博格和他的先锋集团创业史(3): 共同基金的先驱者

博格和他的先锋集团创业史(3): 共同基金的先驱者

原创 2018-03-16 Tim(译) 合晶睿智

One Man’s Quest to Transform the Mutual Fund Industry!

如果你们问在美国基金行业最牛逼的人是谁? 答案一定不是巴菲特或者彼得林奇,而是约翰博格。他被誉为美国基金业的教父,他与他领导的先锋集团改变了美国传统基金行业,使得基金行业的平均管理费从1.5%降低到0.1%,截至2017年先锋集团管理规模约为5万亿美元,若依此计算,约翰博格每年为投资节约了700亿美元,省到就是赚到,换句说就是,他才是真正为美国投资者盈利最多的人!

目录:

•序言:美国共同基金教父约翰博格

•第一章:我觉得自己在天堂

•第二章:共同基金的先驱者

Walter L. Morgan在1920年创立了Vanguard的前身,威灵顿公司,从此开始了其传奇的共同基金生涯。当他于1967年辞去威灵顿管理公司董事长一职,并于3年后辞去威灵顿基金的主席时,他已成为共同基金行业中服务时间最长的领导人之一,也是所有美国公司中任职最长的主席之一。时至今日,他仍然每周在威灵顿管理公司办公室出现两次,而这已属于位于宾夕法尼亚州马尔文的Vanguard集团的一部分。

Morgan于1898年7月23日出生于宾夕法尼亚州的威尔克斯巴里。Morgan从小就体会到亏损所带来的痛苦经历,当时他从家人那借钱并买入一些石油公司的股票,结果血本无归。而他父亲在股市中的损失以及祖父在蒙大拿一家金矿公司和电车线路运营中的损失,又往他的伤口上撒了一把盐。从此Morgan答应自己,无论以后做什么,他都会尽力保护自己的收入,并且永远不会偏离这一保守的理念。

1920年,Morgan从普林斯顿大学毕业,他在学校主修货币与银行学。但即使是普林斯顿的教育也没有给他的在一家经纪公司工作的叔叔Charles Loxley留下深刻的印象。“你在别人面前一文不值,”Loxley对他的侄子说道,“我要求你出去学到些什么。”他的叔叔为他在位于费城的Peat, Marwick and Mitchell会计师事务所找到一份工作,Morgan为此表示感激。在那里,Morgan的周薪仅有28美金,但他学到了很多关于财务报表的知识。

几年后,Morgan要求加薪。当他被拒绝后,他开办了自己的会计师事务所,为众多客户提供投资建议。Morgan开始相信他可以通过将众多账户集合成一个大型基金来更有效的提供投资建议,并获得收益。通过这样的基金,他可以为潜在的投资者提供更多的证券,而这些证券的价格超出了这些个人原本能够承担的范围。而当时的共同基金行业尚处于起步阶段,Morgan身边几乎没有几位同事可以可以与他交流这些想法。其中一位是来自于费城的投资顾问W.Wallace Alexander,他于1907年成立了Alexander基金,该基金成为了美国共同基金的“祖先”。

在20世纪20年代后期,大多数投资公司都采用封闭式基金模式。他们汇集了投资者的资金,并在IPO(首次公开募集)时发售一定数量的份额。一旦首发完成,投资者既不能购买额外的份额,也不能通过基金公司卖出他们持有的份额。相反,他们不得不通过股票经纪人在股票交易所买入或者卖出份额。

1924年3月,马萨诸塞州投资者信托(MIT)的成立标志着一种区别于“封闭式”基金的新型基金的产生。 作为一个“开放式”基金(后来又被称为共同基金),它不断向投资者提供新的份额,并允许投资者以其资产净值赎回现有份额。 这种开放式的特征为投资者提供了日常的流动性,将其投资转化为现金。更重要的是,它通过汇集资金并在专业投资顾问的投资管理下,让只具有少量资金且并不专业的小规模投资者可以获得与大型投资者相同的投资回报。

然而投资者接受马萨诸塞州投资者信托的速度比较缓慢,在其第一年的运作期间,仅有200名左右的投资者投资了该信托。但随着其他共同基金的出现,包括Incorporated Investors和道富投资信托(现在的名字均略有不同),WalterMorgan开始通过创立自己的基金公司开始加入这个新行业。Morgan的祖父也鼓励他,他对Morgan说“你最好开始自己创业,哪怕摆一个花生摊也好。”Morgan将自己的2.5万美元积蓄和从朋友家人处得到的资金归集在一起,凑足10万美元组建了一个共同基金。这只基金在1928年12月28日成立,并于第二年7月正式运作。

在早期,Morgan得到了投资银行家A.Moyer Kulp以及位于费城的第一宾夕法尼亚银行投资管理部主管Brandon Barringer的支持。Morgan最初将他的基金命名为工业及电力证券公司,但它几乎从一开始就被称为“威灵顿基金”,这个名称源于Morgan对英国历史的热爱,以及他对1815年在滑铁卢击败拿破仑的“铁公爵”威灵顿的崇拜。

