&p&强烈建议大家在使用交易系统实盘之前，对所有你能获得的历史记录进行测试，如果你这样做了，会产生几个重要参考数据，也会对系统的本质有更加深刻的认识。&/p&&p&&br&&/p&&ul&&li&系统胜率&/li&&li&盈亏比&/li&&li&连续最大亏损次数&/li&&li&最大回撤&/li&&li&最大回撤恢复时间&/li&&/ul&&p&&br&&/p&&p&举个例子来说，有一个「趋势跟踪」系统 A，她的统计数据如下：&/p&&p&&br&&/p&&ul&&li&系统胜率 35%&/li&&li&盈亏比 4.21&/li&&li&连续最大亏损次数 8 次&/li&&li&最大回撤 45%&/li&&li&最大回撤恢复时间 6 个月&/li&&/ul&&p&&br&&/p&&p&综上，你会对这个系统有个较为清晰的认知：这是一个低胜率，高盈亏比，回撤较大的趋势跟踪系统。&/p&&p&&br&&/p&&p&当你使用这样的交易系统时，如果产生 8 次及 8 次以内的连续亏损，但是没有发生什么较为重要的事情时，你不应该产生多大的惊讶，因为历史测试总会低估最大回撤。&/p&&p&&br&&/p&&p&但是，一旦发生超过历史记录的 8 次连续亏损，并出现一些重大事件时，比如一次大趋势没有抓到的时候，深刻的自我反省、系统反省就成为必须了。&/p&&p&&br&&/p&&p&像系统 A 这样低胜率高盈亏比的趋势跟踪系统，系统绩效往往来自于几笔重大盈利，错过一次大趋势相当于耽误了一次星辰大海，后果非常严重。&/p&&p&&br&&/p&&p&检查后，发现这笔重大盈利是因为被扫损后，后市没有再次进场的机会。&/p&&p&&br&&/p&&p&从这个点出发，你会产生两个支点：&/p&&p&&br&&/p&&ul&&li&止损位的设定是否合理&/li&&li&为什么没有再次进场的机会&/li&&/ul&&p&&br&&/p&&p&然后你会恍然大悟，像系统 A 这样低胜率高盈亏比的趋势跟踪系统，其精髓在于，不错过任何一笔趋势，这个精髓的表现形式为：&/p&&p&&br&&/p&&blockquote&永远有再次进场的机会。&/blockquote&&p&&br&&/p&&p&就像海龟交易法则，永远有超过 20日最高点（最低点）的时候，无论前市如何被止损、扫损，后市我永远有再次进场的机会。&/p&&p&&br&&/p&&p&从这个精髓出发，你会发现自己的开仓条件，过于复杂，进行了强过滤，过多的过滤规则如同对一个事物的描述加上太多的定语，而非事物本质的反映，未来只要稍作变化，规则就失效了。（这里犯了曲线拟合的错误）&/p&&p&&br&&/p&&p&这也是为什么大多数趋势跟踪系统的触发条件，很简单，虽然大多数时候，一些过滤可以显著提高系统胜率，但是以错失趋势为代价的，这对于趋势跟踪策略来说，并不是可取的。&/p&&p&&br&&/p&&p&我们再转为第一个支点的考量，因为我们无法对趋势跟踪策略的触发条件进行强过滤从而提高胜率，所以这个时候止损点的设定就显得尤其重要，直接影响系统的整体胜率，我们可以以这次「突破 8 次最大止损次数」为契机，完整审视一下历史模拟中的所有开仓记录，看看止损点的设定是否有更加合理的方法。&/p&&p&&br&&/p&&h2&最后&/h2&&p&&br&&/p&&p&不同的交易系统种类，有不同的反省思路，这里我们仅以「趋势跟踪」系统做一个示范，比如说一个波段系统，我们就可以适当对开仓规则进行过滤，因为波段系统的胜率一般在50%之上，盈亏比在2-3，完全可以允许几次错过趋势，所以反省的角度就不同了。&/p&&p&&br&&/p&&p&抛砖引玉。&/p&
强烈建议大家在使用交易系统实盘之前，对所有你能获得的历史记录进行测试，如果你这样做了，会产生几个重要参考数据，也会对系统的本质有更加深刻的认识。 系统胜率盈亏比连续最大亏损次数最大回撤最大回撤恢复时间 举个例子来说，有一个「趋势跟踪」系统 A…
我是做自动化的，我从量化交易的角度来说说这个问题。&br&实际上，盈亏比，胜率，交易频率是一个三角关系，这个三角关系是无法同时满足三个要求，最多只能满足任意2关系。其实，要赚钱，你也只要满足任意2个关系即可。&br&但是，这个三角关系中，你要满足任意2个关系长期稳定是不可能的，在我进行的大量策略设计过程中发现，维持交易买方条件不变的情况下，随着行情的变化，这个三角关系是在不断变化的。所以在实际操作过程中，交易员会发现，自己的策略会在某个关系下盈利能力最好，然后就通过不断的调参数来维持稳定。&br&我把这个过程称为交易流程控制，建立了一套模型。通过计算来进行控制。&br&最后说点题外话，我把这个三角关系称为交易界里的三体问题。哈哈。三体问题不可解。
我是做自动化的，我从量化交易的角度来说说这个问题。 实际上，盈亏比，胜率，交易频率是一个三角关系，这个三角关系是无法同时满足三个要求，最多只能满足任意2关系。其实，要赚钱，你也只要满足任意2个关系即可。 但是，这个三角关系中，你要满足任意2个…
&figure&&img src=&https://pic2.zhimg.com/v2-3ee85e8bd5c4fb60e0b91d4c0040ae06_b.jpg& data-rawwidth=&1920& data-rawheight=&1080& class=&origin_image zh-lightbox-thumb& width=&1920& data-original=&https://pic2.zhimg.com/v2-3ee85e8bd5c4fb60e0b91d4c0040ae06_r.jpg&&&/figure&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&作者：Robbie Allen
编译：BigQuant
&/code&&/pre&&/div&&p&无论你如何看待数据科学这门学科，都不能轻易忽视数据的重要性，以及我们分析、组织和理解数据的能力。Glassdoor 网站收集了大量的雇主和员工的反馈数据，发现在美国“25个最好的工作职位清单”中排名第一的是数据科学家。尽管排名摆在那里，但毫无疑问，数据科学家们研究的具体工作内容仍会不断增加。随着机器学习等技术变得越来越普遍，像深度学习这样的新兴领域获得了来自研究人员、工程师以及各大公司更多的关注，数据科学家会继续站在创新浪潮之巅并且推动技术的不断发展。&/p&&p&尽管拥有强大的编码能力非常重要，但数据科学也并非全部都是关于软件工程的（事实上，能够熟练掌握python已经足够很好的开展工作了）。数据科学家生活在编程、统计学和批判性思维的交叉点上。 正如 Josh Wills所说的那样：“数据科学家是那种比任何程序员都更擅长统计并且也要比任何统计学家都更擅长编程的人。”我个人认为太多的软件工程师希望转向数据科学家，并盲目利用一些像TensorFlow或Apache Spark的机器学习框架来处理他们的数据，而没有对其背后的统计学理论有一个深入了解。因此，不断借鉴统计学及泛化函数领域的机器学习理论框架不断伴随着统计学的研究。&/p&&p&&b&为什么要学习统计学习&/b&？了解各种技术背后的想法非常重要，只有这样我们才能掌握这些技术的使用方法，把握合适的时机。我们要明确的是我们只有先掌握较为简单的方法，才能为之后掌握复杂方法奠定良好基础。准确评估一种方法的性能也是十分重要的，这样可以了解到工作效果的好坏。此外，统计学也是一个令人振奋的研究领域，在科学、工业和金融领域都有着重要的应用。最后，统计学习是培养现代数据科学家培训的基本要素。统计学习问题应用的例子包括：&/p&&ul&&li&确定前列腺癌的风险因素。&/li&&li&根据对数周期图分类录音。&/li&&li&根据人口统计，饮食和临床测量预测一个人是否会患有心脏病。&/li&&li&自定义垃圾邮件检测系统。&/li&&li&识别手写邮政编码中的数字。&/li&&li&对组织样本进行癌症分类。&/li&&li&建立人口调查数据中工资与人口变量之间的关系。&/li&&/ul&&p&在大学的最后一个学期，我做了一个关于数据挖掘的独立研究。该课题涵盖的大量内容来自以下这三本书：《Intro to Statistical Learning》，《 Doing Bayesian Data Analysis》以及《Time Series Analysis and Applications》。我们在贝叶斯分析、马尔可夫链、蒙特卡罗、分层建模、监督和无监督学习方面做了大量的练习。这种经历加深了我对数据挖掘学术领域的兴趣，并使我坚信我会继续专注于此领域。最近，我完成了斯坦福大学Lagunita统计学习在线课程，该课程涵盖了我在独立研究中读到的《Intro to Statistical Learning》所有内容。现在我已对这部分知识十分熟悉了，我想分享这本书中的10个统计技术，我认为任何数据科学家都应该学会更高效地去处理大数据集，而这些技术正可以帮助数据科学家们达到此目的。&/p&&p&在介绍这10种技术之前，我想先将统计学习和机器学习进行一个简单的区分。主要区别如下：&/p&&ul&&li&机器学习是人工智能的一个子领域。&/li&&li&统计学习是统计学的一个分支。&/li&&li&机器学习更强调大规模应用和预测的准确性。&/li&&li&统计学习强调模型及其可解释性，精确性和不确定性。&/li&&li&但是这种区别变得越来越模糊，两者在很多情况下都有交叉。&/li&&li&机器学习在市场营销中占据上风！&/li&&/ul&&h2&1.线性回归&/h2&&p&在统计学中，线性回归是一种通过拟合因变量和自变量之间最佳线性关系来预测目标变量的方法。通过确保线性表达式输出图形与实际观察点之间的所有距离之和尽可能小来完成最佳拟合。形状的“最佳”是指在给定形状的情况下，没有其他位置会产生更少的误差。线性回归的两种主要类型是简单线性回归和多元线性回归。&b&简单线性回归&/b&使用单个独立变量来通过拟合最佳线性关系来预测因变量。&b&多重线性回归&/b&使用多个独立变量通过拟合最佳线性关系来预测因变量。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-ad656e8b85a3ae5bbe87ec_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&452& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic1.zhimg.com/v2-ad656e8b85a3ae5bbe87ec_r.jpg&&&/figure&&p&选择任意两件你在日常生活中相关的事情。比如，我有我过去三年的每月支出，每月收入和每月的旅行次数的数据。那么我就可以通过线性回归预测以下几个问题：&/p&&ul&&li&我明年的每月花费是多少？&/li&&li&在决定我的每月支出时，哪个因素（月收入或每月旅行次数）更重要？&/li&&li&月收入和每月旅行如何与每月支出相关联？&/li&&/ul&&h2&2.分类&/h2&&p&分类是一种数据挖掘技术，将数据集分配至多了类别，以帮助进行更准确的预测和分析。有时也称为决策树，分类是分析大型数据集的几种高效方法之一。其中有两大分类技术最为常用：逻辑回归和判别分析。&/p&&p&&b&逻辑回归&/b&分析适合用于因变量为二元类别时的回归分析。像所有的回归分析一样，逻辑回归是预测分析。逻辑回归用于描述数据并解释一个相关二元变量与一个或多个名义，序数，区间或比率级别等独立变量之间的关系。逻辑回归可以检查的问题类型有：&/p&&ul&&li&每超重一磅和每天吸一包香烟对改变肺癌的概率是否有影响（是vs否）？&/li&&li&卡路里摄入量，脂肪摄入量和参与者年龄是否对心脏病发作有影响（有vs无）？