4月9日,螞蟻金融服務(wù)集團(tuán)(簡稱“螞蟻金服”)、博時(shí)基金管理有限公司、恒生聚源及中證指數(shù)共同發(fā)布了全球第一個(gè)電商大數(shù)據(jù)指數(shù)——中證淘金大數(shù)據(jù)100指數(shù)(簡稱“淘金100”)。
與其他的傳統(tǒng)指數(shù)不同,淘金100指數(shù)是博時(shí)基金依托螞蟻金服大數(shù)據(jù)平臺產(chǎn)生的行業(yè)景氣指數(shù),結(jié)合財(cái)務(wù)數(shù)據(jù)與市場行情,在股市選取100支股票形成投資組合,而后計(jì)算出指數(shù)。這也是螞蟻金服旗下金融信息服務(wù)平臺與外部基金公司合作的全球首個(gè)電商大數(shù)據(jù)指數(shù)產(chǎn)品。
金融信息服務(wù)平臺,在螞蟻金服內(nèi)部也被稱為“維他命”,是一個(gè)面向金融行業(yè)的統(tǒng)一開放平臺和數(shù)據(jù)共創(chuàng)平臺。
這個(gè)平臺上,匯集了線上線下海量的交易數(shù)據(jù)。通過對這些數(shù)據(jù)的脫敏、加工,再與行業(yè)業(yè)績、財(cái)務(wù)表現(xiàn)等數(shù)據(jù)結(jié)合,可以形成供需、價(jià)格和成長活力等行業(yè)指標(biāo),最終綜合成為行業(yè)景氣指數(shù)。這個(gè)行業(yè)景氣指數(shù)能夠及時(shí)反映甚至預(yù)測不同行業(yè)的狀況與前景。比如,通過分析電商平臺上服裝紡織、醫(yī)療保健、飲料行業(yè)的供需、成長和價(jià)格指數(shù)的變化,相關(guān)行業(yè)板塊的股票價(jià)格與其走勢曲線基本保持一致。
據(jù)螞蟻金服產(chǎn)品經(jīng)理沈洲介紹,目前“維他命”平臺的行業(yè)景氣指數(shù),可以覆蓋35個(gè)中證三級行業(yè),超過1700支股票,覆蓋約70%的上市公司。
基金公司可以將這一行業(yè)景氣指數(shù)作為投資選股的重要參考,與綜合財(cái)務(wù)因子、市場驅(qū)動(dòng)因子等因素一起,構(gòu)成量化投資的選股模型。
博時(shí)基金副總裁王德英表示,淘金100指數(shù)基于海量的互聯(lián)網(wǎng)電商交易大數(shù)據(jù),來預(yù)期一個(gè)行業(yè)未來盈利狀況,預(yù)判一個(gè)行業(yè)繁榮程度,衡量整個(gè)中國消費(fèi)力的景氣走勢,具有較高的投資價(jià)值。
據(jù)了解,與淘金100指數(shù)掛鉤的基金產(chǎn)品,已經(jīng)在審批之中,一支保本基金和一支指數(shù)基金預(yù)計(jì)在近期推向市場。指數(shù)基金的投資會與淘金100的成份股對應(yīng),并采用等權(quán)重方式。屆時(shí),投資者可以通過招財(cái)寶和淘寶理財(cái)平臺購買。
淘金100數(shù)據(jù)顯示,從2009年12月31日的基日計(jì)算,淘金100五年的收益率超過572%;2014年全年的收益率超過116%;2015年第一季度的收益率超過41%。據(jù)測算,2009年至2014年,淘金100的年化收益率約為54%,遠(yuǎn)超同期的上證綜指、滬深300等大盤走勢。
好文章,需要你的鼓勵(lì)
新加坡國立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。