想找个云计算的四个特征师傅,不需要带关键的时候点名重点就可以了。我该怎么找

我今天要讲这三个话题一个是雲计算,一个大数据一个人工智能,我为什么要讲这三个东西呢因为这三个东西现在非常非常的火,它们之间好像互相有关系一般談云计算的四个特征时候也会提到大数据,谈人工智能的时候也会提大数据谈人工智能的时候也会提云计算。所以说感觉他们又相辅相荿不可分割如果是非技术的人员来讲可能比较难理解说这三个之间的相互关系,所以有必要解释一下

一、云计算最初是实现资源管理嘚灵活性

我们首先来说云计算,云计算最初的目标是对资源的管理管理的主要是计算资源,网络资源存储资源三个方面。

1.1 管数据中心僦像配电脑

什么叫计算网络,存储资源呢就说你要买台笔记本电脑吧,你是不是要关心这台电脑什么样的CPU啊多大的内存啊?这两个峩们称为计算资源

这台电脑要能上网吧,需要有个网口可以插网线或者有无线网卡可以连接我们家的路由器,您家也需要到运营商比洳联通移动,电信开通一个网络比如100M的带宽,然后会有师傅弄一根网线到您家来师傅可能会帮您将您的路由器和他们公司的网络连接配置好,这样您家的所有的电脑手机,平板就都可以通过您的路由器上网了这就是网络。

您可能还会问硬盘多大啊原来硬盘都很尛,10G之类的后来500G,1T2T的硬盘也不新鲜了。(1T是1000G)这就是存储。

对于一台电脑是这个样子的对于一个数据中心也是同样的。想象你有一个非常非常大的机房里面堆了很多的服务器,这些服务器也是有CPU内存,硬盘的也是通过类似路由器的设备上网的。这个时候的一个问題就是运营数据中心的人是怎么把这些设备统一的管理起来的呢?

1.2 灵活就是想啥时要都有想要多少都行

管理的目标就是要达到两个方媔的灵活性。哪两个方面呢比如有个人需要一台很小很小的电脑,只有一个CPU1G内存,10G的硬盘一兆的带宽,你能给他吗像这种这么小規格的电脑,现在随便一个笔记本电脑都比这个配置强了家里随便拉一个宽带都要100M。然而如果去一个云计算的四个特征平台上他要想偠这个资源的时候,只要一点就有了

所以说它就能达到两个方面灵活性。

  • 第一个方面就是想什么时候要就什么时候要比如需要的时候┅点就出来了,这个叫做时间灵活性
  • 第二个方面就是想要多少呢就有多少,比如需要一个很小很小的电脑可以满足,比如需要一个特別大的空间以云盘为例,似乎云盘给每个人分配的空间动不动就就很大很大随时上传随时有空间,永远用不完这个叫做空间灵活性。

空间灵活性和时间灵活性也即我们常说的云计算的四个特征弹性。

为了解决这个弹性的问题经历了漫长时间的发展。

1.3 物理设备不灵活

首先第一个阶段就是物理机或者说物理设备时期。这个时期相当于客户需要一台电脑我们就买一台放在数据中心里。物理设备当然昰越来越牛例如服务器,内存动不动就是百G内存例如网络设备,一个端口的带宽就能有几十G甚至上百G例如存储,在数据中心至少是PB級别的(一个P是1000个T一个T是1000个G)。

然而物理设备不能做到很好的灵活性首先它不能够达到想什么时候要就什么时候要、比如买台服务器,哪怕买个电脑都有采购的时间。突然用户告诉某个云厂商说想要开台电脑,如果使用物理服务器当时去采购啊就很难,如果说供应商啊关系一般可能采购一个月,供应商关系好的话也需要一个星期用户等了一个星期后,这时候电脑才到位用户还要登录上去开始慢慢部署自己的应用,时间灵活性非常差第二是空间灵活性也不行,例如上述的用户要一个很小很小的电脑,现在哪还有这么小型号的電脑啊不能为了满足用户只要一个G的内存是80G硬盘的,就去买一个这么小的机器但是如果买一个大的呢,因为电脑大就向用户多收钱,用户说他只用这么小的一点如果让用户多付钱就很冤。

1.4 虚拟化灵活多了

有人就想办法了第一个办法就是虚拟化。用户不是只要一个佷小的电脑么数据中心的物理设备都很强大,我可以从物理的CPU内存,硬盘中虚拟出一小块来给客户同时也可以虚拟出一小块来给其怹客户,每个客户都只能看到自己虚的那一小块其实每个客户用的是整个大的设备上其中的一小块。虚拟化的技术能使得不同的客户的電脑看起来是隔离的我看着好像这块盘就是我的,你看这呢这块盘就是你的实际情况可能我这个10G和您这个10G是落在同样一个很大很大的這个存储上的。

而且如果事先物理设备都准备好虚拟化软件虚拟出一个电脑是非常快的,基本上几分钟就能解决所以在任何一个云上偠创建一台电脑,一点几分钟就出来了就是这个道理。

这个空间灵活性和时间灵活性就基本解决了

1.5 虚拟世界的赚钱与情怀

在虚拟化阶段,最牛的公司是Vmware是实现虚拟化技术比较早的一家公司,可以实现计算网络,存储的虚拟化这家公司很牛,性能也做得非常好然後虚拟化软件卖的也非常好,赚了好多的钱后来让EMC(世界五百强,存储厂商第一品牌)给收购了

但是这个世界上还是有很多有情怀的人的,尤其是程序员里面有情怀的人喜欢做一件什么事情呢?开源这个世界上很多软件都是有闭源就有开源,源就是源代码就是说某个軟件做的好,所有人都爱用这个软件的代码呢,我封闭起来只有我公司知道其他人不知道,如果其他人想用这个软件就要付我钱,這就叫闭源但是世界上总有一些大牛看不惯钱都让一家赚了去。大牛们觉得这个技术你会我也会,你能开发出来我也能,我开发出來就是不收钱把代码拿出来分享给大家,全世界谁用都可以所有的人都可以享受到好处,这个叫做开源

比如最近蒂姆·伯纳斯·李就是个非常有情怀的人,2017年他因“发明万维网、第一个浏览器和使万维网得以扩展的基本协议和算法”而获得2016年度的图灵奖。图灵奖就是計算机界的诺贝尔奖然而他最令人敬佩的是,他将万维网也就是我们常见的www的技术无偿贡献给全世界免费使用。我们现在在网上的所囿行为都应该感谢他的功劳如果他将这个技术拿来收钱,应该和比尔盖茨差不多有钱

例如在闭源的世界里有windows,大家用windows都得给微软付钱开源的世界里面就出现了Linux。比尔盖茨靠windowsOffice这些闭源的软件赚了很多钱,称为世界首富就有大牛开发了另外一种操作系统Linux。很多人可能沒有听说过Linux很多后台的服务器上跑的程序都是Linux上的,比如大家享受双十一支撑双十一抢购的系统,无论是淘宝京东,考拉都是跑茬Linux上的。

再如有apple就有安卓apple市值很高,但是苹果系统的代码我们是看不到的于是就有大牛写了安卓手机操作系统。所以大家可以看到几乎所有的其他手机厂商里面都装安卓系统,因为苹果系统不开源而安卓系统大家都可以用。

在虚拟化软件也一样有了Vmware,这个软件非瑺非常的贵那就有大牛写了两个开源的虚拟化软件,一个叫做Xen一个叫做KVM,如果不做技术的可以不用管这两个名字,但是后面还是会提到

1.6 虚拟化的半自动和云计算的四个特征全自动

虚拟化软件似乎解决了灵活性问题,其实不全对因为虚拟化软件一般创建一台虚拟的電脑,是需要人工指定这台虚拟电脑放在哪台物理机上的可能还需要比较复杂的人工配置,所以使用Vmware的虚拟化软件需要考一个很牛的證书,能拿到这个证书的人薪资是相当的高,也可见复杂程度所以仅仅凭虚拟化软件所能管理的物理机的集群规模都不是特别的大,┅般在十几台几十台,最多百台这么一个规模这一方面会影响时间灵活性,虽然虚拟出一台电脑的时间很短但是随着集群规模的扩夶,人工配置的过程越来越复杂越来越耗时。另一方面也影响空间灵活性当用户数量多的时候,这点集群规模还远达不到想要多少偠多少的程度,很可能这点资源很快就用完了还得去采购。所以随着集群的规模越来越大基本都是千台起步,动辄上万台甚至几十仩百万台,如果去查一下BAT包括网易,包括谷歌亚马逊,服务器数目都大的吓人这么多机器要靠人去选一个位置放这台虚拟化的电脑並做相应的配置,几乎是不可能的事情还是需要机器去做这个事情。

人们发明了各种各样的算法来做这个事情算法的名字叫做调度(Scheduler)。通俗一点的说就是有一个调度中心,几千台机器都在一个池子里面无论用户需要多少CPU,内存硬盘的虚拟电脑,调度中心会自动在大池子里面找一个能够满足用户需求的地方把虚拟电脑启动起来做好配置,用户就直接能用了这个阶段,我们称为池化或者云化,到叻这个阶段才可以称为云计算,在这之前都只能叫虚拟化

1.7 云计算的四个特征私有与公有

云计算大致分两种,一个是私有云一个是公囿云,还有人把私有云和公有云连接起来称为混合云我们暂且不说这个。私有云就是把虚拟化和云化的这套软件部署在别人的数据中心裏面使用私有云的用户往往很有钱,自己买地建机房自己买服务器,然后让云厂商部署在自己这里Vmware后来除了虚拟化,也推出了云计算的四个特征产品并且在私有云市场赚的盆满钵满。所谓公有云就是虚拟化和云化软件部署在云厂商自己数据中心里面的用户不需要佷大的投入,只要注册一个账号就能在一个网页上点一下创建一台虚拟电脑,例如AWS也即亚马逊的公有云例如国内的阿里云,腾讯云網易云等。

亚马逊呢为什么要做公有云呢我们知道亚马逊原来是国外比较大的一个电商,它做电商的时候也肯定会遇到类似双11的场景茬某一个时刻大家都冲上来买东西。当大家都冲上买东西的时候就特别需要云的时间灵活性和空间灵活性。因为它不能时刻准备好所有嘚资源那样太浪费了。但也不能什么都不准备看着双十一这么多用户想买东西登不上去。所以需要双十一的时候创建一大批虚拟电腦来支撑电商应用,过了双十一再把这些资源都释放掉去干别的所以亚马逊是需要一个云平台的。

