大數據股票投資案例

① 大數據時代應該如何投資股票

給一篇關於【如何使用大數據進行A股行業投資】的教程給你參考一下~

好的投資，首先是選好行業

紅杉資本曾經有一條著名的投資經驗，大意是：好的投資，首先是選好賽道，其次是賽道上的選手。對於每天活躍於資本市場上的投資者而言，賽道所指的正是你正在投資、或者將要投資的那家公司它所在的行業，更直接的說，你投資於什麼行業，投資於這個行業的哪家公司，決定了你最終能獲得什麼樣的收益表現。

那麼，紅杉資本的這條投資經驗是否適用於A股市場，並給我們帶來可觀的投資收益呢？本文試圖通過量化分析和交易回測來驗證這一投資模式是否真正有效，所採用的數據取自於聚寬數據出品的JQData本地量化金融數據，通過梳理出自2010年以來A股市場上不同行業的發展情況，進一步構建出一個優質行業龍頭組合，觀察其從2015年股災至今的收益表現。最終發現，這樣一個優質行業的龍頭組合，從股災至今大幅跑贏了上證指數和滬深300指數高達30%的以上的收益率，可以說是超乎預期的。以下是具體分析過程。

2010 ~ 2017 滬深A股各行業量化分析

在開始各行業的量化分析之前，我們需要先弄清楚兩個問題：

• 第一，A股市場上都有哪些行業；

• 第二，各行業自2010年以來的營收、凈利潤增速表現如何？

第一個問題：
很好回答，我們使用JQData提供的獲取行業成分股的方法，輸入get_instries(name='sw_l1')
得到申萬一級行業分類結果如下：它們分別是：【農林牧漁、採掘、化工、鋼鐵、有色金屬、電子、家用電器、食品飲料、紡織服裝、輕工製造、醫葯生物、公用事業、交通運輸、房地產、商業貿易、休閑服務、綜合、建築材料、建築裝飾、電器設備、國防軍工、計算機、傳媒、通信、銀行、非銀金融、汽車、機械設備】共計28個行業。

第二個問題：

要知道各行業自2010年以來的營收、凈利潤增速表現，我們首先需要知道各行業在各個年度都有哪些成分股，然後加總該行業在該年度各成分股的總營收和凈利潤，就能得到整個行業在該年度的總營收和總利潤了。這部分數據JQData也為我們提供了方便的介面：通過調用get_instry_stocks(instry_code=『行業編碼』, date=『統計日期』)，獲取申萬一級行業指定日期下的行業成分股列表，然後再調用查詢財務的數據介面：get_fundamentals(query_object=『query_object』, statDate=year)來獲取各個成分股在對應年度的總營收和凈利潤，最後通過加總得到整個行業的總營收和總利潤。這里為了避免非經常性損益的影響，我們對凈利潤指標最終選取的扣除非經常性損益的凈利潤數據。

我們已經獲取到想要的行業數據了。接下來，我們需要進一步分析，這些行業都有什麼樣的增長特徵。

我們發現，在28個申萬一級行業中，有18個行業自2010年以來在總營收方面保持了持續穩定的增長。它們分別是：【農林牧漁，電子，食品飲料，紡織服裝，輕工製造，醫葯生物，公用事業，交通運輸，房地產，休閑服務，建築裝飾，電氣設備，國防軍工，計算機，傳媒，通信，銀行，汽車】；其他行業在該時間范圍內出現了不同程度的負增長。

那麼，自2010年以來凈利潤保持持續增長的行業又會是哪些呢？結果是只有5個行業保持了基業長青，他們分別是醫葯生物，建築裝飾，電氣設備，銀行和汽車。（註：由於申萬行業在2014年發生過一次大的調整，建築裝飾，電氣設備，銀行和汽車實際從2014年才開始統計。）

從上面的分析結果可以看到，真正能夠保持持續穩定增長的行業並不多，如果以扣非凈利潤為標准，那麼只有醫葯生物，建築裝飾，電氣設備，銀行和汽車這五個行業可以稱之為優質行業，實際投資中，就可以只從這幾個行業中去投資。這樣做的目的是，一方面，能夠從行業大格局層面避免行業下行的風險，繞開一個可能出現負增長的的行業，從而降低投資的風險；另一方面，也大大縮短了我們的投資范圍，讓投資者能夠專注於從真正好的行業去挑選公司進行投資。

「2010-2017」投資於優質行業龍頭的收益表現




選好行業之後，下面進入選公司環節。我們知道，即便是一個好的行業也仍然存在表現不好的公司，那麼什麼是好的公司呢，本文試圖從營業收入規模和利潤規模和來考察以上五個基業長青的行業，從它們中去篩選公司作為投資標的。

1、按營業收入規模構建的行業龍頭投資組合

首先，我們按照營業收入規模，篩選出以上5個行業【醫葯生物，建築裝飾，電氣設備，銀行和汽車】從2010年至今的行業龍頭如下表所示：






結論




通過以上行業分析和投資組合的歷史回測可以看到：

• 先選行業，再選公司，即使是從2015年股災期間開始投資，至2018年5月1號，仍然能夠獲得相對理想的收益，可以說，紅杉資本的賽道投資法則對於一般投資者還是比較靠譜的。

• 在構建行業龍頭投資組合時，凈利潤指標顯著優於營業收入指標，獲得的投資收益能夠更大的跑贏全市場收益率

• 市場是不斷波動的，如果一個投資者從股災期間開始投資，那麼即使他買入了上述優質行業的龍頭組合，在近3年也只能獲得12%左右的累計收益；而如果從2016年5月3日開始投資，那麼至2018年5月2日，2年時間就能獲得超過50%以上的收益了。所以，在投資過程中選擇時機也非常重要~

② 大數據概念股票有哪些

拓爾思：技術變現和數據變現雙輪驅動
科華恆盛：投資備忘錄簽訂，數據中心運營有望超預期
銀之傑：互聯網保險牌照獲批，大數據+兩張稀缺性牌照價值巨大
宜通世紀：主營業務維持快速增長，智慧醫療+大數據拓展成長空間
亨通光電：內生動力充足，外延增長可期
盛洋科技：射頻電纜內資主要廠商，著力數據電纜產能擴張
大唐電信：晶元王者歸來，移動互聯異軍突起
東方國信：四大領域布局厚積薄發、領跑「大數據+N」新時代
積成電子：電改電氣新時代系列報告15-稀缺的能源互聯網大數據平台
恆寶股份：華麗轉型商戶服務領域，大數據布局蓄勢待發
初靈信息：一季度虧損非常態，看好公司發展
三維通信：網優回暖驅動業績持續同比改善，新業務拓展奠定公司長期成長基石
美亞柏科：傳統行業穩步快速增長，打造基於大數據平台的大安全新市場

③ 利用大數據炒股會賺嗎

隨著科學技術的發展，現在很多炒股軟體都可以方便快捷地找到上市公司的關鍵數據。用大數據分析找出大股東的持倉成本，就等於看到了經銷商的底牌。購買價格接近或低於市場平均持倉成本。利潤機會越大，安全系數越高。

因為大數據分析人們的常識性需求或一些習慣性行為，只能通過多次或多次發生的常見行為事件找出一些規律。上述行為事件是相對固定時間或基本需求或習慣的單一行為的結果。作為股東，沒有人能夠預測未來。我們不否認這一點。然而，很少有人會否認每個人都可以回顧歷史。我們不知道未來會上升還是下降。我們不知道如何波動。然而，如果一個好故事講得很辛苦，說書人肯定會得到好處。粉絲越多，他得到的好處就越多。

