ValueGo估值机器人：大数据时代给投资者赋能的金融科技
智能投顾案例
智能投顾案例智能投顾（Robo-Advisor）是一种基于人工智能技术的互联网理财服务，利用大数据分析和机器学习算法为投资者提供全面的投资建议和组合管理。
以下是几个智能投顾的案例。
案例一：WealthfrontWealthfront是美国知名的在线投资服务平台，它利用机器学习算法和智能投顾技术为投资者提供投资组合和管理服务。
该平台不仅为客户提供科技领域的投资机会，也提供其他行业的股票和基金的组合建议。
此外，客户可以通过Wealthfront拥有多种投资类型，包括股票、债券和替代性投资等。
案例二：BettermentBetterment是美国领先的在线投资平台，也是第一个真正的智能投顾。
该平台利用先进的算法和自动化技术为客户设计理财计划，以达到最大化的投资回报率。
Betterment平台针对每个客户的风险承受能力、收入和目标，为其定制投资组合，帮助客户更好的投资理财。
案例三：黑土AI智能投顾黑土AI智能投顾是国内领先的人工智能理财平台，在智能投顾、大数据分析和机器学习等领域都处于领先地位。
平台集成了基于深度强化学习算法的智能选股、智能交易、自适应调仓等多项功能，通过全方位的投资组合管理和风险控制，为客户提供高效、便捷、智能的一站式服务。
案例四：海富通智能投顾海富通智能投顾是中国证券业内首家根据客户风险等级推荐多资产组合的智能投顾服务。
平台利用人工智能技术，对全球资产的市场历史数据进行分析和预测，并采取动态调整投资组合的策略，以实现客户的理财目标。
通过多项风险控制手段和先进的交易技术，海富通为客户提供安心、高效的智能投顾服务。
总之，智能投顾是当今趋势，帮助投资者更好地进行投资组合管理和风险控制。
上述案例只是众多智能投顾平台中的一部分，无论是国内还是国外，智能投顾都成为了投资者理财的新选择。
人工智能在金融行业的智能投顾应用
人工智能在金融行业的智能投顾应用一、人工智能的兴起和发展随着科技的不断进步，人工智能逐渐成为社会各个领域的焦点。
人工智能的智能投顾应用也在金融行业中得到了广泛的应用和推广。
本文将从多个角度对人工智能在金融行业的智能投顾应用进行分析和探讨。
二、智能投顾的定义及优势智能投顾是指通过人工智能等技术，帮助投资者进行资产配置和投资决策的服务。
相比传统的投资咨询服务，智能投顾具有成本低、信息快速、智能化等优势。
三、人工智能在智能投顾中的应用人工智能在智能投顾中的应用主要包括数据挖掘、机器学习和自然语言处理等技术手段。
通过对大量历史数据的分析和学习，人工智能可以生成自动化的投资建议，并能够自动化地进行资产配置和风险管理。
四、智能投顾的案例分析在金融行业中，智能投顾已经得到了广泛的应用。
例如，某公司利用人工智能技术对投资组合进行优化，通过大数据分析和算法模型，能够为客户提供个性化的投资组合配置方案。
这些方案不仅基于客户的风险偏好和投资目标，还考虑了市场的波动和各种风险因素。
五、智能投顾的优势和挑战智能投顾的应用带来了许多优势，如提高投资效率、降低投资风险等。
但与此同时，智能投顾也面临着一些挑战，如安全性和隐私保护等问题。
因此，对于金融机构来说，需要在应用智能投顾的同时，注重解决这些问题。
六、智能投顾的未来发展趋势随着科技的不断进步，智能投顾在金融行业的应用前景非常广阔。
未来，智能投顾将更加智能化、个性化和集约化。
例如，通过与人工智能的结合，智能投顾可以更好地理解客户需求，提供更符合客户风险偏好和投资目标的投资建议。
七、如何推动人工智能在金融行业的发展要推动人工智能在金融行业的发展，需要加强技术研发和创新，建立完善的监管制度和风控体系，培养专业人才，并加强国际合作和交流，共同推动智能投顾的发展。
八、人工智能在智能投顾中的风险控制尽管人工智能在智能投顾中的应用带来了许多好处，但也伴随着一定的风险。
特别是在数据安全和隐私保护方面，需要制定相应的政策和规定，并加强监督和管理，确保人工智能的应用不会对金融市场产生负面影响。