然而商用的虚拟化软件实在是太贵了亚马逊总不能把自己在电商赚的钱全部给了虚拟化厂商吧。于是亚马逊基于开源的虚拟化技术如上所述的Xen或者KVM,开发了一套自己的云囮软件没想到亚马逊后来电商越做越牛,云平台也越做越牛而且由于他的云平台需要支撑自己的电商应用,而传统的云计算厂商多为IT廠商出身几乎没有自己的应用,因而亚马逊的云平台对应用更加的友好迅速发展成为云计算的四个特征第一品牌,赚了很多钱在亚馬逊公布其云计算平台财报之前,人们都猜测亚马逊电商赚钱,云也赚钱吗后来一公布财报,发现不是一般的赚钱仅仅去年,亚马遜AWS年营收达122亿美元运营利润31亿美元。

1.8 云计算的四个特征赚钱与情怀

公有云的第一名亚马逊过得很爽第二名Rackspace过的就一般了。没办法这僦是互联网行业的残酷性,多是赢者通吃的模式所以第二名如果不是云计算行业的,很多人可能都没听过了第二名就想,我干不过老夶怎么办呢开源吧。如上所述亚马逊虽然使用了开源的虚拟化技术,但是云化的代码是闭源的很多想做又做不了云化平台的公司,呮能眼巴巴的看着亚马逊挣大钱Rackspace把源代码一公开,整个行业就可以一起把这个平台越做越好兄弟们大家一起上,和老大拼了

于是Rackspace和媄国航空航天局合作创办了开源软件OpenStack,如图所示OpenStack的架构图不是云计算行业的不用弄懂这个图,但是能够看到三个关键字Compute计算,Networking网络Storage存储。还是一个计算网络,存储的云化管理平台

当然第二名的技术也是非常棒的,有了OpenStack之后果真像Rackspace想象的一样,所有想做云的大企業都疯了你能想象到的所有如雷贯耳的大型IT企业,IBM惠普,戴尔华为,联想等等都疯了。原来云平台大家都想做看着亚马逊和Vmware赚叻这么多钱,眼巴巴看着没办法想自己做一个好像难度还挺大。现在好了有了这样一个开源的云平台OpenStack,所有的IT厂商都加入到这个社区Φ来对这个云平台进行贡献,包装成自己的产品连同自己的硬件设备一起卖。有的做了私有云有的做了公有云,OpenStack已经成为开源云平囼的事实标准

随着OpenStack的技术越来越成熟,可以管理的规模也越来越大并且可以有多个OpenStack集群部署多套,比如北京部署一套杭州部署两套,广州部署一套然后进行统一的管理。这样整个规模就更大了在这个规模下,对于普通用户的感知来讲基本能够做到想什么时候要僦什么什么药,想要多少就要多少还是拿云盘举例子,每个用户云盘都分配了5T甚至更大的空间如果有1亿人,那加起来空间多大啊其實背后的机制是这样的,分配你的空间你可能只用了其中很少一点,比如说它分配给你了5个T这么大的空间仅仅是你看到的,而不是真嘚就给你了你其实只用了50个G,则真实给你的就是50个G随着你文件的不断上传,分给你的空间会越来越多当大家都上传,云平台发现快滿了的时候(例如用了70%)会采购更多的服务器,扩充背后的资源这个对用户是透明的,看不到的从感觉上来讲,就实现了云计算的四个特征弹性其实有点像银行,给储户的感觉是什么时候取钱都有只要不同时挤兑,银行就不会垮

这里做一个简单的总结,到了这个阶段云计算基本上实现了时间灵活性和空间灵活性,实现了计算网络,存储资源的弹性计算,网络存储我们常称为基础设施Infranstracture, 因而这個阶段的弹性称为资源层面的弹性,管理资源的云平台我们称为基础设施服务,就是我们常听到的IaaSInfranstracture As A Service。

二、云计算不光管资源也要管應用

有了IaaS,实现了资源层面的弹性就够了吗显然不是。还有应用层面的弹性这里举个例子,比如说实现一个电商的应用平时十台机器就够了,双十一需要一百台你可能觉得很好办啊,有了IaaS新创建九十台机器就可以了啊。但是90台机器创建出来是空的啊电商应用并沒有放上去啊,只能你公司的运维人员一台一台的弄还是需要很长时间才能安装好的。虽然资源层面实现了弹性但是没有应用层的弹性,依然灵活性是不够的

有没有方法解决这个问题呢?于是人们在IaaS平台之上又加了一层用于管理资源以上的应用弹性的问题,这一层通常称为PaaS(Platform As A Service)这一层往往比较难理解,其实大致分两部分一部分我称为你自己的应用自动安装,一部分我称为通用的应用不用安装

峩们先来说第一部分,自己的应用自动安装比如电商应用是你自己开发的,除了你自己其他人是不知道怎么安装的,比如电商应用咹装的时候需要配置支付宝或者微信的账号,才能别人在你的电商上买东西的时候付的钱是打到你的账户里面的,除了你谁也不知道,所以安装的过程平台帮不了忙但是能够帮你做的自动化,你需要做一些工作将自己的配置信息融入到自动化的安装过程中方可。比洳上面的例子双十一新创建出来的90台机器是空的,如果能够提供一个工具能够自动在这新的90台机器上将电商应用安装好,就能够实现應用层面的真正弹性例如Puppet, Chef, Ansible, Cloud Foundary都可以干这件事情,最新的容器技术Docker能更好的干这件事情不做技术的可以不用管这些词。

第二部分通用的應用不用安装。所谓通用的应用一般指一些复杂性比较高,但是大家都在用的例如数据库。几乎所有的应用都会用数据库但是数据庫软件是标准的,虽然安装和维护比较复杂但是无论谁安装都是一样。这样的应用可以变成标准的PaaS层的应用放在云平台的界面上当用戶需要一个数据库的时候,一点就出来了用户就可以直接用了。有人问既然谁安装都一个样,那我自己来好了不需要花钱在云平台仩买。当然不是数据库是一个非常难的东西,光Oracle这家公司靠数据库就能赚这么多钱。买Oracle也是要花很多很多钱的然而大多数云平台会提供Mysql这样的开源数据库,又是开源钱不需要花这么多了,但是维护这个数据库却需要专门招一个很大的团队,如果这个数据库能够优囮到能够支撑双十一也不是一年两年能够搞定的。比如您是一个做单车的当然没必要招一个非常大的数据库团队来干这件事情,成本呔高了应该交给云平台来做这件事情,专业的事情专业的人来自云平台专门养了几百人维护这套系统,您只要专注于您的单车应用就鈳以了

要么是自动部署,要么是不用部署总的来说就是应用层你也要少操心,这就是PaaS层的重要作用

虽说脚本的方式能够解决自己的應用的部署问题,然而不同的环境千差万别一个脚本往往在一个环境上运行正确,到另一个环境就不正确了

而容器是能更好的解决这個问题的。

容器是 ContainerContainer另一个意思是集装箱,其实容器的思想就是要变成软件交付的集装箱集装箱的特点,一是封装二是标准。

在没有集装箱的时代假设将货物从 A运到 B,中间要经过三个码头、换三次船每次都要将货物卸下船来,摆的七零八落然后搬上船重新整齐摆恏。因此在没有集装箱的时候每次换船,船员们都要在岸上待几天才能走

有了集装箱以后,所有的货物都打包在一起了并且集装箱嘚尺寸全部一致,所以每次换船的时候一个箱子整体搬过去就行了,小时级别就能完成船员再也不用上岸长时间耽搁了。

这是集装箱“封装”、“标准”两大特点在生活中的应用

那么容器如何对应用打包呢?还是要学习集装箱首先要有个封闭的环境,将货物封装起來让货物之间互不干扰,互相隔离这样装货卸货才方便。好在 Ubuntu中的LXC技术早就能做到这一点

封闭的环境主要使用了两种技术,一种是看起来是隔离的技术称为 Namespace,也即每个 Namespace中的应用看到的是不同的 IP地址、用户空间、程号等另一种是用起来是隔离的技术,称为 Cgroups也即明奣整台机器有很多的 CPU、内存,而一个应用只能用其中的一部分

所谓的镜像,就是将你焊好集装箱的那一刻将集装箱的状态保存下来,僦像孙悟空说:“定”集装箱里面就定在了那一刻,然后将这一刻的状态保存成一系列文件这些文件的格式是标准的,谁看到这些文件都能还原当时定住的那个时刻将镜像还原成运行时的过程(就是读取镜像文件,还原那个时刻的过程)就是容器运行的过程

有了容器,使得 PaaS层对于用户自身应用的自动部署变得快速而优雅

在PaaS层中一个复杂的通用应用就是大数据平台。大数据是如何一步一步融入云计算的四个特征呢

3.1 数据不大也包含智慧

一开始这个大数据并不大,你想象原来才有多少数据现在大家都去看电子书,上网看新闻了在峩们80后小时候,信息量没有那么大也就看看书,看看报一个星期的报纸加起来才有多少字啊,如果你不在一个大城市一个普通的学校的图书馆加起来也没几个书架,是后来随着信息化的到来信息才会越来越多。

首先我们来看一下大数据里面的数据就分三种类型,┅种叫结构化的数据一种叫非结构化的数据,还有一种叫半结构化的数据什么叫结构化的数据呢?叫有固定格式和有限长度的数据唎如填的表格就是结构化的数据,国籍:中华人民共和国民族:汉,性别:男这都叫结构化数据。现在越来越多的就是非结构化的数據就是不定长,无固定格式的数据例如网页,有时候非常长有时候几句话就没了,例如语音视频都是非结构化的数据。半结构化數据是一些xml或者html的格式的不从事技术的可能不了解,但也没有关系

数据怎么样才能对人有用呢?其实数据本身不是有用的必须要经過一定的处理。例如你每天跑步带个手环收集的也是数据网上这么多网页也是数据,我们称为Data数据本身没有什么用处,但是数据里面包含一个很重要的东西叫做信息Information,数据十分杂乱经过梳理和清洗,才能够称为信息信息会包含很多规律,我们需要从信息中将规律總结出来称为知识knowledge,知识改变命运信息是很多的,但是有人看到了信息相当于白看但是有人就从信息中看到了电商的未来,有人看箌了直播的未来所以人家就牛了,你如果没有从信息中提取出知识天天看朋友圈,也只能在互联网滚滚大潮中做个看客有了知识,嘫后利用这些知识去应用于实战有的人会做得非常好,这个东西叫做智慧intelligence有知识并不一定有智慧,例如好多学者很有知识已经发生嘚事情可以从各个角度分析的头头是道,但一到实干就歇菜并不能转化成为智慧。而很多的创业家之所以伟大就是通过获得的知识应鼡于实践,最后做了很大的生意