&/li&&/ul&&figure&&img src=&https://pic1.zhimg.com/v2-0659ee55ccd4d9c00a79a8751fbf6254_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&315& data-rawheight=&160& class=&content_image& width=&315&&&/figure&&p&在&b&判别分析&/b&中，两个或多个已知的集合、簇或群体都可以作为分类的先验知识，使用时根据被测特征就可把新的观测值划分到相应类别。 判别分析在每个响应类别中分别对预测变量X的分布进行建模，然后使用贝叶斯定理将它们转换成给定X值可获对应类别的概率的估计值。这些模型可以是线性的或二次的。&/p&&ul&&li&&b&线性判别分析&/b&为每个观测值计算“判别分数”，以对它所处的响应变量类别进行分类。这些分数是通过寻找自变量的线性组合得到的。它假设每个类别内的观察值均来自多变量高斯分布，并且预测变量的方差都是相同的。&/li&&li&&b&二次判别分析&/b&提供了一种替代方法。 与LDA一样，QDA假设来自每个Y类的观察结果都来自高斯分布。 但是，与LDA不同的是，QDA假定每个类都有其自己的协方差矩阵。 换句话说，每个类别的方差不一样&/li&&/ul&&h2&3.重采样方法&/h2&&p&重采样是从原始数据样本中绘制重复样本的方法。这是一种统计推断的非参数方法。换句话说，重采样方法不涉及使用通用分布表来计算近似概率p的值。&/p&&p&重采样根据实际数据生成独特的采样分布。它使用实验方法而不是分析方法来生成独特的抽样分布。它可基于研究人员研究数据的所有可能结果的无偏样本获取无偏估计。为了理解重采样的概念，你应该先理解术语Bootstrapping和交叉验证：&/p&&figure&&img src=&https://pic3.zhimg.com/v2-619a9bd437bcfb485652_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&595& data-rawheight=&288& class=&origin_image zh-lightbox-thumb& width=&595& data-original=&https://pic3.zhimg.com/v2-619a9bd437bcfb485652_r.jpg&&&/figure&&ul&&li&&b&Bootstrapping&/b&是一种技术，有助于在许多情况下验证预测模型的性能和集成方法，估计模型的偏差和方差。它通过对原始数据进行有放回的采样，并将“未选择”数据点作为测试用例。我们可以做这几次这样的操作，并计算平均分作为我们的模型性能的估计。&/li&&li&&b&交叉验证&/b&是验证模型性能的一种技术，它通过将训练数据分成k个部分来完成。我们将k-1部分作为训练集，并将余下部分作为我们的测试集。 我们以不同的方式重复k次。 最后，我们将k个分数的平均值作为我们的性能评估。&/li&&/ul&&p&通常对于线性模型而言，普通最小二乘法是拟合数据时的主要标准。 接下来的3种方法是可以为线性模型拟合提供更好的预测精度和模型可解释性的替代方法。&/p&&h2&4.子集选择&/h2&&p&这种方法首先确定了我们认为与问题最相关的p个预测因子的一个子集。 然后我们使用子集特征和最小二乘法来拟合模型。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-2ca8f1e0fe728ff0272bf_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&690& data-rawheight=&447& class=&origin_image zh-lightbox-thumb& width=&690& data-original=&https://pic4.zhimg.com/v2-2ca8f1e0fe728ff0272bf_r.jpg&&&/figure&&ul&&li&&b&最佳子集选择&/b&：这里我们为p个预测因子的每种可能组合拟合一个单独的最小二乘回归，然后查看最终的模型拟合结果。该算法分为2个阶段：（1）拟合所有包含k个预测变量的模型，其中k是模型的最大长度，（2）使用交叉验证的预测损失选择单个模型。使用测试或验证误差非常重要，而不是单纯的以训练误差来评估模型拟合情况，因为RSS和R?会随着变量的增加而单调递增。最好的方法是选择测试误差估计值最高的R?和最低RSS的模型交叉验证，进而选择模型。&/li&&li&&b&向前逐步选择&/b&，考虑p个预测因子的更小的子集。算法先从一个不包含预测变量的模型开始，然后将预测因子添加到模型中，一次一个，直到所有预测因子都在模型中。添加预测因子的顺序是根据不同变量对模型拟合性能提升的程度来确定的，不断添加新的预测因子，直到交叉验证误差没有大的改变。&/li&&li&&b&向后逐步选择&/b&，首先模型包含所有p个预测因子，然后迭代地逐个去除最无用的预测变量。&/li&&li&&b&混合法&/b&遵循前向逐步方法，但是，在添加每个新变量之后，该方法还可以去除对模型拟合无贡献的变量。&/li&&/ul&&h2&5.特征缩减技术&/h2&&p&这种方法适用于包含所有p个预测因子建立的模型，然而，表示预测因子重要性的系数将随最小二乘误差向零收缩。这种收缩称之为正则化，具有减少方差以防止模型过拟合的作用。常用的缩减系数方法有lasso(L1正则化)，岭回归(L2正则化)。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-f31df8e0be29bf307fc2c0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&252& data-rawheight=&200& class=&content_image& width=&252&&&/figure&&ul&&li&&b&岭回归&/b&与最小二乘法类似，都是寻求减少RSS的系数估计，当系数接近于零时，它们也会有收缩惩罚。这个惩罚的作用是将系数估计收缩到零。我们不需要数学分析就知道岭回归很擅长于将特征收缩到最小的子空间中。与主成分分析一样，岭回归将数据投影到低维空间，并在系数空间内收缩较低方差的成分而保留有较高方差的成分。&/li&&li&岭回归有一个缺点，最终模型需包含所有p个预测因子。惩罚项将使其中的许多预测因子的系数接近于零，但从未等于零。这对预测准确性虽然通常没有什么影响，但它可能会使模型结果更难以解释。Lasso方法克服了这个缺点，只要s足够小，就能够迫使某些系数归零。当s=1时，像正常的最小二乘法回归，当s接近0时，系数收缩为零。因此，Lasso回归也是执行变量选择的好方法。&/li&&/ul&&h2&6.降维&/h2&&p&降维是将p + 1个系数估计问题简化为M + 1个系数估计的简单问题，其中M &p。这是通过计算变量的M个不同的线性组合或投影来实现的。然后，这些M个预测被用作预测因子通过最小二乘法拟合线性回归模型。该任务的两种方法是主成分回归和偏最小二乘法。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-df47a144d4c9a852fbc67e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&497& data-rawheight=&500& class=&origin_image zh-lightbox-thumb& width=&497& data-original=&https://pic3.zhimg.com/v2-df47a144d4c9a852fbc67e_r.jpg&&&/figure&&ul&&li&可以将&b&主成分回归&/b&描述为从大量变量中推导低维特征集的方法。数据中的第一主成分是指观测值沿着这个变量方向的变化最大。换句话说，第一个主成分是一条尽可能接近数据分布的那条线。第二个主成分是与第一个主成分不相关的变量的线性组合，且在该约束下有最大方差。主要思想是主成分能在各个互相垂直的方向使用数据的线性组合得到最大的方差。通过这种方式，我们还可以结合相关变量的效应，从可用数据中获取更多信息，而在正则最小二乘中，我们必须舍弃其中一个相关变量。&/li&&li&我们上面描述的PCR方法需要得到 X 的最优线性组合。由于 X 对应的输出 Y 对主成分方向的计算没有影响，也就是说这些组合（方向）是通过无监督方法获得的，那么就无法保证这些方向是预测器的最优表征，也无法保证能获得最优预测输出。偏最小二乘法（PLS）作为 PCR 的代替方法，属于有监督方法。和 PCR 类似，PLS 也是一种降维方法，它首先提取一个新的较小的特征集合（原始特征的线性组合），然后通过最小二乘法将原来的模型拟合为一个新的具有 M 个特征的线性模型，通过对模型预测误差来评价特征集合是否是Y的最优线性组合。&/li&&/ul&&h2&7.非线性模型&/h2&&p&在统计学中，非线性回归是回归分析的一种形式，通过模型参数的非线性组合来对观测数据建模，并依赖于一个或多个独立变量。数据通过逐次逼近的方法进行拟合。以下是一些处理非线性模型的重要技术：&/p&&ul&&li&&b&阶梯函数&/b&，变量为实数，可以写成区间的效用函数的有限线性组合的形式。通俗地讲，一个阶梯函数是一个只有有限部分的分段常量函数。&/li&&li&&b&分段函数&/b&是由多个子函数定义的函数，每个子函数被定义在主函数域的区间上。分段实际上是表达函数的一种方式，而不是函数本身的特性，但是通过额外的限定条件，它可以描述函数的性质。例如，一个分段多项式函数，它是一个在每个子定义上为多项式的多项式，但每个子定义上的多项式都可能是不同的。&/li&&/ul&&figure&&img src=&https://pic1.zhimg.com/v2-c77aa47becfc6aec15e6c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&584& data-rawheight=&468& class=&origin_image zh-lightbox-thumb& width=&584& data-original=&https://pic1.zhimg.com/v2-c77aa47becfc6aec15e6c_r.jpg&&&/figure&&ul&&li&&b&样条曲线&/b&是由多项式分段定义的特殊函数。在计算机图形学中，样条是指分段多项式参数曲线。因为它们的结构简单，评估简易并且准确，以及通过曲线拟合和交互式曲线设计逼近复杂形状的能力，样条曲线很常用。&/li&&li&&b&广义加性模型&/b&是一种广义线性模型，其中线性预测器依赖于某些预测变量的未知光滑函数，主要作用侧重于对这些光滑函数的推理。&/li&&/ul&&h2&8.基于树的方法&/h2&&p&基于树的方法可以用于回归和分类问题。它会将预测器空间分层或分割成若干简单区域。由于用于分割预测变量空间的分裂规则集可以总结为一个树，因此这些类型的方法被统称为决策树方法。下面的方法生成多棵树树，然后将这些树组合在一起以生成统一的预测。&/p&&ul&&li&&b&Bagging&/b&是一种减少预测方差的方法，通过重复组合生成原始数据相同的多段数据，以从原始数据集中生成额外的训练数据。通过增加训练集的大小，你不能提高模型预测力，但只需减小方差，可将预测调整到预期结果。&/li&&li&&b&Boosting&/b&是一种使用多种不同模型计算产出的方法，然后使用加权平均方法对结果取平均值。结合各方法的优势来改变这些方法所占的权重，你可通过微调参数，为更广泛的输入数据提供更佳的预测能力。