐怖，到1月7日的时候，是3000多个股票下跌了。但是指数依然是收红的。大家发现炒个股性价比并不是很高的事情。你跟机构投资者去比较的时候，会发现信息上没有任何的优势。机构投资者专门养一帮人，我们公司研究员分行业去看就有二三十人，去跟踪个股，不光是所有的投资者都会拿到定期的报表。

但是机构投资者，首先，他解读报表的能力也不一样，其次，除了报表，还有更多的信息，比如机构投资者去上市公司调研，人家会接待。但个人投资者你说你跑上门调研，不好意思，他不接待的。这是信息上不对称或者不一样的地方。

机构投资者确实是在炒股或者是二级市场的投资上，应该说相对有一些优势。所以个股，我们觉得其实对于大部分的这种个人投资者来说，是需要投入大量的时间和精力的。但一般来说，每个人都有自己的本职工作，其实你的时间，你的精力，肯定是不足以去跟机构投资者做比较。也会容易导致什么呢？就是没有什么和精力，也没有信心和特别大的优势，这种情况下，有的时候会遇到爆雷的情况。

其实我们建议，像这种行业的投资也好或者是主题的投资也好或者是宽基投资也好，在指数基金范围内来说，应该是合适的。

如果跳出指数基金，像主动权益基金，优秀的基金经理，我们觉得也比直接投资个股合适。

前面花一点时间来给大家说一下，在指数投资里面，我们去比较宽基、主题、行业的一些性价比的问题。结论就是像行业，虽然是波动要稍微大一点，对投资者的这种知识门槛要求也稍微更高，但它的纯度高，风险收益特征，也高于这种大盘和主题。

接下来看一下行业指数。它的长期和短期，跟宽基相比，它能够提供一些这种超额收益或者是收益的差距。

我们先看一下这十五年的数据，从2004年到2019年年底，像很多指数，比如像食品、饮料、医药，甚至于连军工等等，都会好于这种宽基指数的整体表现。创业板有点吃亏，因为它是2009以后，才会有数据，所以稍微会有点吃亏。但不管是宽基指数，基本上都是在这张图下边，同一个时间段里面。

这是十五年的数据，再看看2019年的数据。2019年你会发现长短期一些行业会有变化。比如说过去十五年跑得最好的是食品、饮料、医药等等指数，2019到2020年的八九月份，是芯片指数，代表新科技成长这样一些力量，它表现更好一些。芯片指数也有遥遥领先的表现。除此之外就是医药领域、生物医药，还有其他的各种各样的行业指数，依然能够提供远远好于宽基。

如果你只是想跟上市场，就投宽基，没有任何问题，但你想要有一些小目标去实现，想要获取一些更好的收益表现的话，那我们建议关注这个行业的一些投资机会。

我们自己其实在过去这些年，也做了很多关于行业的挑选，模型也好，或者策略也好，做了很多，我就给大家分享一些我们的心得和体会。

我们部门叫做量化投资事业部。其实本行应该是干什么的？干量化的。

量化，大家能想到什么？就是做各种各样的模型。但是负责任地说，其实从量化模型的角度，我们并没有找到非常理想的行业轮动模型。所以我们其实也会慢慢地去参考一下，主动权益或者是说主动策略分析师，他们的一些策略和框架是怎么样考虑的。

他们是自下而上和自上而下去结合的。这个我们后面展开再说。

我们先汇报一下，我们之前做过各种各样的行业轮动模型。

我记得我们2015年的时候，当时做过相似性匹配策略，这个策略听起来非常有道理，什么意思？就是2002年年初开始，假设有1234四个行业已经轮翻上涨了，我想找到第五个，未来上涨的行业是哪个？我就带着这样的疑问，到历史上去搜索，所有的1234四个行业轮次上涨的这种顺序，我们要找到历史上，在四个行业之后上涨的第五个行业是谁？

我们就在当下去买入这第五个行业，这个逻辑听起来很有道理。但实际上做了策略，把它量化之后，做出模型跑了之后，最后发现效果也挺一般的。后来也没有用。

陆陆续续又探索了很多行业轮动策略，得有十来个，我自己还有一点印象的，就放在这上面。还有这种BL4象限轮动，先是手工把行业分成四大块，再把四大块拿过来做轮动，我下面还有写了动量，动量是最简单粗暴行业轮动策略，动量就算相对来说比较有效，而且就算是普通的行业投资也可以做，但动量回撤比较大，每个行业指数去PK，每两周挑出涨最好的，这个行业买对应的ETF或者是指数产品，买完之后就会有一个策略的净值出来，其实你拉长来看，动量的效应还是不错的，但确实回撤也会非常大。动量就是不同的行业直接轮，波动非常大，就是BL4象限，先把行业捏一捏，捏成四块，比如申万一级行业就有28个，28个行业行业去轮，你的波段还是比较大的，但是把28个行业分一分，变成四块了，这四块再去轮，其实这个波动就小很多，所以这是BL4象限轮动。