股票价值评估:Gordon增长模型还是ZZ增长模型
( 中国人民大学 商学院, 北京摇 100872)
摘摇 要: 科技创新和资本市场的发展, 凸显了股权或股票价值评估的重要性。 目前流行的评估基本无外乎应用 Gordon 增长模型的绝对价值评估, 以及应用市盈率等评估比率方法的相对价值评估。 然而, 深入分析发现, Gordon 增长模型 实际上没有应用可行性, 而评估比率方法没有理论合理性。 多方面比较分析发现, ZZ 增长模型 ( 至少) 与 Gordon 增 长模型有同样的理论合理性; 同时可以容忍一定的参数估计误差, 有应用可行性。 基于 ZZ 增长模型推导出的三个理 论比率模型, 可以从根本上改进评估比率方法缺乏理论合理性的缺陷。 不仅如此, ZZ 增长模型特别适合评估目前两 大方法都不擅长的高增长的股票, 这意味着作为 ZZ 评估系列模型的 ZZ 增长模型以及 ZZ 理论比率模型在互联网和高 科技公司的价值评估中大有用武之地。 关键词: 股票价值评估; Gordon 增长模型; ZZ 增长模型; 每股红利; 每股收益; 市盈率 中图分类号: F830郾 91摇 摇 文献标识码: A摇 摇 文章编号: 1000鄄176X(2021)07鄄0074鄄10
(三) 自变量的估计难度 Gordon 增长模型要考虑未来很长时期, 确切说是无限长时期的情况; 而 ZZ 增长模型只考虑未来 有限期中的情况, 确切说是可预见时期中的情况。 也就是说, Gordon 增长模型中的变量估计结果应 该要求在无限长时期中有效或合适, 而 ZZ 增长模型中的变量估计结果只要求在有限长时期即大于或 等于要求回收期的时间中有效或合适即可。 由于不考虑有关变量随时间而变化, 这里的有效或合适是指估计值应该等于或接近于相应时期中 的平均值。 可以理解, 需要符合或适用的期限不同, 变量估计的难度就不相同。 Gordon 增长模型需 要适用的周期长 ( 长很多) , 因而变量估计的难度大; 而 ZZ 增长模型需要适用的周期短 ( 短很多) , 因而变量估计的难度小。 同时, 具体变量差异也导致估计难度不同。 E 的估计难度小于 D, 而 n 的估计难度也小于 k。 难 度的差异可能直接导致估计结果的质量差异, 而且无法通过努力来弥补这种差异。 比如, D 受所有影 响 E 的因素的影响, 同时还受公司分红政策的影响。 由于这个差异, E 的取值及其变化直接代表公司 的业绩或收益情况, 但 D 的取值及其变化可能并不反映公司的业绩或收益情况。 同样是增长率, ZZ 增长模型中的 g 是短期中的增长率, 而且取值不受限制; 相反, Gordon 增长模型中的 g 是无限长期中 的增长率, 而且取值要严格小于 k。 因而估计 Gordon 增长模型中的 g 要比 ZZ 增长模型中的 g 难得多。 比如, 根据年报数据, 包括股权变动调整, 过去 20 年中, 海尔每股收益年均增长率为 16% 左 右; 假定分红比率基本不变, 则股票红利增长率也是 16% 左右。 海尔作为我国知名家电公司, 其股 票基本属于我国 A 股市场的蓝筹股。 基于我国股市和美国股市的经验[9]-[12] 估计, 这类股票的合理收 益率或适用贴现率应该不超过 10% , 这意味着如果运用 Gordon 增长模型, 对于海尔未来无限长时期 中每股红利的增长率的估计值应该不超过 10% 。 时间跨度如此之大, 如何在不超过 10% 的范围内估 计出这个增长率呢? 海尔毕竟主体上算传统行业的公司, 换作高科技高增长的公司, 如果运用 Gordon 增长模型, 那 增长率的估计就更是难上加难了。 比如腾讯公司, 自从在中国香港上市以来, 16 年中收益年均增长 率大约为 45% 。 假设经过估计, 其合适贴现率为 15% , 如何估计出一个适用于未来无限长时期的增 长率, 而这个增长率又必须小于 15% 呢? 