&/li&&/ul&&figure&&img src=&https://pic3.zhimg.com/v2-b331dd4cce0d455d983e9d5d7b1a5376_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&600& data-rawheight=&389& class=&origin_image zh-lightbox-thumb& width=&600& data-original=&https://pic3.zhimg.com/v2-b331dd4cce0d455d983e9d5d7b1a5376_r.jpg&&&/figure&&ul&&li&&b&随机森林算法&/b&实际上非常类似于Bagging算法。同样是对训练集提取随机Bootstrap样本。但是，除了Bootstrap样本外，你还可以提取随机子集的特征来训练单个树; 在Bagging中，需要为每一棵树提供全部的特征。由于特征选择是随机的，与常规Bagging算法相比，你可以使每棵树间更加独立，这通常会获得更好的预测性能（由于更好的方差—偏差权衡），而且速度更快，因为每一棵树只需从特征子集中学习。&/li&&/ul&&h2&9.支持向量机&/h2&&figure&&img src=&https://pic1.zhimg.com/v2-0c45aaaacc7d96aeedf28e30_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&300& data-rawheight=&296& class=&content_image& width=&300&&&/figure&&p&支持向量机是一种分类技术，被列入机器学习中的监督学习模型。通俗地说，它涉及寻找两类点集的最优超平面（在2D空间中是线，在3D空间中是平面，在更高维中是超平面，超平面是n维空间的n-1维子空间）。这个超平面使得两类点集的间隔最大，本质上是约束最优化问题，在一定约束下使得间隔最大化，从而实现数据的完美分类。&/p&&p&这种“支持”这个超平面的数据点被称为“支持向量”。在上图中，填充的蓝色圆圈和两个实心方块就是支持向量。对于两类数据不能线性分离的情况，这些点将投影到一个爆炸（较高维）的空间，在这里可能会发生线性分离。涉及多个类的问题可以分解为多个一对一或者一对一剩余的二分类问题。&/p&&h2&10.无监督学习&/h2&&p&到目前为止，我们只讨论了监督学习技术，其中数据分类已知。当数据组（类别）未知时，可以使用另一组技术。它们被称为无监督学习，它们需要自己去发现数据中的模式。聚类是无监督学习的一个例子，数据会根据相关性被分为多簇。以下是几种最常用的无监督学习算法：&/p&&figure&&img src=&https://pic1.zhimg.com/v2-d3a8bdde1ba3a4b1414e50_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&657& data-rawheight=&442& class=&origin_image zh-lightbox-thumb& width=&657& data-original=&https://pic1.zhimg.com/v2-d3a8bdde1ba3a4b1414e50_r.jpg&&&/figure&&ul&&li&&b&主成分分析&/b&通过识别具有最大方差和相互不相关的一组线性组合来帮助生成数据集的低维表示。这种线性维度技术有助于理解变量在无监督环境下的隐变量交互。&/li&&li&&b&k均值聚类&/b&：根据数据到聚类中心的距离将其分为k个不同的簇。&/li&&li&&b&层次聚类&/b&：通过创建集群树来构建集群的多级分层结构。&/li&&/ul&&p&以上一些统计技术的基本简介，可以帮助数据科学项目经理和执行人员更好地理解他们的数据科学团队在运行的事情。事实上，一些数据科学团队纯粹通过python和R语言运行算法。他们中的大多数甚至不必考虑潜在的一些数学问题。然而，能够理解统计分析的基本知识可以为你的团队带来更多的益处。希望这篇基础的数据科学统计指南能给大家带来一些新的收获！&/p&&p&&br&&/p&&p&原文链接：《&a href=&http://link.zhihu.com/?target=https%3A//community.bigquant.com/t/%25E6%%25E6%258D%25AE%25E7%25A7%%25AD%25A6%25E5%25AE%25B6%25E9%259C%%25A6%%258E%258C%25E6%258F%25A1%25E7%259A%E5%25A4%25A7%25E7%25BB%259F%25E8%25AE%25A1%25E6%258A%%259C%25AF/7995%3Fzhihu%26weekly%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The 10 Statistical Techniques Data Scientists Need to Master&/a&》&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&本文由BigQuant《量化研究每周精选》原创推出，版权归BigQuant所有，转载请注明出处。
&/code&&/pre&&/div&&hr&&p&《&b&&a href=&http://link.zhihu.com/?target=https%3A//community.bigquant.com/tags/%25E9%E5%258C%%25A0%%25A9%25B6%25E6%25AF%258F%25E5%%25E7%25B2%25BE%25E9%Ftype%3D%3Fzhihu%26weekly%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&量化研究每周精选&/a&&/b&》每周一期，为大家提精选研报、前沿研究、热门文章等优质内容。&br&查看所有 &b&&a href=&http://link.zhihu.com/?target=https%3A//community.bigquant.com/tags/%25E9%E5%258C%%25A0%%25A9%25B6%25E6%25AF%258F%25E5%%25E7%25B2%25BE%25E9%Ftype%3D%3Fzhihu%26weekly%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&量化研究每周精选&/a&&/b&。欢迎投稿 (&a href=&mailto:&&&/a&)。&/p&&ul&&li&&b&更多精彩文章欢迎前往&/b& &a href=&http://link.zhihu.com/?target=https%3A//community.bigquant.com/%3Fzhihu%26weekly%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&BigQuant社区&/a& &b&查看并参与讨论：&/b&&a href=&http://link.zhihu.com/?target=https%3A//community.bigquant.com/%3Fzhihu%26weekly%& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&BigQuant人工智能量化社区&/a&&/li&&li&加入 &b&人工智能量化投资交流群，与大牛共讨人工智能量化话题&/b&：微信搜索 &b&bigq100&/b&，添加微信群管理员微信，附上姓名、所在机构、部门和职位，审核后管理员会邀请您入群。&/li&&/ul&&figure&&img src=&https://pic4.zhimg.com/v2-4e75eb824cddc029d970ab_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&284& data-rawheight=&290& class=&content_image& width=&284&&&/figure&&ul&&li&关注 &b&BigQuant 微信公众号，及时获取新鲜资讯&/b&：微信搜索 &a href=&http://link.zhihu.com/?target=https%3A//bigquant.com/%3Ffm%3Dzhihu%26dt%3Dtype%3Dweekly& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&BigQuant&/a&， 获取更多人工智能、Machine Learning、量化投资相关文章。&/li&&/ul&&figure&&img src=&https://pic1.zhimg.com/v2-1bd723dbf0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&288& data-rawheight=&295& class=&content_image& width=&288&&&/figure&
作者：Robbie Allen
编译：BigQuant无论你如何看待数据科学这门学科，都不能轻易忽视数据的重要性，以及我们分析、组织和理解数据的能力。Glassdoor 网站收集了大量的雇主和员工的反馈数据，发现在美国“25个最好的工作职位清单”中排名第一的是数据科学家…
&p&&b&更新加长版说明&/b&&/p&&p&&br&&/p&&p&原文于日发表后，收到很多热情的反馈，让我备受鼓舞。为了进一步完善这个投资框架，又花了一个月对原文作了很多改动，新增了不少内容，主要包括：&/p&&p&&br&&/p&&p&1. 增加了“卖出策略”，之前只有“买入策略”，原因是准备演讲比较匆促，居然忘了总结，同时对“买入策略”，也作了重要的补充。&/p&&p&2. 随着价格发生大的变动，市场对公司业绩的预期和估值也会跟着发生变动，为什么会这样？这其实是一种反身性现象，这种反身性又分为两种，本次更新作了比较详细的分析。&/p&&p&&br&&/p&&p&除了以上两点，还增加了“失控型”公司创建生态所需要具备的主要条件，以及政府在供给侧改革中如何调控利率的最新思路等内容。&/p&&p&&br&&/p&&p&我和大家分享的这个投资框架深受东方古老的哲学----禅的影响。本文初稿有不少从禅的角度分析投资的段落，但是由于担心大家的接受程度，所以一度删掉了，但文章发表后，我发现大家其实对此非常有兴趣，所以我决定重新恢复。&/p&&p&&br&&/p&&p&我写作的初衷是希望能够完善巴菲特的老师格雷厄姆所开创的价值投资理论框架。研究公司基本面，巴菲特特别强调“护城河”，这个框架增加了一个新的研究维度----“进化力”;巴菲特曾经说过，伯克希尔的目标是“以合理的价格买入一家好公司”，什么是“好公司”，巴菲特说的很多，但什么价格是“合理的价格”，巴菲特说的很少，我在这个框架里作了比较系统的论述。在这么高效的市场里要获得超额收益，我认为，不但要深刻理解基本面，还要深刻理解市场，才有这个可能。这些研究工作，希望能对大家投资有所启发，也期待能得到大家的批评指正。&/p&&p&&br&&/p&&p&更新后的全文超过3.2万字，比之前的增加了四千多字。这篇文章耗费了我大量的时间和精力，今天总算完成了，心生欢喜，如释重负。（为了方便大家阅读，新增加的大部分内容会用下滑线标示出来。）&/p&&p&&br&&/p&&p&---------------------------------------------------------------------------&/p&&p&日&/p&&p&&b&说明：&/b&本文日演讲于高礼价值投资研习班深圳内部研讨会，算是我多年思考投资的一个总结。