④ 大數據股票龍頭股票

大數據龍頭股票有：
1、福田汽車600166：
大數據龍頭。2020年報顯示，公司的營業收入577.7億元，同比增長22.99%，近3年復合增長18.63%。公司是網路Apollo的合作夥伴，與網路就車聯網、大數據、智能汽車和無人駕駛展開全面合作，共同打造面向未來的智能互聯網商用汽車。
2、高鴻股份000851：
大數據龍頭。公司2020年實現總營收70.18億，同比增長-38.49%。2014年6月17日晚間公告稱，公司擬聯合貴州旅遊投資控股有限責任公司、貴州產業技術發展研究院，合計認繳資5000萬元發起方式設立貴州大數據旅遊產業股份有限公司，立足貴州，面向全國打造知名的大數據旅遊平台運營公司。
3、神州數碼000034：雙方將聚焦金融、稅務、醫療大數據、農業等領域構建差異化雲服務，未來將帶動上百萬企業和代理商客戶向雲轉型。
4、中國長城000066：採用新一代的人工智慧和大數據技術，為傳統智慧城市提供全新的一攬子解決方案，促進關鍵行業的產業升級。
5、華數傳媒000156：公司處於大數據產業鏈的數據端（影音數據），公司通過有線電視網路業務逐步輻射互動電視/IPTV、手機電視、互聯網電視和互聯網視聽等新媒體業務，同時公司於阿里合作推出阿里盒子，掌控電視屏入口。
6、常山北明000158：中標舞鋼市智慧城市項目；通過整合雲計算、大數據、物聯網、移動互聯網和人工智慧等領域技術、業務成果，融合成國內領先的智慧城市總體解決方案。
7、美的集團000333：2014年3月，公司與阿里雲簽署《框架合作協議》，就構建基於雲平台的物聯網智慧系統及大數據應用達成框架合作意向 。
拓展資料：
股票投資注意事項
1、股票價格。購買股票時要觀察的第一件事是每隻股票的價格。這不僅決定了自己是否負擔得起該股票投資，還決定了購買每種證券的數量。如果自己是通過經紀人購買股票，則平均每購買一股股票就需要支付一定的傭金。
2、收益。即使自己負擔得起某隻股票，也不意味著該證券值得購買。因為如果自己認為該企業將來會獲得高利潤，則100元的股票可能會顯得便宜。
3、股利。當自己購買股票時應該先查找這些公司是否有向投資者支付股息的歷史。這是公司在有足夠現金儲備的前提下可以選擇向股東支付現金。即使股票下跌一段時間，股息也可以為自己提供一定的收益。並且需要注意公司是否有提高股息金額的歷史。
4、股票風險。如果自己要購買大量股票，應該要倆接公司交易所在行業的市場風險。

⑤ 如何用大數據炒股

我們如今生活在一個數據爆炸的世界裡。網路每天響應超過60億次的搜索請求，日處理數據超過100PB，相當於6000多座中國國家圖書館的書籍信息量總和。新浪微博每天都會發布上億條微博。在荒無人煙的郊外，暗藏著無數大公司的信息存儲中心，24小時夜以繼日地運轉著。
克托·邁爾-舍恩伯格在《大數據時代》一書中認為，大數據的核心就是預測，即只要數據豐富到一定程度，就可預測事情發生的可能性。例如，「從一個人亂穿馬路時行進的軌跡和速度來看他能及時穿過馬路的可能性」，或者通過一個人穿過馬路的速度，預測車子何時應該減速從而讓他及時穿過馬路。

那麼，如果把這種預測能力應用在股票投資上，又會如何？

目前，美國已經有許多對沖基金採用大數據技術進行投資，並且收獲甚豐。中國的中證廣發網路百發100指數基金（下稱百發100），上線四個多月以來已上漲68%。

和傳統量化投資類似，大數據投資也是依靠模型，但模型里的數據變數幾何倍地增加了，在原有的金融結構化數據基礎上，增加了社交言論、地理信息、衛星監測等非結構化數據，並且將這些非結構化數據進行量化，從而讓模型可以吸收。

由於大數據模型對成本要求極高，業內人士認為，大數據將成為共享平台化的服務，數據和技術相當於食材和鍋，基金經理和分析師可以通過平台製作自己的策略。

量化非結構數據

不要小看大數據的本領，正是這項剛剛興起的技術已經創造了無數「未卜先知」的奇跡。

2014年，網路用大數據技術預測命中了全國18卷中12卷高考作文題目，被網友稱為「神預測」。網路公司人士表示，在這個大數據池中，包含互聯網積累的用戶數據、歷年的命題數據以及教育機構對出題方向作出的判斷。

在2014年巴西世界盃比賽中，Google亦通過大數據技術成功預測了16強和8強名單。

從當年英格蘭報社的信鴿、費城股票交易所的信號燈到報紙電話，再到如今的互聯網、雲計算、大數據，前沿技術迅速在投資領域落地。在股票策略中，大數據日益嶄露頭角。

做股票投資策略，需要的大數據可以分為結構化數據和非結構化數據。結構化數據，簡單說就是「一堆數字」，通常包括傳統量化分析中常用的CPI、PMI、市值、交易量等專業信息；非結構化數據就是社交文字、地理位置、用戶行為等「還沒有進行量化的信息」。

量化非結構化就是用深度模型替代簡單線性模型的過程，其中所涉及的技術包括自然語言處理、語音識別、圖像識別等。

金融大數據平台-通聯數據CEO王政表示，通聯數據採用的非結構化數據可以分為三類：第一類和人相關，包括社交言論、消費、去過的地點等；第二類與物相關，如通過正在行駛的船隻和貨車判斷物聯網情況；第三類則是衛星監測的環境信息，包括汽車流、港口裝載量、新的建築開工等情況。

衛星監測信息在美國已被投入使用，2014年Google斥資5億美元收購了衛星公司Skybox，從而可以獲得實施衛星監測信息。

結構化和非結構化數據也常常相互轉化。「結構化和非結構化數據可以形象理解成把所有數據裝在一個籃子里，根據應用策略不同相互轉化。例如，在搜索頻率調查中，用戶搜索就是結構化數據；在金融策略分析中，用戶搜索就是非結構化數據。」網路公司人士表示。

華爾街拿著豐厚薪水的分析師們還不知道，自己的僱主已經將大量資本投向了取代自己的機器。
2014年11月23日，高盛向Kensho公司投資1500萬美元，以支持該公司的大數據平台建設。該平台很像iPhone里的Siri，可以快速整合海量數據進行分析，並且回答投資者提出的各種金融問題，例如「下月有颶風，將對美國建材板塊造成什麼影響？」

在Kensho處理的信息中，有80%是「非結構化」數據，例如政策文件、自然事件、地理環境、科技創新等。這類信息通常是電腦和模型難以消化的。因此，Kensho的CEO Daniel Nadler認為，華爾街過去是基於20%的信息做出100%的決策。

既然說到高盛，順便提一下，這家華爾街老牌投行如今對大數據可謂青睞有加。除了Kensho，高盛還和Fortress信貸集團在兩年前投資了8000萬美元給小額融資平台On Deck Capital。這家公司的核心競爭力也是大數據，它利用大數據對中小企業進行分析，從而選出值得投資的企業並以很快的速度為之提供短期貸款。

捕捉市場情緒

上述諸多非結構化數據，歸根結底是為了獲得一個信息：市場情緒。

在采訪中，2013年諾貝爾經濟學獎得主羅伯特•席勒的觀點被無數采訪對象引述。可以說，大數據策略投資的創業者們無一不是席勒的信奉者。

席勒於上世紀80年代設計的投資模型至今仍被業內稱道。在他的模型中，主要參考三個變數：投資項目計劃的現金流、公司資本的估算成本、股票市場對投資的反應（市場情緒）。他認為，市場本身帶有主觀判斷因素，投資者情緒會影響投資行為，而投資行為直接影響資產價格。
然而，在大數據技術誕生之前，市場情緒始終無法進行量化。

回顧人類股票投資發展史，其實就是將影響股價的因子不斷量化的過程。

上世紀70年代以前，股票投資是一種定性的分析，沒有數據應用，而是一門主觀的藝術。隨著電腦的普及，很多人開始研究驅動股價變化的規律，把傳統基本面研究方法用模型代替，市盈率、市凈率的概念誕生，量化投資由此興起。

量化投資技術的興起也帶動了一批華爾街大鱷的誕生。例如，巴克萊全球投資者（BGI）在上世紀70年代就以其超越同行的電腦模型成為全球最大的基金管理公司；進入80年代，另一家基金公司文藝復興（Renaissance）年均回報率在扣除管理費和投資收益分成等費用後仍高達34%，堪稱當時最佳的對沖基金，之後十多年該基金資產亦十分穩定。

「從主觀判斷到量化投資，是從藝術轉為科學的過程。」王政表示，上世紀70年代以前一個基本面研究員只能關注20隻到50隻股票，覆蓋面很有限。有了量化模型就可以覆蓋所有股票，這就是一個大的飛躍。此外，隨著計算機處理能力的發展，信息的用量也有一個飛躍變化。過去看三個指標就夠了，現在看的指標越來越多，做出的預測越來越准確。

隨著21世紀的到來，量化投資又遇到了新的瓶頸，就是同質化競爭。各家機構的量化模型越來越趨同，導致投資結果同漲同跌。「能否在看到報表數據之前，用更大的數據尋找規律？」這是大數據策略創業者們試圖解決的問題。

於是，量化投資的多米諾骨牌終於觸碰到了席勒理論的第三層變數——市場情緒。

計算機通過分析新聞、研究報告、社交信息、搜索行為等，藉助自然語言處理方法，提取有用的信息；而藉助機器學習智能分析，過去量化投資只能覆蓋幾十個策略，大數據投資則可以覆蓋成千上萬個策略。

