7月12日，第四届·中国量化投资白皮书研讨会暨园游会举办，倍漾量化创始人冯霁出席会议，并发 表"大模型时代的量化投资"主题演讲。 专题：第四届·中国量化投资白皮书研讨会暨园游会 他表示，今天面向同行就说点"干货"。倍漾量化主打高换手，成立第一天就用"AI 原生"思路做资管 ——像搭 AI 科技公司那样搭投研系统。当年大家质疑"机器学习能炒股吗？"现在已无人再问。 先补一点理论，机器学习的核心只有一句话：在训练集上学到的函数，如何在没见过的数据上依旧有 效？这就是泛化。80 年代图灵奖得主 Valiant 给出的 PAC 学习框架把它形式化：只要算法能以大概率保 证误差有界，我们就敢把模型搬到实盘。 那金融市场能不能学？ 市场非有效，除当前价格外还有信息可被利用； 时序分布会漂移，但高频数据 漂移最慢——分钟级、tick 级几乎满足独立同分布；样本量极大：沪深交易所一天 3 亿笔，千日就是 3，000 亿点。冯霁指出：在高频领域，机器学习不仅可学，而且只会"欠拟合"，不会"过拟合"。 责任编辑：石秀珍 SF183 再说"黑盒不可交易"的误解。可解释有两条路：用白盒逼近黑盒，再把可解释部分全部扣掉，剩下的才 是真 ...

有消息称，Meta此次从苹果挖角庞若鸣，主要是为其新设立的"超级智能实验室"壮大研发团队 AI转型意味着大量的传统IT工作者将被取代。摄/金焱 微软的大规模裁员并全力转向AI领域的做法并非孤例，而是当前全球科技界的缩影。当AI技术及应用呈爆发式增长之际，全球几乎所有大型科技企业都 在调整人力结构，旨在降低开支并将资源倾向于AI。自2023年以来，亚马逊累计削减了2.7万个岗位，多个传统岗位已全面实现AI化。与此同时，谷歌、 Meta 和 IBM 等科技公司，也在2024年不同程度地进行了裁员，且不乏"AI岗位取代传统岗位"的案例，包括Meta正在用自研大语言模型提升内容审核效 率，减少人工审核团队的规模。 在谷歌任工作首席软件工程师超过15年后，2021年，庞若鸣加盟苹果，后升任基础模型团队（AFM）负责人，领导约100名工程师推进多模态大语言模型 的研发，打造支持苹果AI和下一代Siri的大模型，并负责包括Genmoji和邮件摘要等Apple Intelligence核心功能。在苹果期间，他的主要工作涉及了大模型 全流程开发，包括预训练架构设计、后训练调优及推理效能提升，以及多模态能力构建，即开发同时理解与 ...

中金公司 景气跃迁：量化视角下的盈利预测与"预期差" 挖掘 20250710 摘要 量化景气投资侧重广度，通过预测股票利润增长排名而非具体数值，以 实现投资收益。理想化测试表明，准确预测 ROE 变化并持仓排名靠前的 股票能带来超额收益，验证了该方法的可行性。 基于财务信息，当期业绩高增长的股票有较高概率延续高增长，但存在 业绩变脸风险。通过引入加速度概念，即增速的变化，可以优化模型， 提高预测准确性并降低风险。 二次趋势外推模型通过考虑利润增速和加速度，在预测胜率（72%）和 假阳性率（13%）方面均优于线性外推和分析师一致预期，显著改善了 盈利预测效果。 "成长趋势共振选股策略"结合优化后的盈利预测模型、分析师预期、估 值和现金流等因子，选取约 30 支股票，自 2009 年回测以来表现优异， 并在样本外跟踪中持续实现超额收益。 引入机器学习方法，特别是 XGBoost 和 LightGBM 等树模型，能处理 更多维度数据并捕捉非线性关系，显著提升盈利预测的准确性，胜率可 达 85%，假阳性率降至 4.7%。 Q&A 景气型投资的传统思路是什么？ 景气型投资是一种主流的机构化投资思路，传统上更多依赖于基本 ...