但是说实话，做下来效果也很一般，后来没怎么用。

我们现在用的是多因子行业轮动的模型。这个多因子模型，它就是把各种各样的因子都考虑一下，然后放到模型里面去跑，跑出来最优的结果。就是把多因子模型，原来用于筛个股，现在用于筛行业。

我们现在用这个，谈不上多么好，但也还行。那大家听了半天，想问好的定义是什么？我来说一下关于好的定义。

我们希望它是能够各种好是什么呢？就是收益不错，回撤还要小。

我们现在是多因子行业轮动，加上择时模型，叠在一起来做操作。效果也没好到天上去，马马虎虎。这就是我们在量化领域的一些探索。

接下来讲讲我们后来去参考了一下主动行业的投资框架。它的一种思路，给大家看一下看一个公式，股价定价公式P=EPS×PE，PE还可以进一步分解，可以分解为无风险收益率加上股权溢价的和的倒数，所以其实跟股价相关的，我们可以用在个股上，也可以用在行业上。

对于行业来说，它影响的因素，就变成了盈利、流动性和风险偏好，这是相对来说是短期要看的因素，长期看什么？长期也要看基本的。炒股要看新闻联播。为什么看新闻联播，因为政策的引导和产业的变迁，跟着政策指挥棒走的，这点确实很重要。

去年年底比较热的是什么事情？就是“十四五”规划。

我不知道大家平时可能不会看到我们工作的状态，像“十四五”规划这种东西出来，我们每个人盯着电脑，恨不得每个字去抠、去读。

包括去年年底年初的中央经济工作会议，“十四五”规划是未来五年的这种计划和规划，中央经济工作会议，是2021年执行的一个纲要。所以大家会看到，那个出来之后，中央经济工作会议出来之后，它有八个要做的事情。股市基本上就顺着这八个方向，去有一个上涨的表现。

长期要看新闻联播、要看政策的导向。但是短期是看我们刚刚说的三个方面。盈利和流动性和风险偏好，怎么看？

盈利就是自下而上和自上而下相结合，自上而下主要是从比如说投资、消费、出口，这是经济三驾马车，从这个角度面去分析、先去判断，找一下景气度向上的大类板块。

然后从下到上去进行验证，验证就是从中观的数据，比如行业的数据，去看它是不是保持了景气的状态？

给大家一个例子，比如新能源汽车这个行业，为什么它这么好？我们新能源汽车ETF 159806，是3月28日上市的，到现在翻倍120%的收益率，其实跟这个行业高度景气，确实分不开，我记得一个数据，8月份新能源汽车销量同比增速达到27%，到九月份变成67%，到十月份就变成117%，到十一月份就是120、130%。这些数据出来，使得这个板块保持高涨的投资热情，就是因为这些数据不断的在景气度上。

包括证券公司在八月份之前，每个月披露经营数据，八月份以后不知道为什么不披露了。因为好多数据都是这种季报的，比如说上市公司的季报，那都是季度的，比如截止到6月30日的二季报，我们是到七月底才能看到，所以它会有稍稍的滞后，所以我们更喜欢月度的数据。

刚刚说的新能源汽车销量，以及这种八月份之前的都是月度的公开的数据。还有一些数据不公开，但可以想方设法问到，如果你有这样的途径，也可以进行一些中观的验证。这就是怎样用盈利，去判断这个行业是不是在景气上。

2020年的股市上涨，就得益于流动性的爆发，因为遇到了疫情，我们国家也是不断的释放流动性，当然欧美尤其是美国做得更彻底，直接把利率降到0，提供无上限的流动性的支持。

利率上行和利率下行的情况。利率上行也分为两种情况。如果是复苏到过热的阶段，这个时候利率上行，其实伴随着周期品强劲的复苏。我们所以其实，去年年底到今年一季度，持续地我们也有在推荐顺周期的投资机会，尤其是钢铁和煤炭，我们也发钢铁和煤炭的ETF。我们也没有说它是一个反转，我们说更多是反弹的原因，我们认为目前的经济，还不是复苏到过热的阶段。暂时定义为是一个反弹。