&b&这个投资框架是探讨投资决策、公司基本面和股价这三者的内在变化以及相互间的联系和影响，再加上这三者与宏观变化的关系。这个框架，强调的只有一个东西，就是“变化”！&/b&这是一个比较复杂的投资框架，但是，我认为唯有至繁，方可至简，关注变化是为了不变。为了和我在2010年于北大深圳演讲的一篇也是关于投资框架的文章（《关于投资的一些思考框架》）有所区别，我给本文新起了一个名字《投资框架2018》，文章会发表在我的微信公众号（“李国飞哲学与投资笔记”）以及知乎（“李国飞”）上，恳请大家批评指正。衷心感谢申文风、余晓光、蔡川和陈修竹对本文写作的大力支持！&/p&&p&（本文于日作了比较重大的更新，增加了很多新的内容，字数从2.8万字增加到3.2万字，为了方便大家阅读，新增加的大部分内容会用下滑线标示出来。）&/p&&p&&br&&/p&&p&&b&投资框架2018（更新加长版）&/b&&/p&&p&&b&缘起&/b&&/p&&p&&br&&/p&&p&投资是一件非常有挑战的工作，它涉及很多方面，而且都在持续剧烈变动中，如何建立一个分析框架深入研究它？我在2010年北大深圳曾经做过一次演讲（《关于投资的一些思考框架》），把投资框架分为宏观经济、市场波动性、公司经营和公司估值四部分分别总结，但总觉得还是不太完善。&/p&&p&&br&&/p&&p&去年十月，我和朋友去哥伦比亚潜水拍鸟，其实脑子一直都在思考投资的事情，在一个机场等行李的时候，我突然想起了《金刚经》里的一段著名的经文：“无我相，无人相，无众生相，无寿者相”，佛陀认为，只有出离这四相，才能达到最高的境界，刹那间我从这句经文中找到了构建投资框架的新的灵感，并马上用手机把这个灵感记录了下来。&/p&&p&&br&&/p&&p&这四相的“相”字是什么意思呢？相就是表相，万事万物都有这四相，这四相是佛法对这个世界万事万物的存在最高层次的一种抽象，我看过很多不同的解读，其实都是在用不同的角度来理解四相。我今天是用投资这个角度来解读四相，以前可能从来没人这么做过。这些表相是持久不变的吗？《金刚经》说“凡所有相，皆是虚幻”，意思是这些表相，都不是固定不变的，而是不断变化的，有如幻象，&br&佛陀说“无我相”，可以理解为“不要认为‘我相’是固定不变的，其实它是在持续变化中的”。&b&要特别指出的是，为方便起见，在下面的讨论中，“我相”的特性都是持续变化的，而不是固定不变的，也就是说，已经出离了那种固定不变的相，人相、众生相，寿者相也都一样。&/b&&/p&&p&&br&&/p&&p&针对不同事件，四相的内涵也各不相同。今天我们要探讨的是投资，对于投资这件事情，它的四相是什么？我努力用简明易懂的方式来阐述一下我的见解，&br&&b&“我相”对应的是主体的“我”---投资决策主体，“我”要持续地做出各种投资决策，这种决策最重要的是对股价的判断，“我相”本质是指“我”所作的持续变化的投资决策;“人相”对应的是与“我”相对的客体，也就是我要研究的目标----上市公司，“人相”本质是指上市公司的持续变化的基本面; 除了“我”，还有很多别的投资者也在研究这家公司，“众生相”对应的就是市场全体投资者，我这里概括称为证券市场，他们的判断会形成阶段性的共识，这种共识表现为股价的波动，“众生相”本质是指波动的股价&br&。“寿者相”对应的是与投资相关的各种因素，既包括政治方面的也包括经济方面的，我用“宏观”一词以概括，这些因素都是有时间性的、稍纵即逝的，也就是有“寿命”限制的，“寿者相”本质是指宏观变化。&/b&而且，还有一点要特别指出的是，这四相是互相联系、互相影响的。“互相联系，互相影响”的这种关系，用禅的术语来表述，就是一方是另一方能够成立的因缘（条件）之一，反之亦然，可以形象地用一条双向的线连接彼此来反映这种关系。&/p&&p&&br&&/p&&p&&b&一个完整的投资体系由这四相组成，这四相的每一相都由很多因缘（条件），包括另外的三相和合而成&/b&。举个例子，“人相”代表的是公司的基本面，影响的条件很多，我把它们分为两类，一类是“内部”条件， 如设计、销售渠道、仓储物流，人才培训、企业文化等，这些条件和企业直接的内部的生产经营密切相关，另一类是“外部”条件，主要包括宏观变化、投资人关系和股价走势这三种，也就是另外的三种相，这三种外部条件，对公司基本面持续有影响，有时候甚至是很大的影响。&b&当我们研究“人相”，也就是公司基本面时，我分为两步：第一步，研究主要由“内部”条件所影响的基本面变化的规律，我称之为“内部规律”。第二步，分别研究这三种外部条件所影响的基本面变化的规律，我称之为“外部规律”。&/b&研究这两种规律，有很多观察的角度，我会选取一些我认为最重要的角度。通过这两步研究，我们就能对公司基本面变化有比较全面的认识。分析&br&“众生相”（股价）也遵循同样的思路，分析“我相”（投资决策）时，我把内在规律和外在规律合在一起介绍了。&/p&&p&&br&&/p&&p&基于以上的认识，我建立了一个新的投资框架（见下图），一个大圆圈代表宏观（宏观变化），在这个圈里，三个小圆圈代表我（投资决策），上市公司（基本面）和证券市场（股价），它们三者用双箭头彼此连接，表示它们之间是相互联系相互影响的，三个小圆圈在大圆圈的里面，表示它们都受到大圆圈（宏观）的影响。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-82ea9de39be96bfb2b87_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1584& data-rawheight=&1230& class=&origin_image zh-lightbox-thumb& width=&1584& data-original=&https://pic4.zhimg.com/v2-82ea9de39be96bfb2b87_r.jpg&&&/figure&&p&这个投资框架是受《金经刚》的方法论的启发而建立的，由于这四相涵盖世间万象，所以我相信这个投资框架是完整的和圆满的，但是四相这种术语很抽象，不是特别好理解，当我们建立好这个框架后，四相这种术语已经不重要了，人已过河，就要把舟放下，我们现在就可以把它们给忘了，下图是取消了四相这种术语的投资框架（为了和我2010年那次北大演讲所阐述的投资框架相区别，我把这个框架命名为&b&“&/b&投资框架2018”），&b&这个投资框架，其实是探讨投资决策、公司基本面和股价这三者的内在变化以及相互间的联系和影响，再加上这三者与宏观变化的关系。这个框架，强调的只有一个东西，就是“变化”！&/b&&/p&&figure&&img src=&https://pic1.zhimg.com/v2-ad804c11ce9b532fdd6ef0_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1200& data-rawheight=&1298& class=&origin_image zh-lightbox-thumb& width=&1200& data-original=&https://pic1.zhimg.com/v2-ad804c11ce9b532fdd6ef0_r.jpg&&&/figure&&p&&b&第一章 上市公司（基本面）&/b&&/p&&p&如何研究呢？根据之前提到的思路，第一步我们先研究基本面的“内部变化规律”，有很多观察的角度，我选取的角度是“护城河”和“进化力”这两个指标。&/p&&p&&br&&/p&&p&&b&一．内部规律&/b&&/p&&p&&b&1.&/b& &b&护城河&/b&&/p&&p&&b&我们投资的公司一定要有强大的竞争力，如何评估呢？我认为标准只有一个，就是是否拥有很宽的护城河。&/b&巴菲特说：“我们根据‘护城河’加宽的能力以及不可攻击性作为判断一家伟大企业的主要标准。而且我们告诉企业的管理层，我们希望企业的护城河每年都能不断加宽。”&/p&&p&&br&&/p&&p&我们如何研究呢？只有那些护城河很深的公司，才能持续在没完没了的激烈的竞争中取胜，最终成为市值很大的公司，因此，我们先找出市值最大的公司，并从中思考这些公司的护城河为什么会这么深。&/p&&p&&br&&/p&&p&这是日的一份中国公司（包括A股、港股和美国中概股）市值最大的32家公司的榜单， To B公司共有7家（其中能源类公司有5家），
To C公司25家，占了大部分。
&/p&&figure&&img src=&https://pic1.zhimg.com/v2-6d1c3cef9c_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2178& data-rawheight=&1360& class=&origin_image zh-lightbox-thumb& width=&2178& data-original=&https://pic1.zhimg.com/v2-6d1c3cef9c_r.jpg&&&/figure&&p&这是日的一份在美国上市的美国本土公司的统计，共33家，To B公司8家，其中包括两家能源类公司，而To C公司25家，也占了大部分。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-9ac8cce8fe11a0ddf6901_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2258& data-rawheight=&1400& class=&origin_image zh-lightbox-thumb& width=&2258& data-original=&https://pic2.zhimg.com/v2-9ac8cce8fe11a0ddf6901_r.jpg&&&/figure&&p&&br&&/p&&p&这两份统计表中，得出第一个结论，就是To C公司更容易成长为巨无霸，To B公司中的能源类公司一般需要各种政治资源，而To B公司中的非能源类公司一般需要非常强的技术，但由于技术颠覆太频繁，哪怕是大公司，一步没跟上可能就出局了。&b&总的来说，To C的公司比To B的公司更容易成为巨无霸大公司&/b&。就我个人而言，我大部分的精力都是在研究To&br&C的公司，另外一个主要原因是由于To C的公司更容易亲自体验，也更容易理解。看了巴菲特的投资，2000年前基本全部都是ToC的公司，后来资产大了，也买了一些如电厂、铁路这些垄断的业务简单的公司。另外，我也查了下这两个国家日，也就是十年前，市值最大的前三十名公司的市值榜单，并和以上两张榜单的公司作对比（见下两图），发生了不少的变化，比较显著的是：两国科技公司市值都在暴增，排名靠前，能源公司业绩普遍大幅滑落，排名下滑较多，但两地金融公司则差异较大，美国大金融公司市值增长还不错，尤其是Visa和Master两家信用卡公司，涨得很厉害。而中国金融公司市值普遍停滞不前，排名也有下滑。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-add6211fdf250aae115e887_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1444& data-rawheight=&1369& class=&origin_image zh-lightbox-thumb& width=&1444& data-original=&https://pic4.zhimg.com/v2-add6211fdf250aae115e887_r.jpg&&&/figure&&figure&&img src=&https://pic3.zhimg.com/v2-2eada14ed0e_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1443& data-rawheight=&1409& class=&origin_image zh-lightbox-thumb& width=&1443& data-original=&https://pic3.zhimg.com/v2-2eada14ed0e_r.jpg&&&/figure&&p&我们继续分析以上榜单，中国的25家To C公司里，互联网4家，而且1、2名都是，金融12家（银行9，保险3），消费类5家（食品2，白电2，汽车1），地产3家，电讯1家。