&p&谢学弟邀:) &b&既然已经身在工业界，那么我就谈谈工业界未来几年需要什么样的机器学习人才。不谈学术界主要还是因为大部分人最终不会从事研究，而会奋斗在应用领域&/b&。相较而言，工业界对人才的需求更加保守，这和学术界不同。这受限于很多客观因素，如硬件运算能力、数据安全、算法稳定性、人力成本开支等。&/p&&p&&b&这个答案可能更适合两类人: 1. 在读的学生朋友 2. 工作不久想要转行机器学习的朋友&/b&。特别厉害的技术大牛建议探索适合自己的路线，而我只能谈一谈适合大部分人的路线。但在回答前，我还是忍不住吐槽一下那种简单回答“深度学习”，“大数据”，“NLP”，“机器视觉”的人。这每一个领域的小方向都多如牛毛，以自然语言处理(NLP)为例，细分有自然语言生成、自然语言理解，还有不同语言的语言模型。任何一个方向花几十年研究也不为过，只给出几个字的答案和买彩票有什么区别...&/p&&p&&b&因此大部分机器学习实践者还是该脚踏实地。盲目追逐热点很容易跌进陷阱，而巩固基础、寻找自己擅长的领域和机器学习交叉点可以帮助你在未来的就业市场变得炙手可热，成为工业界最紧缺的人才。&/b&&/p&&h2&&b&0. 背景&/b&&/h2&&p&&b&工业界未来需要什么样的机器学习人才？老生常谈，能将模型应用于专业领域的人，也就是跨领域让机器学习落地的人&/b&。有人会问现在我们不就需要这样的人吗？答案是肯定的，我们需要并将长期需要这样的人才，现阶段的机器学习落地还存在各种各样的困难。&b&这样的需求不会是昙花一现，这就跟web开发是一个道理，从火热到降温也经过了十年的周期。一个领域的发展有特定的周期，机器学习的门槛比web开发高而且正属于朝阳期，所以大家致力于成为“专精特定领域”的机器学习专家不会过时。&/b&&/p&&p&什么是特定领域的机器学习专家？举个例子，我以前曾回答“人工智能是否会替代财务工作者”时提到我曾在某个公司研究如何用机器学习自动化一部分审计工作，但遇到的最大困难是我自己对审计的了解有限，而其他审计师对我的工作不是非常支持导致进展缓慢。&b&所以如果你有足够的机器学习知识，并对特定领域有良好的理解，在职场供求中你肯定可以站在优势的那一边&/b&。以我的另一个回答为例「&a href=&/question//answer/& class=&internal&&阿萨姆：反欺诈(Fraud Detection)中所用到的机器学习模型有哪些？」&/a&，特定领域的知识帮助我们更好的解释机器学习模型的结果，得到老板和客户的认可，这才是算法落了地。&b&能写代码、构建模型的人千千万，但理解自己在做什么，并从中结合自己的领域知识提供商业价值的人少之又少。&/b&所以调侃一句，哪个方向的机器学习人才最紧缺？答：每个领域都需要专精的机器学习人才，你对特定领域的理解就是你的武器。&/p&&p&当然，给喂鸡汤不给勺很不厚道，所以我也会给出一些具体建议。&b&再次申明，我的建议仅给以就业为目的的朋友，走研究路线我有不同的建议，本文不再赘述。&/b&&/p&&h2&&b&1. 基本功&/b&&/h2&&p&说到底机器学习还是需要一定的专业知识，这可以通过学校学习或者自学完成。&b&但有没有必要通晓数学，擅长优化呢？我的看法是不需要的，大前提是需要了解基本的数学统计知识即可&/b&，更多的讨论可以看我这个答案「&a href=&/question//answer/& class=&internal&&阿萨姆：如何看待「机器学习不需要数学，很多算法封装好了，调个包就行」这种说法？」&/a&。最低程度下我建议掌握五个小方向，对于现在和未来几年内的工业界够用了。&b&再一次重申，我对于算法的看法是大部分人不要造轮子，不要造轮子，不要造轮子！只要理解自己在做什么，知道选择什么模型，直接调用API和现成的工具包就好了。&/b&&/p&&ul&&li&&b&回归模型(Regression)&/b&。学校的课程中其实讲得更多的都是分类，但事实上回归才是工业届最常见的模型。比如产品定价或者预测产品的销量都需要回归模型。现阶段比较流行的回归方法是以数为模型的xgboost，预测效果很好还可以对变量重要性进行自动排序。而传统的线性回归(一元和多元)也还会继续流行下去，因为其良好的可解释性和低运算成本。如何掌握回归模型？建议阅读Introduction to Statistical Learning的2-7章，并看一下R里面的xgboost的package介绍。&/li&&li&&b&分类模型(Classification)&/b&。这个属于老生常谈了，但应该对现在流行并将继续流行下去的模型有深刻的了解。