第二种是利率上行的情况，通胀预期，就是这种温和通胀下，它一个比较稳定的增长，这样的情况下，消费品是相对来说比较容易胜出。利率下行的阶段，也分两种情况。一种是滞胀和通缩，这个时候也是消费品胜出，因为它有比较好的防御效果。

另外一种情况，有点像2015年，那个时候利率下行，伴随边际流动性大幅的改善。不光2015年，其实2020年也属于这种情况，这种情况下也可以有一个名字是水牛市。

第三个是风险偏好，风险偏好其实是墙头草，受到资金的影响，受到市场上各种新闻的影响、事件的影响、政策的影响，当然也受到公司基本面和产业基本面的影响。但是风险偏好就是墙头草，如果风险偏好上行的时候，中小创表现非常好。如果风险偏好下行的时候，就是消费和金融的龙头会有比较好的一些表现。

典型的例子，之前有一个概念叫做核心资产，核心资产你去打开，去看一下，里面是什么？里面就是恒瑞、茅台、平安银行、招商银行，这些都是典型的消费和金融的龙头，所以这就是风险偏好下行的时候市场会买的东西。

说到这里展开来说一下我们对2021年的整体判断。

我们这么看待这个市场，首先还是要降低一下收益的预期，2021年，我们刚刚给大家讲的公式P=EPS×PE，PE还可以进一步分解为流动性和股权风险溢价就是风险偏好。2021年流动性的释放，带来大幅的上涨。但其实EPS就是盈利这块，并没有特别好。因为主要是受到了疫情的影响。

2021年的话，我们看中央经济工作会议里面，有非常重要四个字就是不急转弯，“不急”只是一个修饰词，它当前不急，未来还是要转弯的。流动性是在2021年整体应该说，先不能定义为还是继续宽松，应该定义它暂时还是中性的状态，这样的情况下，流动性不能带来更多的或者是更好的收益的空间。

那要靠什么？盈利我们说风险偏好是墙头草，只能看什么？看盈利，我们要判断盈利2021年是不是有可能能够大幅弥补2020年因为疫情造成的损失，去赶上呢？或者说2021年有没有可能从2020年的水牛市，流动性牛，转化为2021年的盈利牛呢？目前来看，虽然经济确实是在复苏的阶段，但是要靠盈利扛起，我觉得至少前面一两个季度，暂时短期不一定能够看得到。这是2021年要降低收益预期，非常重要一点原因，就是盈利这块，未必能够马上接得上流动性边际释放。2020年流动性释放，带来的收益的空间。

接下来还是用刚刚的公式，股价定价公式，盈利和估值，来看一下它的行业的变化，在这里，虽然应该是EPS和PE，但是实际上我们最后选用的指标会发生一些小的变化。给大家看一下，我这里先看看二季度的这张图，给大家讲解一下。

我们估值选取，不是直接选PE。因为大家知道有些行业PE特别高，有些行业特别低，我们要选什么？选PE估值历史上处于什么样的分位，这样所有人，所有行业，都可以在同样一个平面上比较了。

我们选的是申万的行业指数，申万行业指数绝大多数都是从1999年12月31日开始有数据，是一个长期的指数的分位数。

竖轴选的是归母净利润同比增速。前面讲了EPS，为什么不用EPS，或者还有很多ROE、ROA这些指标，为什么选的是归母净利润同比增速，因为归母净利润同比增速从我们的观察来看，归母净利润同比增速，它更适合的是成长行业或者是筛选景气度，其实看行业的时候，更多是看它是不是在一个景气周期上，我们会看归母净利润同比增速这个指数会更好一些。

我们用这两个指标建立一个坐标，最好的行业是在左上角，估值分配又便宜，它的盈利又好的一些行业，但会发现，这是空白的，没有完美行业，这就跟找对象一样，没有完美的对象。其实二季度的时候，我们主要推荐的东西是什么？包括这种证券、电新，电新是什么？其实就是新能源汽车，因为新能源汽车里面，上游20%是跟有色相关，就是钴和锂这些东西。下游10%左右，在指数里面10%跟汽车相关，中间一大截全部就是电新，电新就是电力和新能源汽车。我们看新能源汽车板块的时候，它是一个主题，我们分解到行业里来看电新行业，发现这两个的性价比还可以，这是我们推荐的逻辑。

