和讯期货消息 由中国期货业协会与深圳市人民政府共同举办的“第11届中国（深圳）国际期货大会”于12月3日―12月5日在深圳召开。

　　本届中国（深圳）国际期货大会与往届相比形式更加丰富多元，以“跨界、跨境、跨越”为主题，邀请了梅拉梅德等全球顶尖的金融衍生品专家、学者及深圳市政府及证监会领导、国内外主要交易所、金融企业、上市公司等领袖精英参会。大会将围绕“如何更好地服务实体经济风险管理，促进期货与现货、境内与境外、场内与场外、线上与线下的互联互通以及金融混业、跨界融合的发展”等业界关心的重大课题深入研讨。和讯期货参与现场直播。

　　博时基金副总裁王德英先生，为大家诠释大数据在基金公司的创新应用，他演讲的主题是“信息技术助力金融企业创新发展”。

　　以下为文字实录：

　　王德英：各位来宾上午好，今天在这里跟大家报告大数据在基金公司的应用，帮助基金公司进行业务创新。这两年随着互联网金融、互联网技术的发展，大家提到最多的就是云计算、大数据、社交等等名词。事实上大家也都能感受到云计算、大数据也在金融机构得到了切切实实的应用和推广。

　　我今天在这里跟大家报告的是大数据方面的内容，但是我更侧重于从业务方面来讲大数据对基金公司业务创新的推动。我主要从两大方面，一个是对基金公司投资研究方面的推动，另外一方面是对基金公司销售服务方面的业务创新的推动。先看投资方面，基金公司的业务模式，虽然是金融机构，但从基本的业务链条来看跟传统的行业，甚至制造行业也是非常类似的。传统制造行业一个是产品的制造、生产环节，另外一个是产品的销售环节。同样基金公司也是类似的，只是他的产品是虚拟化的产品，是金融产品。对应的业务一大块是生产部门，另外一块是销售部门。他的生产，对基金公司来说就是投资研究，把你的产品质量做好，事实上就是把产品收益做好。销售是类似的。所以金融行业跟传统行业本质上也是类似的。

　　就投资研究来看，进一步可以分为研究和投资两块。基金公司做研究三个方面，一个是宏观层面的研究，国家的宏观政策，货币政策，财政政策，汇率，国际的政策等等，这个决定了大类资产配置的方向。第二个层次的研究是行业研究，比如按股票来说，哪些行业的投资价值更大，哪些行业是周期性行业、非周期性行业，周期性行业处于什么发展阶段。第三个层次是个股的研究，在具体的行业里面对某个上市公司进行深入的研究，决定对公司的看法。

　　研究完了之后就要进行投资决策，因为研究也是为投资决策服务的。投资决策跟研究有点对应的，也是三个层次的配置。第一个层次是资产配置，通俗地讲就是在股票、债券、现金等各种大类资产上的配置比重。我们就股票市场来说可以说是仓位的配置，你看好股市的时候，在股票上的仓位就重一点，不看好的时候在债券市场上配置比重大一点。决定了在每类资产的配置比重之后，接下来是行业配置，比如在地产行业，整个地产行业在股票里面占多大的比重，这取决于前面的研究对未来地产行业未来发展趋势的判断。再往下就是个股的配置，比如地产行业决定在股票里面占5%的仓位，具体是买万科多少，招商地产(000024,股吧)多少，类似于这样的，就依赖于我们对具体的个股或上市公司的研究。所以一般的基金经理是按照这样做的，但每个基金经理也不一样，有的是自上而下多一点，在资产配置多一点，更大多数的基金经理是自下而上的，在个股配置上多一点。基金经理做仓位判断有一半是判断错的，加仓、减仓，很多人连一半的概率都做不到。基金经理大部分收益是来自于行业的超额收益和个股的收益，这取决于你对行业的精准判断和个股的研究带来的超额收益。所以自下而上在中国基金经理里面更多一些。

　　这是我们常说的基金经理的做法，这两年量化投资技术在国内日趋成熟，量化投资在中国市场从七八年之前引入中国，在中国资本市场进行应用。包括现在在国内基金公司做量化的，有一大半是从华尔街回来的。应该说国外的技术刚应用到国内市场的时候，一开始还是有点水土不服，所以头两三年波动有点大，某一年是正的收益，到第二年是负的收益了，在美国市场上的模型直接复制到中国市场有一个适应性的问题，有一个本地化演变的问题。最近两三年量化技术在中国的实践逐渐成熟，表现出来就是量化基金的业绩超越基准的稳健性大幅提高。比如去年沪深300增强的超额收益，好的做到9%多，今年好的做到10%几的收益。