&/p&&p&&br&&/p&&p&在美国本土的25家To C公司里，互联网5家（包括苹果），而且排在前5名，金融7家（银行4，保险1，信用卡公司2），消费类5家（食品2，日用品1，零售连锁2），制药3家,电讯2家，媒体娱乐公司2家，烟草1家。&/p&&p&&br&&/p&&p&看最新中美市值榜单，前三名都是互联网公司、金融公司和消费类公司，由于中国处于消费升级的重要阶段，什么样的消费品公司有可能成长为巨头，我统计了最新的全球消费类公司市值的前三十名。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-5f414eab240aaf899ea849_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1307& data-rawheight=&1195& class=&origin_image zh-lightbox-thumb& width=&1307& data-original=&https://pic2.zhimg.com/v2-5f414eab240aaf899ea849_r.jpg&&&/figure&&p&这份榜单里，电商互联网2家，食品12家（可乐2，烈性酒2，啤酒2，食品饮料品牌连锁2，食品及日用品连锁超市2，其他2），汽车3家，服装3家（奢侈1，运动1，大型快时尚1），烟草3家，日常个人用品2家，装饰连锁2家，药房连锁2家，化妆品1家。&/p&&p&&br&&/p&&p&大家从这三份榜单里可以总结一下什么样的To C公司可能能够成长巨头，能成为巨头的，一定是有强大护城河的，我对其中的一些品类谈谈我的看法&/p&&p&&br&&/p&&p&（1）护城河的深度最强的是垄断，几乎都是互联网公司，两个原因，1）转移成本非常高，微信和Facebook,朋友们都在那里，一个人转移没用；2）强大网络效应，例如阿里巴巴和亚马逊，买家卖家都已大量存在于这个市场里，强者恒强，相同策略的后来竞争对手基本就丧失了逆袭的机会。线下的公司要做到垄断非常困难，分众传媒可能是勉强接近垄断的一家,主要指在一二线城市，但今后几年它有大规模扩张的计划，这门生意之所以能够做到接近垄断，和它的下游楼宇太分散，而上游广告商要求大规模播出广告有关系。&/p&&p&&br&&/p&&p&（2）金融公司有强大的护城河，一方面经营业务需要政府的牌照，另外，老百姓把血汗钱交给你，会非常谨慎，对金融机构的信用要求很高，而且，富国银行的研究，如果一名客户在一家银行有四项以上的业务，他就很难离开了，难怪银行和保险股是巴菲特的至爱。国内平安集团尤其值得关注，它拥有金融全牌照，能提供几乎所有金融服务，一旦成为客户，它会向你推销很多产品，现在这种趋势已经开始了。另外，Master和Visa两大支付公司联手垄断信用卡市场，增长非常好，我由此想到国内的支付宝和微信也前途无量。&/p&&p&&br&&/p&&p&（3）与吃有关的公司，茅台、五粮液、可口可乐、百事可乐、麦当劳、百威啤酒、星巴克，亨氏卡夫，还有烟草和售卖食品的连锁企业等，都能成为市值非常大的公司，这个行业其实进入门槛是很低的，竞争很激烈，但是，最顶尖的企业品牌一旦树立，会形成强大的护城河，原因是大家都很关心自己和家人的健康，对食品品牌的信誉有很高的要求，认同一分钱一分货的道理,另外，一些传统的食品企业如酱油、白酒类企业，它们的产品口味大家从小就已经习惯了，要改变很难，这也是一种很强的护城河。食品行业不需要太多的创新，只要持续维护自己良好的声誉，就可以财源滚滚，其中啤酒、烈性酒喝了会上瘾，这真的太好了，茅台市值一万亿是有道理的，烟草抽了也会上瘾，可惜中国没有类似标的。其实说到上瘾，腾讯的微信和游戏又何曾不是令人上瘾、欲罢不能的东西？从上瘾这个维度研究护城河也很不错，赌博也让人上瘾，高档护肤品让女人上瘾，一身名牌炫耀让人上瘾，相关的公司，出了很多的巨无霸。&/p&&p&&br&&/p&&p&（4）制药公司出了很多巨头，原因也是大家如果生了病，都愿意用最好的药，对药价不敏感，另一方面，新药的研发费用越来越高，成功机率却很低，风险巨大，而且一旦研发成功后有专利保护，这些都构成了强大的护城河。国外的医药连锁也能成为超级巨头，但国内还没出现，可能和国内开设药店的进入门槛过低，专业性要求不高有关。中国研发新药特别好的公司很少，但是中国有传统中药，而且大家都特别相信，同仁堂、东阿阿胶、片仔癀等老字号价值非凡，虽然药理说不清楚，有时管用有时不管用，但没关系，它们生产的药品，其实可以当作安慰剂或者食品来看待。&/p&&p&&br&&/p&&p&（5）制造业公司里，美的格力的产品是白电，技术升级是比较慢的，这对公司是巨大的好事，它们几家基本已形成了垄断，顺应消费升级，未来前景仍然不错，但是做黑电的家电公司，由于技术升级太快，经营普遍不好。汽车方面，国外的丰田、奥迪、奔驰一直很强，但国内的吉利、上汽、广汽近两年发展得很好，在新技术的应用和本土化方面，优势巨大，而且电动车研究也走在国际前列，我感觉是有机会变道超车的。只是汽车产业对新技术、新车型依赖太深，而这种东西变化很快，说到护城河，仍然不算太强，至少不是我最喜欢的行业。&/p&&p&（6）有深厚护城河的公司还有很多，如何发现呢？最好的一个测试办法是，如果产品提价了，顾客是否还会购买，不管情愿还是不情愿。这个办法简单粗暴，但非常有效。茅台提价大家仍然抢购就是很好的案例，高端护肤品涨点价，女士们还是要买，因为要美丽，高端奢侈品涨点价，女士们还是要买，因为要面子，孩子在学而思学奥数，一位难求，再涨妈妈们也趋之若鹜，这样的公司护城河就很深。&/p&&p&&br&&/p&&p&有两种对护城河的误解，第一，优秀的品牌，或者良好的无形资产就是护城河，其实这要因品类而异，例如给小孩子吃的高端奶粉，大家只愿意选择非常优秀的品牌，对不熟悉的品牌不太愿意尝试，因此这些高端奶粉的品牌就成了它们的强大的护城河，而有些品类，大家就没那么强的品牌忠诚度，哪个功能强大、哪个好用就用谁，例如电脑电视，当年品牌非常强大的方正、长城、长虹、康佳等已经一塌糊涂。当然无论哪个行业，优秀的品牌或者好的无形资产一定会加深企业的护城河，但是，很浅的护城河即使加深了，还是很浅。第二，优秀的管理层是护城河，其实优秀都是事后证明的，成王败寇，在一个护城河很深的企业里，平庸的管理层也能做得不错，而在护城河很浅的企业里，再优秀的管理层也无能为力。有些分析师见了公司管理层，觉得特别能干，就要写推荐报告，其实先研究这家公司的护城河有多深，再写不迟。&/p&&p&&br&&/p&&p&护城河与商业模式是什么关系？&b&好的商业模式，我理解就是“长的坡，厚的雪”&/b&。一个公司不可能每个决策都正确，或者每个决策都是最领先的，一旦出现失误，或者竞争对手有创新推出，护城河深的公司有时间改正这个错误，或且通过向竞争对手学习而后发制人，这非常重要的，公司反脆弱的能力就会很强，这样它才能走得远，也就是它的坡比较长。而且护城河深，意味着它有提价的能力，盈利能力就会不错，也就是雪比较厚。可见长的坡和厚的雪，都和护城河有直接的关系。因此我认为理解商业模式，护城河是最重要的一个维度。&/p&&p&&br&&/p&&p&护城河的宽度要经常检讨，无论看起来是何等坚不可摧，柯达被数码技术彻底打跨，IBM几十年在一些对可靠性要求极高的行业如金融业有如同上帝一般的地位，但最近十年在廉价云计算的冲击下狼狈不堪,如果腾讯2011年没有推出微信，它用qq筑成的护城河可能早已百孔千疮。如果护城河宽度变窄了，要引起我们的高度警惕。&/p&&p&&br&&/p&&p&&br&&/p&&p&&b&2.进化力&/b&&/p&&p&&b&进化力是指企业的进化能力&/b&，这是我在《失控与投资》里提出来的，这个研究越想越重要，原因是出现了一批大型公司，特别大的如谷歌、亚马逊、腾讯、Facebook、阿里，小一点的如美团、小米、平安等，它们一直处于高速进化之中，不断衍生出新的商业模式，不断拓展它的边界，而且虽然体量很大了，但是增长速度仍然很快，这是人类商业史上前所未有的，传统的商业理论已经无法解释这种现象了。这些的公司都有什么共同的特点？它们的管理有什么特点？如果我们研究清楚了，会对我们理解这些公司的基本面有重大帮助，当然也对我们的投资意义非凡，不要被市值一万亿美元限制了我们的想象力。我想用KK《失控》里的理论来进行解释。我前年写了一篇长文《失控与投资》，有非常详细的阐述，今天我就简要地介绍一下。&/p&&p&&br&&/p&&p&我先来阐述“失控”的一些重要理论。KK认为，&b&错综复杂的21世纪的世界可以用“网络”这种结构来表达，没有中心、无我、分布式。&/b&为了直观地呈现KK所设想的这个世界的模型，我设计了这样一张图。这张图里，球体代表这个世界，每一个节点代表一个个体，节点不均匀地分布在这个球体上，没有所谓中心的节点，每个节点都不是孤独地存在，而是相互联系的，从而构成千丝万缕的复杂的关系。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-4b2bae88c0bee_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1442& data-rawheight=&1160& class=&origin_image zh-lightbox-thumb& width=&1442& data-original=&https://pic2.zhimg.com/v2-4b2bae88c0bee_r.jpg&&&/figure&&p&&b&KK所设想的这个世界，其本质就是各种连接&/b&，每一个节点的属性，都可以用连接来描述，离开连接，属性也就无从谈起。&/p&&p&关于用连接如何来描述各种属性，我来举几个例子。比如说我们谈论某个人，我们会说他是哪的人，哪个大学读书，在哪工作，和谁共事，其实都是在谈论他和这个世界的连接。马克思说过：“人的本质不是单个人所固有的抽象物，在其现实性上，它是一切社会关系的总和”，这个论述太精辟了。&/p&&p&&br&&/p&&p&投资研究一家公司，其本质也是考察这家公司和它的员工，它的上下游供应商，它的客户的关系如何，公司的本质也是社会关系的总和。&/p&&p&&br&&/p&&p&巴菲特说要投资护城河很深的公司，实质上也是指那些公司的产品和客户的关系非常牢固。&b&护城河本质就是连接的强度&/b&。&/p&&p&这样的一种理解世界的方式，会引申出两个重要的概念：去中心化和涌现。去中心化是指一个系统没有统一的控制机构，而是分布式的各自为政，但之间紧密连接，没有中心，或者每一个点都是中心但都不是控制式的中心。这种开放式、扁平化、平等性的系统现象，我们称之为去中心化。上面这幅网络图很好地表达了这个概念。&/p&&p&&br&&/p&&p&什么叫涌现？简单来说，当一个系统的个体数量急剧增加的时候，整个群体突然衍生出了新的特性。例如一滴水，一片汪洋大海，都是由水组成 ,但所呈现出来的特性是非常不一样的。你研究水的分子式H2O，在实验室做各种实验，对一滴水的特性了如指掌，但是你能预见得到一片汪洋大海的特性吗？它的潮汐，它的海啸，它所引起的狂风雷暴？不可能。&/p&&p&&br&&/p&&p&为什么会这样，书里写道：“随着成员数目的增加，两个或更多成员之间可能的联系呈指数级增长。