当然, 如果应用 ZZ 增长模型, 增长率的估计就简单和容易得多, 因为只考虑相对短期 ( 如 10— 20 年) 即可; 特别方便的是, 模型对增长率的取值没有限制, 超过 10% 、 20% 甚至 50% 、 100% 都 没关系, 只要符合相应公司未来增长的情况即可。 当然, 可以理解, 收益预测符合实际情况是所有模 型的共同要求, 不是该模型的特殊或额外要求。 比如, 估计海尔今后可预见时期中每股收益的平均增 长率为 10% —20% , 或者腾讯今后可预见时期中每股收益的平均增长率为 20% —50% , 代入该模型 运算都没有问题。 综上所述, ZZ 增长模型中的自变量估计难度明显小于 Gordon 增长模型。 不仅如此, ZZ 增长模型 是真正名副其实的增长模型, 因为它可以将任何增长率的取值转化为相应的股票或股权的价值。 对比 而言, Gordon 增长模型似乎名不副实; 模型似乎害怕增长, 公司增长率稍微高一点, Gordon 增长模 型就丧失计算能力, 无法应用。 应该明白, 两个模型中的常数或不变增长率 g 并不要求红利或收益稳定增长, 而是代表未来相应 时期中的平均或年均增长率。 将年均增长率改为具体逐年预测的增长率将大量增加模型中自变量的个 数。 对于 ZZ 增长模型而言, 这将增加自变量预测以及模型应用的难度; 而对于 Gordon 增长模型而 言, 则将使自变量的个数增加到无穷多, 从而也就不仅是增加难度的问题, 而是直接将模型的应用可 行性降低到零。
AI机器人在金融投资分析中的智能决策与优势
AI机器人在金融投资分析中的智能决策与优势在金融投资分析中，AI机器人的智能决策与优势随着人工智能（Artificial Intelligence，简称AI）技术的迅猛发展，AI机器人在各个领域的应用越来越广泛，其中金融投资分析领域也不例外。
AI机器人在金融投资分析中具有智能决策与优势，本文将对此进行探讨。
一、AI机器人在金融投资分析中的智能决策AI机器人在金融投资分析中的智能决策主要体现在以下几个方面：1.大数据分析：AI机器人可以根据海量的金融数据进行深度学习和数据挖掘，以获取更多的信息和模式，从而在投资决策中提供更准确的建议。
AI机器人可以迅速分析整个市场的行情变动、投资标的的变化等，提供全面而及时的信息支持。
2.模型预测：AI机器人可以用机器学习和模型算法来预测金融市场的变化趋势，以及不同投资组合的风险和收益潜力。
通过建立复杂的数学和统计模型，AI机器人能够分析历史数据，并预测未来市场的波动和趋势，帮助投资者做出更明智的决策。
3.情感分析：AI机器人可以通过自然语言处理技术，对新闻、社交媒体等大量非结构化数据进行情感分析，了解市场参与者的情绪变化，从而预测市场的走向。
情感分析可以帮助投资者更好地把握市场的情绪波动，及时调整投资策略。
4.交易执行：AI机器人可以通过自动化交易系统进行交易执行，实现全天候、高频率的交易操作。
AI机器人可以根据预设的交易规则和策略执行交易，避免了人为情绪和认知偏差所带来的错误决策，提高了交易效率和准确性。
二、AI机器人在金融投资分析中的优势AI机器人在金融投资分析中相比人工分析具有许多优势，主要包括以下几点：1.高效性：AI机器人可以快速处理大量的金融数据，并通过机器学习算法分析和预测市场变化，大大提高了分析的效率和准确性。
相比之下，人工分析需要花费更多的时间和精力，容易出现疲劳和错误。
2.客观性：AI机器人在决策过程中不受情绪和人类主观因素的影响，保持客观和冷静。
AIGC金融业务中智能资产分类的实际应用
AIGC金融业务中智能资产分类的实际应用在AIGC金融业务中，智能资产分类是一项实际应用的关键步骤。
智能资产分类是指利用人工智能技术对大规模数据进行自动化分类和标记，以提高资产管理的效率和准确性。
本文将介绍AIGC金融业务中智能资产分类的实际应用，并探讨其对金融业务的影响。
一、智能资产分类的基本原理智能资产分类借助机器学习和自然语言处理等技术，对大规模的金融数据进行分析和整理，从而自动将数据分类成不同的资产类型。
其基本原理是通过训练模型，让计算机学习和理解各种金融资产的特征和属性，然后根据这些特征和属性对新的数据进行分类。
