[转] 投资策略及投资体系

yanhaijin - http://blog.sina.com.cn/s/blog_4e9b6f470102vf54.html
投资策略及投资体系
【以下为绿山投资即将发行产品的投资论述部分,绿山投资的联系email地址为:gmi_shanghai@qq.com】

 

我们的基金将全部投向美国市场。如果合作机构的内控允许,我们将采取long-only(做多策略)和long-short(多空对冲策略) 相结合的方式。基金long-only的头寸范围在30%—100%,long-short的头寸范围在0%—30%。这一策略决定了我们这一产品的超额收益来自于两方面:个股选择和发掘相对的错误定价。同时,这一策略让我们在强调个股选择的基础上更能够灵活面对未来市场的波动。如果无法实施long-short策略,我们将在组合中通过买入诸如市场反向ETF的品种对冲潜在的系统性风险。

 

发行这一专门投资于美股市场的QDII产品的初衷源于我们的以下三个信念:美国经济的超长增长周期、美元的超长上升周期以及美股的超长牛市周期。

 

我们认为,当前全球经济的典型特征是,美国经济的单极化趋势。本世纪初的前十年全球经济的典型特征是中国经济的超速增长带来的协奏曲增长,全球主要经济体均出现明显增长,以新兴经济体和资源经济体为主要增长极,全球资产价格同步出现大幅攀升。这一切以2008年金融危机爆发为终结点。危机后的全球经济走势出现明显的分化。中国经济的降速增长,标志着新兴经济体进入中等收入增长困境和改革困境,同时带来资源国的增长困境。而日欧经济体则受制于体制改革和人口老龄化等因素而出现停滞。危机后的美国经济出现生机,受益于低能源价格和房屋市场的库存修复以及高科技等因素。长期来看,主要经济体的人口结构只有美国最优,这是我们长期看多美国经济的核心原因之一。

 

美元明显受益于美国经济的单极化趋势。更为直接的理由则在于,美国经常项目的收支因为能源价格下跌、国内能源供应量大幅上升而大幅改善,而美国资本项目收支会受益于美国国内投资回报率回升而出现资金回流。同时,美国财政赤字会因为经济走好而缩减,进而可能出现盈利。美元作为国际货币储备,明显面临着国际市场美元短缺的局面。美元升值是一个较长时期的大趋势。

 

美股自金融危机之后的走势,有美联储QE的影响,但更多来自于健康的基本面支撑。受益于上述因素,未来公司盈利依然可能会出现较好地增长,这是支持美股超长牛市的根基。

 

无论做多策略还是多空对冲策略,我们都将坚持确定性投资的框架。我们将把发掘投资过程中的确定性作为最核心的环节进行评估。

 

投资是一个艰辛的历程。我们深知,普通投资者见到过太多华丽的修辞、太多高深的投资理论。我们更是深知,在后视镜中可以见到这些华丽修辞和高深理论的丑陋。因此,追求合理的预期,将投资过程尽量简化,成为我们的主要目标。

 

我们认为,投资面临的各种变量极其繁杂。但大体可以归为三类,基本面(fundamental)、流动性(liquidity)和情绪(emotion)。我们再三审视团队, 我们认为在后两个因子上,我们没有连续产生超额收益的可能。我们更是相信这样一个简单道理,在这两个因子上,连续决策将导致单次看似必然的成功产生的超额收益迅速消失并最终损害我们的回报率。我们对基本面这一因子高度重视,认为这是一个可以进行复制的连续积累的过程。但同时,我们又对基本面研究及根基于此的投资模式抱有极高的警惕。这源于我们对于理性的边界的认知。并因此认为,基本面的投资模式又是风险最大的一类投资风格。

 

传统的投资框架将是我们投资分析的基石。但很明显的事实是,这种学院派的框架被广泛应用后的结论却往往大相近庭。我们认为,工具的应用受到知识框架、方法论以及世界观等因素的影响。

 