所以数据的应用分这四个步骤:数据,信息知识,智慧这是很多商家都想要的,你看我收集了这么哆的数据能不能基于这些数据来帮我做下一步的决策,改善我的产品例如让用户看视频的时候旁边弹出广告,正好是他想买的东西洅如让用户听音乐的时候,另外推荐一些他非常想听的其他音乐用户在我的应用或者网站上随便点点鼠标,输入文字对我来说都是数据我就是要将其中某些东西提取出来,指导实践形成智慧,让用户陷入到我的应用里面不可自拔上了我的网就不想离开,手不停的点不停的买,很多人说双十一我都想断网了我老婆在上面不断的买买买,买了A又推荐B老婆大人说,“哎呀B也是我喜欢的啊,老公我偠买”你说这个程序怎么这么牛,这么有智慧比我还了解我老婆,这件事情是怎么做到的呢

3.2 数据如何升华为智慧

数据的处理分几个步骤,完成了才最后会有智慧

第一个步骤叫数据的收集。首先得有数据数据的收集有两个方式,第一个方式是拿专业点的说法叫抓取或者爬取,例如搜索引擎就是这么做的它把网上的所有的信息都下载到它的数据中心,然后你一搜才能搜出来比如你去搜索的时候,结果会是一个列表这个列表为什么会在搜索引擎的公司里面呢,就是因为他把这个数据啊都拿下来了但是你一点链接,点出来这个網站就不在搜索引擎它们公司了比如说新浪有个新闻,你拿百度搜出来你不点的时候,那一页在百度数据中心一点出来的网页就是茬新浪的数据中心了。另外一个方式就是推送有很多终端可以帮我收集数据,比如说小米手环可以将你每天跑步的数据,心跳的数据睡眠的数据都上传到数据中心里面。

第二个步骤是数据的传输一般会通过队列方式进行,因为数据量实在是太大了数据必须经过处悝才会有用,可是系统处理不过来只好排好队,慢慢的处理

第三个步骤是数据的存储。现在数据就是金钱掌握了数据就相当于掌握叻钱。要不然网站怎么知道你想买什么呢就是因为它有你历史的交易的数据,这个信息可不能给别人十分宝贵,所以需要存储下来

苐四个步骤是数据的处理和分析。上面存储的数据是原始数据原始数据多是杂乱无章的,有很多垃圾数据在里面因而需要清洗和过滤,得到一些高质量的数据对于高质量的数据,就可以进行分析从而对数据进行分类,或者发现数据之间的相互关系得到知识。比如盛传的沃尔玛超市的啤酒和尿布的故事就是通过对人们的购买数据进行分析,发现了男人一般买尿布的时候会同时购买啤酒,这样就發现了啤酒和尿布之间的相互关系获得知识,然后应用到实践中将啤酒和尿布的柜台弄的很近,就获得了智慧

第五个步骤就是对于數据的检索和挖掘。检索就是搜索所谓外事不决问google,内事不决问百度内外两大搜索引擎都是讲分析后的数据放入搜索引擎,从而人们想寻找信息的时候一搜就有了。另外就是挖掘仅仅搜索出来已经不能满足人们的要求了,还需要从信息中挖掘出相互的关系比如财經搜索,当搜索某个公司股票的时候该公司的高管是不是也应该被挖掘出来呢?如果仅仅搜索出这个公司的股票发现涨的特别好于是伱就去买了,其实其高管发了一个声明对股票十分不利,第二天就跌了这不坑害广大股民么?所以通过各种算法挖掘数据中的关系形成知识库,十分重要

3.3 大数据时代,众人拾柴火焰高

当数据量很小的时候很少的几台机器就能解决。慢慢的当数据量越来越大最牛嘚服务器都解决不了问题的时候,就想怎么办呢要聚合多台机器的力量,大家齐心协力一起把这个事搞定众人拾柴火焰高。

对于数据嘚收集对于IoT来讲,外面部署这成千上万的检测设备将大量的温度,适度监控,电力等等数据统统收集上来对于互联网网页的搜索引擎来讲,需要将整个互联网所有的网页都下载下来这显然一台机器做不到,需要多台机器组成网络爬虫系统每台机器下载一部分,哃时工作才能在有限的时间内,将海量的网页下载完毕

对于数据的传输,一个内存里面的队列肯定会被大量的数据挤爆掉于是就产苼了基于硬盘的分布式队列,这样队列可以多台机器同时传输随你数据量多大,只要我的队列足够多管道足够粗,就能够撑得住

对於数据的存储,一台机器的文件系统肯定是放不下了所以需要一个很大的分布式文件系统来做这件事情,把多台机器的硬盘打成一块大嘚文件系统

再如数据的分析,可能需要对大量的数据做分解统计,汇总一台机器肯定搞不定,处理到猴年马月也分析不完于是就囿分布式计算的方法,将大量的数据分成小份每台机器处理一小份,多台机器并行处理很快就能算完。例如著名的Terasort对1个TB的数据排序楿当于1000G,如果单机处理怎么也要几个小时,但是并行处理209秒就完成了

所以说大数据平台,什么叫做大数据说白了就是一台机器干不唍,大家一起干随着数据量越来越大,很多不大的公司都需要处理相当多的数据这些小公司没有这么多机器可怎么办呢?

3.4 大数据需要雲计算云计算需要大数据

说到这里,大家想起云计算了吧当想要干这些活的时候,需要好多好多的机器一块做真的是想什么时候要,想要多少就要多少例如大数据分析公司的财务情况,可能一周分析一次如果要把这一百台机器或者一千台机器都在那放着,一周用┅次对吧非常浪费。那能不能需要计算的时候把这一千台机器拿出来,然后不算的时候这一千台机器可以去干别的事情。谁能做这個事儿呢只有云计算,可以为大数据的运算提供资源层的灵活性而云计算也会部署大数据放到它的PaaS平台上,作为一个非常非常重要的通用应用因为大数据平台能够使得多台机器一起干一个事儿,这个东西不是一般人能开发出来的也不是一般人玩得转的,怎么也得雇個几十上百号人才能把这个玩起来所以说就像数据库一样,其实还是需要有一帮专业的人来玩这个东西现在公有云上基本上都会有大數据的解决方案了,一个小公司我需要大数据平台的时候不需要采购一千台机器,只要到公有云上一点这一千台机器都出来了,并且仩面已经部署好了的大数据平台只要把数据放进去算就可以了。

云计算需要大数据大数据需要云计算,两个人就这样结合了

四、人笁智能拥抱大数据

4.1 机器什么时候才能懂人心

虽说有了大数据,人的欲望总是这个不能够满足虽说在大数据平台里面有搜索引擎这个东西,想要什么东西我一搜就出来了但是也存在这样的情况,我想要的东西不会搜表达不出来,搜索出来的又不是我想要的例如音乐软件里面推荐一首歌,这首歌我没听过当然不知道名字,也没法搜但是软件推荐给我,我的确喜欢这就是搜索做不到的事情。当人们使用这种应用的时候会发现机器知道我想要什么,而不是说当我想要的时候去机器里面搜索。这个机器真像我的朋友一样懂我这就囿点人工智能的意思了。

人们很早就在想这个事情了最早的时候,人们想象如果要是有一堵墙,墙后面是个机器我给它说话,它就給我回应我如果感觉不出它那边是人还是机器,那它就真的是一个人工智能的东西了

4.2 让机器学会推理

怎么才能做到这一点呢?人们就想:我首先要告诉计算机人类的推理的能力你看人重要的是什么呀,人和动物的区别在什么呀就是能推理。我要是把我这个推理的能仂啊告诉机器机器就能根据你的提问,推理出相应的回答真能这样多好。推理其实人们慢慢的让机器能够做到一些了例如证明数学公式。这是一个非常让人惊喜的一个过程机器竟然能够证明数学公式。但是慢慢发现其实这个结果也没有那么令人惊喜,因为大家发現了一个问题数学公式非常严谨,推理过程也非常严谨而且数学公式很容易拿机器来进行表达,程序也相对容易表达然而人类的语訁就没这么简单了,比如今天晚上你和你女朋友约会,你女朋友说:如果你早来我没来,你等着如果我早来,你没来你等着。这個机器就比比较难理解了但是人都懂,所以你和女朋友约会你是不敢迟到的。

所以仅仅告诉机器严格的推理是不够的还要告诉机器┅些知识。但是知识这个事儿一般人可能就做不来了,可能专家可以比如语言领域的专家,或者财经领域的专家语言领域和财经领域知识能不能表示成像数学公式一样稍微严格点呢?例如语言专家可能会总结出主谓宾定状补这些语法规则主语后面一定是谓语,谓语後面一定是宾语将这些总结出来,并严格表达出来不久行了吗后来发现这个不行,太难总结了语言表达千变万化。就拿主谓宾的例孓很多时候在口语里面就省略了谓语,别人问:你谁啊我回答:我刘超。但是你不能规定在语音语义识别的时候要求对着机器说标准的书面语,这样还是不够智能就像罗永浩在一次演讲中说的那样,每次对着手机用书面语说:请帮我呼叫某某某,这是一件很尴尬嘚事情

人工智能这个阶段叫做专家系统。专家系统不易成功一方面是知识比较难总结,另一方面总结出来的知识难以教给计算机因為你自己还迷迷糊糊,似乎觉得有规律就是说不出来,就怎么能够通过编程教给计算机呢

4.4 算了,教不会你自己学吧

于是人们想到看來机器是和人完全不一样的物种,干脆让机器自己学习好了机器怎么学习呢?既然机器的统计能力这么强基于统计学习,一定能从大量的数字中发现一定的规律

其实在娱乐圈有很好的一个例子,可见一斑

有一位网友统计了知名歌手在大陆发行的 9 张专辑中 117 首歌曲的歌词同一词语在一首歌出现只算一次,形容词、名词和动词的前十名如下表所示(词语后面的数字是出现的次数):

如果我们随便写一串数芓然后按照数位依次在形容词、名词和动词中取出一个词,连在一起会怎么样呢

例如取圆周率 3.1415926,对应的词语是:坚强路,飞自由,雨埋,迷惘稍微连接和润色一下:

是不是有点感觉了?当然真正基于统计的学习算法比这个简单的统计复杂的多

然而统计学习比較容易理解简单的相关性,例如一个词和另一个词总是一起出现两个词应该有关系,而无法表达复杂的相关性并且统计方法的公式往往非常复杂,为了简化计算常常做出各种独立性的假设,来降低公式的计算难度然而现实生活中,具有独立性的事件是相对较少的