　　量化技术比较常用的是多因子量化策略，大的因子类型，一类是综合财务因子，就是偏基本面的因子，比如估值类的有市盈率、市净率，成长类的业务收入增长率、净利润增长率、EPS增长率等等。另外是市场驱动因子，波动、交易量变化等等。各个做量化的团队、基金公司都涉及到大量这样的因子，一般都有几十个因子同时在起作用，但每一个阶段对因子的权重也会做调整。

　　前面介绍的都是基金公司做投资研究和决策的基本内容。如果从实质上来看，或者往基本逻辑上总结的话，投资研究的实质是数据的分析与决策。不管是基金经理主动做投资，还是做量化，事实上都是根据已知的数据对未来的表现做出预测，这是投资研究的基本过程。如果这个逻辑成立的话，如果我们获得的数据质量更高，数量更大的话，从原理上来说，我们对未来的判断也会更加准确。根据少量的数据可能对未来有一个判断，如果获得的数据更全，正常的话对未来判断应该更准确。我想这就是大数据的价值。传统策略是基于上市公司的季报、年报或者研究员调研的数据。大数据依赖的数据一个是数据量更大，现在是海量的数据，原来是维度比较少，现在的数据维度更全，传统的财报里面没有这样的数据。还有数据的颗粒度更细，原来的数据往往都是汇总的数据，现在有按天的数据。另外数据指标的先行性也更强一点。从数据层面，以空间角度，我们原来看上市公司是平面的影像，现在由于有了更大、更多维度，你看到的是立体的图像，信息量更大。原来是过一段时间看到的数据统计，看到的是一张照片，现在是看到每天发生的数据，所以现在看到的是一个录像，是连续的信息。所以从平面到立体，从一个个静态的图像到动态的录像，我想对上市公司数据的刻画更加全息化。现在有了大数据之后对上市公司研究可以用全息的数据来研究。从这个角度来说大数据带来基金公司投研模式的变革，由于数据量更大，我们对上市公司的判断可以更加准确。

　　有哪几类大数据呢？股市是由三方面的决定的，一个是基本的实体经济发展，第二个是大家对市场的预期，对未来发展的预期，第三个是资金，资金的流动性和宽裕程度。总的来说股市的发展是由这三方面决定的，但实体经济是根本，也许短期有涨跌的背离，但这个决定了总体的水平。市场的预期影响也比较大，过去这几年中国的成长股发展，大家给他的估值水平更高，因为中国是一个高成长性的市场。另外大家对改革的预期，导致对未来的预测更好，所以成长股从2012年以来股市表现更好一些。具体到每个个股，我觉得是两方面，一个是基本面，个股或上市企业的基本面。另外是大家对个股的预期或情绪。这两方面都有很多大数据可以采用，基本面方面以一个行业或企业的经营情况，而不是财报上的数据。还有产品的交易情况，有了大数据平台可以看到他每个产品的交易情况。另外市场情绪，比如对上市公司的搜索，另外在一些股吧对股票的评价，包括新闻。另外是自选股，通过草根炒股人员自选股，通过大家的群体行为也能看出这个市场对股票个股的情绪。目前很多大数据指数都是从这几个方面来入手的。

　　前面是基本的逻辑，大数据为什么能够帮助基金公司做投研模式的变革，为什么能给投研带来新的价值。第二部分结合博时关于大数据指数的研发情况给大家介绍一下大数据具体的应用。淘金大数据100指数是博时开发的第一只大数据指数，合作方是蚂蚁金服。这个数据为什么能用于投资？它的基本逻辑是这样，中国电商的交易金额已经占据了社会商品零售额的10%，另外淘宝占电商销售的60%-70%，这个决定淘宝的交易数据代表了中国商品消费的趋势。第二点我们认为每类商品在网络上的交易量是预示着未来这个行业或企业经营情况的变化。比如某类商品如果连续几个月销售大涨，预示着将来这个企业后面的经营利润会提高，最后反映到资本市场上会体现出来，基本逻辑是这样的。也是基于这样的逻辑，我们认为蚂蚁金服里面的数据对行业或者上市公司的经营情况有先行的指标作用，最终对资本市场的表现也有先行的指标作用。

　　我们跟蚂蚁金服合作的淘金大数据100是大消费指数，不是跨所有行业的，因为淘宝上不是所有商品都卖，比如钢铁、军工就没有，但涵盖的范围比较多。其实淘宝的商品有5000多个类目，但是商品最后怎么一步步地转化为选股的指标。并不是说所有的上市公司都在淘宝上卖东西，只有三四十个。它的基本逻辑是这样的，第一步是从淘宝的类目映射到哪一类上市公司，通过人工匹配对应到中证三级行业，有对应关系的是35个，一共有1740多只股票，选股将来就从这里面来选。我这里也列了这35个行业，将来随着电商业务的拓展，我相信覆盖的行业也会逐步扩大。