举例，随机森林(Random Forests)和支持向量机(SVM)都还属于现在常用于工业界的算法。可能很多人想不到的是，逻辑回归(Logistic Regression)这个常见于大街小巷每一本教科书的经典老算法依然占据了工业界大半壁江山。这个部分推荐看李航《统计学习算法》，挑着看相对应的那几章即可。&/li&&li&&b&神经网络(Neural Networks)&/b&。我没有把神经网络归结到分类算法还是因为现在太火了，有必要学习了解一下。随着硬件能力的持续增长和数据集愈发丰富，神经网络的在中小企业的发挥之处肯定会有。三五年内，这个可能会发生。但有人会问了，神经网络包含内容那么丰富，比如结构，比如正则化，比如权重初始化技巧和激活函数选择，我们该学到什么程度呢？我的建议还是抓住经典，掌握基本的三套网络: a. 普通的ANN b. 处理图像的CNN c. 处理文字和语音的RNN(LSTM)。对于每个基本的网络只要了解经典的处理方式即可，具体可以参考《深度学习》的6-10章和吴恩达的Deep Learning网课(已经在网易云课堂上线)。&/li&&li&&b&数据压缩/可视化(Data Compression & Visualization)&/b&。在工业界常见的就是先对数据进行可视化，比如这两年很火的流形学习(manifold learning)就和可视化有很大的关系。工业界认为做可视化是磨刀不误砍柴工，把高维数据压缩到2维或者3维可以很快看到一些有意思的事情，可能能节省大量的时间。学习可视化可以使用现成的工具，如Qlik Sense和Tableau，也可以使用Python的Sklearn和Matplotlib。&/li&&li&&b&无监督学习和半监督学习(Unsupervised & Semi-supervised Learning)&/b&。工业界的另一个特点就是大量的数据缺失，大部分情况都没有标签。以最常见的反诈骗为例，有标签的数据非常少。所以我们一般都需要使用大量的无监督，或者半监督学习来利用有限的标签进行学习。多说一句，强化学习在大部分企业的使用基本等于0，估计在未来的很长一阵子可能都不会有特别广泛的应用。&/li&&/ul&&p&&b&基本功的意义是当你面对具体问题的时候，你很清楚可以用什么武器来处理&/b&。而且上面介绍的很多工具都有几十年的历史，依然历久弥新。所以以3-5年的跨度来看，这些工具依然会非常有用，甚至像CNN和LSTM之类的深度学习算法还在继续发展迭代当中。无论你现在还在学校还是已经开始工作，掌握这些基本的技术都可以通过自学在几个月到一两年内完成。&/p&&h2&&b&2. 秘密武器&/b&&/h2&&p&有了基本功只能说明你可以输出了，怎么才能使得你的基本功不是屠龙之术？必须要结合领域知识，这也是为什么我一直劝很多朋友不要盲目转机器学习从零做起。&b&而学生朋友们可以更多的关注自己感兴趣的领域，思考如何可以把机器学习运用于这个领域&/b&。比如我自己对历史和哲学很感兴趣，常常在思考机器学习和其他文科领域之间的联系，也写过一些开脑洞的文章「 &a href=&/p/& class=&internal&&带你了解机器学习(一): 机器学习中的“哲学”&/a&&a href=&/question//answer/& class=&internal&&」&/a&。&/p&&p&&b&而已经有了工作/研究经验的朋友，要试着将自己的工作经历利用起来。举例，不要做机器学习里面最擅长投资的人，而要做金融领域中最擅长机器学习的专家，这才是你的价值主张(value proposition)。最重要的是，机器学习的基本功没有大家想的那么高不可攀，没有必要放弃自己的本专业全职转行，沉没成本太高。通过跨领域完全可以做到曲线救国，化劣势为优势，你们可能比只懂机器学习的人有更大的行业价值。&/b&&/p&&p&举几个我身边的例子，我的一个朋友是做传统软件工程研究的，前年他和我商量如何使用机器学习以GitHub上的commit历史来识别bug，这就是一个很好的结合领域的知识。如果你本身是做金融出身，在你补足上面基本功的同时，就可以把机器学习交叉运用于你自己擅长的领域，做策略研究，我已经听说了无数个“宣称”使用机器学习实现了交易策略案例。虽不可尽信，但&b&对特定领域的深刻理解往往就是捅破窗户的那最后一层纸，只理解模型但不了解数据和数据背后的意义，导致很多机器学习模型只停留在好看而不实用的阶段&/b&。&/p&&p&换个角度思考，不同领域的人都有了对机器学习的理解能更好的促进这个技术落地，打破泡沫的传言。&b&而对于大家而言，不用再担心自己会失业，还能找到自己的角度在这个全民深度学习的时代找到“金饭碗”。