4.5 模拟大脑的工作方式

于是人类开始从机器的世界,反思人类的世界是怎么工作的

人类的脑子里面不是存储着大量的规则,也不是记录着夶量的统计数据而是通过神经元的触发实现的,每个神经元有从其他神经元的输入当接收到输入的时候,会产生一个输出来刺激其他嘚神经元于是大量的神经元相互反应,最终形成各种输出的结果例如当人们看到美女瞳孔放大,绝不是大脑根据身材比例进行规则判斷也不是将人生中看过的所有的美女都统计一遍,而是神经元从视网膜触发到大脑再回到瞳孔在这个过程中,其实很难总结出每个神經元对最终的结果起到了哪些作用反正就是起作用了。

于是人们开始用一个数学单元模拟神经元

这个神经元有输入有输出,输入和输絀之间通过一个公式来表示输入根据重要程度不同(权重),影响着输出

于是将n个神经元通过像一张神经网络一样连接在一起,n这个数字鈳以很大很大所有的神经元可以分成很多列,每一列很多个排列起来每个神经元的对于输入的权重可以都不相同,从而每个神经元的公式也不相同当人们从这张网络中输入一个东西的时候,希望输出一个对人类来讲正确的结果例如上面的例子,输入一个写着2的图片输出的列表里面第二个数字最大,其实从机器来讲它既不知道输入的这个图片写的是2,也不知道输出的这一系列数字的意义没关系,人知道意义就可以了正如对于神经元来说,他们既不知道视网膜看到的是美女也不知道瞳孔放大是为了看的清楚,反正看到美女瞳孔放大了,就可以了

对于任何一张神经网络,谁也不敢保证输入是2输出一定是第二个数字最大,要保证这个结果需要训练和学习。毕竟看到美女而瞳孔放大也是人类很多年进化的结果学习的过程就是,输入大量的图片如果结果不是想要的结果,则进行调整如哬调整呢,就是每个神经元的每个权重都向目标进行微调由于神经元和权重实在是太多了,所以整张网络产生的结果很难表现出非此即彼的结果而是向着结果微微的进步,最终能够达到目标结果当然这些调整的策略还是非常有技巧的,需要算法的高手来仔细的调整囸如人类见到美女,瞳孔一开始没有放大到能看清楚于是美女跟别人跑了,下次学习的结果是瞳孔放大一点点而不是放大鼻孔。

4.6 没道悝但做得到

听起来也没有那么有道理但是的确能做到,就是这么任性

神经网络的普遍性定理是这样说的,假设某个人给你某种复杂奇特的函数f(x):

不管这个函数是什么样的,总会确保有个神经网络能够对任何可能的输入x其值f(x)(或者某个能够准确的近似)是神经网络的輸出。

如果在函数代表着规律也意味着这个规律无论多么奇妙,多么不能理解都是能通过大量的神经元,通过大量权重的调整表示絀来的。

4.7 人工智能的经济学解释

这让我想到了经济学于是比较容易理解了。

我们把每个神经元当成社会中从事经济活动的个体于是神經网络相当于整个经济社会,每个神经元对于社会的输入都有权重的调整,做出相应的输出比如工资涨了,菜价也涨了股票跌了,峩应该怎么办怎么花自己的钱。这里面没有规律么肯定有,但是具体什么规律呢却很难说清楚。

基于专家系统的经济属于计划经济整个经济规律的表示不希望通过每个经济个体的独立决策表现出来,而是希望通过专家的高屋建瓴和远见卓识总结出来专家永远不可能知道哪个城市的哪个街道缺少一个卖甜豆腐脑的。于是专家说应该产多少钢铁产多少馒头,往往距离人民生活的真正需求有较大的差距就算整个计划书写个几百页,也无法表达隐藏在人民生活中的小规律

基于统计的宏观调控就靠谱的多了,每年统计局都会统计整个社会的就业率通胀率,GDP等等指标这些指标往往代表着很多的内在规律,虽然不能够精确表达但是相对靠谱。然而基于统计的规律总結表达相对比较粗糙比如经济学家看到这些统计数据可以总结出长期来看房价是涨还是跌,股票长期来看是涨还是跌如果经济总体上揚,房价和股票应该都是涨的但是基于统计数据,无法总结出股票物价的微小波动规律。

基于神经网络的微观经济学才是对整个经济規律最最准确的表达每个人对于从社会中的输入,进行各自的调整并且调整同样会作为输入反馈到社会中。想象一下股市行情细微的波动曲线正是每个独立的个体各自不断交易的结果,没有统一的规律可循而每个人根据整个社会的输入进行独立决策,当某些因素经過多次训练也会形成宏观上的统计性的规律,这也就是宏观经济学所能看到的例如每次货币大量发行,最后房价都会上涨多次训练後,人们也就都学会了

4.8 人工智能需要大数据

然而神经网络包含这么多的节点,每个节点包含非常多的参数整个参数量实在是太大了,需要的计算量实在太大但是没有关系啊,我们有大数据平台可以汇聚多台机器的力量一起来计算,才能在有限的时间内得到想要的结果

人工智能可以做的事情非常多,例如可以鉴别垃圾邮件鉴别黄色暴力文字和图片等。这也是经历了三个阶段的第一个阶段依赖于關键词黑白名单和过滤技术,包含哪些词就是黄色或者暴力的文字随着这个网络语言越来越多,词也不断的变化不断的更新这个词库僦有点顾不过来。第二个阶段时基于一些新的算法,比如说贝叶斯过滤等你不用管贝叶斯算法是什么,但是这个名字你应该听过这個一个基于概率的算法。第三个阶段就是基于大数据和人工智能进行更加精准的用户画像和文本理解和图像理解。

由于人工智能算法多昰依赖于大量的数据的这些数据往往需要面向某个特定的领域(例如电商,邮箱)进行长期的积累如果没有数据,就算有人工智能算法也皛搭所以人工智能程序很少像前面的IaaS和PaaS一样,将人工智能程序给某个客户安装一套让客户去用因为给某个客户单独安装一套,客户没囿相关的数据做训练结果往往是很差的。但是云计算厂商往往是积累了大量数据的于是就在云计算厂商里面安装一套,暴露一个服务接口比如您想鉴别一个文本是不是涉及黄色和暴力,直接用这个在线服务就可以了这种形势的服务,在云计算里面称为软件即服务SaaS

於是工智能程序作为SaaS平台进入了云计算。

五、云计算大数据,人工智能过上了美好的生活

终于云计算的四个特征三兄弟凑齐了分别是IaaS,PaaS和SaaS所以一般在一个云计算平台上,云大数据,人工智能都能找得到对一个大数据公司,积累了大量的数据也会使用一些人工智能的算法提供一些服务。对于一个人工智能公司也不可能没有大数据平台支撑。所以云计算大数据,人工智能就这样整合起来完成叻相遇,相识相知。

“云计算”这三个字相信你一定聽过无数遍了那么我想问问你,“云计算”到底是什么你能回答出来吗?首先我们听到云计算三个字时感觉非常高大上,高不可测嘚新技术等等,如果你没有接触过的感觉离我们很远,很不生活化不像滴滴打车这么生活化的应用软件。

2、云计算是如何分类的

4、雲计算发展趋势如何

5、“带头大哥”阿里云

6、我到底应该如何学习云计算

官方解释:云计算是一种按使用量付费的模式这种模式提供可鼡的、便捷的、按需的网络访问, 进入可配置的计算资源共享池(资源包括网络服务器,存储应用软件,服务)这些资源能够被快速提供,只需投入很少的管理工作或与服务供应商进行很少的交互。

我们应该如何通俗地理解:

首先按照传统方式建立网站要怎么做呢?需要购买服务器网络带宽,注册网站域名开发,运维等一系列复杂的过程最后才能建立起来我的网站。就好像是我们想要获得幹净的水源前期需要购置很多工具,花费大量人力最后才能打出来一口井。

云计算是什么通俗理解就是有一个云厂商已经建立好了洎来水井,也铺好了自来水管道我们直接拿被子取干净的水就好了,这就是一套自来水系统不用再去打水井,铺管道提高了时间效率,也大大降低了人力成本

云计算一般分为三类:基础架构即服务(IaaS)、平台即服务(PaaP)和软件即服务(SaaS

基础架构即服务(IaaS

也就是基础设施服务,主要是通过网络的方式向用户提供计算储存,网络等基础资源目前中小型企业或用户都是购买这类基础性框架服务。通俗理解就是从水厂的水源厂房,自来水管道这类属于最基础的设施。

平台即服务(PaaP

主要是通过平台向用户提供应用软件的开发測试,快速部署帮助用户快速实现更多应用功能。主要针对互联网公司比较成型规模的公司。通俗理解就是为了达到特定的目的而提供的工具如过滤的工具,增加矿物质的工具增加二氧化碳含量的工具,也就是为这个自来水持续地增加它的价值

软件即服务(SaaS

直接加工成商品性的东西去卖就好了,通俗理解就是直接获得自来水将水再加工处理,做成特定的产品卖出去如纯净水,苏打水农夫屾泉,怡宝等这类产品

目前云计算越来越普及化,行业门槛很低正向平民化方向发展。

主要有两点好处:一是提升效率二是节约成夲

提升效率:(1)开发效率;(2)运行效率;(3)维护效率;(4)测试效率。

节约成本:(1)建设成本;(2)投入成本;(3)试错成本;(4)安全成本

(1)政策方面,国家工信部倡导的工信部发布的云计算发展三年行动计划()为中国的云计算营造良好的政策环境

(2)资本市场方面,风投在这几年仍然保持很高的热情所以这两方面对云计算的四个特征发展很有利,且人们对云计算也越来越认可

在今天手机互联网时代,应该差不多我们每个人都知道淘宝搞IT的应该无人不知道阿里云吧,我们先来看看阿里云

原标题:【招商策略】A股投资的⑨大流派:特征与策略(下)--A股投资启示录(十四)

没有最好的投资方法只有最适合的投资方法。任何投资流派做到极致都能够取得優异的投资成绩。本篇报告讨论了A股投资的九大流派分析了不同投资流派特征、适用投资者类别、投资策略,并简化模拟各种策略的投資回报率下篇主要讨论了四种市场投资流派的特征与策略并简单分析了三种错误的投资方法。

?当进入市场派的世界股票已经从上市公司股权抽象成为一种交易符号。股票投资已经不再是分析股票背后上市公司的价值而是从“博弈”的角度,试图交易通过赚取其他投資者的价值这种思维模式下的股票,本质上与期权、期货交易并无本质差异在交易流派和或市场派的世界,大概有四种思路严格交噫策略、热点追击、量化套利、高频交易,前两种属于主观策略后两种属于量化策略。本文还讨论了三种失败的交易方式或者投资方式

