
大数据时代基金经理如何投资_数据分析师考试
“现在并不缺乏信息,缺乏的是挖掘处理信息的能力”。
在王政看来,在信息爆炸的当下,需要借助机器和人工智能的力量帮助完成人力无法高效完成的信息处理工作。未来,大数据时代的资产管理将伴随着机器学习和智能计算的发展,成为以人工智能为依托的智能金融。
作为公募基金的“过来人”,王政对传统基金经理的日常作息熟谙于心:7点起床上班,路上开始浏览前天外盘情况,国际市场的主要指标以及重大动态;8点进入办公室,浏览国内外主要财经网站,晨会与同事一起讨论当天最新的宏观政策,财经和市场动态;9点-15点看盘,管理投资组合,看报告;收盘后对当天市场行情进行总结、分析,晚餐时继续与同行进行近期市场和投资热点讨论。晚上看长篇研究报告,20点左右上网看上市公司公告,并为第二天的工作做好充足准备。午夜,休息。
“占据大部分工作时间和精力的,正是对新闻、公告、热点、行情、报告等各种信息的收集、处理和判断,并在此基础上做出正确的投资决策。”王政说,在互联网如此普及之前,这样的投研过程基本是靠人工完成的。
而随着互联网高速发展带动信息量爆炸式增长,互联网数据逐渐呈现出明显的4V特点:Volume(大量)、Velocity(高速)、Variety(多样)、value(价值),因为规模极其庞大并在实时高速扩展中,被称为“大数据”。
在王政看来,“大数据”时代对投资管理的改变是显而易见的,投资研究开始由原来的小样本向全样本,由定期向实时变化着。
“在大数据背景下,我们需要借助机器和人工智能的力量,帮助我们完成人力无法高效完成的信息处理工作。”王政认为:“而这将改变基金经理传统的投研模式。”
王政表示,通过智能计算和机器学习,可以对所有的非结构化数据进行分析,在数量庞大而覆盖广阔的数据中,把所有的投资标的都连接起来,建立起一个完整的关系图谱;在此基础上,动态跟踪实时新闻,捕捉各类事件,进而建立起事件影响在关系网上传导的机制。
在他看来,大数据冲击下,传统的基本面投资面临变革:“有家美国公司利用卫星24小时监测超市的车流、货运、港口的运输,并卖给华尔街的投资公司,使他们不用再等官方数据,不用去工厂门口蹲守,就可以实时通过卫星第一时间得知市场的变化。信息传递速度改变着投资的速度。”
除了基本面,大数据背景下的投资管理也能更快更全地收集和分析社会情绪数据。王政介绍,通联数据所在做的金融云平台,正是基于大数据分析和智能计算的新型互联网金融服务,比较全面地收集处理了基本面和社会情绪等多方面的数据,力图准确提炼影响市场波动的诸多因子。
“这并不意味着彻底摒弃传统的投研理念,价值投资、主题投资、事件驱动投资、情绪投资等依然需要遵循,但操作方式和以前相比会有根本改变。投资者将更多依赖大量数据和智能分析的技术快速找到投资机会,直接进行投资。”王政表示。
“投资,已由一门艺术发展为一门科学”这是20年前,王政的两位同事——Grinold 和Kahn提出的观点。他们通过总结投资中的一些规律,覆盖了收益率预测、风险管理、成本管理、绩效评估等核心因素,用计算机分析来构建投资模型。这些科学模型帮助他们在20年间成就了世界全球最大的资产管理公司,即如今的贝莱德。
“而未来,大数据时代的资产管理将伴随着机器学习和智能计算的发展,成为以人工智能为依托的智能金融。”
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在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15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