基於互聯網搜索數據和社交行為的經濟預測研究，已逐漸成為一個新的學術熱點，並在經濟、社會以及健康等領域的研究中取得了一定成果。在資本市場應用上，研究發現搜索數據可有效預測未來股市活躍度（以交易量指標衡量）及股價走勢的變化。

海外就有學術研究指出，公司的名稱或者相關關鍵詞的搜索量，與該公司的股票交易量正相關。德國科學家Tobias Preis就進行了如此研究：Tobias利用谷歌搜索引擎和谷歌趨勢（Google Trends），以美國標普500指數的500隻股票為其樣本，以2004年至2010年為觀察區間，發現谷歌趨勢數據的公司名稱搜索量和對應股票的交易量，在每周一次的時間尺度上有高度關聯性。也就是說，當某個公司名稱在谷歌的搜索量活動增加時，無論股票的價格是上漲或者下跌，股票成交量與搜索量增加；反之亦然，搜索量下降，股票成交量下降。以標普500指數的樣本股為基礎，依據上述策略構建的模擬投資組合在六年的時間內獲得了高達329%的累計收益。

在美國市場上，還有多家私募對沖基金利用Twitter和Facebook的社交數據作為反映投資者情緒和市場趨勢的因子，構建對沖投資策略。利用互聯網大數據進行投資策略和工具的開發已經成為世界金融投資領域的新熱點。

保羅·霍丁管理的對沖基金Derwent成立於2011年5月，注冊在開曼群島，初始規模約為4000萬美元， 2013年投資收益高達23.77%。該基金的投資標的包括流動性較好的股票及股票指數產品。
通聯數據董事長肖風在《投資革命》中寫道，Derwent的投資策略是通過實時跟蹤Twitter用戶的情緒，以此感知市場參與者的「貪婪與恐懼」，從而判斷市場漲跌來獲利。

在Derwent的網頁上可以看到這樣一句話：「用實時的社交媒體解碼暗藏的交易機會。」保羅·霍丁在基金宣傳冊中表示：「多年以來，投資者已經普遍接受一種觀點，即恐懼和貪婪是金融市場的驅動力。但是以前人們沒有技術或數據來對人類情感進行量化。這是第四維。Derwent就是要通過即時關注Twitter中的公眾情緒，指導投資。」

另一家位於美國加州的對沖基金MarketPsych與湯普森·路透合作提供了分布在119個國家不低於18864項獨立指數，比如每分鍾更新的心情狀態（包括樂觀、憂郁、快樂、害怕、生氣，甚至還包括創新、訴訟及沖突情況等），而這些指數都是通過分析Twitter的數據文本，作為股市投資的信號。

此類基金還在不斷涌現。金融危機後，幾個台灣年輕人在波士頓組建了一家名為FlyBerry的對沖基金，口號是「Modeling the World（把世界建模）」。它的投資理念全部依託大數據技術，通過監測市場輿論和行為，對投資做出秒速判斷。

關於社交媒體信息的量化應用，在股票投資之外的領域也很常見：Twitter自己也十分注重信息的開發挖掘，它與DataSift和Gnip兩家公司達成了一項出售數據訪問許可權的協議，銷售人們的想法、情緒和溝通數據，從而作為顧客的反饋意見匯總後對商業營銷活動的效果進行判斷。從事類似工作的公司還有DMetics，它通過對人們的購物行為進行分析，尋找影響消費者最終選擇的細微原因。

回到股票世界，利用社交媒體信息做投資的公司還有StockTwits。打開這家網站，首先映入眼簾的宣傳語是「看看投資者和交易員此刻正如何討論你的股票」。正如其名，這家網站相當於「股票界的Twitter」，主要面向分析師、媒體和投資者。它通過機器和人工相結合的手段，將關於股票和市場的信息整理為140字以內的短消息供用戶參考。

此外，StockTwits還整合了社交功能，並作為插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，讓人們可以輕易分享投資信息。

另一家公司Market Prophit也很有趣。這家網站的宣傳語是「從社交媒體噪音中提煉市場信號」。和StockTwits相比，Market Prophit更加註重大數據的應用。它採用了先進的語義分析法，可以將Twitter里的金融對話量化為「-1（極度看空）」到「1（極度看多）」之間的投資建議。網站還根據語義量化，每天公布前十名和後十名的股票熱度榜單。網站還設計了「熱度地圖」功能，根據投資者情緒和意見，按照不同板塊，將板塊內的個股按照顏色深淺進行標注，誰漲誰跌一目瞭然。

中國原創大數據指數

盡管大數據策略投資在美國貌似炙手可熱，但事實上，其應用尚僅限於中小型對沖基金和創業平台公司。大數據策略投資第一次被大規模應用，應歸於中國的百發100。

網路金融中心相關負責人表示，與歐美等成熟資本市場主要由理性機構投資者構成相比，東亞尤其是中國的股票類證券投資市場仍以散戶為主，因此市場受投資者情緒和宏觀政策性因素影響很大。而個人投資者行為可以更多地反映在互聯網用戶行為大數據上，從而為有效地預測市場情緒和趨勢提供了可能。這也就是中國國內公募基金在應用互聯網大數據投資方面比海外市場並不落後、甚至領先的原因。

百發100指數由網路、中證指數公司、廣發基金聯合研發推出，於2014年7月8日正式對市場發布，實盤運行以來一路上漲，漲幅超過60%。跟蹤該指數的指數基金規模上限為30億份，2014年9月17日正式獲批，10月20日發行時一度創下26小時瘋賣18億份的「神話」。

外界都知道百發100是依託大數據的指數基金，但其背後的細節鮮為人知。

百發100數據層面的分析分為兩個層面，即數據工廠的數據歸集和數據處理系統的數據分析。其中數據工廠負責大數據的收集分析，例如將來源於互聯網的非結構化數據進行指標化、產品化等數據量化過程；數據處理系統，可以在數據工廠遞交的大數據中尋找相互統計關聯，提取有效信息，最終應用於策略投資。

「其實百發100是在傳統量化投資技術上融合了基於互聯網大數據的市場走勢和投資情緒判斷。」業內人士概括道。

和傳統量化投資類似，百發100對樣本股的甄選要考慮財務因子、基本面因子和動量因子，包括凈資產收益率（ROE）、資產收益率（ROA）、每股收益增長率（EPS）、流動負債比率、企業價值倍數（EV/EBITDA）、凈利潤同比增長率、股權集中度、自由流通市值以及最近一個月的個股價格收益率和波動率等。

此外，市場走勢和投資情緒是在傳統量化策略基礎上的創新產物，也是百發100的核心競爭力。接近網路的人士稱，市場情緒因子對百發100基金起決定性作用。

網路金融中心相關負責人是羅伯特•席勒觀點的支持者。他認為，投資者行為和情緒對資產價格、市場走勢有著巨大的影響。因此「通過互聯網用戶行為大數據反映的投資市場情緒、宏觀經濟預期和走勢，成為百發100指數模型引入大數據因子的重點」。

傳統量化投資主要著眼點在於對專業化金融市場基本面和交易數據的應用。但在網路金融中心相關業務負責人看來，無論是來源於專業金融市場的結構化數據，還是來源於互聯網的非結構化數據，都是可以利用的數據資源。因此，前文所述的市場情緒數據，包括來源於互聯網的用戶行為、搜索量、市場輿情、宏觀基本面預期等等，都被網路「變廢為寶」，從而通過互聯網找到投資者參與特徵，選出投資者關注度較高的股票。

「與同期滬深300指數的表現相較，百發100更能在股票市場振盪時期、行業輪動劇烈時期、基本面不明朗時期抓住市場熱點、了解投資者情緒、抗擊投資波動風險。」網路金融中心相關負責人表示。

百發100選取的100隻樣本股更換頻率是一個月，調整時間為每月第三周的周五。

業內人士指出，百發100指數的月收益率與中證100、滬深300、中證500的相關性依次提升，說明其投資風格偏向中小盤。

但事實並非如此。從樣本股的構成來說，以某一期樣本股為例，樣本股總市值6700億元，佔A股市值4.7%。樣本股的構成上，中小板21隻，創業板4隻，其餘75隻樣本股均為大盤股。由此可見，百發100還是偏向大盤為主、反映主流市場走勢。

樣本股每個月的改變比例都不同，最極端的時候曾經有60%進行了換倉。用大數據預測熱點變化，市場熱點往往更迭很快；但同時也要考慮交易成本。兩方面考慮，網路最後測算認為一個月換一次倉位為最佳。