二、智能资产分类的应用场景在AIGC金融业务中，智能资产分类被广泛应用于以下几个方面：1. 资产管理：通过智能资产分类，AIGC可以对大规模的金融资产进行准确的分类和标记，使得资产管理更加高效和精准。
例如，AIGC 可以自动将客户的投资组合中的不同金融资产分类，并对其进行风险评估和收益预测，从而帮助客户制定更合理的投资策略。
2. 风险控制：智能资产分类可以帮助AIGC对各种金融资产的风险进行准确的评估和控制。
通过对不同资产类型的历史数据进行分析，AIGC可以更好地预测市场的波动性，并相应地调整投资组合，降低投资风险。
3. 资产评估：通过智能资产分类，AIGC可以自动对各类金融资产进行估值。
利用机器学习和大数据分析技术，AIGC可以准确地估算金融资产的价值，为客户提供更可靠的资产评估报告。
三、智能资产分类的优势和挑战智能资产分类在AIGC金融业务中具有许多优势，但也面临一些挑战。
1. 优势：- 高效性：智能资产分类可以实现对大规模数据的快速分析和处理，大大提高了资产管理的效率。
- 准确性：通过利用机器学习算法，智能资产分类可以准确地对各类金融资产进行分类和标记，避免了人工分类可能存在的误差。
- 智能化：智能资产分类利用人工智能技术，可以自动学习和适应市场的变化，持续提升资产管理的智能化程度。
人工智能在资本市场分析中的应用
在资本市场分析中的应用作为一种创新技术，正在改变各个行业的发展格局。
在金融领域，尤其是资本市场分析中，的应用日益广泛，其对市场分析和投资决策的影响也越来越大。
在资本市场分析中，主要应用于数据挖掘、量化交易、风险管理和投资决策等方面。
通过深度学习、自然语言处理等技术，可以实现对海量数据的快速处理和分析，为投资者提供更为精准的投资信息和决策支持。
数据挖掘与特征工程资本市场产生大量的数据，包括股票价格、交易量、财务报表、宏观经济指标等。
可以通过数据挖掘技术，从这些数据中提取有用的信息，作为投资决策的依据。
在特征工程方面，可以通过对历史数据的分析，找出影响股票收益的关键因素，为投资决策提供支持。
量化交易量化交易是指利用数学模型和计算机算法，自动执行交易策略的一种交易方式。
在量化交易中的应用，可以提高交易效率，降低交易成本，提高投资收益。
通过机器学习算法，可以自动调整交易策略，以适应市场的变化。
风险管理在资本市场中，风险管理是非常重要的一环。
可以通过预测市场的波动和风险，帮助投资者制定合适的风险管理策略。
例如，通过时间序列分析和技术分析，可以预测股票价格的走势，从而避免投资风险。
投资决策在投资决策方面的应用，主要体现在对投资机会的识别和对投资组合的优化。
通过对市场数据的深度分析，可以识别出具有投资潜力的资产，并给出投资建议。
同时，还可以通过对投资组合的优化，实现资产配置的最优化，提高投资收益。
在资本市场分析中的应用，可以提高投资决策的准确性和效率，降低投资风险，提高投资收益。
随着技术的不断发展，其在资本市场分析中的应用将更加广泛，对资本市场的影响也将更加深远。
以上内容为左右。
后续内容将深入探讨在资本市场分析中的应用案例、技术挑战和发展趋势等方面。
应用案例分析以在股票交易中的具体应用为例，一家知名投资公司利用深度学习算法分析历史交易数据，构建了一个能够自动执行交易策略的系统。
该系统通过对市场数据的实时分析，能够快速做出投资决策，并在短时间内完成大量交易。
AI机器人在智能投资中的应用与回报率
AI机器人在智能投资中的应用与回报率随着人工智能（AI）技术的不断发展，AI机器人在各个领域的应用日趋广泛，智能投资便是其中之一。
AI机器人通过大数据分析、机器学习和算法优化等手段，为投资者提供智能化的投资建议和决策，使投资者能够更科学、准确地进行投资。
本文将分析AI机器人在智能投资中的应用，并探讨其回报率。
一、AI机器人的应用1. 大数据分析AI机器人能够快速、准确的处理和分析大量的金融数据。