严格交易策略—交易的世界。严格交易策略指投资者事先约定好交易规则,什么时候建仓、加仓、止盈、止损简单说就是事先给自巳约定买卖规则,然后按照买卖规则进行操作通过分散化投资,不追求单笔投资盈利甚至不追求胜率,只求赚多赔少最终实现稳定滾动盈利。严格交易策略的核心是交易策略——一个事先约定并坚持执行的投资规则这种交易策略在持股时间范畴上很宽泛,一天至一姩以上都可以但是大部分交易落在三个月以内,由于严格止损和分散投资波动相对较小,当然预期回报率也难以太高这种策略特别適合有严格回撤要求的绝对收益产品。

市场派之:热点追击/事件驱动(主题投资)与严格交易策略显著不同的是热点追击/事件驱动投资戓者主题投资,这种策略在市场上非常有市场简单的说就是追热点,追主题这种策略的核心是分析当前市场正在或将要追捧的热点概念、主题和个股,在合适的时间参与进去而且一般而言会以很重的仓位参与,由于市场热点参与人数众多短期涨幅巨大,因此这种筞略可以很快见效,获取很高收益但是,负面效应也非常明显一旦判断错误,损失也会非常巨大这种策略追求单笔盈利,追求胜率因此,这个策略的核心是对热点和事件强度持久性的研判。门槛低做好很难。

量化套利和高频交易均属于类量化的策略以计算机建立的模型为基础,通过模型运算结果进行投资甚至直接由机器下单进行程序化交易。量化套利和高频交易的思维方式完全不一样量囮套利的核心是找到一组交易的证券,随着时间推移价格趋向于收敛那么则进行多空交易,从而赚取价格收敛的回报高频交易则是通過计算机模型找到交易价格中的出现的规律和模式,从而利用这些规律和模式进行交易获利

典型的三种失败策略是瞎炒、消息驱动和持虧倾向。“瞎炒”的意思是没有任何交易规则,随心所欲、凭感觉进行股票交易;“消息驱动”每天沉静在朋友圈、微信圈、炒股群、贴吧、股吧、董秘问答,信奉“牛人”“牛散”“柚子”的推荐进行股票交易;“持亏倾向”就是怀着热忱的赚钱预期进入股票市场茬亏钱以后转而持有亏损的股票,美其名曰“长期投资”“价值投资”以上三种是典型的亏钱类型。

? 风险提示: 本文仅客观描述当下仍嘫存在的部分交易型投资者的投资特点和策略投资者应采取扬弃的辩证视角看待这些投资者和投资方法。

前文提要:A股投资的九大流派

茬 《A股的投资九大流派:特征与策略(上)》 我们主要描绘了以下内容:

没有最好的投资策略和流派也没有高尚或者低俗的投资方法流派,只有适合自己的投资方法和流派 无论哪种方法只要能够做到极致都能够获得相当高的风险-收益配比。投资者应该根据自身的投资目標、持股期限、风险偏好选择最适合自己的投资方法

根据关注点不同,所有流派可以分类为两大类第一大类关注企业价值,首要出发點是赚上市公司盈利的钱次要是赚市场的钱, 这一大类流派都可以称之为“价值派;另外一大类关注市场博弈首要出发点是赚市场(别的投资者)的钱,企业价值只是市场博弈的关注点之一 这一大类都可以称之为“市场派”。

我们可以根据 持股时间、风险承受能力囷预期收益把投资划分为12种组合,分别对应9种流派还有3种组合不能称之为流派,是典型的股票投资失败的操作方法

我们可以根据持股时间、风险承受能力和预期收益,把投资划分为12种组合分别对应9种流派,还有3种组合不能称之为流派是典型的股票投资失败的操作方法。

《在A股的投资九大流派:特征与策略(上)》我们主要描述了五种价值投资的类型特点与策略。

笔者在此严正声明价值投资才昰正道,应该信奉长期价值投资理念梳理正确投资风气,笔者下文所描述的市场派策略仅仅只是客观描述当下仍然存在的部分交易型投资者的投资特点和策略。不代表笔者认同这些投资方法读者也应采取扬弃的辩证视角看待这些投资者和投资方法。

当我们进入市场派嘚世界股票已经从上市公司股权抽象成为一种交易符号。股票投资已经不再是分析股票背后上市公司的价值而是从“博弈”的角度,試图交易通过赚取其他投资者的价值这种思维模式下的股票,本质上与期权、期货交易并无本质差异

在A股,即便再被认为是没有什么價值的股票还是有很多投资者进行交易这说明将股票当成是一种交易符号,而忽略分析股票内在价值的投资者仍然客观存在甚至有可能持有这种思维的投资者不在少数。因此本文使用“扬弃”的辨证思维,理性批判的视角分析交易的世界

在交易流派和或者说市场派嘚世界,大概有四种思路严格交易策略、热点追击、量化套利、高频交易,前两种属于主观策略后两种属于量化策略。而我们同时也會讨论三种失败的交易方式或者投资方式

所谓严格交易策略,是指投资者事先约定好交易规则什么时候建仓、加仓、止盈、止损,简單说就是事先给自己约定买卖规则然后按照买卖规则进行操作,通过分散化投资不追求单笔投资盈利,甚至不追求胜率只求赚多赔尐,最终实现稳定滚动盈利严格交易策略的核心是交易策略——一个事先约定并坚持执行的投资规则。这种交易策略在持股时间范畴上佷宽泛一天至一年以上都可以,但是大部分交易落在三个月以内由于严格止损和分散投资,波动相对较小当然预期回报率也难以太高。这种策略特别适合有严格回撤要求的绝对收益产品

与严格交易策略显著不同的是热点追击/事件驱动投资或者主题投资,这种策略在市场上非常有市场简单的说就是追热点,追主题 这种策略的核心是分析当前市场正在或将要追捧的热点概念、主题和个股,在合适的時间参与进去而且一般而言会以很重的仓位参与,由于市场热点参与人数众多短期涨幅巨大,因此这种策略可以很快见效,获取很高收益但是,负面效应也非常明显一旦判断错误,损失也会非常巨大 这种策略追求单笔盈利,追求胜率因此,这个策略的核心是對热点和事件强度持久性的研判。门槛低做好很难。

量化套利和高频交易均属于类量化的策略以计算机建立的模型为基础,通过模型运算结果进行投资甚至直接由机器下单进行程序化交易。量化套利和高频交易的思维方式完全不一样量化套利的核心是找到一组交噫的证券,随着时间推移价格趋向于收敛那么则进行多空交易,从而赚取价格收敛的回报高频交易则是通过计算机模型找到交易价格Φ的出现的规律和模式,从而利用这些规律和模式进行交易获利对于量化类策略,由于笔者了解有限同时限于篇幅,本报告将不会做展开讨论

而典型的三种失败策略是瞎炒、消息驱动和持亏倾向。“瞎炒”的意思是没有任何交易规则,随心所欲、凭感觉进行股票交噫;“消息驱动”每天沉静在朋友圈、微信圈、炒股群、贴吧、股吧、董秘问答,信奉“牛人”“牛散”“柚子”的推荐进行股票交易;“持亏倾向”就是怀着热忱的赚钱预期进入股票市场在亏钱以后转而持有亏损的股票,美其名曰“长期投资”“价值投资”以上三種是典型的亏钱类型。

严格交易策略—交易的世界

所谓严格交易策略是指投资者事先约定好交易规则,什么时候建仓、加仓、止盈、止損简单说就是事先给自己约定买卖规则,然后按照买卖规则进行操作通过分散化投资,不追求单笔投资盈利甚至不追求胜率,只求賺多赔少最终实现稳定滚动盈利。

基本理念:通过建立严格的交易策略和机制分散投资,通过赚钱头寸(仓位)超过赔钱头寸(仓位)从而实现相对持续稳定的盈利。

适用属性:持股时间适中、风险承受能力较低、预期回报率适中

知识储备:极强的自律能力和情绪控淛广泛的市场交易模式积累

核心要点:不受情绪控制的按规则理性交易,持续的市场复盘不断进行市场量化统计对规律进行总结

1. 交易嘚世界——从未被深思的投资世界

“交易”是股票投资最容易理解也最难理解的词汇。说他容易理解因为投资者几乎每天面对这交易,吔许是自己下买入或者卖出的单如果自己没有下单,也会看着股价波动看着软件上价格和“S”和“B”跳动,交易的结果就是价格哪怕再不喜欢交易的投资者,都会面对交易或者交易的结果每一个交易结果构成为价格,价格组成净值净值构成盈利和亏损,最终决定叻考核和管理人是否会下岗

价值投资者也需要交易,对于价值投资来说交易行为较为简单且不那么重要,五种“价值投资”理念下的茭易模式如下:

深度价值——股票价值低于股价则买入反之卖出;深度价值的交易核心是股票价值分析。

长期价值——判定公司市场空間扩展、经营状况好转、产品提升力买入;公司市场空间萎缩经营状况恶化,产品力恶化不可逆转卖出,长期价值的交易核心是公司經营管理

类固收/高分红策略——公司分红率高且持续,买入;公司分红率下降不可逆转,卖出;类固收和高分红策略交易的核心是公司的分红能力;

价值趋势——公司所处细分领域和公司本身经营处在景气上行周期买入;反之,卖出价值趋势的交易策略的核心是公司和公司所处细分行业的景气周期

逆向投资——市场认知出现错误或者无视改善,买入;市场认知回归后卖出,逆向投资交易策略核心昰市场认知的错误或者盲点

以上的交易策略是基于公司价值的主观交易策略,或者说一种大概的交易策略隶属于严格交易策略中很小嘚一部分,或者说严格交易策略中的一小部分交易策略有时候也会使用这些方法和思路。但是这远远不够。

2. 严格交易策略的世界——未被深思的投资世界

由于投资者每天都可能交易都在交易,因此恰恰就是在交易这件事件上投资者可能反而会视而不见。如果仔细研究思考交易策略不亚于一门高深的艺术

在理解交易的世界,我们需要理解几组基本概念

胜率大部分投资者对于股票投资的理解是买“對”的股票,也就是说买入股票价格就要上涨,但是实际上股票价格是波动的而非简单趋势也就是说,“对”是一个相对模糊的概念当买入一只股票后,随着价格的波动有时候赚钱,有时候赔钱买入后即上涨并不代表最后一定赚钱,反之亦然因此,在股票交易嘚世界胜率是指买入并卖出后获利的概率。

交易策略是为了提高胜率吗可能很多投资者都这样认为,但是提高胜率并不是交易策略中朂重要的事甚至连重要都算不上。真正重要的是下一个概念

成败比:每一笔交易盈利时,盈利的平均水平除以每一笔交易亏损时,虧损的平均水平

我们用下面这个最简单理想交易模型来解释,先用单笔交易来看假设100个交易日,假设可以T+0每天做一次买和卖,当日結清

为了更加简化,我们假设我们有严格止损机制每笔交易亏损上限就是1%,正好每笔亏损就是1%那么随着成败比的变化,我们可以看箌100笔交易过后的结果胜率从50%提高到55%,最终净值也不会高太多;而胜率下滑到50%一下依然是赚钱的,既是持续做“糟糕”的交易胜率降箌40%,只要成败比足够大我们也可以有不错的盈利。

从这个最简单的模型里面可以看出提高“买对”的概率,相比提高“成败比”的重偠性远远没有那么重要。因此交易策略的本质不在于提高胜率,而在于提高成败比而提高成败比,简单说就是控制每笔亏损提高烸笔盈利。提高每笔盈利比较难但是,控制每笔亏损确实相对简单的事,那就是——止损

(2)止损——设定严格的亏损减仓的规则,这个规则不以人为意志为转移

从前面那个例子可以看出,交易的成败核心在“成败比”而成败比中可以相对容易控制的是每笔亏损,因此止损成为交易中最核心的事。下面这张图揭示了止损的重要性正常情况下,股票价格涨跌的幅度和概率是差不多一半对一半泹是,下跌幅度和下跌后涨回原有净值并不是对称的!!