樣本股對百發100而言是核心機密——據說「全世界只有基金經理和指數編制機構負責人兩個人知道」——都是由機器決定後，基金經理分配給不同的交易員建倉買入。基金經理也沒有改變樣本股的權利。

展望未來，網路金融中心相關負責人躊躇滿志，「百發100指數及基金的推出，只是我們的開端和嘗試，未來將形成多樣化、系列投資產品。」

除了百發100，目前市場上打著大數據旗幟的基金還有2014年9月推出的南方-新浪I100和I300指數基金。

南方-新浪I100和I300是由南方基金、新浪財經和深圳證券信息公司三方聯合編制的。和百發100類似，也是按照財務因子和市場情緒因子進行模型打分，按照分值將前100和前300名股票構成樣本股。推出至今，這兩個指數基金分別上漲了10%左右。

正如百發100的市場情緒因子來自網路，南方-新浪I100和I300的市場情緒因子全部來自新浪平台。其中包括用戶在新浪財經對行情的訪問熱度、對股票的搜索熱度；用戶在新浪財經對股票相關新聞的瀏覽熱度；股票相關微博的多空分析數據等。

此外，阿里巴巴旗下的天弘基金也有意在大數據策略上做文章。據了解，天弘基金將和阿里巴巴合作，推出大數據基金產品，最早將於2015年初問世。

天弘基金機構產品部總經理劉燕曾對媒體表示，「在傳統的調研上，大數據將貢獻於基礎資產的研究，而以往過度依賴線下研究報告。大數據將視野拓展至了線上的數據分析，給基金經理選股帶來新的邏輯。」

在BAT三巨頭中，騰訊其實是最早推出指數基金的。騰訊與中證指數公司、濟安金信公司合作開發的「中證騰安價值100指數」早在2013年5月就發布了，號稱是國內第一家由互聯網媒體與專業機構編制發布的A股指數。不過，業內人士表示，有關指數並沒有真正應用大數據技術。雖然騰訊旗下的微信是目前最熱的社交平台，蘊藏了大量的社交數據，但騰訊未來怎麼開發，目前還並不清晰。

大數據投資平台化

中歐商學院副教授陳威如在其《平台戰略》一書中提到，21世紀將成為一道分水嶺，人類商業行為將全面普及平台模式，大數據金融也不例外。

然而，由於大數據模型對成本要求極高，就好比不可能每家公司都搭建自己的雲計算系統一樣，讓每家機構自己建設大數據模型，從數據來源和處理技術方面看都是不現實的。業內人士認為，大數據未來必將成為平台化的服務。

目前，阿里、網路等企業都表示下一步方向是平台化。

螞蟻金服所致力搭建的平台，一方麵包括招財寶一類的金融產品平台，另一方麵包括雲計算、大數據服務平台。螞蟻金服人士說，「我們很清楚自己的優勢不是金融，而是包括電商、雲計算、大數據等技術。螞蟻金服希望用這些技術搭建一個基礎平台，把這些能力開放出去，供金融機構使用。」

網路亦是如此。接近網路的人士稱，未來是否向平台化發展，目前還在討論中，但可以確定的是，「網路不是金融機構，目的不是發產品，百發100的意義在於打造影響力，而非經濟效益。」
當BAT還在摸索前行時，已有嗅覺靈敏者搶佔了先機，那就是通聯數據。

通聯數據股份公司（DataYes）由曾任博時基金副董事長肖風帶隊創建、萬向集團投資成立，總部位於上海，公司願景是「讓投資更容易，用金融服務雲平台提升投資管理效率和投研能力」。該平台7月上線公測，目前已擁有130多家機構客戶，逾萬名個人投資者。

通聯數據目前有四個主要平台，分別是通聯智能投資研究平台、通聯金融大數據服務平台、通聯多資產投資管理平台和金融移動辦公平台。

通聯智能投資研究平台包括雅典娜-智能事件研究、策略研究、智能研報三款產品，可以對基於自然語言的智能事件進行策略分析，實時跟蹤市場熱點，捕捉市場情緒。可以說，和百發100類似，其核心技術在於將互聯網非結構化數據的量化使用。

通聯金融大數據服務平台更側重於專業金融數據的分析整理。它可以提供公司基本面數據、國內外主要證券、期貨交易所的行情數據、公司公告數據、公關經濟、行業動態的結構化數據、金融新聞和輿情的非結構化數據等。

假如將上述兩個平台比作「收割機」，通聯多資產投資管理平台就是「廚房」。在這個「廚房」里，可以進行全球跨資產的投資組合管理方案、訂單管理方案、資產證券化定價分析方案等。

通聯數據可以按照主題熱點或者自定義關鍵字進行分析，構建知識圖譜，將相關的新聞和股票提取做成簡潔的分析框架。例如用戶對特斯拉感興趣，就可以通過主題熱點看到和特斯拉相關的公司，並判斷這個概念是否值得投資。「過去這個搜集過程要花費幾天時間，現在只需要幾分鍾就可以完成。」王政表示。

「通聯數據就好比一家餐館，我們把所有原料搜集來、清洗好、准備好，同時准備了一個鍋，也就是大數據存儲平台。研究員和基金經理像廚師一樣，用原料、工具去『烹制』自己的策略。」王政形容道。

大數據在平台上扮演的角色，就是尋找關聯關系。人類總是習慣首先構建因果關系，繼而去倒推和佐證。機器學習則不然，它可以在海量數據中查獲超越人類想像的關聯關系。正如維克托`邁爾-舍恩伯格在《大數據時代》中所提到的，社會需要放棄它對因果關系的渴求，而僅需關注相互關系。

例如，美國超市沃爾瑪通過大數據分析，發現颶風用品和蛋撻擺在一起可以提高銷量，並由此創造了頗大的經濟效益。如果沒有大數據技術，誰能將這毫無關聯的兩件商品聯系在一起？
通聯數據通過機器學習，也能找到傳統量化策略無法發現的市場聯系。其中包括各家公司之間的資本關系、產品關系、競爭關系、上下游關系，也包括人與人之間的關系，例如管理團隊和其他公司有沒有關聯，是否牽扯合作等。

未來量化研究員是否將成為一個被淘汰的職業？目前研究員的主要工作就是收集整理數據，變成投資決策，而之後這個工作將更多由機器完成。

「當初醫療科技發展時，人們也認為醫生會被淘汰，但其實並不會。同理，研究員也會一直存在，但他們會更注重深入分析和調研，初級的數據搜集可以交給機器完成。」王政表示。
但當未來大數據平台並廣泛應用後，是否會迅速擠壓套利空間？這也是一個問題。回答根據網上資料整理