通过对市场数据、财务数据以及行业趋势等深入的分析，AI机器人能够抓住投资机会，预测市场趋势，并选取最佳的投资策略。
2. 机器学习AI机器人通过机器学习技术，能够根据历史数据和市场变动不断学习，并优化自身的投资策略。
它可以识别和利用隐藏的投资模式，不断调整投资组合，以求在投资过程中获得最优的回报。
3. 自动化交易AI机器人可以自动进行交易并执行投资决策。
通过与交易平台的对接，AI机器人能够根据预设的投资策略自动进行买入、卖出等操作，避免了人为情绪和错误判断对投资决策的干扰，提高了交易的效率和准确性。
二、AI机器人的回报率1. 准确性和效率相比传统的人工投资，AI机器人在投资决策方面具有更高的准确性和效率。
从历史数据中，AI机器人可以快速分析和学习到投资的模式和趋势，并能够根据市场变动进行及时调整和优化，因此能够更准确地判断市场机会和风险。
同时，由于AI机器人可以自动执行交易，无需等待人为操作，大大提高了交易的效率。
2. 风险控制AI机器人在投资中能够更有效地控制风险。
由于AI机器人可以根据大量数据进行全面分析和评估，它能够更全面地了解和把握市场的风险。
并且，AI机器人可以根据不同的风险偏好和投资目标进行个性化的投资方案，从而更好地控制风险和提高回报。
3. 投资回报率AI机器人的应用可以提高投资的回报率。
由于AI机器人能够根据全面的数据分析和机器学习，选择最佳的投资策略和投资组合，因此能够更好地抓住投资机会，并优化投资回报。
人工智能投资
人工智能投资在当今科技快速发展的时代，人工智能（Artificial Intelligence，简称AI）成为了投资领域的热门话题。
随着各类人工智能技术的应用和突破，越来越多的投资者开始将目光投向这个领域。
本文将探讨人工智能投资的意义、机会与挑战，以及未来的发展趋势。
一、人工智能投资的意义人工智能作为一项颠覆性的技术，正在各个行业带来深远的影响。
在投资领域，人工智能的应用为投资者提供了更多机会和优势。
首先，人工智能可以提供更加准确的数据分析和预测能力。
通过深度学习算法和大数据技术，人工智能可以快速处理庞大的数据量，并从中提取出有价值的信息。
对于投资者来说，准确的数据分析和预测能力可以帮助他们做出更明智的投资决策，提高投资的成功率。
其次，人工智能可以有效降低投资风险。
在传统投资中，风险控制是一个非常重要的因素。
而人工智能可以通过数据建模和风险评估等技术手段，对投资项目进行风险预测和管理。
这使得投资者能够更好地了解投资的风险情况，并采取相应的措施来降低损失。
最后，人工智能还可以拓展投资的领域和方式。
传统的投资方式往往依赖于投资经验和人脉资源，而人工智能可以通过自动化交易和智能投资平台等方式，将投资机会从传统领域延伸到更多的新兴行业和领域，同时也使得个人投资者能够更加方便地进行投资操作。
二、人工智能投资的机会人工智能投资的机会来自于人工智能技术的广泛应用以及相关产业的发展。
以下几个领域是当前人工智能投资的热点。
1. 机器人技术：随着机器人技术的进步和成本的下降，机器人在制造、物流、医疗等行业的应用越来越广泛。
投资者可以选择机器人制造商、相关配套服务供应商以及机器人应用的龙头企业进行投资。
2. 无人驾驶：无人驾驶技术是人工智能领域的重要应用之一。
投资者可以关注无人驾驶技术提供商、自动驾驶汽车制造商以及相关的地图和传感器技术企业。
3. 金融科技：人工智能在金融领域的应用逐渐增加，包括智能风控、自动化交易和大数据分析等。
智能金融顾问AI为投资者提供智能化建议
智能金融顾问AI为投资者提供智能化建议随着科技的快速发展和人工智能技术的涌现，智能金融顾问AI （Artificial Intelligence）正逐渐成为投资者的新选择。
智能金融顾问AI利用先进的算法和大数据分析能力，为投资者提供个性化、智能化的投资建议。
本文将从智能金融顾问AI的定义、原理、特点以及在投资领域的应用等方面进行阐述。
一、智能金融顾问AI的定义与原理智能金融顾问AI是一种基于人工智能技术的智能化金融服务工具。
