
首只大数据券商基金出炉_数据分析师考试
业内首只大数据券商基金即将面世,东方证券资产管理有限公司7月8日公告称,东方红京东大数据灵活配置混合型证券投资基金将于7月13日起发售,认购金额起点10元。据悉,该基金为业内首只大数据券商基金,将管理人在大消费领域的主动性研究,与京东真实及时的大数据结合起来,致力于寻找消费领域的ALPHA。
首只大数据券商基金即将面世
公告显示,东方红京东大数据混合基金为一只灵活配置的混合型基金,采取主动管理的投资模式,将根据管理人的大数据分析模型,进行行业配置和个股选择,力求为基金份额持有人获取超过业绩比较基准的收益。
在投资策略上,管理人先根据宏观分析和市场判断确定大类资产的配置,然后充分利用公司大数据研究平台的优势,通过对京东大数据的分析研究,挖掘出不同行业的敏感因子,提取合成不同行业的观察指标,结合管理人的线下研究进行行业配置和个券选择,构建合理的投资组合。
在行业配置上,该基金将结合线下实地调研和线上大数据挖掘研究进行行业配置。管理人通过线下调研进行行业竞争要素分析和定性判断,通过线上大数据进行行业趋势的挖掘和跟踪,结合线上和线下的分析,判断细分行业的供需情况、价格走势和消费者倾向等关键要素,从而确定各细分行业所处的发展阶段、竞争趋势、景气程度和发展空间等,找出成长性好,盈利空间大,处于上升趋势的行业进行重点投资。
分析人士指出,该基金将大数据直接运用到投资选股领域,对传统的投资决策模式形成补充,开启大数据服务投资研究新模式,互联网与金融进行更深层的融合。通过线上和线下相结合的分析也可以对拐点型行业做出较早的预判,提前做出布局,在行业配置上占据主动优势。
大数据与投资决策深度融合
大数据如何运用到投资决策?据悉,东方红京东大数据混合基金将利用管理人的大数据研究平台,对海量数据进行分析研究,选择重点行业,并结合上市公司的管理水平、盈利模式等基本面研究遴选优质投资标的。
具体而言,东方红资产管理向京东提供数据发掘的模型和结构,并负责检验模型的有效性,而京东定期根据模型提供持续数据更新,具体包括京东电商的销量、浏览量、点击量、客户评价、客户收藏量等基础数据,以及价格趋势和斜率、销量趋势和斜率、地域分布、人群特点等。
该基金将运用京东大数据,对上市公司所属细分行业的数据进行挖掘和分析,从而判断行业的趋势、斜率、空间等,结合上市公司在行业中的地位,对公司的短、中、长期趋势做出判断。同时,研究公司所处行业中各种不同商业模式的竞争和演化,分析公司的核心商业模式,及该商业模式的稳定性和可持续性。
分析人士指出,此次是京东大数据首次挖掘并提供给机构投资者,蕴含大量的未被开采的投资金矿。大数据将成为投资研究的有效补充,借助大数据样本大、误差小的优势,及时、客观、真实的特点,投资决策更加主动、更加有效。尤其是京东电商的全样本、实时大数据能更直观、实时地反映各个行业的变化,将显著提升投资决策的前瞻性。
资料显示,2014年京东的销售额为人民币2602亿元,较上年增长了107%;2014年全年完成订单6.9亿个;活跃用户数超过1亿。京东电商所涵盖的品类包括3C、家电、家居、纺织服装、食品饮料、化妆品、鞋包、户外用品、母婴玩具、营养保健、音像制品等,是国内品类最全的电商网站之一。
大消费板块更具长跑实力
“从全球市场经验来看,大消费板块更具长跑实力,能够大概率穿越牛熊市,带给投资者长期投资回报。从目前市场估值来看,消费板块的估值也更具安全边际。”东方红京东大数据混合拟任基金经理杨达治表示。
而从A股近十年历史来看,医药生物、食品饮料、电子等行业是诞生10倍牛股最集中的行业,随着中国经济发展、居民生活水平提高,对大消费领域相关产品的需求大大提升,消费行业的优势企业容易成为快速增长的公司。
资料显示,基金管理人东方证券资产管理有限公司为首家获得公募基金管理业务资格的券商资产管理公司,投资管理团队自1998年成立以来,经历多轮牛熊市考验,积累了丰富投资管理经验。
杨达治为东方证券资产管理有限公司董事总经理、权益研究部总监兼公募权益投资部总监、资深投资经理,北京大学光华管理学院硕士,证券从业13年,善于从行业演进、商业模式等方面深入挖掘上市公司投资价值,拥有丰富的证券投资经验。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
训练与验证损失骤升:机器学习训练中的异常诊断与解决方案 在机器学习模型训练过程中,“损失曲线” 是反映模型学习状态的核心指 ...
2025-09-19解析 DataHub 与 Kafka:数据生态中两类核心工具的差异与协同 在数字化转型加速的今天,企业对数据的需求已从 “存储” 转向 “ ...
2025-09-19CDA 数据分析师:让统计基本概念成为业务决策的底层逻辑 统计基本概念是商业数据分析的 “基础语言”—— 从描述数据分布的 “均 ...
2025-09-19CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-19SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11