⑥ 金融行業有哪些領域需要大量運用數據分析

前瞻產業研究院《2016-2021年中國大數據金融行業市場前瞻與投資戰略規劃分析報告》希望有用。
第1章：大數據金融行業發展概述
1.1 大數據產業發展背景概述
1.1.1 大數據產業的概念
（1）數據產生與集聚層
（2）數據組織與管理層
（3）數據分析與發現層
（4）數據應用與服務層
1.1.2 大數據的生態系統
1.1.3 大數據的商業價值
（1）大數據的商業價值杠桿
（2）大數據創造的商業價值
1.2 大數據產業行業應用情況
1.2.1 大數據產業各個行業應用情況
（1）不同領域潛在價值評估
（2）不同領域投資結構分布
1.2.2 大數據產業金融領域應用情況
1.3 大數據金融概念及其特點
1.3.1 大數據金融基本定義
1.3.2 大數據金融主要特徵
1.4 大數據金融主要發展模式
1.4.1 平台金融發展模式
1.4.2 供應鏈金融發展模式
第2章：大數據金融發展環境分析
2.1 大數據金融行業政策環境分析
2.1.1 行業監管體系概述
2.1.2 行業主要政策分析
2.1.3 政策環境對行業發展影響
2.2 大數據金融行業經濟環境分析
2.2.1 國內經濟走勢分析
（1）國內GDP增速情況
（2）工業生產增速情況
（3）固定資產投資情況
2.2.2 國內金融市場分析
（1）銀行資產負債規模分析
（2）銀行貸款規模分析
（3）銀行風險能力分析
2.2.3 國內經濟發展趨勢
2.2.4 經濟環境對行業發展影響
2.3 大數據金融行業技術環境分析
2.3.1 大數據與雲計算
2.3.2 大數據處理工具
2.3.3 技術環境對行業發展影響
2.4 大數據金融行業社會環境分析
2.4.1 互聯網行業發展現狀
（1）互聯網網民規模分析
（2）互聯網資源規模分析
2.4.2 社交媒體發展現狀
（1）新聞網站
（2）網路視頻
（3）搜索引擎
（4）即時通信
（5）微博客
（6）博客/個人空間
2.4.3 移動設備發展現狀
2.4.4 社會環境對行業發展影響
2.5 大數據金融國際發展分析
2.5.1 銀行大數據全球發展現狀
（1）海外銀行大數據發展分析
（2）銀行大數據建設案例分析
2.5.2 保險大數據全球發展現狀
（1）海外保險大數據發展分析
（2）保險大數據建設案例分析
2.5.3 國外大數據金融發展啟示
第3章：大數據金融創新分析
3.1 大數據金融三大創新支點
3.2 大數據金融基礎設施創新
3.2.1 支付體系建設分析
（1）支付行業用戶規模
（2）支付行業交易規模
（3）支付行業模式分析
（4）支付行業市場規模預測
3.2.2 徵信體系建設分析
（1）徵信機構業務規模分析
（2）徵信機構資料庫建設情況
（3）徵信行業數據端商業模式
（4）大數據徵信發展趨勢分析
3.2.3 資產交易平台分析
（1）資產交易平台發展規模
（2）資產交易平台主要類別
1）銀行系P2P網貸平台
2）民營系P2P網貸平台
3）國資系P2P網貸平台
4）上市公司系P2P網貸平台
5）風投系P2P網貸平台
（3）資產交易平台商業模式
3.2.4 基礎設施創新方向
（1）支付體系介質創新
（2）徵信體系多元發展
（3）交易平台去中介化
3.3 大數據金融平台創新分析
3.3.1 電商平台發展現狀分析
（1）電商平台客戶結構分析
（2）電商市場競爭格局分析
（3）電商領先企業優勢分析
（4）電商行業投資並購分析
3.3.2 社交平台發展現狀分析
（1）社交網路流量統計排名分析
（2）社交網路市場競爭格局分析
（3）社交網路領先企業優勢分析
（4）社交網路平台投資並購分析
3.3.3 信息服務平台發展現狀
（1）門戶網站競爭格局分析
（2）門戶網站投資並購分析
3.3.4 平台建設創新發展方向
（1）用戶積累方式革新
（2）平台個性定製革新
3.4 大數據金融渠道創新升級分析
3.4.1 銀行業渠道互聯網化發展現狀
（1）電子銀行的交易規模
（2）電子銀行的模式分析
3.4.2 保險業渠道互聯網化發展現狀
（1）保險業網銷交易規模
（2）保險業網銷模式分析
3.4.3 證券業渠道互聯網化發展現狀
（1）互聯網證券交易情況
（2）互聯網證券模式分析
3.4.4 渠道創新升級策略分析
（1）渠道定位轉型
（2）實體渠道轉型
第4章：大數據金融具體應用領域
4.1 銀行業大數據金融應用分析
4.1.1 銀行業大數據金融發展歷程
4.1.2 銀行業大數據金融創新模式
（1）風險控制模式創新
（2）產品營銷模式創新
（3）銀行運營模式創新
（4）銀行服務模式創新
4.1.3 銀行業大數據金融應用現狀
4.1.4 銀行業大數據金融經典案例
（1）花旗銀行大數據金融案例分析
（2）中信銀行大數據金融案例分析
（3）浦發銀行大數據金融案例分析
（4）民生銀行大數據金融案例分析
4.1.5 銀行業大數據金融發展潛力
4.1.6 銀行業大數據金融發展前景
4.2 保險業大數據金融應用分析
4.2.1 保險業大數據金融發展歷程
4.2.2 保險業大數據金融創新模式
（1）賠付管理模式創新
（2）業務定價模式創新
（3）險企運營模式創新
（4）產品營銷模式創新
4.2.3 保險業大數據金融發展現狀
4.2.4 保險業大數據金融經典案例
（1）平安保險大數據金融案例分析
（2）泰康人壽大數據金融案例分析
4.2.5 保險業大數據金融發展前景
4.3 證券業大數據金融應用分析
4.3.1 證券業大數據金融發展歷程
4.3.2 證券業大數據金融創新模式
（1）客戶關系管理模式創新
（2）證券監管模式創新
（3）市場預期模式創新
4.3.3 證券業大數據金融發展現狀
4.3.4 證券業大數據金融經典案例
（1）海通證券大數據金融案例分析
（2）國泰君安大數據金融案例分析
（3）中信證券大數據金融案例分析
4.3.5 證券業大數據金融發展前景
4.4 其他領域大數據金融應用情況
4.4.1 信託業大數據金融應用分析
4.4.2 小額貸款領域大數據金融應用分析
4.4.3 擔保業大數據金融應用分析
4.4.4 P2P網貸大數據金融應用分析
第5章：大數據金融領先服務商分析
5.1 國外領先大數據金融服務商
5.1.1 IBM
（1）企業基本信息概述
（2）企業大數據布局
（3）企業平台資源分析
（4）企業主營業務分析
1）利潤分析
2）資產負債分析
3）現金流量分析
（5）企業大數據收入分析
（6）企業競爭策略分析
（7）企業最新發展動向
（8）企業發展優劣勢分析
5.1.2 甲骨文股份有限公司
（1）企業基本信息概述
（2）企業大數據布局
（3）企業平台資源分析
（4）企業主營業務分析
1）利潤分析
2）資產負債分析
3）現金流量分析
（5）企業大數據收入分析
（6）企業發展戰略分析
（7）企業最新發展動向
5.1.3 英特爾
（1）企業基本信息概述
（2）企業大數據布局
（3）企業平台資源分析
（4）企業主營業務分析
1）利潤分析
2）資產負債分析
3）現金流量分析
（5）企業大數據收入分析
（6）企業發展戰略分析
（7）企業最新發展動向
5.1.4 SAP公司
（1）企業基本信息概述
（2）企業大數據布局
（3）企業大數據解決方案
（4）企業主營業務分析
1）利潤分析
2）資產負債分析
3）現金流量分析
（5）企業大數據收入分析
（6）企業大數據價值分析
（7）企業最新發展動向
5.1.5 文思海輝技術有限公司
（1）企業基本信息概述
（2）企業大數據布局
（3）企業平台資源分析
（4）企業主營業務分析
1）利潤分析
2）資產負債分析
3）現金流量分析
（5）企業相關案例分析
（6）企業發展戰略分析
（7）企業最新發展動向
（8）企業發展優劣勢分析
5.2 國內領先大數據金融服務商
5.2.1 榮之聯
（1）企業基本信息概述
（2）企業大數據布局
（3）企業平台資源分析
（4）企業主營業務分析
1）主要經濟指標
2）運營能力分析
3）盈利能力分析
4）償債能力分析
5）發展能力分析
（5）企業研發能力分析
（6）企業發展戰略分析
（7）企業最新發展動向
（8）企業發展優劣勢分析
5.2.2 九次方
（1）企業基本信息概述
（2）企業大數據布局
（3）企業平台資源分析
（4）企業主營業務分析
（5）企業大數據解決方案分析
（6）企業發展戰略分析
（7）企業最新發展動向
（8）企業發展優劣勢分析
5.2.3 貝格數據
（1）企業基本信息概述
（2）企業平台資源分析
（3）企業主營業務分析
（4）企業典型案例分析
（5）企業最新發展動向
（6）企業發展優劣勢分析
5.2.4 中國保信
（1）企業基本信息概述
（2）企業組織架構分析
（3）企業平台資源分析
（4）企業主營業務分析
（5）企業最新發展動向
5.2.5 Talking Data
（1）企業基本信息概述
（2）企業發展大事記
（3）企業平台資源分析
（4）企業主營業務分析
（5）企業主要客戶分析
（6）企業所獲榮譽介紹
（7）企業最新發展動向
第6章：互聯網企業大數據金融戰略布局分析
6.1 阿里巴巴大數據金融布局分析
6.1.1 企業基本信息概述
6.1.2 企業主營業務分析
（1）企業主營業務類型
（2）企業經營業績分析
（3）企業金融業務分析
6.1.3 企業戰略發展布局
6.1.4 企業基礎資源分析
（1）企業數據資源分析
（2）企業平台資源分析
（3）企業金融資源分析
6.1.5 企業網站流量分析
6.1.6 企業風險管理體系
6.1.7 企業投資並購動向
（1）2014年阿里巴巴投資布局
（2）2015年阿里巴巴投資布局
6.1.8 業務發展優劣勢分析
6.1.9 企業大數據金融業務發展前景
6.2 騰訊公司大數據金融布局分析
6.2.1 企業基本信息概述
6.2.2 企業主營業務分析
（1）企業主營業務類型
（2）企業經營業績分析
（3）企業金融業務分析
6.2.3 企業戰略發展布局
6.2.4 企業基礎資源分析
（1）企業數據資源分析
（2）企業平台資源分析
（3）企業金融資源分析
6.2.5 企業網站流量分析
6.2.6 企業風險管理體系
6.2.7 企業投資並購動向
（1）2014年騰訊公司投資布局
（2）2015年騰訊公司投資布局
6.2.8 業務發展優劣勢分析
6.2.9 企業大數據金融業務發展前景
6.3 網路公司大數據金融布局分析
6.3.1 企業基本信息概述
6.3.2 企業主營業務分析
（1）企業主營業務類型
（2）企業經營業績分析
（3）企業金融業務分析
6.3.3 企業戰略發展布局
6.3.4 企業基礎資源分析
（1）企業數據資源分析
（2）企業平台資源分析
（3）企業金融資源分析
6.3.5 企業網站流量分析
6.3.6 企業風險管理體系
6.3.7 企業投資並購動向
（1）2014年網路公司投資布局
（2）2015年網路公司投資布局
6.3.8 業務發展優劣勢分析
6.3.9 企業大數據金融業務發展前景
6.4 京東商城大數據金融布局分析
6.4.1 企業基本信息概述
6.4.2 企業主營業務分析
（1）企業主營業務類型
（2）企業經營業績分析
（3）企業金融業務分析
6.4.3 企業戰略發展布局
6.4.4 企業基礎資源分析
（1）企業數據資源分析
（2）企業平台資源分析
（3）企業金融資源分析
6.4.5 企業網站流量分析
6.4.6 企業風險管理體系
6.4.7 企業投資並購動向
（1）2014年京東公司投資布局
（2）2015年京東公司投資布局
6.4.8 業務發展優劣勢分析
6.4.9 企業大數據金融業務發展前景
6.5 蘇寧雲商大數據金融布局分析
6.5.1 企業基本信息概述
6.5.2 企業主營業務分析
（1）企業主營業務類型
（2）企業經營業績分析
（3）企業金融業務經營效益
6.5.3 企業戰略發展布局
6.5.4 企業基礎資源分析
（1）企業數據資源分析
（2）企業平台資源分析
（3）企業金融資源分析
6.5.5 企業網站流量分析
6.5.6 企業風險管理體系
6.5.7 企業投資並購動向
6.5.8 業務發展優劣勢分析
6.5.9 企業大數據金融業務發展前景
第7章：金融機構大數據金融戰略布局分析
7.1 銀行大數據金融領先應用機構
7.1.1 建設銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.1.2 工商銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.1.3 中國銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.1.4 農業銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.1.5 交通銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
（3）企業基礎建設情況
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）業務發展優劣勢分析
7.1.6 招商銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.1.7 中信銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.1.8 平安銀行大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
（3）企業基礎建設情況
1）企業數據資源分析
2）企業金融資源分析
（4）企業平台建設情況
（5）企業渠道建設情況
（6）企業風險管理情況
（7）企業投資並購動向
（8）業務發展優劣勢分析
7.2 保險大數據金融領先應用機構
7.2.1 中國人壽大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業大數據金融布局路徑
（4）企業大數據金融發展模式
（5）企業大數據金融業務優劣勢分析
7.2.2 中國人保大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業大數據金融布局路徑
（4）企業大數據金融發展模式
（5）企業大數據金融業務優劣勢分析
7.2.3 平安保險大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業大數據金融布局路徑
（4）企業大數據金融發展模式
（5）企業大數據金融業務優劣勢分析
7.2.4 泰康人壽大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業大數據金融布局路徑
（4）企業大數據金融發展模式
（5）企業大數據金融業務優劣勢分析
7.2.5 太平保險大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業大數據金融布局路徑
（4）企業大數據金融發展模式
（5）企業大數據金融業務優劣勢分析
7.2.6 陽光保險大數據金融布局分析
（1）企業基本信息概述
（2）企業主營業務分析
1）企業主營業務類型
2）企業經營業績分析
（3）企業大數據金融布局路徑
（4）企業大數據金融發展模式
（5）企業大數據金融業務優劣勢分析
7.3 證券大數據金融領先應用機構
7.3.1 國金證券大數據金融布局分析
（1）企業基本信息概述
（2）企業基礎資源分析
（3）企業市場預期水平
1）企業大數據金融發展現狀
2）企業大數據金融發展前景
（4）企業經營業績分析
（5）企業營業網點分析
（6）業務發展優劣勢分析
7.3.2 中信證券大數據金融布局分析
（1）企業基本信息概述
（2）企業基礎資源分析
（3）企業市場預期水平
1）企業大數據金融發展現狀
2）企業大數據金融發展前景
（4）企業經營業績分析
（5）企業營業網點分析
（6）業務發展優劣勢分析
7.3.3 國泰君安大數據金融布局分析
（1）企業基本信息概述
（2）企業基礎資源分析
（3）企業市場預期水平
1）企業大數據金融發展現狀
2）企業大數據金融發展前景
（4）企業經營業績分析
（5）企業營業網點分析
（6）業務發展優劣勢分析
7.3.4 海通證券大數據金融布局分析
（1）企業基本信息概述
（2）企業基礎資源分析
（3）企業市場預期水平
1）企業大數據金融發展現狀
2）企業大數據金融發展前景
（4）企業經營業績分析
（5）企業營業網點分析
（6）業務發展優劣勢分析
………………