在美国这样一个business is business(生意完全按照生意该有的样子来做)的国度,我们认为我们有着恰当的世界观。我们相信自由竞争的作用,并深信表面无序的自由竞争可以产生有序的秩序。我们深信,竞争因素可以解释社会的众多领域,不单是经济领域。同时,我们相信我们是一个对探究世界有着强烈好奇心的团队,对于新知识的学习将永不停息。深入研习芒格先生的误判⼼心理学,并时刻对照我们的决策,将成为常态。

 

上述诸种是确定性判断的综合构成因素。我们认为,公司发展的确定性阶段,是最理想的投资阶段,尤其是确定性的快速成长的阶段。这样的历史阶段,是公司由一个相对较小的市值跃升为一个远大于当前市值的阶段。我们通过长期持有的方式,分享这样的投资阶段。

 

我们认为,这套确定性投资框架需要我们付出百倍努力,大胆假设,小心求证,去伪成真。尽早发掘出公司确定性确立的时点,努力探索公司发展的市值空间,是确定性投资体系的最关键点。同时,这是我们风险防控的第一环节,也是核心环节。我们针对所有潜在投资对象的第一态度就是先否定,再肯定(sorry,you are a bad guy unless you prove yourself.)。建立在初始否定基础上的再认可的投资决策,将是一个反复论证的过程。我们信奉简单的信条,抓住我们能够理解的投资机会即可。

 

在个股的具体选择方面,我们倾向于选择变革者(Game-Changer)。这也是本产品名称的由来。本产品投资于变革者的仓位将不低于仓位的50%。

 

变革者是一个被滥用的词汇,更多用来自夸或者夸赞他人。但是,在我们看来,变革者有着严格的定义。变革者(Game-Changer)指的是开创一个全新市场并最终替代现有市场的公司。

从我们的投资经验来概括,变革者的成长主要分为两大路径,由缝隙市场(niche-market)逐步成长为主流市场(mainstream)的变革者和既定大市场的突变者。绝大部分变革者属于前者。这类变革者通过技术创新、商业模式创新或者服务创新等开创一个全新的市场,初始只体现为一个较小的市场(niche-market)。但这一全新的市场逐步发展壮大,最终走向主流市场,由此替代掉旧市场(技术或者服务)。绿山咖啡的单杯咖啡就是这种类型的典型变革者。Keurig的单杯咖啡机诞生之初只是非常小的市场,随着众多咖啡品牌、饮料品种的加入,更多零售渠道的加入,Keurig的生态逐步成长,最终成为美国家庭咖啡机消费的主流选择,开始并逐渐替代掉烹煮咖啡机市场。我们相信,我们比较看好的DexCom也属于这一类别的变革者。连续血糖仪通过技术进步,将从一个较小的市场成长为主流市场,并最终替代掉指血仪市场。

 

变革者的后一种方式,相对比较少见,多发生于高科技行业和医药行业。这种变革者的罕见,很大程度上和竞争有关。在一个已被验证的巨大容量的市场中,由小型公司发展出一种全新的产品或者服务彻底颠覆和取代旧有产品或者服务,难度是巨大的。既定大市场的突变者,多是技术的彻底颠覆者,而且需要方方面面的配合。典型如苹果公司的iPhone的诞生,通过一款革命性的手机产品,彻底颠覆功能机这一行业,并以强大的品牌号召力和执行力深刻而迅速的影响全行业。又或者如生物科技领域的吉利德公司的一款完全颠覆性的的丙肝治疗药物,革命性的技术,同时配合以强大的市场推广能力,铸就了奇迹。

 

变革者可以产生在各行各业,我们在发掘变革者之外更倾向于研究和投资消费品行业、互联网行业以及生物医药行业。

 

我们的风险控制将延续整个投资链条,从初始投资对象选择到构建组合,后续的跟踪,组合的重新评估,止损等等。毕其功于一役的幻想,将被我们彻底抛弃。我们的组合构建将是相对均衡的,做到行业分散公司分散。

转载于:https://www.cnblogs.com/qiangxia/p/4735136.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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