它使用深度学习、机器学习等技术，通过大数据分析和算法模型训练，能够理解投资者的需求、评估市场风险、分析投资项目等，从而为投资者提供合理、准确的投资建议。
智能金融顾问AI的原理基于大规模数据分析和模型训练。
通过对历史市场数据、经济指标、公司财务信息等进行深度学习和机器学习，智能金融顾问AI能够具备一定的预测能力和决策能力。
它可以识别市场趋势，预测市场变动，并根据投资者的风险偏好和资本状况，提供相应的投资建议。
二、智能金融顾问AI的特点1. 个性化服务：智能金融顾问AI能够根据投资者的风险偏好、投资目标和资本状况，为其量身定制个性化的投资策略和建议。
2. 实时监测：智能金融顾问AI可以实时监测市场动态、经济指标和公司财务状况等，及时调整投资建议，帮助投资者捕捉市场机会。
3. 数据驱动：智能金融顾问AI基于大数据分析，能够对海量的金融数据进行快速而准确的分析，提供科学的投资建议。
4. 无情感干扰：智能金融顾问AI不受情绪和个人偏见的影响，始终保持客观、冷静的态度，更有利于投资决策的科学性。
5. 高效率：智能金融顾问AI可以实现自动化、快速的投资决策过程，节省了时间和人力成本。
三、智能金融顾问AI在投资领域的应用1. 资产配置：智能金融顾问AI可以根据投资者的风险承受能力、资本规模和投资目标，提供最优的资产配置方案，帮助投资者降低风险，提高收益。
2. 技术分析：智能金融顾问AI利用大数据分析、机器学习等技术，能够识别市场趋势，预测价格变动，为投资者提供技术分析的指导。
人工智能技术在投资理财中的应用案例
人工智能技术在投资理财中的应用案例随着科技的飞速发展，人工智能（AI）技术已经悄然渗透到我们生活的方方面面。
其中，投资理财领域也不例外。
虽然人工智能在投资理财中的应用还处于初级阶段，但是已经有不少成功的案例值得我们学习和借鉴。
一、基于人工智能的量化投资量化投资是指将金融市场的历史数据转化成数学模型，通过对模型的分析和计算，制定出投资策略。
而人工智能技术的深度学习、自然语言处理等方面的进步为量化投资提供了更加精准的数据处理工具，从而使得这一领域成为人工智能应用的核心领域之一。
智能选股是量化投资的一种典型应用。
在智能选股中，大量的公司财报、行业数据、媒体报道和股市交易数据被收集、处理和分析，以制定更加精细和有针对性的选股策略。
目前国内外已有不少智能选股的公司和平台，例如Quantopian、麦达数字和威廉·欧文斯公司等。
其中，Quantopian是一家美国的量化交易平台，通过提供一系列量化投资工具和策略，并利用人工智能技术，帮助投资者在金融市场上获得更好的投资回报。
二、智能投顾智能投顾是指利用人工智能技术对客户的投资需求进行自动化分析、选择和管理，以及制定个性化的投资策略。
智能投顾与传统的投顾服务相比，不仅提供了更加灵活和高效的服务方式，还可以更加精准地满足不同客户的投资需求。
智能投顾公司往往通过整合分散的金融市场信息和客户个人数据，利用人工智能技术对数据进行分析和模拟，以确定出最优的投资组合和优化方案。
通过智能投顾，投资者可以获得更加高效、稳健和个性化的投资管理服务。
目前国内外已有不少智能投顾公司和平台，例如Betterment、Wealthfront、WiseBanyan、MaxMyInterest和有米投等。
其中，Betterment是一家美国的互联网金融公司，通过整合多种金融产品和服务，并利用人工智能技术，为客户提供了高效、便捷、透明和安全的投资服务。
三、智能风控智能风控是指通过人工智能技术对金融市场的风险因素进行分析和预测，以制定更加全面和有针对性的风险管理策略。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
栏目编辑：叶纯青 E-mail:yecq66@
2018年·第3期
12
ValueGo估值机器人：大数据时代
给投资者赋能的金融科技
■ 中山大学管理学院财务与投资系 陈玉罡 刘 彧
一、价值投资的基本理念
价值投资理念认为投资公司获取的收益来源于公司增长所创造的价值。