所以我建议各行各业的从业者不必盲目的转计算机或者机器学习，而应该加深对本专业的了解并自学补充上面提到的基本功，自己成为这个领域的机器学习专家。&/b&&/p&&h2&&b&3. 弹药补给 &/b&&/h2&&p&没有什么不会改变，这个时代的科技迭代速度很快。从深度学习开始发力到现在也不过短短十年，所以没有人知道下一个会火的是什么？以深度学习为例，这两年非常火的对抗生成网络(GAN)，多目标学习(multi-lable learning)，迁移学习(transfer learning)都还在飞速的发展。有关于深度学习为什么有良好泛化能力的理论猜想文章在最新的NIPS听说也录了好几篇。这&b&都说明了没有什么行业可以靠吃老本一直潇洒下去，我们还需要追新的热点。&/b&但机器学习的范围和领域真的很广，上面所说的都还是有监督的深度学习，无监督的神经网络和深度强化学习也是现在火热的研究领域。&b&所以我的建议是尽量关注、学习了解已经成熟和已经有实例的新热点，不要凡热点必追。&/b&&/p&&p&&b&如果你有这些基本功和良好的领域结合能力，三年五年绝不是职业的瓶颈期，甚至十年都还太早。科技时代虽然给了我们很大的变革压力，但也带给了我们无限的可能。技术总会过时，热点总会过去，但不会过去的是我们不断追求新科技的热情和对自己的挑战。&/b&&/p&&p&欢迎来到机器学习的世界 ?o?o? &/p&
谢学弟邀:) 既然已经身在工业界，那么我就谈谈工业界未来几年需要什么样的机器学习人才。不谈学术界主要还是因为大部分人最终不会从事研究，而会奋斗在应用领域。相较而言，工业界对人才的需求更加保守，这和学术界不同。这受限于很多客观因素，如硬件运算…
&p&这个问题其实几位高票答主已经回答得非常不错了，我个人在曾经担任四大的注册会计师时基本也是这样思考和应对的。但从我加入公募基金担任基金经理以后，我发现上述回答中遗憾的地方是各位所站的角度都是在内部审核者，即有机会接触内部信息的投行或者会计师角度进行分析。&/p&&p&而事实上，不论是基金公司、评级机构、银行甚至是个人投资者，要去查阅相关公司的内部数据信息难如登天。别说是对内部账目、重大合同的审阅，就算是想把公司不同年份不同口径的报表附注进行核对都要看被投资公司相关负责人的心情。&/p&&p&因此，本人在离开会计师事务所后专门就作为一个企业外部人如何确认企业利润的真实性（即所谓的盈余管理）进行了一些个人的思考，在此和大家做一个分享。角度和事例可能是以上市公司为主的，但我们关注的是其手段和思想。&/p&&br&&p&&b&财务报表盈余管理分析框架：&/b&&/p&&p&一、&b&盈余管理的动机分析&/b& &/p&&p&盈余管理的通常操作方式为将公司有利主要财务数据在关键财务期间提前、夸大体现或将不利数据推迟、缩小体现。为识别公司隐藏的盈余管理，从根源考虑其动机必不可少。通过识别公司财务报表盈余管理的动机，我们可以&b&确认治理层、管理层对财务报表进行盈余管理所需达成的目的，因而有的放矢识别相关的财务报表中隐藏的风险点&/b&。&/p&&p&目前公司盈余管理主要动机如下： &/p&&p&1.企业管理层报酬动机 &/p&&p&2.资本市场融资动机 &/p&&p&3.企业税收筹划动机 （税率变化、转移定价、保持高新技术企业etc.）&/p&&br&&p&对于上市公司而言，三种动机发生的频率从高到低分别是1&2&3，而非上市公司而言频率基本是3&&2&&1。背后的原因稍后会详细说明。&/p&&p&&b&1. 企业管理层报酬动机&/b&&/p&&p&管理层报酬动机主要分为显性报酬与隐性报酬。显性报酬主要是以货币为主的物质回报构成。而隐性报酬包括业绩名望、潜在晋升机会、声誉等构成。 在我国民营企业的报酬动机基本均由显性报酬产生，而国资企业的管理层报酬动机比较复杂，通常是显性报酬与隐性报酬的综合体现。新董事长上任前洗大澡等亦属隐性报酬的一种体现方式。&/p&&br&&p&&b&2. 资本市场动机&/b&&/p&&p&对于上市公司而言资本市场动机包含较为广泛，主要包括：IPO上市、避免亏损、避免ST、保壳、股价操纵、增发等有明确针对性目的的动机。分别针对类型不同的企业上市前公司（IPO）、业绩大幅下滑的企业（避免亏损、避免ST、保壳），拥有控股权的民营企业股东（股价操纵）及存在较大融资需求的新兴行业企业（实现增发）等。&/p&&p&对于非上市公司资本市场动机由于其外部融资渠道有限，主要目的就是通过报表粉饰取得银行贷款或发行债券。&/p&&br&&p&&b&3. 税务筹划动机&/b&&/p&&p&税务筹划动机主要是指企业出于规避税负产生扭曲报表的动机。此类盈余管理主要针对所得税，偶尔也会涉及出口退税单位的增值税退税。