母子基金拆分合规则


母基金净值 = (子基金净值*份额占比)总和
母基金份额 = A份额+B份额
上交所:(母基金)买入,拆分,合并,卖出,赎回 伪T+0
深交所:母基金拆分和合并需要占用一个交易日时间


上交所:(伪T+0),上交所母,A,B交易代码连续,eg:母:502048 A:502049 B:502050
母基金份额来源 卖出 赎回 转出 分拆
T日出持有   T   T   T   T
T买入     T+1 T   T   T
T申购     T+2 T+2 T+2  T+2
T转托管转入  T+2 T+2 T+2  T+2
T合并     T   T   T    T+1

子份额来源  卖出  合并
T持有     T    T
T买入     T+1  T
T拆分     T    T+1


深交所:(T+1)(分拆和合并占用一个交易日)
母基金份额来源       卖出 赎回 转出 分拆
T日出持有          T   T   T   T
T买入(母基金不支持上市交易)
T申购            T+2  T+2  T+2  T+2
T转托管转入         T+2  T+2  T+2  T+2
T合并(需一个交易日完成)  T+1  T+1  T+1  T+1

子份额来源          卖出  合并
T持有            T    T
T买入            T+1  T
T拆分(需一个交易日完成)  T+1  T+1


上交所合并拆分规则:
上交所接受分拆、合并申报的时间为开放期内每个交易日的交易时间。投资者通过母基金代码,以份额填报分拆、合并数量申请。分拆、合并申报不得更改或撤销。分拆、合并申报数量应当为100份的整数倍,且不低于50000份(以母基金份额计)。上交所可视市场情况,调整分拆、合并申报的数量要求。
分级基金进行分拆、合并的,应当符合下列要求:
(一)当日买入的母基金份额,同日可以分拆(支持实时分拆)
(二)当日申购或通过转托管转入的母基金份额,清算交收完成后可以分拆;
(三)当日合并所得的母基金份额,同日可以卖出、赎回或者转托管,但不能分拆;(意味着上交所场内母基金可上市交易,场内持有或合并的母基金可以T+0赎回,深交所则不行)
(四)当日分拆所得的子份额,同日可以卖出,但不能合并;
(五)当日买入的子份额,同日可以合并;


上深区别:
1.母基金是否上市?
上交所:母基金和A,B基金可以同时上市交易
深交所:A,B可上市交易

2.买入,赎回,T+N?
上交所:分级母基金当日买入,当日可以卖出
社交所:分级母基金当日申购,次日赎回

3.拆分,合并,T+N?
上交所:间接T+0
当日买入母基金当日可拆分,拆分后得到的A、B份额当日可卖出
当日买入A、B份额当日可合并,合并后得到的母基金当日可卖出或赎回
深交所:T+1
深交所分级当日分拆母基金,次日获得A、B份额后可以卖出
当日合并A、B份额,次日获得母基金后可以申请赎回

4.合并限制
上交所:拆分与合并申报数量为100的整数倍,且不低于5W份
深交所:拆分与合并申报数量不低于100份

5.套利流程
上交所:
溢价:
T买入-》T拆分-》T卖出 套利完成
T申购-》T+2申购确认,并拆分-》T+2拆分确认,卖出 完成套利
折价:
T买入A,B-》T合并AB-》T赎回或者卖出母基金
深交所:
溢价:
T申购-》T+1确认-》T+2分拆-》T+3卖出
T申赎-》T+1(盲拆)-》T+2卖出
折价:
T买入A,B-》T合并AB-》T+1合并确认并且赎回母基金

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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