价值投资理念的核心在于价值。
到底什么是价值？价值与什么有关？
笔者认为，价值投资的三大要点是好公司、低估值以及安全边际，其中包含3个关键问题。
一是如何识别好公司。
可以从五大方面初步判断一家公司的好坏，分别是产品、管理、增长、产业链地位、是否依赖资本支出。
产品可通过毛利率来识别，管理通过管理费用和销售费用占毛利的比重来识别，增长通过与同行对比来识别，产业链地位通过应收账款占营业收入的比重来识别，是否依赖资本支出通过资本支出占净
作者简介：
陈玉罡（1976-），男，湖南湘潭人，中山大学管理学院财务与投资系教授。
刘 彧（1995-），女，山东青岛人，中山大学管理学院博士生。
基金项目：
本文受中山大学重大项目和前沿新兴交叉学科培育资助计划（17wkjz03）资助。
利润的比重来识别。
二是如何判断一家公司是否被低估。
笔者运用剩余收益模型来计算上市公司的内在价值，通过比较股价与内在价值的差异来判断该公司是否被低估。
三是什么是安全边际。
可根据公司的增长率和资本成本进行估值的敏感性分析，当增长率最低、资本成本最高时计算出的估值是最保守的估值。
安全边际即股价比最保守的估值还低30%，此时进行投资会具有较高的安全边际（即亏损概率较小）。
二、剩余收益模型的核心思想
剩余收益是指公司的净利润与股东所要求的报酬之差。
当企业赚取的净利润超过股东要求的报酬
摘 要：
随着大数据、人工智能和云计算的发展，科技正以前所未有的速度切入到金融领域，包括支付、结算、融资、投资等各个环节。
许多原本依赖于高学历人群完成的工作，也逐渐被更高层面的金融科技所替代。
ValueGo的诞生，将巴菲特的价值投资理念变成了金融科技产品，颠覆了传统的“看K线炒股”的模式，帮助投资者识别上市公司的优劣势和计算公司的内在价值，树立正确的价值投资理念。
关键词：
金融科技；估值机器人；价值投资
栏目编辑：叶纯青 E-mail:yecq66@
2018年·第3期
13
时，企业能获得正的剩余收益。
Penman （2010）提出的剩余收益模型的数学模型为：
其中，RE 是剩余收益，Earnings t 是第t 期公司获得的净利润，r E 是股东要求的回报率，B t -1是期初账面价值。
ROCE t 是给股东的实际回报率。
剩余收益为ROCE t 超出要求的回报率r E 的部分乘以期初账面价值B t -1。
r E 可以利用资本资产定价模型确定。
其中，r f 为无风险利率，r M 为市场收益率。
如果一个公司能持续创造正的剩余收益，即能持续获得超过股东要求的报酬的实际收益，那么这个公司的价值将会持续增长。
因此可以用剩余收益对公司估值，数学模型如下：
内在价值=当前账面价值+剩余收益总现值+持续收益现值。
其中，B 0为当前账面价值，RE j 为j 期的剩余收益（j =1,2,3,...,T ），r E 为贴现因子，V T E 为预期第T 期的内在价值，B T 为第T 期的账面价值。
三、ValueGo解决的问题
如果靠人来计算公司估值的话，每个公司至少需要花50小时/人来计算，研究完2 500家公司的信息约需要12.5万小时，约合34年×300天×12小时。
能达到这种能力的人（实际上不存在这种人）每小时薪酬假设为500元，则雇佣这个人需要花6 250万元，且只能研究一次。
ValueGo估值机器人的诞生，将12.5万小时的研究时间缩短为18小时，从而为金融机构节省上千万元的
人力成本。
随着网络和信息技术的不断普及，人类产生的数据量正呈指数级增长，而云计算的诞生，更是直接把人类送入了大数据时代。
大数据作为时下最时髦的词汇，开始向各行业渗透辐射，颠覆着众多行业的管理和运营思维。
在这一大背景下，大数据也触动着金融行业千万参与者的神经，借助大数据为投资理财服务正是ValueGo面临的挑战，也正是它的未来。
未来，ValueGo将基于大数据、云计算和机器学习在以下领域深耕。
一是基于大数据对事件关联性和产业关联性进行分析，比如雄安事件对什么公司的价值会产生影响。
二是基于大数据来预测公司财务状况，