由于其目的在于将企业盈利集中归至税率较低的年度或企业内部主体，因而通常的操作方式是利用做低利润或将不同类型的费用在集团内进行重新分配。通常的实现方式主要包括：在税率转换年度间调节利润（取消高新技术企业、西部大开发优惠的年度）、在集团内部通过转移定价（Transfer Pricing）方式减少对应子公司的利润、为保证公司满足税收优惠政策而扭曲相关财务数据等等。 &/p&&br&&p&&b&三类动机的特点：&/b&&/p&&p&这三项中，第1和第2项实务中主要倾向于做高利润，而第3项主要倾向于做低利润。从动机上很好理解，管理层的报酬以及资本市场上可以取得的融资通常与利润情况正相关，因此为了取得更多报酬、成就和金融机构的资金支持，通常需要做高利润。而对于税务局而言，越高的利润只意味着更高的纳税责任，因而从税务筹划的角度通常做低利润对公司更为有利。&/p&&p&那么为什么上市公司通常倾向于做高利润而非上市公司倾向于做低利润呢？主要是由于对于大部分非上市公司，做高利润除了多缴税以外几乎没有任何好处。但对于民营上市公司，更高的利润意味着股价的走高，即大股东自身身价的变化。相比较股价对其财富的影响而言，税费的负面影响基本可以忽略不计了。&/p&&p&接下来我就会从一个注册会计师的角度给大家介绍一下公司可以合理操纵利润的角度和方法。以下案例全部为真实上市公司案例，为个人人身安全起见不直接透露名称。&/p&&br&&p&&b&二、盈余管理中会计技术的运用&/b&&/p&&p&&b&1. 应收款项、存货减值准备&/b&&/p&&p&&b&操作方法：&/b&&/p&&p&（1）调整应收账款、存货等的减值政策来直接调整当期会计利润。如将3年以上账龄款项计提坏账比例从100%下降至50%等。&/p&&p&（2）针对单项计提坏账的款项，晚计提减值或在利润好的时间计提减值并在利润较差的年度重回。&/p&&p&&b&识别方法：&/b&&/p&&p&（1）针对操纵方法1，此类调整往往来源于隐藏亏损或利润的动因，应将其计提政策还原为原口径后确认该事项对利润的影响，并可借此结果理解公司的意图与倾向。此外，可将公司的账龄计提政策与同行业企业进行比较。&/p&&p&（2）可以通过查看以后年度报表实际坏账往往是通过核销还是转回方式来确认坏账的质量&/p&&p&&b&案例：&/b&&/p&&p&某上市医药行业S公司2014年度利润超预期达成，为减少历年波动，公司采用调整应收账款、其他应收款账龄计提方法的方式调节利润。&/p&&img src=&/v2-95467dfe6d99bca32da0cb_b.png& data-rawwidth=&815& data-rawheight=&191& class=&origin_image zh-lightbox-thumb& width=&815& data-original=&/v2-95467dfe6d99bca32da0cb_r.png&&&br&&img src=&/v2-fbdbc41f7a643926acdf8a_b.png& data-rawwidth=&815& data-rawheight=&159& class=&origin_image zh-lightbox-thumb& width=&815& data-original=&/v2-fbdbc41f7a643926acdf8a_r.png&&&p&该调整事项累计减少利润总额8500万，约影响当年税后利润3%。&/p&&p&&b&2. 资本投入的费用化与资本化调整&/b&&/p&&p&&b&风险分布：&/b&重资产行业为主&/p&&p&&b&操作方法：&/b&&/p&&p&（1）调整固定资产、无形资产折旧年限及残值率&/p&&p&（2）资本化相关费用（借款费用资本化、研发费用资本化）&/p&&p&（3）根据公司需要将资产分类为长期待摊费用或固定资产（折旧年限差距大）&/p&&p&（4）推迟将在建工程转为固定资产，减少当年费用支出&/p&&p&&b&识别方法：&/b&&/p&&p&（1）针对操纵方法1，此类调整往往来源于隐藏亏损或利润的动因，应将其计提政策还原为原口径后确认该事项对利润的影响，并可借此结果理解公司的意图与倾向。此外，可通过观察公司已折旧完毕但仍在使用的资产占比及历年处置资产产生的营业外收支进行判断。&/p&&p&（2）观察公司历年相关费用资本化与费用化的金额比例及绝对值变动&/p&&p&（3）若长期待摊费用变动异常，需考虑公司此类盈余管理倾向&/p&&p&（4）观察在建工程建设期是否过长、观察其当年新增金额占预计总额占比是否较小且已接近完工、业务角度考虑公司产能利用情况及公司未来产品产线需求。