
大数据全面助力主动投资管理
随着互联网和基金理财业务的交叉融合,运用大数据进行投资的探索也在深入发展。近日,银华基金正在发行的银华大数据基金以“大数据择时”+“大数据选股”的投资特色备受市场关注。银华大数据拟任基金经理张凯表示,该基金有两大择时策略、四大选股策略,模拟运行的整体业绩乐观,体现了大数据应用于主动投资的比较优势。
两大择时策略降低系统风险
据了解,市场上已有的大数据基金多是被动指数型基金,通过高仓位被动跟踪一个大数据股票指数进而获取投资收益。
张凯认为,当前市场上的大数据指数基金多是在选股上运用大数据,但在择时上没有应用大数据,缺乏择时策略,而银华大数据基金是主动管理型基金,同时将大数据应用于选股策略和择时策略。
他说:“大数据基金如果不做择时,一直高仓位运行,尽管选股业绩优秀,但在发生系统性风险时仍将损失惨重。我们的新基金引入大数据择时策略后,就可以避免股市大幅调整时基金净值的大幅回撤。”
具体而言,张凯表示,银华大数据基金有两大类择时策略:第一类是基于宏观及行业景气度数据,包括货币供应量、流动性、经济同步指标、先导行业景气度等;第二类是基于市场行为及情绪数据,包括基金仓位、期指持仓及升水率、股票账户活跃度、分析师情绪等。
“基于宏观及行业景气度的数据对应的是中长周期的择时策略,基于市场行为及情绪的数据对应的是短周期的择时策略,两个策略影响权重各为50%,共同决定基金组合的仓位和大类资产配置,在择时上实现了长周期与短周期的均衡,提升了策略在不同市场波动下的稳定性。”他说,考虑到A股市场震荡多变,该基金将平均每月根据择时策略做出一次资产配置调整。
四大选股策略创造超额收益
大数据择时策略可以帮助规避系统性风险,而大数据选股策略则决定了基金的长期投资业绩。
据张凯介绍,该基金的选股策略分为四种,即股票关注热度策略、分析师荐股策略、财务多因子策略和公告事件驱动策略。这四种策略对应四类数据来源和四种投资逻辑,股票关注热度策略选择互联网关注度高的强势股票,卖方分析师推荐策略选择被最多优秀分析师推荐的股票,财务多因子策略选择基本面质地优良且低估最多的股票,公告事件驱动策略选择出现驱动股价走强的突发事件的股票。
张凯认为,在不同的市场环境和风格下,不同策略的短期表现可能各有不同,多数据源对应多策略的机制可以弥补单一策略的短期失效,并形成业绩互补,保证整体投资业绩的持续性和稳定性。此外,基于不同数据来源的策略相关性较低,更分散化的投资能够降低组合的整体风险。
谈及该基金数据源的特色,张凯特别提到卖方分析师数据:“我们的分析师荐股数据是公司独有的优势,公司搭建了分析师推荐股票自动化采集系统,我们会根据分析师荐股的长期业绩表现筛选出优秀分析师,并根据优秀分析师推荐的股票,自动构建股票组合,第一时间将分析师的研究价值转化为投资业绩。”
模拟运行年化收益可观
在张凯看来,相对于传统投资,大数据投资具备四大优势:一是股票覆盖面更广,利用大数据可以覆盖A股市场的所有股票;二是信息处理能力强,大数据投资能够分析基本面和非基本面的海量数据;三是投资策略更为多样化,大数据投资能够解决传统投资策略单一化和同质化的问题;四是避免人为主观性,大数据投资策略完全以数据为本,更为客观公正。
张凯介绍,该基金2010年就开始模拟运行,整体业绩可观。他说:“根据我们大数据基金之前的模拟运行,该基金的总体收益还是不错的,由于具备择时策略,2010年至今,年化收益可观,净值回撤较小,业绩长期稳定向上。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29