支付宝跌破了2之后,程序员们应该把钱放在哪里

昨天,码哥看到一个新闻,由于流动性宽松,余额宝收益率的七日年化收益率首次跌破了2%。码哥突然有点怀念当年可以舒服坐收余额宝4%和银行保本理财5%收益率的日子。你看,我每天写代码钱这么多也没地方用啊~但是往好的方面看,金融监管逐步趋严,中国资本市场不断规范,长远来看对于个人投资者是好事。

在这里插入图片描述

然而今年对于刚入门投资的程序员朋友就没有那么友好了,这新手村还没过呢就遇见高阶boss:股市巨震,买啥啥跌。央妈放水,货币基金收益率也跌。那么新手的程序员朋友应该买什么产品呢,码哥今天就给各位安排个新手帮助礼包。

在这里插入图片描述

首先,你应该清楚认识到一点:理财≠暴富。特别是对于资金不充裕,也没有经验的小白来说,稳健至上。炒股就先不用想了,经验老道的操盘手和证券分析师都不能保证每次都预判正确,何况一个毫无闲暇时间的新手呢。另外,偏股混合型基金,建议也先不要尝试。因为混合偏股基金的股票占比一般都在30%-65%,也就是说最保守情况下,也会持有30%左右的股票,万一出现市场暴跌,最保守的混合基金也一定会免不了被连累。

所以,基金类比较适合新手的就是债券类基金。而债券基金其实也有很多分类。请各位继续往下看。

在这里插入图片描述

债券基金的分类

债券基金主要分为纯债基金和混合债基,两者的区别是前者只投资债券,后者会少量地参与股票市场的投资。从风险和收益上看,纯债基金的风险更小,收益率稍低;混合债基的收益率更高,但风险也更高。

在这里插入图片描述

对于投资小白的程序员朋友,我主要推荐纯债基金的中短债类型,它是一个既能兼顾收益也能扛得住风险的优秀投资品种。

原因就要从债券的风险说起:由于纯债基只投资债券,而债券的风险主要有3种:利率、信用和流动性风险。

利率风险:通常来说,假如央妈突然降息,利率下行,债券的收益率也会随之下行,但长期债收益率下跌的幅度通常大于短债的幅度。

信用风险:主要来自发行主体能否在规定时间内按时还本付息。发行债券的主体可以是公司企业、政府机构等等,他们发行债券是为自己的经营活动进行筹资,并且按照合同约定定期给投资人爸爸(也就是我们)付一定的利息。信用风险就是万一这些发行主体陷入经营困难,不能够按时给我们利息的情况。这个信用风险会随着债券剩余期限的长度而增大,因为长期的经营不确定性比短期高。你无法预料10年之后一家企业还存不存在,但是至少你可以通过一些财务数据预测短期内企业会不会倒闭。

流动性风险:流动性风险是指能否快速地将持有的债券进行买卖。一般短期债券的交易都比较活跃,也就是说想买随时可以买,想卖也很容易。但长期债券,比如10年以上的债券交易就不那么活跃了,导致你不能及时地按照你期望的价格进行买卖。

所以综合以上三点原因,主要投资中短债券的中短债基金的风险会比长期债基金低很多。

在这里插入图片描述

收益方面,中短债的收益率也着实超出了我预期。天天基金上前十名中短债的近一年收益率在5.5%-7.6%之间,高于普遍2.5%左右的货币基金,以及3-4.5%左右封闭式的银行定期。

数据来源:天天基金 数据截至2020/4/8
数据来源:天天基金 数据截至2020/4/8

在这几个基金中,码哥一眼就相中了冠军宝座上的创金合信恒兴中短债这匹黑马,他不仅近1年排名是第一(7.63%),近6个月(4.79%)、近3个月(2.73%)的排名也都是第一,这不仅让我想起以前班里无论是月考、期中考还是期末考都是永远第一名的学霸。

在这里插入图片描述
数据来源:wind 数据截至2020/4/8

创金合信中短债这个产品的风险指标也是非常稳健的,近一年最大的回撤-0.32%,也就是说最大幅度的亏损也只有0.32%。低于1.5%的年化波动率说明业绩相当的稳健。

特别是对于工作繁忙程序员朋友,这样的产品是相当合适的。因为收益稳健,波动率小,所以不用时刻提心吊胆,担心净值翻车。同时他又有优秀的业绩表现,稳稳跑赢5%的CPI增速。

最后我还想补充一下,无论是新手朋友还是老司机,稳健优秀的债基产品都是需要配置在投资组合中的,因为我们不是巴菲特,大部分人无法承受太高的风险,稳健债基打底可以使得我们的投资组合风险控制在可承受的范围之内,在风险可控的前提下追求财富增值,才是理财的目标。

  • 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,RecallX轴,PrecisionY轴,可以画出一个Precision-Recall曲线,简称P-R
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,RecallX轴,PrecisionY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