⑦ 基於微信大數據的股票預測研究

基於微信大數據的股票預測研究
大數據是近些年來的熱門話題，無論國際上還是國內，影響很大。經濟學、政治學、社會學和許多科學門類都會發生巨大甚至是本質上的變化和發展，進而影響人類的價值體系、知識體系和生活方式。而全球經濟目前生成了史無前例的大量數據，如果把每天產生的大量數據比作神話時期的大洪水是完全正確的，這個數據洪流是我們前所未見的，他是全新的、強大的、當然，也是讓人恐慌但又極端刺激的。
而我所分享的話題，正是在互聯網環境下，如何利用大數據技術，進行股票預測的研究。–今天，我想分享我認為有意義的四點。
1.大數據下的商業預測
根據大數據，我們可以有效地進行故障、人流、流量、用電量、股票市場、疾病預防、交通、食物配送、產業供需等方面的預測。而本文我們所關心的內容是股票市場的預測。
大數據的核心是預測，預測依賴於對數據的分析。那麼分析的方法是否是基於隨機采樣的結果而設計的，這樣的分析方法是否會有誤差？
從傳統認識上，由於資源和科技的局限，如人和計算資源受限、從計算機處理能力來講無法處理全部數據來獲取人們所關注的結果。因此隨機采樣應運而生，通過所選取的個體來代表全體，如使用隨機抽取的方式來使得推論結果更科學。但既然提到了大數據，它是資源發展到一定程度、以及技術發展到一定階段產生的一個新的認識。如同電力的出現，使人類進入了一個快速發展階段，大數據也一樣，它的含義是全體樣本，從整體樣本來做推論。在本文大數據的含義是所有股票在整個社交網路上的流動信息，從數據源上講，本文沒有採用所有社交網路上的數據，只分析了微信這個最具代表性的社交媒體作為信息源。
互動數據能反映用戶情緒，搜索數據能反映用戶的關注點和意圖，在股市預測時這兩種數據哪種更具有參考價值？
我認為都有價值，互動數據反映了用戶對某一特定股票的喜好和厭惡，可以簡單描述為對該股票的操作是繼續持有還是賣出；而搜索數據則代表用戶在收集該股票信息的過程，它是關注度的概念，某隻股票搜索度高則意味著消息的影響力大。互動代表著方向，搜索代表著振幅。
我們知道這兩種數據得出的結論會有差異，您是如何平衡這兩種數據反映的情況來進行預測的？
正如上一個問題里提到的，如果是股票推薦，買進賣出等原則問題，則應該考慮互動數據，但如果已經買到手了，搜索數據可以提供一個幅度的概念，類似債券評級A級、AA級、AAA級等，供投資者參考，因為不同投資者對風險的承受度是不同的。
將股票和市場的消息整理成140字的短消息發布，是否意味著主要發布渠道是微博？現在微信公眾號很火，有沒有考慮通過這個渠道也發布消息？
事實上，信息傳播的方式很多，微信作為新媒體當然影響力不容小覷，但目前技術投入最小的還是郵件、簡訊等方式，未來會考慮使用公眾號來推送股票和市場消息。
如果在未來通過微信公眾號推送消息，那麼推送的消息會不會作為數據來源被再次採集？這會有多大的影響？
會被採集，但互聯網上的每日關於個股的信息數量會達到很大，該推送會增加推薦股票1點權重，每隻股票的權重成百上千，因此影響極小。
數據來源是微信公眾號，除了准確性的考慮之外，是否還考慮過這樣收集數據會較少觸犯個人隱私？
從法律角度來看，搜索微信或其他個人聊天記錄，是侵犯個人隱私權的，因此如果騰訊開放了這樣的介面，每個公民都可以對這樣的行為進行投訴、抗議、甚至進行法律起訴直至其改正過錯、賠償損失的。
這樣是否意味著即使存在違法的行為，其結果也是由騰訊來承擔，而我們作為數據的使用方不需要承擔任何法律責任？
在整個社會，我們作為系統技術提供方，應恪守大數據的倫理道德，遵守國家法律，如侵犯個人隱私，系統不會採集，谷歌有一句座右銘「谷歌不作惡」，本文提到的系統也一樣。
2.基於大數據進行股票推薦實驗
股票的及時度反應了微信文章所發布的時效性，及時度越高，數據價值就越大。
股票的熱度反應了當前某隻股票被關注的頻度，關注頻度越大，上漲的可能性越高。