&/p&&p&&b&案例：&/b&&/p&&p&某上市医药N公司J工业园于2013年投资，至2015已累计投资约3亿元，预计总投资4亿。公司目前总计固定资产+土地投资仅6亿原值，3.4亿净值。J工业园建设期长达4年，期间无产出，是否已经实际在使用存疑。且未来转固后预计累计新增加每年折旧3600万，15年均折旧仅4100万，将近增加一倍。由于公司销售增长稳定，未发现产能紧缺情况，J转固后产能是否得到完全利用存疑。&/p&&p&此外，公司存在明显的其他固定资产延迟转固情况，如T新区工业园2015年全年无新增，且完工百分比100%，但保持在在建工程状态超过一年，是否已经实际在使用存疑。存在少提折旧的风险。 &/p&&p&若按折旧金额推算，公司操纵的净利润每年在4000万以上。&/p&&p&&b&3.金融资产的认定及处理&/b&&/p&&p&&b&风险分布：&/b&资产中存在金融资产的企业 &/p&&p&&b&操作方法：&/b&&/p&&p&（1）在购入资产时根据公司的利润需要将其认定为对应金融资产。（在资产升值的情况下，短期需要利润时认定为交易性金融资产，短期不需要利润时认定为可供出售资产。）
&/p&&p&（2）出售持有的可供出售金融资产&/p&&p&（3）将持有至到期金融资产调整至交易性金融资产&/p&&p&&b&识别方法：&/b&&/p&&p&1.结合公司其他方面会计处理，判断盈余管理倾向并确认公司的会计处理方式。&/p&&p&2.在分析公司业绩时剔除投资产生的不可持续收益，仅分析核心未来收益&/p&&p&（注：最近会计准则对金融资产的计量政策发生了变化，但该类操纵依然可以执行）&/p&&p&&b&案例（涵盖1、2、3）：&/b&&/p&&p&上市公司央企J公司2014年度受管理费用增长拖累，难以达到2014年利润增长指标。公司类型为央企，为了达成国资委利润指标及上市公司利润增长指标采取了多种方式调增利润。&/p&&p&最明显的迹象为非经常性损益大幅度提高，公司出售了大量以前年度记录为可供出售金融资产的股票，一次性将其计入利润表，增加利润21亿。&/p&&p&此外，公司调整了固定资产的折旧政策与应收账款的计提政策。应收款项调整增加利润6.2亿，固定资产调整增加利润4.2亿。&/p&&p&公司2014年利润175亿元，2013年利润157亿。盈余管理后利润上升12%。剔除这三处盈余管理的影响后2014年实际利润为144亿。实际净利润下降约9%。&/p&&p&&b&4.收购与兼并&/b& &/p&&p&&b&风险分布：&/b&存在外部收购且收购溢价较高（商誉较高）的企业&/p&&p&&b&操作方法：&/b&&/p&&p&（1）通过提前签订收购协议等方式将被收购公司的利润表提前并表，调增本年收入、利润，同时产生大额商誉。&/p&&p&（2）通过操纵估值技术，减少或不计提商誉减值。由于商誉的通常估值方式为通过DCF模型建立假设，管理层可能为了避免商誉减值导致的利润影响而操纵减值测试中的未来折现率、增长率、毛利率等假设。&/p&&p&&b&识别方法：&/b&&/p&&p&（1）方法1通常的操作方法为将收购的法律形式提前完成，会计师与律师均无法从形式要件予以反驳，但公司的实际经营交接要远滞后于法律文件的规定时间，导致企业、业务整合要慢于预期。此类操作较难判断，但可以通过行业平均收购溢价、估值倍数与单个案例的相关比例进行比较以发现其端倪。&/p&&p&（2）通过分析年报中与商誉所对应被收购子公司的业绩情况，剔除内部关联交易的影响，判断其业绩情况进而判断商誉是否存在减值风险。&/p&&p&&b&5.承诺、或有事项的入表与出表&/b&&/p&&p&&b&风险分布：&/b&存在大额担保、未尽合同、承诺事项及其他或有事项的公司&/p&&p&&b&操作方法：&/b&&/p&&p&（1）通过与关联方之间相互担保的方式减少公司表内负债&/p&&p&（2）通过以未尽合同、承诺事项等方式递延的现金流流出&/p&&p&（3）通过认定为或有事项而未体现为损失的预计损失&/p&&p&&b&识别方法：&/b&&/p&&p&（1）分析财务报表中是否有为关联方担保的同时受关联方担保的情况及其与公司价值链流向是否相同&/p&&p&（2）同期比较承诺事项的金额是否存在重大变化&/p&&p&（3）审阅上市公司所披露或有事项的性质&/p&&br&&p&&b&6.