　　我们在这个过程里面要进行各种电商大数据的处理，它来自于蚂蚁金服的基础数据，包括销售量、销售额、商品数量、价格、买卖人数、订单数等基础数据。在基础数据之上，我们要进行大量的处理，大家知道网上的数据有极值或噪声处理，比如双11要做特别的处理，一个大爆发会带来错误性的信息。还有去噪声，有一些季节性的数据，某些商品在某些季节卖的量大一点，不能所有的年月都平均来看，这样的话会失真。

　　有了这些数据之后，第一步完成映射，第二步要从这些数据里面找到哪些数据对未来的二级市场或股票的表现先行指标指导性更强，或者对未来行业的预测程度。我们最后发掘了几类指标，一类是成长性指标，金额大、销量大。第二个是供需指标，买卖人数的变化。第三个是价格指标。总体的指标有3-6个月的提前量，所有这些发生了，过了3-6个月这些就会在股票市场表现出来。

　　比如白酒的价格指标，2012年4月份左右，由于当年的一些政策限制高价白酒的消费，我们先看指数，2012年7、8月份开始趋势性地往下走，我这里列的是白酒申万的指数。但是从白酒的价格上提前三四个月左右，白酒的价格已经提前做出了反应。但白酒价格的变化并没有很快地反应到股市上去，一变化一个月之内马上就反应了，因为价格的变化会慢慢延伸到股票市场上去。还有供需指标，这里举了一个纺织服装行业，这里面的蓝线是买家减卖家，越下降就是买的人少，卖的人多，这个一下降也预示着未来这个行业的经营情况会恶化。我们通过研究发现，这个行业也是有提前2-3个月的时间，供求关系一旦发生趋势性的变化，过了两三个月之后这个行业的股票就会下跌。

　　第二步是找到哪些指标对预测起作用。第三步是将指标转化为选股的权重，最后还是要落到股票上。我们采用的是多因子的模型，我们是三类指标，财务因子的打分，市场驱动因子打分和大数据因子打分。前面那几类因子综合来看，如果是上涨的话，有利于这个行业或企业未来经营情况好转的话，达到一个值就打一个分，下跌一个值的话就减一分，最后把财务因子打分，财务因子和市场驱动是以前的量化打分，加上大数据打分得到整体的多因子分值。然后我们选择分值前100位的作为成分股构成大数据指数成分。我们为了计时反应市场，会一个月调一次，普通的更慢。说是指数基金，其实也是带有一定成分股的被动产品，因为一个月调一次，而且很多因子都参与了选股。最后这个指数是100个股票的权重来构成整个指数。

　　我们看一下表现，从最开始完成映射关系，第二步找到大数据里面对企业未来的盈利情况有指导作用的指标，第三步把这些指标转化为选股的权重，表现是怎样的呢？当然非常好，历史的数据可以模拟，从去年底以来，我们是从去年12月底发布的指数，这是真实运行的指数。截至到2015年10月30日，沪深300基本没有涨，中证500是33%的涨幅，淘金100是将近65%，前面几年也非常好。在中国战胜沪深300不是太容易，但是战胜中证500比较容易。所以我们如果持续地战胜中证500，这个表现还是非常不错的。

　　有了这个逻辑之后我们还开发了一系列的指数，我们想把大数据的作用也发挥到底。我们做的第二个大数据指数是中证房天下大数据指数，是跟搜房网合作的，搜房网现在是中国最大的移动平台做网上新房销售，房屋二级市场销售的上市公司，同时对中国的房地产研究时间最长的公司，专门成立了一个研究院。他那里拥有每个上市公司每天的数据，每个公司、每个楼盘每天在网上的销售情况、价格数据，各个上市公司拿地储备的情况等数据，都是按日的数据。这些数据道理一样，也是作为未来上市公司经营情况的先行指标，我们也利用这个数据编制了房地产行业的数据。大数据一个是用来选股，另外还可以用来调节房地产具体每个股票的权重。刚才说的淘金100是等权的，但房地产因为股票没有那么多，不可能完全等权，得分高的会权重加大，得分低的权重降低，通过这个来创造比普通的房地产收益更好的指数。这个表现也不错，2013年弱一点其他年份都明显比中信房地产指数表现好。

　　第三个大数据指数是银联智慧，这是银联下属的一个大数据公司，拥有中国所有银联刷卡的数据。这个逻辑跟淘金100的做法类似，淘金对应的是网上消费，银联是线下消费。它对应的银行卡消费的数据消费行业有33个，主要是衣食住行医娱乐等股票，我们采用的大数据包括消费的金额、人数、笔数等数据，通过环比、同比来预测未来行业的发展。表现也是非常不错，从2012年到今年以来，每年都战胜中证500。