证券我有点想不明白。2020年股市其实表现很不错，不管是经纪业务、还是自营业务、还是投行业务，表现都不错，一直没有涨，意味着估值没有提，反正市场行情到现在，对证券的反映也不是特别大。

我们觉得它的性价比还可以，就是从盈利和估值来看。就是证券和电新。

右上角是美强贵，就是基本面很不错，有很好听的故事，估值也不便宜，但是基本面非常不错。

左下角怎么定义呢？他们的盈利赶不上右边。它们的优点就是估值非常低，非常便宜。然后反正就是一些周期行业比较多，大家可以看到里面有房产行业和煤炭、有钢铁等等行业。这是第二季度的。

因为四季报还没有出来。我们现在只能看三季报的数据来说一说。

大家会发现三季度的数据跟二季度，稍微有些变化。最理想的解读就是整体确实经济在回升。我们看到各个行业的盈利情况，是浮出水面情况已经有很好的改善。

其实性价比比较好的，还是证券和新能源汽车。右上角美强贵，芯片生物医药等等也不错。左下角我们首先从左下角说起，周期，因为我们从一季度的时候，顺周期的板块。有的人要问了，顺周期板块什么？顺周期包括周期板块和其他顺的板块。周期板块包括煤炭、钢铁、有色、建筑建材、化工这些都算。然后这里面有产品ETF就是钢铁煤炭和有色，这几个顺周期行业不错，我们先定义一下，先观察到一季度，因为我们今年还要看经济复苏的成色，我们觉得一季度的经济增速肯定是没问题的，去年是负6.8%的增速。今年基数效应该有大幅的预期，经济数据不断的披露的情况下，这种强周期板块应该有非常好的表现。

顺周期还有一些是什么？比如说消费领域的家电、汽车、等等都算顺周期。包括金融里面，银行和证券也算是顺周期，为什么？因为经济好转的话，银行的坏账减轻。包括经济好转，大家炒股的钱也变多。这些是顺周期，我们看整体，它一季度有机会。

房地产不建议大家关注，我们的看法是这样，房地产目前政策压力带来的还是比较大的。大家看还是坚持“房住不炒”四个字，暂时先别关注了，真的哪天房住不炒不提了，我们再关注也为时不迟。

接下来2021年新能源汽车还是建议大家关注的。虽然2021年新能源汽车的波动，一定会大于2020年，但是它依然还是一个高景气的行业，建议大家还是可以继续关注新能源汽车板块的投资机会。

还有军工，军工也是我们比较推荐的，去年年底我们公众号上的推文，也是在强推新能源汽车和军工这两个行业，今年也是开年不负众望，军工行业有比较好的表现，军工这一轮的行情跟2013、2015年有本质不同。可能投资经历时间比较长的小伙伴可能知道，2013年炒军工炒的是什么？就是炒保调行情

2013年炒的是情绪。

但这一轮军工行情，发生质的改变，有基本面的，是非常大的区别。这一轮是5G列装带来基本面改善的行情。它是什么？这几年咱们看，不管新闻、还是阅兵也好，都有东风导弹、航母、航母下水、驱逐舰、护卫舰、还有大飞机等等，这些新闻不断地出来。它已经有了的话，军队要干什么？军队要采购，所以它处在这种大家伙，要进入列装阶段，这样一个基本面质的改变。这种的行情至少能持续三到五年，我们建议大家还是可以稍微关注一下军工这轮大的行情。

它有可能一季度的表现更好一些。后面两三年、三五年都可以关注起来。这是军工本质的改变。

还有就是美强贵，像芯片、生物医药依然不便宜。我们觉得今年还是会有阶段性的机会，因为芯片的估值2020年涨了50、60%之后的指数，它现在的估值甚至比2020年年初还要低，说明什么？它的业绩消化了估值。所以2021年，我们认为芯片肯定也会有表现，什么时候表现呢？谁都说不清楚。

还有医药，2020年8月份因为疫苗的缘故，进入到调整期，到年底，因为器械的事情，遭到了一些打击。但是因为已经调整过了，所以2021年我们依然看好它有阶段性的表现。

相对来说，我们团队稍微看淡的是食品饮料2021年机会，原因在于它的2020年的表现实在太强了。也没什么东西会永远涨，我们会觉得，而且会看到食品饮料，不管是二季度、三季度，它的业绩整体并不是特别强，但是估值提升的速度，比其他行业在2020年都还蛮快的。

