
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。
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