因此,在三大现有股票基金——MIT,道富和Incorporated Investors——之外,Morgan的威灵顿基金也加入其中。Morgan的基金在开放式基金中的独特之处在于,出于安全考虑,他持有了相当比例(最初为30%)的高评级公司债和政府债券,而不是仅投资于股票资产。因此这只基金也被称为“平衡”基金,这在当时是独一无二的。同其他封闭式基金相比,Morgan为惠灵顿基金增加了很多保守的投资政策,包括避免使用杠杆(利用基金资产“借钱”以放大其潜在收益及损失),这样的政策旨在避免过度投机并承担风险。

在1929年初,数百家封闭式投资公司管理着大部分公众投资资产,合计规模大约70亿美元。相比之下,像Morgan这样的开放式基金只有19家,管理的资产合计仅有1.4亿美元。然而,许多封闭式基金就像定时炸弹。他们的投资经理期望产生奇迹般的回报,而它们在交易所以相较其资产净值溢价100%甚至200%的交易价格进行交易。当股票市场崩盘的时候,这些基金交易价格迅速由溢价转变为折价(交易价格低于基金投资组合的市场价值)。到了1933年,封闭式投资公司的价格平均下跌了90%。许多公司因此破产。

现在回想起来,Morgan选择了美国金融史上最糟糕的时期创立一家新的投资公司。然而,由于威灵顿基金的投资原则比其竞争对手的风险都要低,因此不管封闭式基金表现如何,威灵顿基金都有效缓释了市场崩盘对投资者产生的影响。威灵顿基金主要受益于三个因素:

(1)作为一只无杠杆基金,它没有利用基金资产借贷投资;

(2)作为一只开放式基金,它可以按需赎回份额,避免了像封闭式基金一样交易价格大幅波动,从溢价变为折价;

(3)作为一只平衡型基金,它持有大量债券和现金,缓冲了股票市场急剧下跌带来的损潜在损失。

实际上,在1929年夏天,作为威灵顿基金首席投资顾问的Kulp和Barringer曾敦促Morgan将该基金的股票仓位从75%降低到33%。Morgan采纳了他们的建议,以柯蒂斯出版公司为例,Morgan以每股124美元的价格卖掉该只股票,而三年后这只股票的价格仅为5美元。

尽管其他投资公司在三年的股市崩盘中表现惨淡——以马萨诸塞州投资信托为例,其资产净值亏损超过60%——威灵顿基金的损失则少得多,这引起了公众的注意。它的资产规模从1929年7月的10万美元增长到了1933年底的50万美元。千万不要怀疑投资于这只共同基金是一个明智的选择,Morgan散发自信地说道:“在投资管理方面,我知道我们可以比大多数个人投资者做得更好。”由于威灵顿等基金在1929年开始的大萧条中运作成功,大萧条之后新成立的投资公司都是采取开放式基金的形式。

威灵顿基金的规模增长使Morgan的公司产生一些变化。在1929-1933年期间,该公司曾由W. L. Morgan & Co.管理,而现在则交由新成立的威灵顿管理公司管理。此外,Morgan还聘请了一个分销管理团队。随着费城乃至其余东海岸地区的经销商逐渐了解威灵顿基金的出色业绩,该基金的规模逐步增长。到了1934年12月,该基金的资产规模已达60万美元;一年之后,他们的规模超过了100万美元;而四年之后,这个数字突破了500万美元。

第二次世界大战带来了新的投资机会。当希特勒于1939年入侵波兰时,Morgan买入了许多他认为将从这场战争中获益的股票。至战争结束时,威灵顿基金的资产规模已经增长到2500万美元。伴随着规模迅速增长,Morgan需要聘请更多的人手。于是他任命Kulp担任投资管理部门的全职主管,同时任命1935年加入公司并担任首席销售的Alvin J. Wilkins担任全国销售团队的主管。自1937年以来一直与威灵顿管理公司有联系的Joseph E. Welch成为公司执行副总裁,并于1959年被任命为总裁。在这只高管团队的带领下,该基金的规模持续增长。1949年,该基金的资产规模突破1亿美元;其后又在不到两年的时间里几乎翻番,达到了1.9亿美元。

到了1951年年中,威灵顿基金成为美国第四大共同基金,Walter Morgan显然已经成为这一行业的先驱和领袖。然而,尽管Morgan并不知晓,他即将聘请的一名来自于普林斯顿的年轻人,将继承他的地位,并成为一名风格完全不同的行业领导者。

译者:Tim,某大型基金管理公司ETF基金经理

原英文书《John Bogle and the Vanguard Excperiment》,故事一共24章,赶紧点赞与转发才能加速更新速度……本译文仅用于国内同业之间学习与研究。

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。
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