數據的完整性：我們採用循環的方式對所有深滬兩地發行約2236隻股票（創業版除外）在微信搜索網站上的搜索結果進行保存。
數據的一致性：文件格式由負責保存數據文件的程序決定，單一的流程保障了文件的一致性。
數據的准確性：由於所分析的訂閱號文章的是由微信公共平台的公眾號所提供，在一定程度上杜絕了虛假消息對於預測系統的破壞。
數據的及時性：考慮到磁碟讀寫以及採集程序所處的網路帶寬，以及搜索引擎對於採集程序的屏蔽，程序中採集兩條信息之間間隔了5秒，因此理論上11180秒（3.1個小時）可收集完當日推薦所需要的數據。對於每個交易日，在9點-9點30分之間採集所有數據，需要7台以上的設備可達到最佳效果。本次試驗受限於試驗設備，在一台設備上，交易日每天早六時開始進行數據採集，也滿足及時性要求。
數據分析：查看三個高優先順序的股票，該股票當日的開盤價與收盤價，再與當日（2015-4-8）上證綜指進行比較，可得在收益上該演算法是優於上證綜指為樣本的整體股票的股價差收益的。
實驗結論：按照上述方式，系統每天推薦出當日股票，在開盤時進行買進，在第二個交易日進行賣出。經過一個月21個交易日（2015-3-1至2015-3-31），系統的收益為20%/月。通過微信搜索公眾號來預測市場走勢和投資情緒呈現出正相關性，因此可以作為股票甄選的因子。
3.股票預測的大數據發展趨勢
網路數據分成三種：
一是瀏覽數據，主要用於電商領域的消費者行為分析，瀏覽數據反映了用戶每一步的訪問腳步，進一步刻畫出用戶的訪問路徑，分析不同頁面的跳轉概率等。
二是搜索數據，主要指搜索引擎記錄的關鍵詞被搜索頻次的時間序列數據，能反映數億用戶的興趣、關注點、意圖。
三是互動數據，主要是微博、微信、社交網站的數據，反映用戶的傾向性和情緒因素。
2013年諾貝爾經濟學獎得主羅伯特?席勒的觀點被無數采訪對象引述。席勒於上世紀80年代設計的投資模型至今仍被業內稱道。在他的模型中，主要參考三個變數：投資項目計劃的現金流、公司資本的估算成本、股票市場對投資的反應（市場情緒）。他認為，市場本身帶有主觀判斷因素，投資者情緒會影響投資行為，而投資行為直接影響資產價格。
計算機通過分析新聞、研究報告、社交信息、搜索行為等，藉助自然語言處理方法，提取有用的信息；而藉助機器學習智能分析，過去量化投資只能覆蓋幾十個策略，大數據投資則可以覆蓋成千上萬個策略。
基於互聯網搜索數據和社交行為的經濟預測研究，已逐漸成為一個新的學術熱點，並在經濟、社會以及健康等領域的研究中取得了一定成果。在資本市場應用上，研究發現搜索數據可有效預測未來股市活躍度（以交易量指標衡量）及股價走勢的變化。
對於搜索數據：互聯網搜索行為與股票市場的關聯機理。這個研究屬於行為金融與互聯網的交叉領域，其原理是：股票量價調整是投資者行為在股票市場上的反應；與此同時，投資者行為在互聯網搜索市場也有相應地行為跡象，我們要做到是：找到互聯網搜索市場中領先於股票交易的行為指標，綜合眾多投資者的先行搜索指標，對未來的股票交易做出預判。
如同天氣預報那樣，不斷優化模型、灌入海量信息，然後給出結果。並且在處理的信息中，有80%是「非結構化」數據，例如政策文件、自然事件、地理環境、科技創新等，這類信息通常是電腦和模型難以消化的。採用了語義分析法，可以將互動數據里的金融對話量化為「-1（極度看空）」到「1（極度看多）」之間的投資建議，通過分析互動數據的數據文本，作為股市投資的信號。
4.正在發生的未來
大數據並不是一個充斥著演算法和機器的冰冷世界，人類的作用依然無法被完全替代。大數據為我們提供的不是最終答案，只是參考答案，幫助是暫時的，而更好的方法和答案還在不久的將來。
大數據在實用層面的影響很廣泛，解決了大量的日常問題。大數據更是利害攸關的，它將重塑我們的生活、工作和思維方式。在某些方面，我們面臨著一個僵局，比其他劃時代創新引起的社會信息范圍和規模急劇擴大所帶來的影響更大。我們腳下的地面在移動。過去確定無疑的事情正在受到質疑。大數據需要人們重新討論決策、命運和正義的性質。擁有知識曾意味著掌握過去，現在則意味著能夠預測未來。
大數據並不是一個充斥著演算法和機器的冰冷世界，其中仍需要人類扮演重要角色。人類獨有的弱點、錯覺、錯誤都是十分必要的，因為這些特性的另一頭牽著的是人類的創造力、直覺和天賦。這提示我們應該樂於接受類似的不準確，因為不準確正是我們之所以為人的特徵之一。就好像我們學習處理混亂數據一樣，因為這些數據服務的是更加廣大的目標。必將混亂構成了世界的本質，也構成了人腦的本職，而無論是世界的混亂還是人腦的混亂，學會接受和應用他們才能得益。
我相信，利用基礎數據、搜索數據、互動數據再進行加權計算，可以對所有股票進行大數據遴選，從而給出投資建議。我認為，我們的肉身剛剛步入大數據時代，但我們的精神還滯留在小數據、采樣思維之中，率先用理性擊碎固有思維的人，也將率先獲得大數據帶來的益處。

⑧ 金融領域7大數據科學案例

金融領域7大數據科學案例
1 金融領域有哪些典型數據問題？
2 金融領域應用那些數據科學方法？

近年來，數據科學和機器學習應對一系列主要金融任務的能力已成為一個特別重要的問題。 公司希望知道更多技術帶來的改進以及他們如何重塑業務戰略。
為了幫助您回答這些問題，我們准備了一份對金融行業影響最大的數據科學應用清單。 它們涵蓋了從數據管理到交易策略的各種業務方面，但它們的共同點是增強金融解決方案的巨大前景。
自動化風險管理管理客戶數據預測分析實時分析欺詐識別消費者分析演算法交易深度個性化和定製結論自動化風險管理
風險管理是金融機構極其重要的領域，負責公司的安全性，可信度和戰略決策。 過去幾年來，處理風險管理的方法發生了重大變化，改變了金融部門的性質。 從未像現在這樣，今天的機器學習模型定義了業務發展的載體。
風險可以來自很多來源，例如競爭對手，投資者，監管機構或公司的客戶。 此外，風險的重要性和潛在損失可能不同。 因此，主要步驟是識別，優先考慮和監控風險，這是機器學習的完美任務。通過對大量客戶數據，金融借貸和保險結果的訓練，演算法不僅可以增強風險評分模型，還可以提高成本效率和可持續性。

