2020收官,2021年投资理财布局

本文转载自“中信证券”微信公众号,投资有风险、需谨慎,本文的观点,不代表本人。

展望2021年,国内宏观基本面保持复苏态势,流动性在2021年Q1仍将保持合理充裕,A股市场将迎来春季行情。但同时国内散点疫情状况及互联网反垄断监管或扰动市场,需警惕缺乏基本面支撑的投机性抱团瓦解风险。

建议投资者关注军工、消费电子、半导体、家电、顺周期等景气度较高的行业以及受益政治局表态扶持种业带来的主题性机会,布局前期滞涨的龙头标的。

— 研大势 —

宏观经济持续复苏叠加流动性支撑,2021年Q1市场将迎来春季行情。

❶ 宏观经济持续复苏,2021年Q1将迎全年经济高点,对春季行情奠定基本面基础。

11月经济数据继续向好,预计2020年Q4 GDP增速在5.5%左右。展望2021年,制造业投资稳健增长的确定性较强,预计全年同比增长8%-10%;房地产与基建投资增速回落有限;消费在经济恢复及低基数效,增速应有望大幅回升,成为拉动2021年经济增长的主要动力;2021年全球疫情缓解概率较高,全球经济复苏整体将支撑出口保持增长,出口整体呈现前高后低走势。

基准预期下,我们认为2021年GDP增速在8.5%-9%区间,整体呈现前高后低,2021年Q1将迎全年经济高点,上市公司业绩同比也将大幅提升,奠定春季行情的基本面基础。

❷ 2021年Q1流动性仍将保持合理充裕,对春季行情奠定流动性基础。

2021年国内经济将恢复,财政政策及货币政策将逐步回归常态,但中央经济工作会对宏观政策要保持连续性、稳定性、可持续性以及不急转弯的表态将市场先前对政策迅速收紧的预期证伪。

上周央行净投放3700亿维护年末流动性平稳,同时在2021年1月企业贷款融资续作,2月春节假期流动性需求提升以及3月两会召开等重要时点,2021年Q1前流动性仍将保持合理充裕,货币政策难以明显收紧,奠定春季行情的流动性基础。

❸ 机构博弈跨年后缓和,逐步开始布局明年。

本周,机构2020全年业绩排名将出炉,前期博弈的心态和继续拉升其重仓股的交易行为将有所缓和,机构将开始逐步配置跨年行情,迎来集中换仓期,为明年的开局做准备。同时新发基金开始预热,百亿爆款基金酝酿发售,新增资金将更注重基本面以及估值的合理性,我们认为前期滞涨品种将领涨2021年初的春季行情。

国内散点疫情及互联网反垄断监管或有扰动,警惕缺乏基本面支撑的抱团股瓦解风险。

❶ 国内散点疫情及互联网反垄断监管或扰动市场情绪,整体影响有限但需密切关注。

近日不断出现的国内零星散点新冠肺炎疫情病例、海外病毒变异以及上周政府对国内互联网电商巨头展开反垄断调查对市场造成一定扰动。

我们认为国内疫情整体可控,政府发现疫情后及时切断传播渠道,避免再次出现大规模爆发,且疫苗研制进展也能极大缓解市场对疫情担忧;由于国内互联网龙头主要在海外市场上市,因此针对国内互联网电商巨头的反垄断调查对A股整体影响有限,但需密切关注其对可选消费板块带来的影响。

❷ 对前期基本面缺乏支撑的投机性抱团,需警惕瓦解风险。

上周在中央经济工作会政策表态超预期的利好之下,出现部分缺乏基本面支撑的投机性抱团。

我们认为,临近年末市场将不断有商誉减值及业绩爆雷标的出现扰动市场情绪,再考虑到相关投机性抱团标的流动性本就较差,在市场面临内外部扰动之时,其下跌幅度远大于基本面扎实的标的,投资者需警惕投机性瓦解风险。

— 聊配置 —

丨A股将迎来春季行情,建议关注三条主线的配置机会。

综上所述,我们认为在国内宏观基本面保持平稳复苏以及流动性在一季度仍将保持合理充裕的大背景下,A股市场将迎来春季行情。但同时国内散点疫情状况及互联网反垄断监管或扰动市场,需警惕缺乏基本面支撑的投机性抱团瓦解风险。

建议投资者关注军工、消费电子、半导体、家电、顺周期等景气度较高的行业以及受益政治局表态扶持种业带来的主题性机会,布局前期滞涨的龙头标的。

❶ 业绩向好的滞涨板块。

跨年后博弈性因素消散,市场将重归基本面,建议关注家电、军工、消费电子等行业景气度较高且前期滞涨的板块。

❷ 受益经济持续复苏的顺周期板块。

全球需求回暖趋势确定,2021年国内经济将迎高点,继续关注受益经济复苏的有色、化工、新能源等板块。

❸ 受政治局表态支持的种业。

12月中央经济工作会议将解决种子安全问题首次单独列出,超市场预期,建议投资者关注相关主题机会。

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)**:这种网络特别适合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,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 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,非常适合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,用于防止模型过拟合。 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