京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据时代引发科学投资风尚_数据分析师
对于大数据,王政表示:“大数据时代,资产管理的一个风尚就是由艺术式投资变为科学式投资,大数据可以做以前他们想做却做不了的事,如对市场情绪的搜集和判断。通过大数据,可以尽可能大范围地搜索新闻信息,包括行业层面或者公司机构,来判断市场情绪,对这个行业是乐观还是悲观,对公司是看好还是不看好。”
一个人的心理或许很难捉摸,但某些外在信息显露汇集而成的市场趋势恰恰是资产投资管理的判断标准。如广发基金和百度合作推出的一款大数据基金,就是建立在百度搜索的海量数据信息基础之上,选取成分股来构成的。王政说没有人会想到互联网搜索数据也可以成为构建指数的一个方式,但大数据做到了。
在这样一位多年从事资产管理工作的老手看来,大数据给以基金为代表的资产管理行业带来了“质的飞跃”。王政总结了资产管理领域的两次飞跃。在计算机之前,投资单纯依靠人的判断,根据行业经验和专业积累,判断市场行情趋势,构成自己的投资逻辑。计算机的出现改变了原有的研究方法,投资人员总结出普遍的市场规律,通过计算机进行量化投资开始盛行,这是一次飞跃。大数据时代实现了从小样本到全样本信息的搜集,充分利用海量数据,借助机器学习充分挖掘有价值的市场因子,开启智能投资新时代,这是第二次飞跃。
大数据带来的量变是否一定会带来质变是个未知数,数据的广度和准确度显然并不一定成正比。“这考验的就是数据服务提供商挖掘分析数据的能力,因为数据中存在一些无用的"噪音",我们要尽可能剔除它们,提炼出有价值的信息。”王政将那些干扰性的数据形象地称之为“噪音”。
另一个排除干扰的解决方案叫“机器学习”—machine
learning。机器在海量信息存储的基础上,通过不断地“学习”,机器的“思考”能力—根据过往数据总结的经验有效判断市场行情的变化—得以渐渐形成。
可以看出,大数据背后依托的不仅是海量数据,更重要的是分析挖掘数据并精准应用的能力,智能计算机技术是构成这种能力的关键。机器取代人类,在资产投资领域,似乎比科幻片中机器人占领世界的可能性要大的多。在这样一个趋势下,未来某个阶段,是否所有投资者都能变成王亚伟呢?王政说,理论上,市场越有效,“王亚伟”反而越不会出现,因为所有参与者的表现都一样。当然,这种终极场景就像经济学中提到的“完全竞争市场”一样,在现实中难以真实存在。“终究机器是由人设计的,人建立模型的能力不同,这就决定了市场的非有效性。”人在大数据时代扮演的是什么角色?王政打了一个比方:“大数据是乐器,人就是演奏者,人要设计机器,训练机器,提升机器的学习能力。”
人抓取运用数据的能力,决定了大数据时代的意义。王政提到了一些国外大数据服务同行的做法,从中也能看到数据的微妙之处。他说国外一家专业数据服务公司,通过在发电厂附近的居民区内安装探测器,来统计电厂的输送电量,观察发电情况。“用电量从宏观上可以判断一个国家经济的运转情况,从微观上可以判断一户人家的消费水平。同样,如果要判断一家超市的销售情况,可以统计其车库每日进出车辆的数量。”王政强调这种大数据分析的优势在于,专业投资机构得到这样的数据,可以在官方统计结果公布前,提前对市场变化做出预期判断,从而先人一步把握投资机会。
数据背后隐藏的信息量,就是投资逻辑建立的基础。而在投资之外,王政对保险行业大数据应用同样看好。同样是建立在数理统计模型上的保险产品,大数据的引入,对其定价模式产生了翻天覆地的变化。“比如车险,以前定价比较统一,就是因为无法精确地判断每个投保人的具体风险情况,如今通过车载设备提供的数据,可以有效了解驾驶员的行为、驾驶技术和习惯,再据此判断其驾驶发生风险的可能性是大还是小。”王政表示,保险行业是未来大数据重点拓展的一大方向。
CDA学员免费下载查看报告全文:2026全球数智化人才指数报告【CDA数据科学研究院】.pdf
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数字化时代,数据已成为企业决策的核心驱动力,数据分析与数据挖掘作为解锁数据价值的关键手段,广泛应用于互联网、金融、医疗 ...