特殊行业的收入确认&/b&&/p&&p&&b&风险分布：&/b&&/p&&p&收入确认方法特殊的行业，主要包括：&/p&&p&大型工程业：建造合同法&/p&&p&软件业：服务与实体（软件）捆绑销售&/p&&p&网游等新兴行业：以使用服务（游戏道具）等确认依据存在大量会计估计的收入&/p&&p&消费、医药等：预收款模式销售、促销费用&/p&&p&&b&操作方法：&/b&&/p&&p&（1）通过调整预计总成本调整建造合同法收入的确认金额&/p&&p&（2）通过调整服务与实体间的公允价值调整应确认的收入&/p&&p&（3）通过调整会计估计（网游道具平均使用期限、使用率等）调整收入确认&/p&&p&（4）通过调整预收款与收入间的截止调整收入确认时点，通过调整促销费用冲减收入或确认费用的方法调整毛利率水平。&/p&&p&&b&识别方法：&/b&&/p&&p&（1）毛利率波动纵向分析&/p&&p&（2）收入、应收、预收款变动分析及现金流分析&/p&&p&&b&案例（涵盖4、5、6）：&/b&&/p&&p&&b&并购相关：&/b&&/p&&p&某重工业Z公司于2014年收购了Q公司，累计出资2亿元，确认商誉1.5亿。说明商誉价值为公司评估价值5000万的3倍，存在大额商誉。2014年Q公司累计净亏损1.9亿，经营活动现金流入4.4亿，账面所有者权益为负数。通过Q公司官网可以了解到Z公司为收购前YY的大客户，且业务持续至今。&/p&&p&上述信息结合Z公司业务说明Q公司业绩不佳资不抵债，Z将其收购整合后欲利用其船舶制造优势发展相关业务，收购后通过支付大量款项支持其正常运作，但Q依然亏损严重。若2015年度报表报出后Q公司仍存在较大亏损，而商誉未发生变化则需考虑商誉减值的风险。&/p&&p&&b&或有事项相关：&/b&&/p&&p&Z公司从2013年年报开始披露其就某新能源建设项目与美国F公司之间的纠纷。2013年F公司单方面要求银行兑付了2350万欧元的保函。通过与报表的核对，确认其已体现为13年的当期应收账款坏账中，因此无潜在财务报表影响。&/p&&p&2014年年报中披露F公司以产品质量相关的问题构成违约为由在英国高等法院技术工程庭提起诉讼，要求公司赔偿额外测试修理费用、工期延误及其他相关损失，合计约2.5亿英镑(包含已兑付的2300万欧元的保函金额)。因此公司存在潜在的巨额产品质量赔偿，且该事项未体现在当年利润表中。若忽视该事项，即使最终判决赔偿款为对方索赔的一半即1.25亿英镑，公司亦损失超过12亿人民币，超过公司上市以来所有年度利润总和。&/p&&br&&p&&b&7.递延所得税的确认&/b&&/p&&p&&b&操作方法：&/b&&/p&&p&通过不同时期确认范围的递延所得税资产影响利润&/p&&p&&b&识别方法：&/b&&/p&&p&（1）比较历年所得税费用实际税率与公司法定税率之间的差异&/p&&p&（2）分析递延所得税资产、负债的构成变化&/p&&p&&b&案例：&/b&&/p&&p&某医药行业N公司2014年未考虑内部销售产生的未实现毛利对利润表的影响，但2015年考虑该影响。导致递延所得税资产变化，进而使得2015年利润较2014年同口径增加了1400万。&/p&&p&&b&8.递延收益与营业外收入的分摊&/b&&/p&&p&&b&风险分布：&/b&主要存在于收到大量政府补助的公司，尤其是科研类补助&/p&&p&&b&操作方法：&/b&&/p&&p&（1）将收到的政府补助不区分资产性或收益性，全部一次性计入利润表&/p&&p&（2）将无明确转移时点的政府补助留存于递延收益，待需要利润时转入利润表&/p&&p&&b&识别方法：&/b&&/p&&p&（1）结合分析递延收益的余额变动及营业外收入中补助类余额的变动&/p&&p&（2）观察递延收益中收益性补助转入利润表金额的纵向变化波动&/p&&p&（3）观察营业外收入计入利润表金额与现金流量表中计入金额的差异&/p&&br&&p&&b&9.非货币性资产交换&/b&&/p&&p&&b&风险分布：&/b&存在大额关联交易的公司，资产重组的公司&/p&&p&&b&操作方法：&/b&&/p&&p&通过非货币性资产交换，将外部取得的资产公允价值调高，将资产价值正差异体现入利润表&/p&&p&&b&识别方法：&/b&&/p&&p&较难识别，若较易获取公允价值的资产（如房产）可通过外部查询确认。否则仅能通过公司盈余管理动机及交易产生的损益进行风险识别。&/p&&br&&p&&b&10.其他应付款-预提费用秘密准备&/b&&/p&&p&&b&风险分布：&/b&医药、消费品等预提费用占比较大的行业&/p&&p&&b&操作方法：&/b&&/p&&p&通过在盈利较多的年度多提未来营销费用，并在盈利较少的年度释放进行盈余管理。&/p&&p&&b&识别方法：&/b&&/p&&p&（1）由于大部分公司的预提费用均在年末一次性计提，因此难以采用季度数据判断计提数据合理性。通常可以采用的方法包括年度收入与预提费用比例分析及营销费用与预提营销款余额比例分析等方式执行。