当连接度高且成员数目大时，就产生了群体行为的动态特性——量变引起质变”。&/p&&p&&br&&/p&&p&KK在此非常清晰用“连接”来解释“涌现”这个概念，当连接足够多足够复杂时，涌现就横空出世了！&br&&/p&&p&腾讯、阿里、谷歌、平安这些大公司为什么能够好像很轻松地进入新的商业领域，而且迅速壮大，原因就是它们的业务建立了非常强大的连接，当这种连接越来越庞大、越来越复杂后，各种创新业务就源源不断地涌现了出来。&/p&&p&腾讯是如何涌现的，最早做的是qq，很快就达到了几亿用户，他们有玩游戏的这种需求，qq游戏应运而生，几亿人有情感倾述的需求，涌现出了qq空间，有看新闻的需求，涌现出了QQ.com, 2011年移动互联网崛起，微信横空出世，真正第一次实现了全民互联，有转账付款的需求，涌现了微信支付，钱存在微信里，有理财和消费的需求，涌现出了理财通，2017年小程序正式发布，我觉得是微信最重大的一次进化，它连接的能力有了质的飞跃，它把人、资金、商家、机构、产品、服务进行了连接，连接一切，赋能一切，微信已经成了超越iOS和安卓这些物理层面的更高维的商业操作系统，前景难以限量。&/p&&p&&br&&/p&&p&从这个例子，我们还可以总结出这种由涌现而失控性发展所形成的多种业务经营，与传统说的“多元化”的区别，这些新的业务的客户本来就是现成的，而且是有某种强烈需求的，提供这种业务只是水到渠成的事情，成功概率很高，而传统的多元化，是公司进入一个新的行业，客户、需求、推广都有可能需要重新开始，成功机率当然要低很多。&/p&&p&&u&一个企业失控性成长不是一件简单的事情，它需要具备的最重要的条件是：有一项主营业务在竞争中取得明显优势的地位，并源源不断地产生强大的现金流，这样才能支持它不断开拓新的领域，而且新的领域要与原来的业务能够产生良好的协同效应，这样成功的机率才会大。乐视是个非常失败的例子，它的主业是视频，面临腾讯视频、爱奇艺、优酷视频等的激烈竞争，完全处于弱势，每年亏损巨大，这种情况下，盲目搞各种所谓“生态”建设，进入电视、手机、租车、电动车等多个行业，这些行业普遍高度竞争而且非常消耗现金流，而且除了电视外，大部分与原先主业的协同效果并不太好，结果就是把自己搞垮了，这是一个惨痛的教训。&/u&&/p&&p&&br&&/p&&p&一个公司连接强度越强，数量越庞大，就越能涌现出新的商业模式从而高速进化，这些公司是最有投资价值的公司。这些具有强大连接能力而且连接数量巨大的公司，我起了一个名字叫做“连接器”。&/p&&p&一个公司非常强大而且数量巨大的连接，是不是就一定能够进化为超级大公司呢？不一定，谷歌和百度都是做搜索起家，但是谷歌发展得非常好，而百度不说也罢。为什么会有这种差异，我觉得主要在于管理，这么复杂的业务架构，对管理理念和能力是巨大的挑战。腾讯马化腾对此很有感悟，他写道：&/p&&p&“在传统机械型组织里，一个“异端”的创新，很难获得足够的资源和支持，甚至会因为与组织过去的战略、优势相冲突而被排斥，”、&b&“&/b&要想改变它，唯有构建一个新的组织型态，所以我倾向于生物型组织。&b&那些真正有活力的生态系统，外界看起来似乎是混乱和失控，其实是组织在自然生长进化，在寻找创新。那些所谓的失败和浪费，也是复杂系统进化过程中必须的生物多样性。”&/b&&/p&&p&“如果一个企业已经成为生态型企业，开放协作度、进化度、冗余度、速度、需求度都比较高，创新就会从灰度空间源源不断涌出。&b&从这个意义上讲，创新不是原因，而是结果；创新不是源头，而是产物。企业要做的，是创造生物型组织，拓展自己的灰度空间，让现实和未来的土壤、生态充满可能性、多样性。这就是灰度的生存空间。”&/b&&/p&&p&&br&&/p&&p&我有很多腾讯的朋友，我还是比较了解他们具体的一些管理方法，我把要点总结为三点：&/p&&p&（1）充分授权，鼓励由下而上的业务推动。&/p&&p&（2）相对宽松的KPI考核,容忍甚至一定程度鼓励失败。&/p&&p&（3）非常鼓励内部竞争，不担心资源浪费。&/p&&p&我有一些阿里的朋友，他们说阿里也是失控性的成长，但是，创新业务更多是来自于高层的推动，同时KPI考核相当严格，可见失控性发展的管理可能有很多种模式，不过，我觉得从长远来看，我更看好腾讯这种模式。&/p&&p&&br&&/p&&p&不仅互联网企业可以通过广泛连接实现进化，传统企业也可以学习，我觉得国内的平安集团锐意进取就令人印象深刻。平安集团本来就是一个全牌照的金融企业，他们自身业务和多个重要的行业如医疗、地产、汽车等有深度的链接，多年前就已经积极布局四大生态圈：金融服务、医疗健康、汽车服务、地产金融，它自己创立和收购的陆金所、壹帐通、平安好医生、平安医保、汽车之家等子公司发展得很好。至17年年底，公司已拥有4.3亿互联网用户，其中3.1亿的APP用户，下面这张图可以了解它在连接客户，包括C端用户和B端商家所取得的重大进展，而且才刚开始，平安集团也成了一个连接器。平安集团各子公司已经产生了良好的协同效应，以平安银行为例，2017 年 1-9 月平安银行新一贷发放额 268.51 亿元，集团渠道占比 32.52%；信用卡通过集团渠道新发卡 433 万张、渠道占比 44%，其中第三季度集团渠道新发卡 258 万张、渠道占比已升至54%，这些闪亮的数据就是一个非常好的证明。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-83ff5ee2ec28b173db8dc9fb_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2221& data-rawheight=&1663& class=&origin_image zh-lightbox-thumb& width=&2221& data-original=&https://pic4.zhimg.com/v2-83ff5ee2ec28b173db8dc9fb_r.jpg&&&/figure&&p&&br&&/p&&p&用进化的角度去研究公司的成长，我觉得非常重要，它给我们提供了一个前所未有的评估公司成长的理论框架，腾讯的进化史，堪称目前最佳的研究案例。巴菲特研究上市公司特别强调“护城河”，&b&护城河深的公司竞争力强大，而进化力强的公司未来增长潜力巨大，护城河侧重于今天，进化力侧重于未来，把这两者结合在一起思考，相信会让我们对公司成长的本质有更深入的认识。&/b&不同公司在这两项指标的得分各不相同，我在16年5月演讲时评点了三个公司：“茅台，护城河很强，但进化力偏弱;美的，护城河一般，但进化力很强;腾讯，护城河很强，进化力也很强，这当然是最梦幻的投资标的。”17年这三家公司都涨得非常好。这个研究才刚刚开始，未来还需要不断地完善。&/p&&p&上面介绍我分析公司基本面的两个角度，其实还有一个维度，也很重要，那就是公司的价值观，听越来好像很虚，但是对公司发展非常重要，好的价值观，能够凝聚人，给人信心，让人信任，这是商业世界的无价之宝。我觉得&b&好的价值观有三个最重要的特点：善待客户，善待员工，鼓励创新。&/b&&/p&&p&&br&&/p&&p&&b&二．外部规律&/b&&/p&&p&&b&1.&/b& &b&上市公司与投资者&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-b3de427ecc7f4c37d626a62_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1043& data-rawheight=&1048& class=&origin_image zh-lightbox-thumb& width=&1043& data-original=&https://pic3.zhimg.com/v2-b3de427ecc7f4c37d626a62_r.jpg&&&/figure&&p&一名投资者与公司主要有两种关系，第一种只适合极少数投资人，就是影响公司管理，典型的是3G Capital,他们成为控股股东后会委派新的管理层，会注入自己的价值观，彻底改造公司，他们通过收购整合全球啤酒业，联合巴菲特收购亨氏和卡夫，都取得了巨大的成功。美的成为小天鹅大股东后，在生产、销售等领域帮助公司提高管理水平，效果非常突出。腾讯入股上市公司，往往有点石成金的效果，原因是腾讯通过流量输出、科技赋能帮助企业更好的发展。如果一名股东的入股，可能导致内在的基本面发生重大改变，从而影响股价，当然值得我们重点关注。&/p&&p&&br&&/p&&p&第二种类型就是只作为财务投资人。巴菲特投资的大部分公司，他都只充当这种角色，只有管理层非常优秀，非常值得他信任，他才会购买这家公司的股票。我自己深受巴菲特的影响，多年前我写过一篇文章谈到，一般投资者只应该做一名“旁观者”,才能做出更好的投资决策，文章写道：“整理演讲稿的时候，我想补充一点，就是‘一个意见都不能提’。我多年前做投资总监，年少轻狂，无知者无畏，经常对上市公司的经营指手划脚，实际上公司是什么样子就是什么样子，从来就没有因为你的意见发生过什么改变。就如一个人是很难被改变的，一个公司亦然。企业经营环境非常复杂，不在第一线的管理层，根本很难根据形势改变提出对策。我们提出的意见，99%不是废话就是错误的，1%也许有点真知灼见，但是，如果是一个好公司，它自然会意识到，对一个坏公司，再怎么提，也没有用。如果我提出意见，我就会想，公司如果按我的意见这么去做，经营方面就会如何如何。这往往是一厢情意的，而且会严重影响对这个企业的客观判断。我们所需要做的事情就是观察，持续观察！”&/p&&p&&br&&/p&&p&&b&2.&/b& &b&上市公司与宏观变化&/b&&/p&&figure&&img src=&https://pic3.zhimg.com/v2-5cbdc012ae55d4e85d1a_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1040& data-rawheight=&1061& class=&origin_image zh-lightbox-thumb& width=&1040& data-original=&https://pic3.zhimg.com/v2-5cbdc012ae55d4e85d1a_r.jpg&&&/figure&&p&也就是我们要评估宏观变化，例如利率、汇率、M2、供给侧改革、环保政策等会不会影响公司的经营，这都很重要，都需要认真分析，我这里列举两个案例。 &/p&&p&&br&&/p&&p&第一个案例，2015年开始国内一二线城市房价大涨，2016年底蔓延到三四线城市，恒大、碧佳园、融创等几个地产公司一年多涨幅数倍，原因很多，其中最重要的宏观因素是央行把中长期贷款利率，从14年底的6.15%，连降5次，降到了4.9%，催生了一波房价上涨狂潮。&/p&&p&&br&&/p&&p&&br&&/p&&p&再换一个案例，05年中国房产价格暴涨，地产股都涨疯了，万科两年间涨了十几倍，也是由于利率下调吗？其实不是，当时物价涨得比较多，房贷利率一直上升，曾经超过7%，那房价为什么这么涨呢？ 原因是中国2001年年底加入WTO后,外贸顺差暴增，拉动M2快速增长，2001年至2007年M2年均增长16.7%，我当时就研究过，日本、台湾、韩国也曾经经历过同样的阶段，由于货币泛滥，房地产是最好的投资选择，价格都会因此暴涨。其实当时你不买万科，买别的地产股，也涨得很厉害，有一些比万科涨得更好，这样的一种地产投资，其实和地产公司的基本面关系并不太大。当然，如果时光倒转，还可以再选择一次的话，我应该还会选择万科，因为，有这么优秀的团队为你打工，你每天晚上都可以睡得更好一点。