跌幅越大下跌后过后要想涨回原有净值,在同样的概率下难度就越大。

止损昰交易策略中最重要的事这句话值得说三遍。

如此简单的道理为什么实现起来如此之难,因为人性中人们是很难承认自己错误的,尤其是参与股票交易的投资者普遍较为自信因此,大部分时候都假定自己是“正确的”而股价的下跌是“市场是错误的”,别的投资鍺是错误的“买卖——Sell & Buy那么,卖出亏损的股票等同于承认自己的错误——这是非常难以接受的事情而且,如果投资者不是个人投资者洏是产品管理人承认这一点就更难。因为只要股价最终能涨回来我就能证明自己“正确”,但是如果承认错误不仅使得业绩受损(雖然已经受损),还会被领导和持有人质疑投资能力

除此之外,另外一种思维模式是“都跌了这么多了再卖不划算了”,这种想法从量化统计来说得不到很好的支持,为了说明这一点我们再建立一个简单的策略,如果以沪深300指数作为一个投资组合连续持有20个交易滬深300指数,如果下跌幅度超过10%则再持有20个交易日,涨回原来净值并回正的概率是多大

通过历史回测,自2004年开始连续20交易日跌幅超过10%囿271次,其中涨回的次数是144次,涨回的概率是50%

类似的,我们可以做30天40天,60天跌幅设定为-5%和-15%,结果比较类似当投资者持有一个标的,前期下跌了多少再持有相同交易日涨回的概率不会太超过50%。沪深300指数已经算是一个绩优股组合了如果标的选择不好,那么这个概率應该会更低

当然,很多投资者说我选的股票会比较好,能显著战胜沪深300指数平均水平这又是另外一个故事了。

我们还可以用另外一個视角看待这个问题如果均值回归效应确实很明显的话,应该存在理论一个策略就是买跌多的股票——有很多人把买跌多的股票叫逆姠投资,这显然不对那么我们建立一个“跌多策略”,我们滚动买入每个季度表现最差了前10%的股票每个月都调整。那么这个策略的走勢将会如下图所示从2009年开始,相对沪深300指数超额收益率为-80%尤其是2016年以来,随着北上进入资本市场改革提速,强者恒强弱者恒弱的格局愈加明显。

那么过去表现弱势的股票存在永远被抛弃的可能,在这种环境下认为跌多了所以迟早要涨回来并不见得对,或者概率仩并不显著甚至在当前大环境下是很危险的,那么止损机制就显得更为重要

对于股票交易者来说,仓位就是多少持有股票占净值的比偅;而头寸(position)指的是是仓位的性质例如多头、空头,或者一组交易组合在本文中,由于不存在多空概念头寸就是一个供买入股票戓者股票组合的交易单元中。在本文中每一个交易单元也就是“头寸”也是有“仓位”概念的,所有头寸的仓位的和构成了整个产品或鍺资金的仓位

大部分投资者理解的仓位就是持有多少比例股票和现金,看多就持有股票比例高一些看空就持有股票比例低一些。对于夶部分投资者来说如果看好一个股票,那就直接设定买5个点3个点,也就是拿净值的5%或者3%的现金买入一只股票这种只是初级仓位管理嘚概念。

但是在严格交易策略体系中仓位并不是这么简单的使用。

首先明确资金的最大使用规模,多少最大多少比例资金可以使用所有可用资金,扣除一部分备留现金来应对赎回和极端情况补仓

第二步,确定头寸的数量投资者应该确定产品或者资金可以最多建立哆少头寸,或者简单说计划买入多少只股票或者股票组合理论上,这若干个股票组合应该是买入理由和交易逻辑低相关否则,头寸将會过度暴露在同一个交易风险之下

例如:将可用资金十等分,可以建立3-5个头寸当前持有的组合逻辑是:

头寸一:基于对利率上行的判断,买入保险行业龙头最大使用10%的可用资金;

头寸二:基于北上资金和融资余额持续流入判断,持有北上和融资余额共同持有的最大的五個股票组成的组合最大使用30%的可用资金;

头寸三:基于对于电动智能汽车板块看好,持有电动智能汽车板块龙头五个股票最大使用30%的鈳用资金;

头寸四:正在研究,基于对市场乐观的判断剩下30%计划将在未来一个月选择合适的交易逻辑再开1-2个新头寸。

第三步确定每一呮股票或者股票组合的建仓比例、加仓比例、补仓比例,止损规则、止盈比例这些比例都是指每一个操作计划,使用的资金占该头寸可鼡资金的比例

最终:产品组合仓位=头寸1资金上限×头寸1的仓位+头寸2资金上限×头寸2的仓位+头寸3资金上限×头寸3的仓位。

(4)建仓、平仓、耐受期限、加仓、补仓、止盈

仓位策略的组成部分对于任何交易逻辑,我们没有任何理由相信自己是100%正确的因此,不应该以上来就紦仓位用足或者一上来就满仓。 而是应该对每一份头寸建立尝试性的仓位让市场来确定这个仓位正确与否,这叫建仓

例如,当我们決定开启上文中的头寸一最大仓位是10%,那么我们不应该上来就买10%应该买入2%作为建仓头寸,剩下8%的额度等待进一步信号明确后加仓

如果在建仓后的3-5五个交易日,市场按照我们预想的方向进行俗称“市场跟了”,最简单的一种情况就是股价开始上涨了那么此时判定该茭易逻辑被市场认可(当然,也许是歪打正着)那么我们应该进行加仓。反之如果市场没有按照预想的方向进行,我们应该进行观望直至平仓或者止损。

平仓既不是止损也不是止盈而是到一定期限仍然没有表明头寸是正确还是错误,那么不应该持有至“市场总有一忝会认可我”或者“总有一天我会对”原因是资金是有时间成本的,资金的时间成本是基准指数收益率但是,我们也不能太过频繁的岼掉事先建立好的头寸因此,就需要设定建仓至平仓的时间称之为“耐受期限”,也就是买入逻辑能够持续的最长期限也就是说,洳果过了这个期限市场还没有证明我们正确,那么我们就错了至少我们在时间上选错了。

当市场在耐受期限内证明我们判断的正确股价开始上涨,那么我们毫不犹豫的进行加仓一般而言,每一份头寸也分为一到三次加仓也就是建仓后,一次加满;二次加满或者三佽加满

建仓比例和后续加仓比例应该提前设定,例如2:8;3:7;2:5:3;3:4:3;1:2:3:4这个比例设定可以根据情况事先设定,但是不管如何设定最重要的执荇。

止盈就是卖股票止盈策略就是什么情况下卖股票,这绝对是一门高深的学问我们也应该建立一套止盈规则。例如技术分析止盈規则、成交量止盈规则、基本面变化止盈规则。后文再详细讨论这一点

当有了以上基本概念后,我们可以进入下一部分建立一套完整嘚严格交易策略。

一个严谨的交易策略应该包含而不限于以下要素:

其中,一个头寸的交易流程如下图所示:

(1)股票交易的是一种模式

如果看单个股票的价格走势基本是随机游走的,因此单个股票甚至指数的走势是无法预测的。在混沌理论里面描述了一种叫蝴蝶效应的现象。理论上来当前物理学模型完全可以预测天气变化,但是蝴蝶效应却说当一只南美洲亚马逊河流域热带雨林中的蝴蝶,偶爾扇动几下翅膀可以在两周以后引起美国得克萨斯州的一场龙卷风。因为是多变量自相关的复杂系统只要初始变量的极其细微的变化,可以带来结果的巨大变化这使得天气预测变得不可能。

股票交易并非是机械的物理运动而是一个众多交易者心理活动的结果。影响股票变量的数量庞大这些变量之间有相互影响且很多自相关。而更为复杂的时即便是完全一模一样的外在变量,由于投资者的心态和信心的差异也会完全做出完全不同的选择。

我们经常听到这样的例子

“公司估值已经60倍价格过高,投资者应该卖出”“公司估值已经60倍反应投资对未来发展前景相当乐观,投资者应该买入”

“公司大股东增持反应公司股东对公司经营状况乐观,投资者应该买入”“公司大股东增持应该是害怕股价下跌,公司可能会面临经营的不确定投资者应该卖出”

对于交易策略来说,预测股价重要吗前面就提到了“胜率”对于交易策略来说并不重要。因此预测股价并不重要。因此 对于交易策略来说,投资者切记陷入了提高预测股价准确性的努力上这种努力大概率是徒劳的。

而混沌理论的另外一部分揭示了另外一种规律无数个混沌运动却会组成一个有规律的轨迹分布。例如预测大气模型的洛伦兹方程组随着没有精确的解,也就是说无法精确确定每个点的位置,但是每个点出现的区域却是有规律的出现是有模式或者是规律的。

量子理论也有类似的理论称之为“测不准原理”,粒子的位置与动量不可同时被确定比如,对于一个電子你不可能知道它的位置,但是你却知道他运行的规律和出现的区域量子力学中最诡异的实验——双缝干涉更加恐怖,你不仅不知噵电子通过的双缝后的具体位置只能知道分布区域。而且这个分布到底是条纹状分布还是非条纹状分布,还要取决于于有没有人为观測这跟股价走势非常类似,股价走势不仅取决于客观的变量还取决于投资者的主观意志。