Quantitative Models and Construction Methods 1. Model Name: IPCA Factor Model - **Model Construction Idea**: The IPCA factor model is designed to explain the returns of 46 option strategies, aiming to capture 80% of their returns while minimizing abnormal monthly returns to near zero[22] - **Model Construction Process**: The model integrates factors such as transaction costs and heterogeneous risk aversion to optimize derivative pricing. It also addresses the absence of reliable credit or liquidity premiums in pre-WWI corporate bond returns[25] - **Model Evaluation**: The model demonstrates strong explanatory power for option strategy returns and highlights the role of transaction costs in driving return volatility[22][25] 2. Model Name: Neural Functionally Generated Portfolios (NFGP) - **Model Construction Idea**: NFGP combines Transformer and diffusion models to enhance probabilistic time-series forecasting accuracy and improve decision reliability[35] - **Model Construction Process**: The model reduces forecasting errors by 42% compared to benchmarks and introduces dual uncertainty indicators to optimize portfolio decisions[35] - **Model Evaluation**: The model outperforms traditional approaches in terms of predictive accuracy and robustness in decision-making[35] --- Model Backtesting Results 1. IPCA Factor Model - **Explanatory Power**: 80% of option strategy returns explained[22] - **Abnormal Monthly Returns**: Approaching zero[22] 2. Neural Functionally Generated Portfolios (NFGP) - **Forecasting Error Reduction**: 42% compared to benchmarks[35] --- Quantitative Factors and Construction Methods 1. Factor Name: "Betting Against (Bad) Beta" (BABB) - **Factor Construction Idea**: The BABB factor improves the "Betting Against Beta" (BAB) strategy by managing transaction costs and isolating bad beta components[15] - **Factor Construction Process**: The factor is constructed using double sorting to isolate bad beta components. It achieves an annualized alpha exceeding 6%, independent of traditional sentiment indicators[15] - **Factor Evaluation**: The factor demonstrates strong performance in low-risk investment strategies, with significant alpha generation[15] 2. Factor Name: High-Speed Rail Network Centrality - **Factor Construction Idea**: This factor captures the impact of high-speed rail network centrality on corporate bond spreads by improving the information environment and regional trust[25] - **Factor Construction Process**: The factor is derived from the centrality of high-speed rail networks, showing a significant reduction in corporate bond spreads, particularly for non-state-owned enterprises and non-central cities[25] - **Factor Evaluation**: The factor effectively highlights the role of infrastructure in reducing financing costs and improving capital allocation efficiency[25] 3. Factor Name: Residual-Based Structural Change Detection - **Factor Construction Idea**: This factor robustly detects structural changes in factor models, accommodating over-specified factor numbers and error correlations[17] - **Factor Construction Process**: The factor employs residual-based tests to identify smooth or abrupt structural changes in factor models, enhancing robustness in model evaluation[17] - **Factor Evaluation**: The factor is highly effective in detecting structural changes and improving the robustness of factor model evaluations[17] --- Factor Backtesting Results 1. "Betting Against (Bad) Beta" (BABB) - **Annualized Alpha**: >6%[15] 2. High-Speed Rail Network Centrality - **Corporate Bond Spread Reduction**: Significant, especially for non-state-owned enterprises and non-central cities[25] 3. Residual-Based Structural Change Detection - **Robustness**: Effective in detecting both smooth and abrupt structural changes[17]

商业智能和商业分析如此相似却又如此不同。这篇文章探讨了它们之间的区别以及如何互补 。 商业分析 (BA) 和商业智能 (BI) 之间有区别吗？有。否则，我根本不会花超过 3000 字写 这篇 文章，因为我可以毫不犹豫地说：没有！ 说实话，有些人会把商业分析和商业智能混用。商业分析和商业智能在组织中服务于不同的目的。在本文中，我将探讨它们 的区别以及它们各自的目标、组件和工具。最后，我将讨论这些差异如何相互补充，并共同实现相同的目标。 一 商业分析与商业智能：定义 BA 和 BI 的目标概览如下图所示。 我现在将更详细地介绍每个目标。 1.商业分析目标 业务分析师收集并分析历史和当前数据，以预测未来趋势。它植根于统计学，其目标是识别数据中的模式，预测未来趋势， 并支持能够预测这些趋势的业务决策。 BI 分析师还会分析历史和当前数据，以帮助开展当前的业务运营。他们通过报告过去和当前的绩效指标来实现这一点。 商业分析与商业智能：目标 专注于预测未来趋势 商业分析主要具有前瞻性。它确实使用历史数据和实时数据，但其目的在于预测未来趋势和结果。这主要通过运用预测性数 据分析，有时甚至是规范性数据分析来实现。 趋势可以指组 ...

撰文丨王聪 编辑丨王多鱼 排版丨水成文 人类大脑海马体中是否存在成年神经发生，是神经科学领域最具争议的问题之一。 大多数关于人类海马体神经发生的研究，都评估了从神经干细胞 （NSC） ，经过中间神经祖细胞 （INP） 和神经母细胞 ，到新生神经元 （NB） 的 不同 阶段 的 神经发生相关蛋白的存在。多项研究报道了人类海马体齿状回中神经祖细胞相关标志物的免疫组化证据贯穿一生，而其他一些研究则报告称在儿童期之后这些 标志物不存在，因此 对人类成年期的海马神经发生是否真实存在产生了质疑 。方法学上的差异可能是导致这些相互矛盾的结果的原因，而且尽管这些标志物在其 他物种中得到了验证，但它们是否能可靠地识别人类神经祖细胞，仍不得而知。 2025 年 7 月 3 日，瑞典卡罗林斯 卡学院 Jonas Frisen 团队 在 国际顶尖学术期刊 Science 上发表了题为： Identification of proliferating neural progenitors in the adult human hippocampus 的研究论文。 这项研究提供了令人信服的新证据，表明了 人类大脑 记忆中心 海马体 中的 ...