&/p&&figure&&img src=&https://pic2.zhimg.com/v2-62dc9bd1a839_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2146& data-rawheight=&1423& class=&origin_image zh-lightbox-thumb& width=&2146& data-original=&https://pic2.zhimg.com/v2-62dc9bd1a839_r.jpg&&&/figure&&p&两次房地产股投资的极好机会，是由不同的宏观因素引发，只有那些对宏观研究很深的人，才能发现这种机会。&/p&&p&&br&&/p&&p&地产和宏观经济的整体景气高度相关，金融、有色、基建等行业公司也是如此，这些行业的公司的股票在景气好时涨得非常好，但当景气不好时跌得非常厉害，所以我们要在行业低谷买它才会有好的回报，还有一类行业和宏观经济的景气相关性相对较弱，如游戏行业、食品行业、一些消费品行业等，股票表现与景气强弱的相关性就弱很多。研究某一具体公司，从一开始就要想清楚这是一家强周期的公司，还是一家弱周期的公司。&/p&&p&&br&&/p&&p&&b&第二章 证券市场（股价）&/b&&/p&&p&&br&&/p&&p&股价在电脑屏幕上不停跳动，动荡不安，还经常暴涨暴跌，到底是由什么决定的？简直就像一个迷。&/p&&p&&br&&/p&&p&&b&一．内部规律&/b&&/p&&p&有一种说法，每个公司都有它的价值，证券市场上的价格围绕价值上下波动，&/p&&p&有一个著名的估值公式，公司价值等于未来现金流的折现，这当然是对的，但运用这个公式要估算未来十年二十年利润的增长情况和选取一个折现率，但是，世事如此无常，竞争如此激烈，能预测未来一两年已经非常不容易，凡人怎么可能预测未来十年二十年的业绩？贴现率事关通胀，预测通胀同样非常困难。这个估值方法只有理论上的价值，但却缺乏可操作性。&/p&&p&&br&&/p&&p&我来谈谈我的看法，股价波动来自于投资者买与卖的行为，每个人都可以对公司值多少钱有自己的看法，他们以自己的出价表达自己的这种看法，显示在屏上不停跳动的股票价格，是市场参与者的各种看法在某个时点所形成的一个阶段性的共识，这个共识包含了一系列非常脆弱的假设，包括基本面的、宏观面的等等，这些假设随时都可能发生改变，共识也只好发生变动，股价因此上下波动，市场参与者的共识认为公司值多少，它就是多少，仅此而已。&u&我们当然很希望可以知道公司有某一个比较确定的公允的价值，这样一来，当它波动起来的时候，我们就会有一个坚强的信念支持自己，就像在翻滚的大海里紧紧抱着一根坚实的木桩，让我们内心平静，让我们不必害怕，这个想法非常美好，但这只是我们内心所执著的一个虚幻的执念，其实我们抱着的不是木桩，只是一根稻草。&/u&巴菲特是真正的智者，他说众人恐惧我贪婪，众人贪婪我恐惧，他早就洞察众人情绪的波动会引发股价的重大波动，换句话来说，&b&股价波动乃众生心动。&/b&&u&我们研究股价波动、研究公司估值到底是在研究什么？其实本质上我们研究的只是心的一种幻象，如梦幻泡影，如露亦如电，虽然我们非常努力地从中寻找规律，但这种规律和相对稳定的物理规律、化学规律有所不同，作为一种解释幻象的规律，亦如梦幻泡影，需要经常根据投资环境的变化作出大大小小的调整。&/u&&/p&&p&&br&&/p&&p&那么我们为什么还要为公司估值呢？&b&估值的本质，以我的理解，不是算公司的真实价值是多少，而是估计未来市场的投资者们可能给它一个什么样的价格。&/b&我对估值的这样一种认识，可能和教科书里的理论很不一样，我在下面还会继续解释&u&。&b&巴菲特曾经说过，伯克希尔的目标是“以合理的价格买入一家好公司”，什么是“好公司”，巴菲特说的很多，但什么价格是“合理的价格”，巴菲特说的很少，我今天尝试来探讨一下。&/b&&/u&&/p&&p&&br&&/p&&p&（一）PE曲线&/p&&p&市场给一个公司估值有几种主要的方式&br&，大部分是用PE，还有些用PB、PEV(主要用于保险业)、PS（主要用于销售型企业）等，当然也会综合一起参考，但总有一个是主要的。而且，市场对一个公司的分析框架也会逐步达成一致，也就是说会形成共识，这种共识是如何形成的呢？一般是由市场的意见领袖决定的，谁是意见领袖？主要是大行研究员。我们做研究一定要有自己的观点，不能依赖别人，但是我们一定要明白市场是怎么想的，尤其是意见领袖的想法，因为股价是由市场全体参与者，而不是我们自己单独的想法决定的，我们千万不能一厢情愿&br&。我有一次和朋友探讨中国保险股的估值，我发现她用PB来估值，因为美国的保险公司不公布EV,但全球所有的保险公司都会公布净资产,因此她想用PB来估值有利于全球比较，我说你千万不要这样, 市场都是用PEV来估值的，你也只能跟随，不排除用PB来估值可能更好，但是市场已形成共识，你不能自以为是，否则会严重影响你的判断。我记得05--07年的时候，给中国的地产股估值，主要用的是PE，这当然有很多问题，只是，除非你不买地产股，否则你也要跟随市场共识。&/p&&p&&br&&/p&&p&股价和什么因素相关，股价上涨是如何产生的？我们可以用两个简单的公式来计算。我这里用的估值方式是PE，其他PB、PS、PEV等道理也是一样的。&/p&&p&&br&&/p&&p&&b&股价=PE*业绩&/b&&/p&&p&&b&股价上涨倍数=PE上涨倍数*业绩上涨倍数&/b&&/p&&p&例如18年底，市场给某个公司的PE较17年底提高了30%，同时公司18年的业绩比17年上升了30%，那么股价全年上涨倍数=1.3*1.3=1.69倍&/p&&p&&br&&/p&&p&从这个公式看，&b&研究公司的股价分为两部分，一是研究公司的基本面，判断公司未来业绩如何增长，二是研究市场能给它多少倍的PE，能否提升。可见，要做好投资，不仅要认真研究公司的基本面，还是认真研究市场估值的逻辑，缺一不可。&/b&&/p&&p&&br&&/p&&p&价值投资者给公司估值时，他认为是给公司估一个“价值”，所谓公司价值，感觉是公司内在的客观的一个东西，他是怎么估呢？他也是用他研究的业绩乘以一个PE来估的，这个PE怎么来的，是一个客观的数字吗？其实不是，选择哪个数字，是非常主观的，每个人都可以有自己的观点，哪有什么客观可言？一百个坚信公司有所谓真实价值的价值投资者，所算出来的价值可能有一百个个非常不同的答案，哪一个是对的呢？&br&&/p&&p&&br&&/p&&p&虽然我认为公司是无所谓价值的，但我当然也会给公司估值，我估的是市场的投资者未来可能给它一个什么样的价格，我也要选用一个PE，怎么选呢？我认为，首先要充分理解市场给公司估值是一种什么逻辑，然后不仅要考虑公司的基本面，还要考虑诸多宏观及市场变数，在这样的基础上确定具体PE，这个PE值是我认为未来市场比较高概率可以接受的，只是未来太多变数，因此我们确定这个数字时一定要留有足够的余地，所谓要有安全边际，就是这个意思。&/p&&p&&br&&/p&&p&&b&市场现在给一个公司的PE，已经隐含了对它未来业绩增长的预期，而未来市场会否调高估值，关键在于市场预期未来业绩增长是否会有一个比较大的提升，或者说利润增长的“加速度”是否比较大，&/b&比如说，一个公司去年成长30%，今年还是30%，市场给它的PE是不变的，但是如果今年成长上升到40%，那么市场给它的PE马上就会涨，如果今年成长下降到20%，那么市场给它的PE马上也会降。有时候公司公布了一个重大的好消息，虽然尚未对目前的业绩造成影响，但是市场如果认为会显著提升未来的业绩增长，它的估值随之也会被提升。下面这张图是腾讯PE走势和业绩同比增速的对比，市场给腾讯的估值与其利润增长的加速度总体基本是一致的，但是，2014年初净利润同比增速从约27%大幅下滑到18%，但是估值却仍然大幅上升，最高接近44倍，这是怎么回事呢？原来是13年下半年腾讯推出手游，反应极好，大家对它未来业绩增长非常乐观，因此迅速提升了它的估值，而同时，由于公司向全球推销微信、视频内容采购等成本大幅上升，造成当期同比业绩增速有所下滑。腾讯的这个案例是非常有代表性的。&/p&&figure&&img src=&https://pic1.zhimg.com/v2-196fb6ebdff1fa46f4fd8_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1706& data-rawheight=&937& class=&origin_image zh-lightbox-thumb& width=&1706& data-original=&https://pic1.zhimg.com/v2-196fb6ebdff1fa46f4fd8_r.jpg&&&/figure&&p&&br&&/p&&p&&b&市场给公司估值的这种逻辑，蕴含着股价暴涨和崩盘的秘密。&/b&下面这幅图是合生元三年的股价走势图，白色的线是彭博统计的跟踪合生元的最有影响力的分析师对当年利润预测的平均值，2013年底股价最高到了70元，当时分析师预测当年净利润超过13亿港元，市场给的当年估值约32倍，随着它的下跌，分析师给的净利润预测快速下滑，到2015年底时调到当年4.8亿，分析师同时不断下调估值，市场上公司估值跳水式下跌，最低不足10倍，同期股价从70一路暴跌到13。总结一下，股价跌，净利润预期下跌，估值随之下跌，然后带动股价再跌，&br&然后再循环 。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-44ae7d2bfded8f227a612d_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2423& data-rawheight=&935& class=&origin_image zh-lightbox-thumb& width=&2423& data-original=&https://pic2.zhimg.com/v2-44ae7d2bfded8f227a612d_r.jpg&&&/figure&&p&再看一个一年期的案例，腾讯2017年全年股价上涨超过一倍，随着它的上涨，分析师对全年净利润的预测随着调升，从580亿一路上调到650亿元，并反复调升它的估值，市场给的估值最终从27倍也一路狂涨到49倍。总结一下，股价涨，净利润预期上涨，估值随之上涨，然后带动股价再涨， 然后再循环。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-b805d19d98ddfd_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2412& data-rawheight=&937& class=&origin_image zh-lightbox-thumb& width=&2412& data-original=&https://pic2.zhimg.com/v2-b805d19d98ddfd_r.jpg&&&/figure&&p&每一轮大牛市走到最后，都涨得难以置信，而每一轮大熊市走到最后，都跌得尸横遍野，认真研究这两幅图背后的逻辑，你就能找到答案。&u&有人会问，为什么随着价格变动，市场对公司业绩的预期和估值也会跟着发生变动呢？原因并不复杂，分析师要预测一家公司的业绩其实很不容易，由于存在很多变数，分析师会把预测分为相对悲观、中性和相对乐观三种情况，如果股价平稳的话，他会倾向发出相对中性的预测，如果出现大涨----这种情况分析师一般是乐意见到的，因为推荐的股票大涨和他全年收入往往是正相关的----他就会倾向发出相对乐观的预测，如果大跌则相反，而对公司而言，管理层也会对公司全年的业绩做出预估，一般也会分相对悲观、中性和相对乐观三种情况，如果股价平稳，领导层就会倾向报出相对中性的业绩，如果股价大涨----这种情况领导层一般会很高兴，因为他们的财富也因此而增长了----他们就会倾向报出相对乐观的业绩并向分析师暗示，如果股价下跌则相反，公司正常调节业绩的会计手段非常多，而且大部分都是合理合法的，例如把一些收入提早或推迟确定为当年收入，把坏帐多一点或少一点进行当年计提等等。