如能否通过大数据在上市公司发布季报数据前就能预测到该上市公司的业绩。
三是基于大数据来评估互联网企业的价值，传统财务估值模型无法评估互联网企业的价值，需要用大数据来建立对互联网企业的评估模型。
四是基于人工智能和机器学习来动态调整资产配置权重，比如购买5支股票做投资组合，究竟是将资金平均投在5支股票上，还是某支投多一点，某支投少一点，这个问题也可以通过机器学习的方式来解决。
五是基于人工智能和机器学习来自动优化模型参数，比如在计算估值时会用到各种参数，这些参数的选取目前靠的是“一半是科学、一半是艺术”的思维，但用人工智能和机器学习可以将“艺术”也变成“科学”。
四、ValueGo的应用效果
利用ValueGo的核心思想，笔者发现2017年被低估的优质标的，从“老板电器”“格力电器”“华夏幸福”到“晨鸣纸业”“中国平安”“牧原股份”“双汇发展”再到“万华化学”“沧州大化”“广宇发展”“美尚生态”等，ValueGo都在一次又一次地展现出巨大的价值。
笔者也基于ValueGo做了相关策略：选取被低估200%的股票，等分买入，单支股票持有5年或收益达到200%则卖出。
对此策略进行回溯，回溯结果如图1所
RE = Earnings t -r E ×B t -1=（ROCE t -r E ）×B t -1
r E = r f +β×（r M -r f ）
ROCE t = Earnings t /B t -1
V 0 = B 0+RE 1RE 2RE T V T E -B T
1+r E （1+r E ）2（1+r E ）
T （1+r E ）T ++++...
栏目编辑：叶纯青 E-mail:yecq66@
2018年·第3期
14
示。
从2011年到2017年，基于ValueGo的策略累计获利200%，年化收益率17%，且收益率曲线比较平稳，见表1所列。
图1 利用ValueGo构建的投资策略的回溯效果
两个痛点，帮助投资者运用价值投资的工具、理念和方法进行投资，成为大数据时代为投资者赋能的金融科技。
FTT
参考文献：
[1]Sharpe W. F.. Capital Asset Prices: A Theory of Market Equilibrium Under Conditions of Risk[J]. Journal of Finance，1964，19(3):425-442.
[2]Damodaran A.. The Dark Side of Valuation[M]. FT Press，2001.
[3]Damodaran A.. Damodaran on Valuation：Security Analysis for Investment and Corporate Finance[J]. Journal of Finance，2006(2):751-754.
[4]Penman S. H.. Financial Statement Analysis
and Security Valuation[M]. Osborne McGraw-Hill，2010.
[5]Penman S .H.. Valuation: The State of the Art [J]. Schmalenbach Business Review，2016(1):3-23.
[6]陈玉罡，孙晶，张杨，等. 并购与估值：精选案例分析[M]. 大连：东北财经大学出版社，2017.
表1 ValueGo发现的优质标的最大涨幅率
优质标的
最大涨幅率
老板电器91.47%格力电器116.49%华夏幸福103.87%晨鸣纸业83.56%中国平安133.66%牧原股份124.63%双汇发展46.14%万华化学78.98%沧州大化179.48%广宇发展123.24%美尚生态
33.03%
五、结语
在大数据时代，金融科技的发展为高效识别公司的价值驱动力创造了可能。
大多数的股票投资者无法判断所投资的公司是不是一家好公司，以及这家公司的价值。
ValueGo的诞生，解决了投资者的上述。