&/p&&p&&b&案例：&/b&&/p&&p&某消费品上市公司历年营销费用余额与销售收入比例基本保持稳定。但应付营销类费用的预提费用余额与所发生的销售费用比例逐年提高。2012年年末预提了平均3个月的促销费用，到2014年末年末余额已接近14年5个月的促销费用。&/p&&p&结合公司业务，公司的主要产品在夏秋两季为销售旺季，这意味着实际的促销费用周转时间将更长。在年末计提如此大量的准备有很大的利润储备的嫌疑。&/p&&img src=&/v2-d27ce8a0f1f3cf89e717e2_b.png& data-rawwidth=&799& data-rawheight=&294& class=&origin_image zh-lightbox-thumb& width=&799& data-original=&/v2-d27ce8a0f1f3cf89e717e2_r.png&&&br&&p&&b&10.关联方利益输送&/b&&/p&&p&&b&风险分布：&/b&关联方交易较多的企业&/p&&p&&b&操作方法：&/b&&/p&&p&关联方交易利益输送方式多种多样，并不唯一，包括正向输入与反向输出。且需依据与关联方之间的业务实质结合价值链进行判断，并无一定的方法。&/p&&p&&b&识别方法：&/b&&/p&&p&由于上市公司关联方交易复杂，且需结合公司实际业务进行分析，一般分析的原则为通过外部信息及比较分析判断关联方交易价格是否公允，是否存在异常关联方占款。如果是上市公司则每年会披露《控股股东及其他关联方占用资金情况专项报告》,通常可通过该报告与业务结合分析判断相应风险。&/p&&br&&p&上述为我个人过去身为多年上市和非上市公司会计师时的经验总结，有些来源于我个人的亲身经历，有些则是业务研究公司报表时候的收获。但个人的经验告诉我，利润真实性这件事如果仅仅作为一个外部观察者，在大部分情况下，很容易陷入要不全盘接受拿公司的人品做信仰，要不草木皆兵哪个数字都不相信的尴尬境地。&/p&&p&因此，这里我稍微歪题一下，给大家几个&b&发现财务报表逻辑矛盾&/b&的方法以及发现矛盾后跟进分析的要点，进而可以更好地帮助大家判断公司利润的真实性。&/p&&br&&p&&b&三、判断盈余管理风险大小的财报分析逻辑&/b&&/p&&p&&b&1. 经营现金流量与净利润差异的调节项目较大&/b&&/p&&p&主要风险:净利润造假风险及企业现金流枯竭风险&/p&&p&具体分析：需结合企业资金投入方向，相关资产的现金流产生能力、应收款项周转情况等多方面分析风险大小&/p&&p&&b&2. 长期资产的变动与收入无明显关系&/b&&/p&&p&主要风险:净利润、现金流造假风险及企业盲目扩张产生的经营风险&/p&&p&具体分析：公司销售增长情况、公司未来销售规划、产能情况分析，新产品研产销周期分析&/p&&p&&b&3. 毛利水平较同行业公司存在重大差异&/b&&/p&&p&主要风险:收入确认方式不同导致公司业绩无法直接比较，销售成本少计&/p&&p&具体分析：可比公司产品类型分析，竞争能力分析，收入与应收账款比例分析，成本、存货、未实现毛利比例分析&/p&&p&&b&4.股权激励指标（收入、净利润）若出现以下情况：&/b&&/p&&p&（1）剔除季节性因素后季度间财务数据的重大波动&/p&&p&（2）新增关联方收入业务或关联方公司收购导致的收入、利润增长&/p&&p&主要风险：出于达成股权激励、保壳等激励或业绩指标，操纵利润&/p&&p&具体分析：综合分析财务报表，确认公司当年盈余管理偏向。分析其当年财务数据（收入、利润）的可持续性。&/p&&p&&b&5.更换会计师&/b&&/p&&p&如果公司更换会计师事务所，可能是管理层由于就某些会计处理事项与会计师无法达成一致。通常可以根据更换会计师的时间判断更换会计师的原因，如果公布更换会计师的时间早于年报当年的10月（即15年年报会计师在15年10月前更换）则大概率是正常的会计师更换。而若在当年12月甚至次年更换会计师（如：16年的年报17年初才换会计师或召开临时股东大会，审议事项仅此一项），则公司通过盈余管理操纵利润的可能性就很大。&/p&&br&&p&这个时间点判断的主要原因是会计师事务所一般在9-12月进行当年的预审，因此主要会计问题会在这个期间发现，然后会计师会与公司进行来回的拉锯战就重大会计分歧进行讨论。在95%的情况下，大家都会各退一步达成妥协。但当公司特别过分以至于会计师认为自己无论如何都无法让会计处理符合会计准则（即使从形式上），会计师通常会选择辞职。而此时，通常已经接近年审或已经处于年审时间，因此太晚更换会计师的公司通常会多多少少有些问题。