分析师和管理层的这种行为，背后其实都是受人性“逐利”所驱动的，而最终导致了随着价格的变动，市场对公司业绩的预测和估值也会跟着发生变动。估值的这种逻辑，很好地证明了索罗斯提出的“反身性原理”，反身性原理是说证券市场表现与现实之间互相影响互相加强的关系，我把这一类的反身性称为第一类反身性，这一类的反身性并不影响公司的实际经营，后面我还会介绍第二类反身性。&/u&&/p&&p&&br&&/p&&p&在这里要说明一下，绘图计算PE时，所采用的业绩因子E 有很多种算法，例如TTM,本年度预测，未来十二个月预测等 ，各有各的道理和利弊，本文统一用彭博分析师最新本年度一致预期来计算，这种方法带来的问题是每到新的一年，曲线就会出现一个很不平滑的断层，对那些高速增长的公司来说显得尤其突出，但这并不影响我们的判断，只是我们观察PE区间的时候，要以年为一个区间来看才比较好。&/p&&p&&br&&/p&&p&&br&&/p&&p&PE曲线的使用有几点注意事项：&/p&&p&1.它比较适合经营相对稳定的公司，尤其是蓝筹公司&br&，有些公司业绩大起大落，那就不太适用，或者说参考意见就没那么大。&/p&&p&2.它适合那些主要用PE来估值的公司，例如消费行业的公司，有些行业如有色、地产，它主要用PB或者NAV来估值，那么就不太适合，或者说你非要用的话，所呈现的规律有自己非常独特的特点，需要自己总结。以铁矿石龙头必和必拓为例&br&，2011年，股价很高，但是当年PE低到只有五六倍，而年股价暴跌的时候，PE反而非常高。&/p&&figure&&img src=&https://pic2.zhimg.com/v2-73d725b8fd86b470d3ac9_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2470& data-rawheight=&1024& class=&origin_image zh-lightbox-thumb& width=&2470& data-original=&https://pic2.zhimg.com/v2-73d725b8fd86b470d3ac9_r.jpg&&&/figure&&p&3.有时候公司业绩大幅下滑，甚至亏损，这时PE线就会出现一个高点，进行估值判断的时候，要排除这种噪点，如下面伊利这张图，2008年由于受&i&三聚&/i&氰胺事件影响，业绩跳水，结果当年PE就出现了一个峰值，经营过了大半年才重回正轨，PE走势也才恢复正常。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-d7b705bbeb1b1a5f4d1f83_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2427& data-rawheight=&1072& class=&origin_image zh-lightbox-thumb& width=&2427& data-original=&https://pic4.zhimg.com/v2-d7b705bbeb1b1a5f4d1f83_r.jpg&&&/figure&&p&4.市场给公司的估值除了公司的基本面，还受到别的一些因素的影响，比较显著的是市场整体估值，如果市场整体大涨或大跌，大部分公司的估值也会同趋势发生变化，因此把公司的PE走势和市场整体的PE走势叠加在一起分析，会让我们更清楚地判断大盘走势对公司估值的影响，下面这张图是腾讯PE和大盘PE的对比图。2014年年初的时候，两者的PE走势是相反的，原因是之前微信支付和手游的推出，让市场非常乐观，因此腾讯估值逆大盘估值下跌而上涨，由此可见，腾讯估值的高点与低点，有些可以用基本面的变化来解释，有些要用大盘的整体估值的变化来解释。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-850e8b2e8a109bf7c4305a3_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2422& data-rawheight=&983& class=&origin_image zh-lightbox-thumb& width=&2422& data-original=&https://pic4.zhimg.com/v2-850e8b2e8a109bf7c4305a3_r.jpg&&&/figure&&p&&br&&/p&&p&研究PE曲线，要重点研究它的顶和底，发生了什么事，要做出合理解释。另外，要有区间的概念，它一般在一个区间内相对稳定地移动，如果突破了某个区间上升或下跌到一个新的区间，这是一件很严重的事情，我们要认真研究到底发生了什么事。以下面腾讯这幅PE图为例，在2013年年中之前，它的PE一般在25倍至35倍之间，但是之后就上升到35—45倍这个区间，为什么呢？原因是微信支付和手游推出后发展得特别好，带动了估值的上升。2017年年底突破了这个区间往上，为什么？比较好的解释是小程序经过一年的发展，显示出巨大的潜力，腾讯被市场进一步看好。在图中做出标注是一个好的方法。我们这么做的目的就是要深刻地理解市场估值的逻辑，从而提升我们对这只股票的敏感性和洞察力。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-cc03f55fe7c9a2ff7393fe_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2433& data-rawheight=&1007& class=&origin_image zh-lightbox-thumb& width=&2433& data-original=&https://pic3.zhimg.com/v2-cc03f55fe7c9a2ff7393fe_r.jpg&&&/figure&&p&把一个公司的PE曲线和它的同类公司放在一起进行研究，是一件很有意义的事情，例如下图把腾讯和Facebook的PE曲线叠加在一起研究，2016年底之后，腾讯的PE区间持续提升，而Facebook则停滞不前，说明市场对腾讯未来的增长比Facebook有信心的多，为什么？我觉得腾讯多项潜力业务，如广告、 微信支付和小程序等发展势头很好，生态越做越强大了，而Facebook盈利还是主要以广告为主，缺乏突破，未来想象空间一般，当然，如果未来Facebook向微信学习，也有支付也有小程序，也有各种生态，它未来也会前途无量。我作这样的比较，同样是为了更深刻地理解市场的估值逻辑，并提升自己对社交产品公司的敏感性和洞察力。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-51d3bb2a906ae81dec1cd_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2424& data-rawheight=&981& class=&origin_image zh-lightbox-thumb& width=&2424& data-original=&https://pic4.zhimg.com/v2-51d3bb2a906ae81dec1cd_r.jpg&&&/figure&&p&&u&什么价格是“合理的价格”，历史数据有重要的参考价值。2017年2月CNBC采访巴菲特时问：“您曾认为2008年和2009年的股票很便宜，也在其他时候提过股票被高估。我们现在正处在一个转折点上吗？”巴菲特说：“我们现在还没到泡沫区间，”“相对于利率而言，当前股票和历史估值相比其实是便宜的。”由这段话可见，巴菲特判断股票便宜与否，也是与历史估值进行比较来判断的，而不是根据一个神秘的模型计算出来的，再举个例子，同是中国人寿，香港市场和大陆市场给它的估值差别有三四成，在中国认为很合理的价格，在香港会被认为很贵了，也就是说，即使对同一家公司，在不同市场是否合理的标准都会很不一样，谁决定的？市场决定的，这就是事实，如果我们不研究历史数据而是一厢情意，就会犯很大的错误。&/u&&/p&&p&&br&&/p&&p&&b&（二）观察市场情绪&/b&&/p&&p&&b&证券市场其实是由买卖双方的欲望交织而构成，在市场上表现为某种情绪而能被我们所察觉，我把这种情绪分为贪婪、平和以及恐惧三种状态，情绪的变化会严重影响股价的表现。&/b&极度贪婪之时，牛市见顶，极致度惧之时，熊市见底。&u&巴菲特说：“你要利用市场先生（Mr. Market）的疯狂或愚蠢，而不是被他所影响。”&/u&市场里有很多公开的数据，常用的有PE走势，换手率，融资融券额、卖空数量等，这些数据都是从不同角度观察市场认同感和活跃度的人气指标，周期性地综合分析这些数据，我们就能感受市场整体情绪的变化。&/p&&p&&br&&/p&&p&举几个例子，这张是沪深300和香港恒生指数历史PE走势图，现在沪深300的PE是14.6倍，恒生指数是13倍，与历史数据相比，感觉还不算高。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-61d00fef4b5a227fa5d2b49cd8978b76_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2639& data-rawheight=&1240& class=&origin_image zh-lightbox-thumb& width=&2639& data-original=&https://pic3.zhimg.com/v2-61d00fef4b5a227fa5d2b49cd8978b76_r.jpg&&&/figure&&p&下面这张图是沪深融资余额及占流通市值比重，最新比重为2.4%，比15年高峰的4.8%回落了不少。&/p&&figure&&img src=&https://pic3.zhimg.com/v2-ba0738cc7be_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&2146& data-rawheight=&1432& class=&origin_image zh-lightbox-thumb& width=&2146& data-original=&https://pic3.zhimg.com/v2-ba0738cc7be_r.jpg&&&/figure&&p&香港有个指标特别好，是个股做空股数占流通市值比重，下面是平安的数据。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-41dcaa7223_b.jpg& data-caption=&& data-size=&normal& data-rawwidth=&1357& data-rawheight=&933& class=&origin_image zh-lightbox-thumb& width=&1357& data-original=&https://pic4.zhimg.com/v2-41dcaa7223_r.jpg&&&/figure&&p&&br&&/p&&p&平安做空比例高达19%，是港股大蓝筹最高之一，它反映的信息非常重要，就是市场对平安的看法差异很大，不太认同的人很多，这会引发有两个后果，一是它上涨阻力不小，另一方面，如果平安基本面未来逐渐得到市场的认同，空头就不得不回补，一个股票如果能从不太认同到基本认同，再到高度认同，股价一定会有很好涨幅。&/p&&p&&br&&/p&&p&我们查了腾讯的做空比例，非常低，常年在1.2%左右，说明腾讯得到了市场的高度认同，这也会引发两个后果，一是它上涨阻力较小，另一方面，如果未来业绩公布未能达到预期，跌