
大数据投资靠谱吗
从炙手可热到颇受争议,大数据基金已走过3年时间,当市场人士从热情追捧转向冷静观察的时候,大数据基金正在默默的用业绩为自己正名。
“满意”的成绩单
据银河数据显示,截至去年年底,全市场共有19只基金以“大数据”冠名,这些基金2016年收益全部跑赢同期沪深300。
19只以“大数据”冠名的基金2016年的平均收益率为2.4%,而同期股票型基金的平均收益率是-11.4%,偏股混合型基金的平均收益率是-14.1%,去年火爆的量化基金平均收益率是-1.8%。大数据基金用骄人的成绩在2016年的震荡市中为自身正名。
大数据基金顾名思义是以数据源作为投资的重要依据,此类基金通常是基金公司与一些大数据平台合作开发,比如百度、360、淘宝、京东、东方财富网、腾讯、新浪、同花顺等等。正是这些用户数量庞大的大数据平台给了大数据基金无限的遐想空间。
大数据基金3.0
总结过去,大数据基金走过了两个阶段,第一个阶段是被动指数型产品。该阶段大数据基金被动跟踪某一大数据指数,不进行择时,基金权益类资产仓位基本保持在95%以上。这使得基金业绩完全依赖于大数据指数编制的是否合理,以及数据源与投资的相关性强弱。经过一段时间的实战检验,该类基金的业绩受到了一定的挑战。
随后,大数据基金发展到第二个阶段,该阶段以主动管理混合型产品为主,在这个阶段,基金除了利用大数据进行选股外,基金经理还会根据基本面分析进行择时判断,从而进行选股配置。大数据基金发展至该阶段实现了对数据源的优化利用,但大数据能发挥多大的作用,又取决于基金经理的主观意志。
基于以上两个阶段的优缺点,目前大数据基金发展到了第三个阶段,在该阶段,基金不但能依靠大数据进行股票筛选,还能根据大数据提供的信息进行量化择时判断,完全做到体系化、科学化和可预见性。
这其中涌现出像泰达宏利同顺大数据等优秀的产品。泰达宏利同顺大数据是泰达宏利基金与同花顺合作推出的大数据基金,以同花顺交易软件平台上海量的用户投资行为大数据为核心。该基金成立于2016年2月23日,即将迎来成立一周年纪念日。银河证券数据显示,泰达宏利同顺大数据去年以17.3%的净值增长率在19只同类基金中排名第三,在425只灵活配置混合型基金中排名第三,领先上证综指近30个百分点,体现出强劲的势头。最新数据显示,截至2017年2月13日,该基金成立以来的累计收益率为18.25%。
数据越贴近,投资越有效
泰达宏利同顺大数据基金经理刘欣将目前国内大数据的来源分为两大类,一是同花顺、东方财富之类偏向市场情绪的,通过这些平台可以直接得到投资者情绪行为上的反馈;另一类是京东、淘宝、新浪、百度这些生活消费类平台数据,用大数据来辅助选股,比如在淘宝上看到婴儿尿布的销量好,可能相关上市公司的盈利也会很好。
刘欣认为,做投资不论是量化还是主动投资都是在处理信息,通过大数据平台选股,是希望能够覆盖更广的信息源,以求更真实地模拟市场。而这两种大数据各有千秋,从前者来看,覆盖面更广,反馈会更加直接。
根据刘欣的解释,同花顺有超过2亿股民的投资行为大数据,是跟投资相关度最高的数据,可以说是集万千股民智慧与一身。“同花顺的客户与股市相关度更高。百度和新浪上搜索数据,有可能并不是出于对于股票的关心。”他说,“比如我搜索工商银行,未必代表我关心这只股票,所以我们选择了同花顺采集的大数据源。”
但是仅有大数据是不够的,关键要看如何使用大数据构建有效的投资模型,而这就要看基金公司的技术储备。以泰达宏利为例,它将大数据和量化投资技术强强联合,构建了涵盖投资行为大数据的多因子模型,既可以根据点击量、新闻量、帖子量等因子数据的变化判断股票的走势强弱趋势,也可以用量化选股模型精选出被投资者低估的投资机会,挖掘潜在的投资价值。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15