交易行为本质是大脑活动有研究表明,大腦活动实际是量子活动和复杂的物理化学活动因此投资者交易无法预测,但是无数投资者交易的结果却会显示出某种模式从而一组股票经过一段时间的交易是具有模式或者规则。而这些模式和规则构成了交易策略的基础

当然,反过来也可以这样说股票单次交易既不偅要也不关键,交易模型和体系才更重要

什么情况下可以做出对一个股票或者一个股票的建仓,大致可以分为以下几种类别的规律:

  • 基於技术分析的建仓规则

对于严格交易策略投资者来说技术分析或者“看图”是最喜欢的一种策略,投资者可能会参考一些指标最经典嘚技术分析就是技术指标和k线图形态。但是技术指标最大的问题是,理论上价格包含一切信息几乎所有基于技术指标的指标都是用历史价格推导未来价格,笔者认为可参考性是值得怀疑的而且,这些技术指标很难禁得起量化测算不过,如果能够通过庞大的运算算絀有效的价格运行模式,也是可以的不过如果需要庞大的计算,更加类似量化投资的领域和范畴了

另外一种技术分析就是基于价格组匼的模式,例如“金叉”“w低”“楔形”“突破”等等,这些价格组合更加类似于价格出现模式相比技术指标更有道理,例如“w底”形成原理是——当股价处在下趋势中有投资者因为跌多了而参与反弹,但是基本面并不支撑因此,在第一次下跌后会出现二次探底洏且往往二次探底不再创新低,这说明公司的基本面可能会出现了积极变化,导致第二次探底时买入的投资者更多了当市场再度反弹創下前期新高,确定基本面发生积极变化这是一个典型价格模式所“可能”隐藏的基本面信息。

“突破”每当股价运行到一定位置,股价都难以继续进行这说明公司基本面不支持进一步上行,因此前面反复出现的高点位置附近就会有大量的基于技术指标的投资者卖絀或者“止盈”,而当公司出现更加强劲的基本面变化基本面投资者买入的力量远超技术分析投资者,股价会出现“突破”而这种形態反过来成为技术分析投资者的买入指标,形成了基本面投资者和技术面投资者的共振

每个投资者对于技术分析都有不同的理解,也可鉯做不同的研究在通达信软件和wind软件都有上有专门的“程序交易评测系统”投资者可以选择不同的指标,选择不同的参数进行回测历史收益

这种建仓的基本原理是,当宏观和中观变量出现相似变化时投资者的应对是相似的,比如当通胀预期升温,投资者会买入白酒;当货币政策宽松投资者会买入金融地产;当汇率贬值,投资者考虑买入电子等出口导向性行业;当科技进入上行周期投资者应该买叺TMT相关行业。当地产销量提升投资者会买入家电、轻工制造。这些变量变化与股价的运动之间在历史上有一定的应对关系投资者可以通过历史回测得到相应的价格模式。当然这种对应关系并不是必然,也只是一种概率因为股价并非受单一变量影响。因此需要具体問题具体分析。

政策变化的逻辑和上述宏观中观变量变化的逻辑比较相似只不过变量变成了政策,比如如果新能源补贴增加买入新能源板块,医药带量采购价格高于预期利好医药板块;地产政策放松,利好地产板块同样,这种历史回测的反应也并非必然而是一种概率。

公司基本面的变化公司基本面的变化可能源自上市公司公告、财报、其他公开信息推导出的公司基本面的变化。

基于主题和热点進行加仓和建仓在后一部分进行了稍微详细的论述。

(3)平仓、止盈模式和规律

会卖的是师傅什么情况下卖股票,是一门非常关键的技术活最简单的止盈模式就是买入时设定预计的止盈涨幅,这个止盈涨幅可以是一个固定值也可以是由技术指标确定的涨幅,例如前期阻力位前期高点等等。

相比价格 在所有的平仓和止盈模式中,成交量可能是最明显也最确定的变量放量应该是所有平仓或者止盈規律中最明显的。

在通达信软件上有一个叫做“活跃股”指数,用每周换手率最高的100只股票构成这个指数,绝大数时候是下跌了除叻年那轮牛市过程中,勉强有超额收益2015年6月见到最高点后,这个指数从最高62275点暴跌至现在681点,暴跌接近99%这说明一个问题,A股投资绝夶数时候人多的时候不要去。热门股就是绞肉机

当然,这个规律也适用用平仓和止盈如果我们买入的理由被市场认为正确,并且大幅放量后说明这个正确的认知已经被充分定价,那这笔交易绝大多数情况下已经没有太多价值了很多投资者看到这里就说,这么做会鈈会卖飞牛股放量后继续涨。在严格交易策略的世界里没有“牛股”的概念,因为牛股是小概率事件如果专注挖掘牛股,只能从基夲面的角度那就回到价值投资的领域了。

除了价格指标和成交量指标之外其他的止盈规则应该基于买入理由的兑现、弱化、消失、逆轉作为止盈或者平仓的对应理由。

这里需要注意一点很多投资者喜欢把估值作为卖出理由,这个指标我们在很多篇报告里面提到过由於大量趋势投资者的存在,估值是所有变量里面最不重要的那个没有任何证据表明高市盈率或者高市净率在一定时间范围内会大幅持续跑输基准指数。

不是极少见的意外情况尽可能不要补仓,所有巨大的亏损模式中补仓可能是亏钱最多的一种模式。因为一个头寸建立後没有得到市场的确认,然后固执的认为市场是错的不断补仓,表面看“摊薄”了成本,但实际是错上加错原因是,不仅是原有頭寸陷入下跌而且补仓占用的资金丧失了参与其他正确投资的可能。

最重要的是当对于一个头寸的仓位随着补仓不断提高,那么止损這个头寸的心理障碍会越来越大一旦放弃止损,那么就是灾难严格交易策略本身就是积小胜为大胜,如果因为一笔交易亏损过多则需要花更长的时间来挽回这笔损失。前面已经论述过

最后,偶然一次补仓的成功会加重对补仓的依赖十次补仓的成功,只需要一次补倉错误就全部亏回去了

因此,如果不是由于意外的非基本面因素不建议在亏损的头寸上补仓。

止损是严格交易策略的灵魂前面介绍圵损概念的时候已经介绍过,无论多强调都不为过如果不进行止损,一个长期下跌的股票可以毁掉我们很多的努力

一般而言,建议使鼡固定的止损比例在A股有天然的止损线就是10%。投资者可以考虑根据股票的beta设定不同的止损比例;可以根据技术指标设定不同的止损线唎如创新低止损,破下轨阻力位止损等等

但是,是否可以市场基准指数作为止损的参考例如:当跌幅比沪深300指数跌幅大10%才触发止损。

答案是并不建议因为市场整体下跌,对部分头寸做出止损动作也是对市场整体风险的反应。当市场进入弱势我们持有的头寸也随着丅跌,没有正确的交易存在那么我们的止损也是降低仓位,规避市场风险的操作

对于严格交易策略,投资者应该建立一套完善的交易框架和规则尽可能能用规则约束投资行为,而不是随心所欲的进行投资其中有几个关键原则:

第一, 仓位管理是严格交易策略非常关鍵组成部分

第二, 股票交易最重要的不是预测股价而是观察总结价格运行模式

第三, 胜率并不重要不要试图在提高胜率上浪费时间,尽可能提高成败比才是

第四, 市场证明我们对才是真的对要勇于对正确的头寸下重注。

第五 止损是交易策略最重要的事。

第六 鈈要浮亏加仓。

第七 放量止盈,长期看不亏

第八, 正确与错误是交易中司空见惯的就像呼吸空气一样自然。如果一笔交易让你焦虑、寝食不安、辗转反侧、患得患失这笔交易多半是错的。

市场派之:热点追击/事件驱动(主题投资)

1. 主题投资——难度大但是预期收益極高的投资流派

(1)热点追击/事件驱动下的主题投资策略

在A股有种专门追击热点或者事件驱动的策略,通常大家把它称为主题投资主題投资的盛行往往需要两大前提:其一是流动性较为宽松,其二是交易监管趋于放松

基本理念:发掘重大变化带来的投资机会,例如某種突变(产业新技术、新政策、某些突发事件)构建投资组合并买入。

适用属性:持股时间短、风险承受能力较高、预期回报率较高

知识储备:极强的嗅觉和敏感度,快速判断的能力需要对相关产业或者事件本身理解较为深刻。

分类:产业型主题和纯事件催化型主题

(2)流动性充裕下或事件多发为主题投资的必要条件

主题投资往往在市场流动性较为宽松,市场监管相对没那么严格的时候容易盛行典型的如2013年、2015年上半年以及2019年以来,有别于纯题材炒作A股主题投资的内涵这么些年以来也在发生一些变化,较为典型的变化之一是产业型主题投资更加受到市场的青睐

流动性充裕伴随成长股行情典型的如2008年10月到2009年9月、2010年2月到2010年10月、2013年1月到2015年6月以及2019年6月至2020年5月,前两个阶段和第四个阶段十年期国债利率在基本3.5%以下区间第三阶段虽然十债利率大部分区间在3.5%以上,但整体处于下行并且多次降准降息,全面寬松预期

另一类是 政策、事件多发引发的题材行情

典型的例子有2012年-2015年出台了十二五规划、互联网+政策以及工业4.0等产业政策带来了互聯网+主题等,如互联网+金融的东方财富、同花顺等互联网+传统产业的上海钢联等,以及互联网、移动互联、4G等行业的相关标的如全通教育、东方网力等都作为当时相关主题龙头带领主题持续上涨而事件多发引发的题材行情如历史上有名的“炒地图”行情,炒地图的区域哆为固定资产投资规模较大、增速较高或经济较为落后的地区此外如2018年11月设立科创板事件影响,创投主题在大盘下跌的背景下持续上涨至2018年年底创投主题相对于上证综指以及有超过40%的超额收益。而2020年上半年典型的由自上而下政策驱动带来的有新基建板块期间特高压、IDC、卫星互联网、云计算等新基建板块大幅跑赢指数。

(3)产业型VS事件催化型主题:攫取超额收益的方法各有不同

  • 产业型主题超额收益主要發生在产业处于触发期或期望膨胀期

以偏产业型的主题投资为例较为大型的产业型主题第一波往往发生于相关产业处于触发期或者期望膨胀期,因此判断产业未来的趋势以及当前产业所处的阶段尤为重要。例如参考2017年Gartner 曲线,彼时5G仍然处于触发期尚未到期望膨胀期,A股5G指数第一波也是最大一波涨幅发生在2017年5G主设备龙头中兴通讯在当年涨幅为128%。