　　第四个雪球，雪球是中国最大的一个社交选股平台，这里面有大量草根炒股的人，大量的自荐组合。这里面做股票的选择是市场对股票的情绪，这就是市场情绪类的大数据。他们对股票的选择，加入或者剔出，会影响股票市场的表现。我们具体的做法是把在雪球上注册的全部用户中创建了自选组合里面剔出了空仓组合和过去一个月没有调仓记录的组合，在这里面按照收益排名，前1000个作为基础的组合池。这1000个组合里面，我们最后看哪些股票，特别是新加入的股票最多，哪些股票剔出的最多，新选的股票我们认为代表未来成长性大的股票。这个逻辑是这1000个的业绩很好，大家都看中这个股票，如果这些人确实炒股能力比较强的话，那这个股票未来的成长性更大。如果大家都卖出这个股票，那这个股票未来的表现就不好。根据这1000个自选组合对股票的覆盖度对股票进行打分，最终把各种因子结合在一起得出打分，选100个股票。雪球有三个大数据指数，比如粉丝数，还有用户活跃度。雪球过去三年的表现，每年都大幅战胜了中证500。

　　最后一个指数是东方财富(300059,股吧)100指数，表现也是战胜沪深300和中证500。

　　讲到这，我们对于大数据在投资研究方面的应用，这也是今年基金公司一个比较热的创新方向，现在有大数据的投资了。下面我简单报告一下在基金公司营销服务方面的应用，这两年一说到互联网金融，提到客户体验，金融机构怎么向互联网公司学习。我个人总结了一下客户体验三个层次，第一个层次是操作体验，大家说这个系统好不好用，易用性怎么样，功能布局是否合理，视觉体验良好。第二个层次是心理体验，除了系统好用、简洁、方便、快捷之外，系统不应该是一个僵化的系统，它应该是一个智能化的、人性化的系统，对每个客户应该有个性化的洞察，它应该对客户有心理预期的响应和管理，比如说当客户赎回基金之后，特别是第一次赎回基金，他这时候会关系什么时候钱会到账，他在操作完这一步最关心的是这个问题。这时候你意识到他有这个需求之后，你的系统能够给他及时的提示。但是不要老提示，老提示又变成死的系统了，因为他已经知道了。还有新开户客户，还有老客户过了好几个月没有登陆，新来的要给他介绍主要特点，如果很长时间没来了，这三个月来有什么新东西告诉他，如果这样做的话客户就会觉得非常懂他。如果能够做到这一步，客户就会从心理上感觉你的系统是智能化的、个性化的系统。第三个层次是精神层面的体验，能够给客户带来满足感、成就感、参与感和归属感。我们看到很多互联网的游戏平台为什么那么多人爱玩，就是因为很多玩家能够在上面得到认同感，通过粉丝的增加或者虚拟财富的增加，大家对他有一个崇拜感，能够从中得到精神的满足。如果我们能够通过一种模式创造这种体验，能够把客户长久地捆绑在我们的平台上，这是一个最有力的方式。

　　我觉得大数据可以优化互联网平台客户体验，比如操作体验方面通过客户访问记录的统计数据，哪些功能用得多，哪些功能用得少，可以优化操作体验。另外对客户个性化的特征，包括客户是新客户还是老客户，对不同产品的喜好也可以用来指导对他心理体验的优化。他来了之后这个产品一定是他喜欢。这是对客户体验的优化。还有我们博时也做了一些工作，用大数据进行客户精细化管理。我们也是基于客户的交易数据、行为数据、投资净值数据对客户进行划分，我们请IBM专门做了咨询，最后通过SAS做客户细分的分析，每个季度还会做更新。我们所依赖的有账户的维度，比如持有产品的情况，风险偏好情况。行为维度，比如申请赎回的频率。还有他的理财意识等。

　　通过这些变量，通过聚类分析的方法，最后把客户分成了八类客户，套牢族、忠诚族、喜欢频繁申赎的等等，我们给这些客户打上标签，对不同类别的客户会做不同的处理，比如做产品推荐的时候就不会一味地做推荐，我们会做客户的匹配度，这类客户可能最适合这类产品就会优先给他推荐。还有开一些大型客户的推介会，不是所有的客户都打电话邀请，对这类内容比较感兴趣的邀请他来，这样的话公司花同样的经理和资源取得的效果是最好的。我这里举了一个例子，我们建立了流失风险率比较大的客户活动，流失风险率比较小的，近期没有赎回倾向的会怎么做，流失风险率为零的怎么做。我今天主要就报告这些内容，投资线和营销服务线，确实大数据也是在这方面得到了切切实实的应用，谢谢大家！

本文仅代表作者本人观点，与本网站无关。本网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。