食品、饮料行业的估值，分位现在已经接近百分之百的情况，所以我们会觉得，相对来说，性价比上食品饮料在2021年可能会有一些压力，但这个谁说得准？四季度的时候，我也觉得食品饮料不太行，我自己的食品饮料基金，四季度的收益率也超过20%，但确实没有什么东西都强。我觉得作为基金经理没有办法什么都拍得准。这就是我们对各个板块整体的看法。

接下来给大家稍微说一下我们ETF的产品布局。

我们的产品线主要两个特点，一个特点是大类资产配置，我们有股票ETF，有美股的、纳指ETF、有商品的、黄金ETF，还有债券ETF、十年期国债ETF，和国债ETF，我们这个股票ETF里面，主要还是大类的行业的非常多。

特点，一个是行业比较多。另外就是流动性维护我们在同行里面做得相对好。如果我们和同行有相似的产品，我们流动性应该比同行相对好一些。

得益于行业ETF，2019和2020年的爆发，我们公司的ETF规模上升也非常快，这个数据是十一月份的，因为后来一直在出差，没有时间更新，到现在，我们有860亿元左右的非货币ETF，依然是在全行业里面，排名第二名。

最后是我们的公众号，就是我刚刚前面说的很多观点，包括直播文字稿，都会在公众号上，有给大家推送出来，也可以关注我们观点，我们自己的观点的准确率，各方面应该是比较高的，欢迎大家关注，有任何问题都可以在上面提。我的介绍到这里结束了，谢谢大家在线聆听！下次见。（完）

风险提示：

以上内容及观点仅供参考，不构成具体投资建议。指数历史收益情况不预示未来表现，不构成对基金业绩表现的保证。请投资者关注指数基金投资风险，包括但不限于标的指数回报与股票市场平均回报偏离、标的指数波动、基金投资组合回报与标的指数回报偏离等特有风险。

市场有风险，投资需谨慎。

文章来源：百度

量化分析在财务公司产业链金融信用风险管理中应用的思考

2014年，银监会提出了关于财务公司开展产业链金融服务的指导意见，并将格力、海尔等5家财务公司作为开展延伸产业链金融服务的试点单位。与银行相比，财务公司作为倚靠集团企业的“内部人”，在开展产业链金融业务上有着得天独厚的优势。然而，由于财务公司在信用风险管控环节方面技术能力的欠缺，限制了其产业链金融服务延伸的范围。

　　长期以来，财务公司在具体业务开发上多以银行作为参考模板。依据银行开展产业链金融服务的市场经验，产业链服务遇到的风险问题并不比传统的金融服务要少。例如，现在的产业链金融主要基于应收账款融资、存货融资和预付款融资3种基本类型，并组合衍生出其他产品，针对不同的产品需要设计不同的授信流程，流程的复杂性增加了操作风险出现的概率；又如，法律制度体系自身存在的空白，不同区域法律执行效率的差异以及相关合同中涉及的与货物监管、资产处置有关的协议、声明书、通知书等法律形式的多样性，也提高了法律风险管理的难度。而产业链金融作为一项融资业务，首当其冲要面临的依然是信用风险。

　　从实际来看，财务公司在信用风险管理方面缺乏严格的量化分析。究其原因，除同业拆借、对外投资、买方信贷等少数业务外，财务公司主要服务对象局限为集团内部成员，与财务公司间信贷资金往来实则暗含了集团对其风险的信用背书。在这样的机制下，财务公司容易缺乏提升风险管理技术的积极性。

　　目前，财务公司主要依靠贷款分类制度设计判断信用违约风险状况，但这样的设计缺乏前瞻性。从对次级、可疑、损失3类贷款的定义来看，加总而得的不良贷款是基于过去和已发生的事实。从会计核算角度，以此不良贷款作为分子计算得出的不良贷款率，是对已有损失的确认，而不是潜在损失，这意味着对信用风险的警示作用有限。更有甚者，通过对贷款规模的调节，可以人为压低不良率，模糊了对风险的判断。

　　产业链金融中的信用风险管理流程和传统业务信用风险管理流程类似，包括识别、评价和控制3个环节，信用评价指标体系则是整套环节的基础。采用合适的量化模型，并将之融入其中，有助于财务公司对风险的准确把握。然而，由于产业链金融融资模式内涵较以往信贷业务发生了明显变化，因此有必要对业务信用评价指标体系进行重塑。