2026-04-17在数据处理、后端开发、报表生成与自动化脚本中,将 SQL 查询结果转换为字符串是一项高频且实用的操作。无论是拼接多行数据为逗 ...
2026-04-17面对一份上万行的销售明细表,要快速回答“哪个地区卖得最好”“哪款产品增长最快”“不同客户类型的购买力如何”——这些看似复 ...
2026-04-17数据分析师一天的工作,80% 的时间围绕表格结构数据展开。从一张销售明细表到一份完整的分析报告,表格结构数据贯穿始终。但你真 ...
2026-04-16在机器学习无监督学习领域,Kmeans聚类因其原理简洁、计算高效、可扩展性强的优势,成为数据聚类任务中的主流算法,广泛应用于用 ...
2026-04-16在机器学习建模实践中,特征工程是决定模型性能的核心环节之一。面对高维数据集,冗余特征、无关特征不仅会增加模型训练成本、延 ...
2026-04-16在数字化时代,用户是产品的核心资产,用户运营的本质的是通过科学的指标监测、分析与优化,实现“拉新、促活、留存、转化、复购 ...
2026-04-15在企业数字化转型、系统架构设计、数据治理与AI落地过程中,数据模型、本体模型、业务模型是三大核心基础模型,三者相互支撑、各 ...
2026-04-15数据分析师的一天,80%的时间花在表格数据上,但80%的坑也踩在表格数据上。 如果你分不清数值型和文本型的区别,不知道数据从哪 ...
2026-04-15在人工智能与机器学习落地过程中,模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型,还是推荐、预测类模型, ...
2026-04-14在Python网络编程、接口测试、爬虫开发等场景中,HTTP请求的发送与响应处理是核心需求。Requests库作为Python生态中最流行的HTTP ...
2026-04-14 很多新人学完Python、SQL,拿到一张Excel表还是不知从何下手。 其实,90%的商业分析问题,都藏在表格的结构里。 ” 引言:为 ...
2026-04-14在回归分析中,因子(即自变量)的筛选是构建高效、可靠回归模型的核心步骤——实际分析场景中,往往存在多个候选因子,其中部分 ...
2026-04-13在机器学习模型开发过程中,过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节,导致在训练集上表 ...
2026-04-13在数据驱动商业升级的今天,商业数据分析已成为企业精细化运营、科学决策的核心手段,而一套规范、高效的商业数据分析总体流程, ...
2026-04-13主讲人简介 张冲,海归统计学硕士,CDA 认证数据分析师,前云南白药集团资深数据分析师,自媒体 Python 讲师,全网课程播放量破 ...
2026-04-13在数据可视化与业务分析中,同比分析是衡量业务发展趋势、识别周期波动的核心手段,其核心逻辑是将当前周期数据与上年同期数据进 ...
2026-04-13在机器学习模型的落地应用中,预测精度并非衡量模型可靠性的唯一标准,不确定性分析同样不可或缺。尤其是在医疗诊断、自动驾驶、 ...
2026-04-10数据本身是沉默的,唯有通过有效的呈现方式,才能让其背后的规律、趋势与价值被看见、被理解、被运用。统计制图(数据可视化)作 ...
2026-04-10在全球化深度发展的今天,跨文化传播已成为连接不同文明、促进多元共生的核心纽带,其研究核心围绕“信息传递、文化解读、意义建 ...
2026-04-09