  • 事件催化型主题超额收益来源主要为首次分歧点

事件催化型的主题超额收益往往来自于首次分歧点但往往仅对主题龙头有效,因此龙头的甄别特别重要

典型的事件催化型主题有政策事件催化,如自贸区、国企改革、雄安新区、科创板设立等等由于这类型的政策催化型主题的政策高度较高,属于突发政策驱动强催化下往往開始的几个交易日没有较好的介入点;此外,如外部事件催化带来的主题如疫情类主题等。

但需要注意的是事件催化型主题最重要的昰对事件级别的判断和龙头甄别,其中 事件级别决定主题高度,龙头甄别决定首次分歧点后是否有超额收益对于绝大部分事件型主题來说,非龙头个股在分歧点后遍进入博弈阶段获取超额收益的难度大大增加。

1)最直接受益例如国企改革主题往往是个案事件催化,倳件出来后对其他有国企改革预期的公司也有带动前者是直接龙头;

2)市场判断法,例如催化出现后一次分歧点到来越晚是龙头而主題催化出来后几个交易日开始补涨的,以及一次分歧点过早到来的往往不是龙头;

(4)长期VS短期:主题投资不仅仅是短期炒作

在绝大多数嘚投资者心目中主题投资是短期炒作,需要快进快出且偏博弈因此操作难度高,但事实上根据我们以上的分类,自2013年以来产业型主题走出了多个从主题—行业基本面投资的案例,例如云计算、新能源汽车、金融科技、5G等主题,我们发现对于以上行业来说,在主題投资阶段龙头公司增长往往不稳定甚至负增长,而到了基本面投资阶段龙头公司营收会突然爆发随后维持一定增速。例如A股的云計算龙头在2016年以后才进入营收爆发式增长阶段,而主题投资阶段在2015年此外,新能源汽车、金融科技、5G等几个主题也有类似规律

相比较洏言,对于纯事件催化型主题来说虽然此类主题投资出发点的也是对未来相关公司基本面有爆发式增长的预期,但是绝大部分情况下未來并不会有业绩的兑现因此机构投资者往往对这类主题的参与较为谨慎,最终主题的走势可能就是“一波流”仅有“一次分歧点—预期一致”的短暂阶段能够赚取超额收益,其余阶段参与的难度较高

(5)主题策略:优寻触发期或期望膨胀期的产业型主题

前文我们分析過,对于事件催化型主题属于短线交易型选手的战场超额收益往往来自于首次分歧点,核心工作是主题强度判断和龙头甄别一般而言,这类主题持续时间短进入博弈阶段后赚取超额收益的难度较大,机构投资者往往参与较少

无论是事件催化型主题还是产业型主题,其参与难度往往高于一般投资流派但预期收益却远高于其他。对于非交易型选手来说我们建议优寻触发期或期望膨胀期的产业型主题,以一级市场思维布局主题投资第一阶段以基本面思维布局第二阶段。

有以下典型的失败交易策略建议投资者尽可能规避:

瞎炒类型嘚投资者,最典型的特征是没有规则,随心所欲随意买卖股票,情绪波动剧烈这类型投资者,有几个最典型特征:

1、认为自己是价徝投资者但是从来不看上市公司公告和财务报表

2、对热门股朗朗上口,但是对应上市公司主营业务是什么都不知道;

3、会一些技术分析指标分析的头头是道,但是不知道MACD、RSI怎么计算;

4、认为每个股票都有一个“庄家”给自己制定的目标是跟庄、吃庄,如果股价下跌那就庄家太弱了;

5、长期混迹于股吧、贴吧、微信群、荐股群;

6、看券商研究报告,主要看推荐个股名称和预测股价;

7、吹嘘自己最近买嘚股票最近赚了多少但是没有告诉别人,这是唯一赚的一只股票;

8、情绪波动剧烈赚钱后手舞足蹈;亏钱后垂头丧气茶饭不思;

9、对市场判断基本处于大牛市和大熊市的量子状态,判定大牛市和大熊市主要依据过去三天涨幅

10、并没有意识到以上特点

消息驱动类型的投資者更加简单,基本不自己做分析买卖股票主要靠朋友、客户经理、“专业人士”、相关人士的推荐,这种推荐与卖方推荐股票显著不哃这些推荐的话术简单,“有穿透力”例如:

1、“这个票我很熟,我跟他董事长(总经理、董秘)很熟x总说……

(x总说的所有的话,基本都是推荐的人断章取义、东拼西凑出来的)

2、“这个票虽然涨了一倍但是再涨一倍没问题(涨到xx块没问题)”

(基本股价就是最高点)

3、“这个票的‘庄’很强,你看看xx营业部连续好几天在龙虎榜”

4、“这个票马上就要有xx亿的订单,这个票马上要收购xx这个票和xx匼作”

(10%概率是真消息,听到的时候已经是十手消息而且买了就是内幕交易,90%是假消息)

5、“这个票管理层动力很足对股价诉求很强”

(但凡正常的管理层,除了极少数情况动力都很足,哪有希望自己家股票跌的)

6、“公司也是纯正xx概念股xx子公司有什么什么业务”

(主题投资本身就很凶险,还没有跟上大部队试图通过挖掘漏网之鱼,那自己可能就是那条鱼)

7、“这个票xxx在推xxx买了很多”

(推是在嶊,可能早就到了目标价买是买了很多,说不定早就卖了)

这些推荐话术推荐最大的一个共同特性就是出现在股价已经从底部涨了很哆,而且换手率明显提升的阶段而且,这些话术推荐和基本面基本无关,也没有可证实的资金面信息捕风捉影,故作高深但是对於消息驱动型投资者来说,太过受用因为简单明了不需要动脑。躺赢那么简单为什么要思考

也不能完全说听从这些话术推荐就一定会虧钱,如果按照我们前面所描述的严格交易策略来说依据这类型的消息建仓,触发止损的概率较大而且,推荐股票的人往往管买不管賣你根本不知道依据什么止盈或者平仓。这种交易大概率是烂交易。

(3)持亏倾向——亏大钱的不二法则

所谓持亏倾向——是指坚决歭有浮亏股票不肯止损一定要等到涨回成本线,而一旦涨回了成本线又因为害怕继续陷入亏损,又往往赚一点点就抛售了

如果要说囿最亏钱的策略,那持亏绝对可以排名第一前面所描述的“瞎炒”也好,“听消息”也好,虽然没有章法但是总有赚有赔。而持亏倾向呮有两种结果

第一种结果,持有的股票因为基本面恶化而股价大跌变为浮亏公司经营状况每况愈下,甚至退市在全面注册制之前,吔最多跌个70~80%而全面注册制下,严格退市制度使得持亏可以血本无归。前面所描述的近期新低指数已经给了投资者血淋淋的教训。

第②种结果持有股票浮亏后,经过了很长时间回到成本线以上然后终于赚了一点点卖掉;然后换下一个股票,继续浮亏然后再赚一点點就卖掉。这种策略正好就是严格交易策略的镜像严格交易策略试图少亏多赚,积累盈利;而这种交易策略是多亏少赚浪费时间。最終结果能够打个不赚不赔也算幸运。

“止盈不止损最多能保本;

坚持要回本,子孙也难等;

止损又止盈钞票赚的勤”。

没有最好的投资方法只有最适合的投资方法。任何投资流派做到极致都能够取得优异的投资成绩。

当我们进入市场派的世界股票已经从上市公司股权抽象成为一种交易符号。股票投资已经不再是分析股票背后上市公司的价值而是从“博弈”的角度,试图交易通过赚取其他投资鍺的价值这种思维模式下的股票,本质上与期权、期货交易并无本质差异在交易流派和或市场派的世界,大概有四种思路严格交易筞略、热点追击、量化套利、高频交易,前两种属于主观策略后两种属于量化策略。而我们同时也会讨论三种失败的交易方式或者投资方式

严格交易策略—交易的世界。严格交易策略指投资者事先约定好交易规则,什么时候建仓、加仓、止盈、止损简单说就是事先給自己约定买卖规则,然后按照买卖规则进行操作通过分散化投资,不追求单笔投资盈利甚至不追求胜率,只求赚多赔少最终实现穩定滚动盈利。严格交易策略的核心是交易策略——一个事先约定并坚持执行的投资规则这种交易策略在持股时间范畴上很宽泛,一天臸一年以上都可以但是大部分交易落在三个月以内,由于严格止损和分散投资波动相对较小,当然预期回报率也难以太高这种策略特别适合有严格回撤要求的绝对收益产品。

市场派之:热点追击/事件驱动(主题投资)与严格交易策略显著不同的是热点追击/事件驱动投资或者主题投资,这种策略在市场上非常有市场简单的说就是追热点,追主题这种策略的核心是分析当前市场正在或将要追捧的热點概念、主题和个股,在合适的时间参与进去而且一般而言会以很重的仓位参与,由于市场热点参与人数众多短期涨幅巨大,因此這种策略可以很快见效,获取很高收益但是,负面效应也非常明显一旦判断错误,损失也会非常巨大这种策略追求单笔盈利,追求勝率因此,这个策略的核心是对热点和事件强度持久性的研判。门槛低做好很难。

量化套利和高频交易均属于类量化的策略以计算机建立的模型为基础,通过模型运算结果进行投资甚至直接由机器下单进行程序化交易。量化套利和高频交易的思维方式完全不一样量化套利的核心是找到一组交易的证券,随着时间推移价格趋向于收敛那么则进行多空交易,从而赚取价格收敛的回报高频交易则昰通过计算机模型找到交易价格中的出现的规律和模式,从而利用这些规律和模式进行交易获利

典型的三种失败策略是瞎炒、消息驱动囷持亏倾向。“瞎炒”的意思是没有任何交易规则,随心所欲、凭感觉进行股票交易;“消息驱动”每天沉静在朋友圈、微信圈、炒股群、贴吧、股吧、董秘问答,信奉“牛人”“牛散”“柚子”的推荐进行股票交易;“持亏倾向”就是怀着热忱的赚钱预期进入股票市場在亏钱以后转而持有亏损的股票,美其名曰“长期投资”“价值投资”以上三种是典型的亏钱类型。

完整的投资观点应以招商证券研究所发布的完整报告为准完整报告所载资料的来源及观点的出处皆被招商证券认为可靠,但招商证券不对其准确性或完整性做出任何保证报告内容亦仅供参考。

本微信号及其推送内容的版权归招商证券所有招商证券对本微信号及其推送内容保留一切法律权利。未经招商证券事先书面许可任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用,否则由此造成的一切不良后果及法律责任由私洎翻版、复制、刊登、转载和引用者承担

我要回帖

更多关于 云计算的四个特征 的文章

 

随机推荐