美国加利福尼亚大学洛杉矶分校等机构的研究人员近日在英国《E生物医学》杂志上发表论文说，他们 借助动态时间规整、机器学习的聚类算法等先进算法，分析了加利福尼亚大学健康数据库中近2.5万名 阿尔茨海默病患者的电子健康记录，结果发现，阿尔茨海默病的发生并非偶然，而是有着一定的疾病发 展轨迹。(智通财经) ...

"我们的目标就是培育好吃、好看、好种的梨，让消费者吃得甜、果农种得顺、市场季季鲜。"中国 工程院院士、南京农业大学梨工程技术研究中心主任张绍铃表示。 原标题：南农大梨新品种家族集体"出道" "特别清甜！"6月28日，在南京农业大学梨工程技术研究中心的梨新品种推荐交流会上，"宁梨早 露"等一批新品种收获了专家和种植企业的点赞。这场交流中，与会专家代表、主管部门、合作地市、 种植户与市场代表以梨为媒共话发展，为江苏乃至全国梨产业递上一份"甜美的答卷"。 "这是一场与时间的赛跑。果树生长周期长，从杂交授粉到育成品种，传统做法需要12至15年的时 间。"齐开杰介绍，为了跑出育种"加速度"，科研团队将图像识别、机器学习技术应用于梨表型性状评 价，同时创新应用系列梨杂交实生苗栽培管理技术，针对田间评价数据回溯难及统计分析工作量艰巨等 问题，开发了"云上后稷"育种信息新平台，规范田间评价数据采集，有效提高了梨新种质的创制效率。 "以'宁梨早露'为例，通过我们的育种技术升级，以杂交育种结合芽变、诱变育种，分子标记筛选 结合表型评价，成功为新品种培育提速增效。"齐开杰说。 南京农业大学梨创新团队成员、园艺学院副院长陶书田介绍， ...

2025 年 07 月 07 日 证券研究报告 | 公募基金周报 ETF 策略指数跟踪周报 2025/7/7 分析师：卫以诺 分析师登记编码：S0890518120001 电话：021-20321014 邮箱：weiyinuo@cnhbstock.com 分析师登记编码：S0890522110001 电话：021-20321297 邮箱：chengbingzhe@cnhbstock.com 021-20515355 募 基 金 泛 固 收 指 数 跟 踪 周 报 （2025.06.23-2025.06.27）》2025-06-30 2、《指数冲高下的板块轮动，银行调整和 科技复苏—公募基金权益指数跟踪周报 （2025.06.23-2025.06.27）》2025-06-30 3、《ETF策略指数跟踪周报—2025/6/30》 2025-06-30 或具短期动力—公募基金量化遴选类策 略 指 数 跟 踪 周 报 （ 2025.06.22 ）》 2025-06-24 5、《大类资产风偏下行，债市回暖趋势显 著 — 公 募 基 金 泛 固 收 指 数 跟 踪 周 报 （2025.06.16-2025.06.20）》 ...

微云全息(NASDAQ:HOLO)的分层资源调度方案的成功研发和应用，不仅为车联网系统的发展开辟了新 的道路，也为整个行业树立了新的标杆。通过引入区块链等先进技术，可以有效解决传统集中式架构的 痛点问题，提高系统的性能和稳定性。 方案通过动态分配计算资源、优化系统架构和算法设计等方式，显著提高了区块链IoV系统的性能和稳 定性： 分层资源调度机制：将系统资源分为多个层次，并根据不同层次的需求进行动态调度和管理。通过这种 方式，系统能够充分利用有限的资源，实现高效的数据交换和身份管理。 在数字化浪潮席卷全球的今天，先进的信息和通信技术正以前所未有的速度改变着世界。车联网(IoV) 作为智能交通系统的重要组成部分，其数据交换需求呈现出爆炸式增长。然而，传统的集中式云架构在 面对如此巨大的挑战时显得力不从心，不仅难以满足实时数据交换的需求，还因其单点故障的风险和依 赖可信第三方(TTP)的身份管理方式而饱受诟病。微云全息(NASDAQ:HOLO)提出了一个针对区块链IoV 系统的革命性解决方案——分层资源调度方案。这一方案不仅解决了传统集中式架构的痛点，还为车联 网系统的发展开辟了新的道路。 传统的IoV系统依赖于 ...