數據科學和人工智慧（AI）在風險管理中最重要的應用是識別潛在客戶的信譽。 為了為特定客戶建立適當的信用額度，公司使用機器學習演算法來分析過去的支出行為和模式。 這種方法在與新客戶或具有簡簡訊用記錄的客戶合作時也很有用。
雖然金融風險管理流程的數字化和自動化處於早期階段，但潛力巨大。 金融機構仍需要為變革做好准備，這種變革通過實現核心財務流程的自動化，提高財務團隊的分析能力以及進行戰略性技術投資。 但只要公司開始向這個方向發展，利潤就不會讓自己等待。
管理客戶數據
對於金融公司來說，數據是最重要的資源。因此，高效的數據管理是企業成功的關鍵。今天，在結構和數量上存在大量的金融數據：從社交媒體活動和移動互動到市場數據和交易細節。金融專家經常需要處理半結構化或非結構化數據，手動處理這些數據是一個巨大的挑戰。
然而，對於大多數公司來說，將機器學習技術與管理過程集成僅僅是從數據中提取真實知識的必要條件。人工智慧工具，特別是自然語言處理，數據挖掘和文本分析有助於將數據轉化為智能數據治理和更好的業務解決方案，從而提高盈利能力。例如，機器學習演算法可以通過向客戶學習財務歷史數據來分析某些特定財務趨勢和市場發展的影響。最後，這些技術可用於生成自動報告。
預測分析

分析現在是金融服務的核心。 值得特別關注的是預測分析，它揭示了預測未來事件的數據模式，可以立即採取行動。 通過了解社交媒體，新聞趨勢和其他數據源，這些復雜的分析方法已經實現了預測價格和客戶終生價值，未來生活事件，預期流失率和股市走勢等主要應用。 最重要的是，這種技術可以幫助回答復雜的問題 - 如何最好地介入。
實時分析
實時分析通過分析來自不同來源的大量數據從根本上改變財務流程，並快速識別任何變化並找到對其的最佳反應。財務實時分析應用有三個主要方向：
欺詐識別
金融公司有義務保證其用戶的最高安全級別。公司面臨的主要挑戰是找到一個很好的欺詐檢測系統，罪犯總是會採用新的方法並設置新的陷阱。只有稱職的數據科學家才能創建完美的演算法來檢測和預防用戶行為異常或正在進行的各種欺詐工作流程。例如，針對特定用戶的不尋常金融購買警報或大量現金提款將導致阻止這些操作，直到客戶確認為止。在股票市場中，機器學習工具可以識別交易數據中的模式，這可能會指示操縱並提醒員工進行調查。然而，這種演算法最大的優勢在於自我教學的能力，隨著時間的推移變得越來越有效和智能化。
消費者分析
實時分析還有助於更好地了解客戶和有效的個性化。先進的機器學習演算法和客戶情緒分析技術可以從客戶行為，社交媒體互動，他們的反饋和意見中獲得見解，並改善個性化並提高利潤。由於數據量巨大，只有經驗豐富的數據科學家才能精確分解。
演算法交易
這個領域可能受實時分析的影響最大，因為每秒都會受到影響。根據分析傳統和非傳統數據的最新信息，金融機構可以做出實時有利的決策。而且由於這些數據通常只在短時間內才有價值，因此在這個領域具有競爭力意味著使用最快的方法分析數據。
在此領域結合實時和預測分析時，另一個預期會開啟。過去，金融公司不得不聘用能夠開發統計模型並使用歷史數據來創建預測市場機會的交易演算法的數學家。然而，今天人工智慧提供了使這一過程更快的技術，而且特別重要的是 - 不斷改進。

因此，數據科學和人工智慧在交易領域進行了革命，啟動了演算法交易策略。世界上大多數交易所都使用計算機，根據演算法和正確策略制定決策，並考慮到新數據。 人工智慧無限處理大量信息，包括推文，財務指標，新聞和書籍數據，甚至電視節目。 因此，它理解當今的全球趨勢並不斷提高對金融市場的預測。
總而言之，實時和預測分析顯著改變了不同金融領域的狀況。 通過Hadoop，NoSQL和Storm等技術，傳統和非傳統數據集以及最精確的演算法，數據工程師正在改變財務用於工作的方式。
深度個性化和定製
企業認識到，在當今市場競爭的關鍵步驟之一是通過與客戶建立高質量的個性化關系來提高參與度。 這個想法是分析數字客戶體驗，並根據客戶的興趣和偏好對其進行修改。 人工智慧在理解人類語言和情感方面取得重大進展，從而將客戶個性化提升到一個全新的水平。 數據工程師還可以建立模型，研究消費者的行為並發現客戶需要財務建議的情況。 預測分析工具和高級數字交付選項的結合可以幫助完成這項復雜的任務，在最恰當的時機指導客戶獲得最佳財務解決方案，並根據消費習慣，社交人口趨勢，位置和其他偏好建議個性化服務。
結論
對於金融機構來說，數據科學技術的使用提供了一個從競爭中脫穎而出並重塑其業務的巨大機會。大量不斷變化的財務數據造成了將機器學習和AI工具引入業務不同方面的必要性。
我們認為，我們主要關注金融領域的7大數據科學用例，但還有很多其他值得一提的。 如果您有任何進一步的想法，請在評論部分分享您的想法。

⑨ 大數據股票有哪些

大數據概念股 : 就主題投資而言,"大數據"概念2012年有望成為具有較強沖擊力的新主題,大數據概念實際上是從海量數據有效利用的角度對雲計算、物聯網等概念的綜合,更加准確地抓住了雲計算、物聯網的本質,以數據處理和數據中心建設與運維為主要業務的公司是最為貼切的投資標的。 "大數據"產業鏈條包含了從數據生成、數據存儲、數據處理和數據展示等多個環節。完整的生態系統還應當包括大數據處理結果的應用。 "大數據"時代更多的商機來自於應用,我們認為國內企業有機會獲得較大的發展空間。與大數據相關的投資標的有以下幾類。 第一類是與海量數據的存儲和處理相關的公司,關注拓爾思、美亞柏科、恆泰艾普、潛能恆信、天澤信息。 第二類是與數據中心建設與運營維護相關的公司,包括榮之聯、天璣科技、銀信科技。 第三類是與視頻化應用相關的公司,包括視頻監控業務為主的海康威視、大華股份、威創股份、華平股份。 第四類是與智能化和人機交互概念相關的公司,關注科大訊飛、用友軟體、東方國信等。 (南方股票頻道)

⑩ 大數據龍頭股票

大數據龍頭股有福田汽車600166、浪潮信息000977、東華軟體002065、夢網科技002123、高鴻股份000851、亞聯發展002316、合眾思壯002383、廣聯達002410、海聯金匯002537。
1、福田汽車600166：大數據龍頭。公司是網路Apollo的合作夥伴，與網路就車聯網、大數據、智能汽車和無人駕駛展開全面合作，共同打造面向未來的智能互聯網商用汽車。
2、浪潮信息000977：國內領先的雲計算、大數據服務商，AI計算戰略為支柱業務。
3、東華軟體002065：東華醫為擬出資5000萬元設東華醫為大數據上海。
4、夢網科技002123：2021年5月26日，中國國際大數據產業博覽會在貴陽舉行，夢網科技(002123)旗下全資子公司鞍山市雲數科技發展有限公司參會。
5、高鴻股份000851：大數據龍頭。2014年6月17日晚間公告稱，公司擬聯合貴州旅遊投資控股有限責任公司、貴州產業技術發展研究院，合計認繳資5000萬元發起方式設立貴州大數據旅遊產業股份有限公司，立足貴州，面向全國打造知名的大數據旅遊平台運營公司。
6、亞聯發展002316：公司將積極投身智慧化浪潮，以第三方支付為切入，綜合運用科技能力、大數據能力、資源匹配能力和數字化運營能力，為中小微商戶的智慧經營進行多維度賦能，推動「上雲用數賦智」產業政策的落地，助力於數字化生態的實現。
7、合眾思壯002383：2019年6月17日公告，公司與青海省大數據有限責任公司(以下簡稱「青海大數據公司」)本著發展、共贏、平等、互利的原則於2019年6月16日簽訂《戰略合作協議》。
8、廣聯達002410：經過近二十年的發展，公司業務領域由招投標階段拓展至設計階段和施工階段；產品從單一的預算軟體擴展到工程造價、工程施工、產業金融等多個業務板塊的近百款產品，涵蓋工具類、解決方案類、大數據、移動互聯網、雲、智能硬體設備、產業金融服務等業務形態；服務的客戶從中國境內拓展到全球一百多個國家。
9、海聯金匯002537：公司金融科技板塊主要從事第三方支付服務、大數據服務、移動信息服務、跨境電商服務及運營商計費結算服務業務；智能製造板塊主要從事汽車及配件、家電配件等產品的生產與銷售業務。
拓展資料：
大數據概念股龍頭股還有：海量數據（603138）、科創信息（300730）、新國都（300130）、德生科技（002908）、真視通（002771）、拓爾思（300229）、思特奇（300608）、先進數通（300541）、同有科技（300302）、眾應互聯（002464）等。