这六个有力的信号揭示了金融市场的未来方向

在这里插入图片描述
每天,信息时代都会用大量数据轰炸我们。

现在,专家估计存在的数据字节数是整个可观察宇宙中恒星数量的40倍。

就像宇宙一样,我们的数据领域也在迅速扩展-每隔几年,实际上创建的新数据要比人类历史上所有前几年的总和还要多。

搜索信号

从实践的角度来看,无法渗透的数据的密集墙为投资者和决策者带来了诸多挑战:

  • 在那里处理所有可用信息是费力的
  • 数据过多会导致“分析瘫痪”,无法做出决定
  • 错误信息和媒体偏向为我们的大脑增加了另一层处理能力
  • 新闻算法和过滤器气泡强化了我们的个人偏见
  • 数据源,即使是高质量的数据源,有时也会相互冲突

结果,很明显,人们不需要更多的数据,他们想要更多的了解。因此,我们的视觉资本家团队度过了2020年的大部分时间,以寻找潜在的趋势,这些趋势将在未来几年内改变社会和市场。

塑造金融未来的六个信号

哪些清晰,简单的趋势将影响市场的未来?

下面,我们向您展示本书中数百种图表的一小部分,重点放在全球金融和投资上:

#1:700年的利率下降

我们将在此处展示的第一个信号来自英格兰银行令人难以置信的数据集,该数据集可重构可追溯到14世纪的全球实际利率。在这里插入图片描述
该系列的第一个数据点代表在意大利文艺复兴初期,在热那亚,佛罗伦萨或威尼斯等意大利早期银行中心发行的有据可查的市政债务。

最终,提供给贵族,商人和王国的贷款的早期数据集最终与来自中央银行的更多现代数据融合在一起,而且在过去的几个世纪中,很明显,利率下降并不是一个新现象。实际上,自14世纪以来,实际利率平均每年下降了1.6个基点(0.016%)。

在更现代的时代中也可以看到同样的景象:在这里插入图片描述随着世界从COVID-19危机中解脱出来,各国政府正在利用创纪录的低利率来发行更多债务并刺激经济。

这将我们带入下一个信号。

#2:全球债务:至$ 258万亿美元及以上

持续的大流行无疑使分析对于某些信号而言更加棘手,但对其他信号而言则更为容易。

全球债务的积累属于后一种:截至2020年第一季度,全球债务达到创纪录的258万亿美元,占世界GDP的331%,并且由于财政刺激,税收收入下降和增长而预计将急剧增加预算赤字。
在这里插入图片描述
上面的图表考虑了消费者,公司和政府的债务,但让我们暂时放大一下政府债务。

以下是2020年初的数据,显示了2007年至2020年初之间政府债务在GDP中所占比例激增。在这里插入图片描述
该图表不包括政府内部债务或大流行开始后承担的新债务。尽管如此,在仅仅13年的时间里,其中一些政府所持债务的百分比增长还是三位数,其中包括美国233%的增长。

但这不仅仅是政府大举举债。下图显示了最近四年中的消费者债务,按代次排序:在这里插入图片描述
婴儿潮一代和沉默的一代成功地减少了一些债务,而年轻的一代刚刚开始承担债务。

在2015年至2019年之间,千禧一代的家庭债务增加了58%,而X世代则发现自己(在按揭还款年中)是负债最重的一代,每家庭负债135,841美元。

#3:蓝筹股与生活圈

曾经有一段时间,完全根深蒂固的大型,根深蒂固的公司可能会看到其企业优势逐渐消失。

但是随着百视达(Blockbuster),雷曼兄弟(Lehman Brothers),柯达(Kodak)或其他零售商最近倒闭的教训告诉我们,企业寿命不再有任何保证。在这里插入图片描述
1964年,标准普尔500指数公司的平均任期为33年,但是根据咨询公司Innosight的预测,到2027年,这将平均降至仅12年。

按照这种流失率,预计标准普尔500指数中有50%的股票可以在2018年至2027年之间实现营业额。在这里插入图片描述
对于成熟的公司,这是时代的标志。在创新速度的快速提高与市场准入障碍的不断下降之间,传统的企业界发现自己在防御。

对于投资者和初创企业而言,这是一个值得考虑的前景,因为目前看来中断是一种现状。今天可以在印度某人的车库中找到下一个主导全球市场的大公司吗?

#4:ESG是新现状

投资领域已经达到一个有趣的转折点。

从历史上看,绩效对大多数投资者都至关重要,但展望未来,考虑ESG标准(环境,社会和治理)也有望成为投资策略的默认组成部分。在这里插入图片描述
预计到2030年,将有95%的资产全部包含ESG因素。

尽管这似乎还很遥远,但很明显,投资领域已经在发生变化。如下图所示,全球ESG资产的百分比每年已经增长了数万亿美元:在这里插入图片描述
如果您认为现在这是一种强大的趋势,请等到千禧一代和Z世代投资者陷入困境。这两代人都对可持续投资表现出更高的兴趣,并且两者都已经更有可能将ESG因素纳入现有投资组合中。
在这里插入图片描述
公司也正赶上ESG投资趋势。

在2011年,标普500指数中只有20%的公司向投资者提供了可持续发展报告。在2019年,这一比例上升到90%,并且全球最大的资产管理公司已经加入ESG,因此在未来几年内达到100%的压力很大。

#5:股票市场集中度

在过去的40年中,美国市场从未像现在这样集中。在这里插入图片描述
从历史上看,标准普尔500指数中排名前五的股票不到该指数市值的15%,但今年该比例已飙升至23%。

毫不奇怪,由苹果和微软领导的同一家公司推动了上一年的市场表现。在这里插入图片描述
回顾一下标准普尔500指数中排名前五位的公司,这有助于揭示这一信号的重要组成部分,这是科技股在市场上如此占主导地位的最新现象。在这里插入图片描述

#6:中央银行:在坎and与艰辛之间

自金融危机以来,中央银行发现自己处在棘手的状况。

随着利率接近于零界限,他们通常使用的常规政策选择工具已经枯竭。传统上,降低利率会鼓励借贷和支出来支撑经济,但是一旦利率超低,这种影响就会消失甚至逆转。在这里插入图片描述
这种大流行迫使中央银行采取了不太常规的行动。

量化宽松(QE)在金融危机之后首次由美联储和欧洲中央银行广泛使用,现已成为中央银行的首选工具。通过在公开市场上购买长期证券,目标是增加货币供应并鼓励贷款和投资。

在日本,量化宽松政策自1990年代后期以来一直是主流,日本银行现在拥有80%的ETF资产和大约8%的国内股票市场。在这里插入图片描述
随着银行“印钞”以购买更多资产,其资产负债表同时上升。今年,由于COVID-19危机,美联储已经为美国的货币供应(M2)增加了超过3.5万亿美元,而且还有更多工作要做。

无论货币政策的实验结果如何,很明显,这以及上述许多其他信号将成为市场和投资未来的关键驱动力。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值