　　相对于传统的授信业务，产业链金融业务淡化了受信主体的财务特征和行业地位，而是转变为动态、结合真实贸易背景的系统授信管理。其信用评价最核心的特点是把主体评价和债项评级合二为一。这要求在信用风险评价中，不仅考查财务指标，而且考查链条中核心企业资质、担保存货变现风险以及供应链运营状况等因素。

　　另外，财务公司不应忽视运用量化分析对核心企业资质的评价。先前普遍认为，财务公司背靠母公司实力出众，多数在行业中处于核心地位，对上下游合作企业控制力较强。但不应忽略，部分企业集团亦坚持多元化经营，每项业务发展水平却并不平衡，不具备主业突出的行业优势。如果财务公司仅依靠对主业行业地位的判断而不考虑集团其他成员的现实条件，容易漏判、错判成员企业所处具体产业链的核心企业资质。如此一来，便退回传统授信业务的模式。

　　判断产业链核心企业的关键不在于所处产业链的位置，而要看它是否掌握瓶颈约束资源，是否能带动整个链条的发展。假设财务公司集团成员处于食品制造业，食品制造业竞争充分，对销售渠道的依赖性强。在二级产业链条上，成员企业对上游原料供应商或有一定谈判优势，但面对地区性垄断销售商，议价能力偏弱。因此，链条中的核心企业应为集团外销售商。在此情形下，财务公司很难依靠成员单位对上下游的影响有效控制产业链中的授信风险，如果不提升风险防控技术，显然无法将业务风险降到最低。

　　完善产业链信用风险评价指标体系有助于财务公司信用风险模型化的应用。一方面，基于财务会计指标与市场价值指标的计量模型更适合目前财务公司产业链金融信用风险度量。对财务公司来说，选择模型的假设前提与现实环境不至于偏离太大；另一方面，从熟悉的领域入手，从易到难更为妥当。谙熟财务指标内在逻辑、具备较强的财务分析能力是财务公司的优势，因此从财务会计指标类的风险度量模型着手应是较为合理的选择。此外，国内资本市场日益完善，中小板与创业板的设立推出在一定程度上缓解了中小企业信息不透明问题。基于市场数据的计量模型，理论上对企业信用风险的度量更具动态性与时效性。以往受制于数据缺失，如今可以利用公开信息对产业链条上的部分中小企业信用风险进行测算，不失为一种很好的补充。对基于同一类型数据的信用风险模型，优先考虑稳健性。所谓模型的稳健性，是指模型对训练样本与测试样本的预测精度不应存在较大差距。模型的稳健性对于处在产业链金融发展初期的财务公司而言更加重要。一旦模型投入使用，因为新的信用产品申请人与建模总体有差异导致预测准确度产生较大波动，并产生损失，无疑会对财务公司产业链金融后续工作的开展带来消极影响。

　　量化分析并不能百分百预测信用风险的发生，但能帮助财务公司更为科学、准确地认识风险、把握风险。现阶段，财务公司对量化分析，尤其是计量模型的应用还处于初级阶段，基础性工作建设尤为重要。

　　首先，财务公司管理者应主动学习金融风险相关专业知识，推行风险量化管理。产业链金融的复杂性对管理者的专业能力提出了更高的要求，不仅要掌握传统的财务知识理论，还要对金融业务及其带来的风险有深刻认识。财务公司可以从外部吸收风险管理专业人才，也可以将公司内部业务熟练、素质较高的员工选送到其他更具风险管理经验的金融机构进行学习。

　　其次，量化分析产业链金融信用风险是一项涉及众多环节的系统工程，任一环节的纰漏都将影响最终的评估效果。发展初期，财务公司可参照其他金融机构的先进经验，根据业务要求选择合适、已成熟的模型的工具。此时，加强风险量化政策制度建设主要体现为，在数据的收集、变量的选取、公式的构造、模型的建立、校准和测试的过程中，层层把关，形成清晰完整的文档记录；同时，由于一般模型本身基于训练样本的数据而建立，因此在引入测试样本判别结果时，要坚持模型的设立和验证相分离，并在获取最新数据后及时检测模型是否失效。

　　再次，在开展产业链金融的最初几年，企业数据的缺乏会是财务公司遇到的第一个问题，也会影响量化分析工具效用的发挥。对此，财务公司一方面必须切实做好收集、储存、整理与产业链相关的企业财务信息、交易信息；另一方面，应积极探索与银行开展数据信息交流、共享，早日建立自己的产业链数据库。

来源：中国金融新闻网