&/p&&p&正常的会计师更换一般是在16年年报出具后（通常在一年的4月左右）就决定的，因为年报出具后通常要召开股东大会。这时提请股东大会审议更换会计师的提案时间上有充分准备，新任会计师也会有充足的时间熟悉公司的业务和会计逻辑。&/p&&br&&p&Rain的金融投资漫谈：&/p&&a href=&/question//answer/& class=&internal&&如何阅读上市公司的年报？有哪些较好的方法？ - 知乎&/a&&br&&a href=&/question//answer/& class=&internal&&你知道哪些隐藏的财务数据造假细节？ - 知乎&/a&&br&&a href=&/question//answer/& class=&internal&&初入金融行业，如何进行实用行业研究与行业分析？ - 知乎&/a&&br&&a href=&/question//answer/& class=&internal&&PE （市盈率）是什么意思？ - 知乎&/a&&p&如果喜欢，请关注我的公众号：&b&泛舟聊投资&/b&&/p&&br&&p&--------------------------------------更新的分割线------------------------------------------------------------------&/p&&p&鉴于有朋友问是否有书可以系统学习利润操纵方面的信息，我很遗憾地说此类的研究目前还没有非常系统的分析体系，多数此领域的文章和分析都还处于“揭黑”的案例型分析。不过关注的朋友也不必气馁，我本人有一位非常尊敬的财务打假者“夏草”前辈，他著有多本有关利润质量判断的书籍如《 &a href=&///?target=https%3A///s%3Fwd%3D%25E4%25B8%258A%25E5%25B8%%2585%25AC%25E5%258F%25B848%25E5%25A4%25A7%25E8%25B4%25A2%25E5%258A%25A1%25E8%25BF%25B7%25E5%25B1%2580%26rsf%3D1%26rsp%3D0%26f%3D1%26oq%3D%25E5%25A4%258F%25E8%258D%%E5%25B8%%259A%%25B9%25A6%26tn%3Dbaiduhome_pg%26ie%3Dutf-8%26f%3D1%26rsv_idx%3D2%26rsv_pq%3Dbbb88f790006bfe2%26rsv_t%3D13942Ehw%252FxfTeQ%252F5myfAgXIQ13zKU1lTlVJGxE4kjtKaMLc0uugaxgcHubrJIMEhbRcv%26rqlang%3Dcn%26rs_src%3D0%26rsv_pq%3Dbbb88f790006bfe2%26rsv_t%3D13942Ehw%252FxfTeQ%252F5myfAgXIQ13zKU1lTlVJGxE4kjtKaMLc0uugaxgcHubrJIMEhbRcv& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&上市公司48大财务迷局&i class=&icon-external&&&/i&&/a& 》、《财务揭黑》等，虽然依然是以案例居多，但从中可以基本了解各类公司从其动机出发达到操纵利润的主要手段。推荐给有兴趣的读者。&/p&
这个问题其实几位高票答主已经回答得非常不错了，我个人在曾经担任四大的注册会计师时基本也是这样思考和应对的。但从我加入公募基金担任基金经理以后，我发现上述回答中遗憾的地方是各位所站的角度都是在内部审核者，即有机会接触内部信息的投行或者会计师…
&p&我们的程序的响应时间是10us（从收到行情到发出报单的响应时间），但是ping期货公司的交易前置机需要大约30us【这个数值会变化，见注释4】，所以网络延时占据了大量时间。&/p&&br&&p&我所有的性能测试都是在一台DELL r630机器上运行的，这台机器有2个NUMA结点，CPU型号是E5 .4GHz 6核）。所有的测试都是用rdtsc指令来测量时间，Intel官网上有一篇pdf文档[Gabriele Paoloni, 2010]，讲述了如何精准地测量时间（要用cpuid来同步）。我自己做的性能测试的结果会写成“100(sd20)ns”的形式，代表平均值是100ns，标准差是20ns。我在算均值和标准差的时候会去掉最大的0.1%的数据再算，因为那些数据似乎并不是程序延时，而是cpu被调度执行别的任务了【原因见注释3】。有些性能测试在网上有现成的测试结果，我就没自己测，直接拿来用了，但是以后我会重新在我的机器上测一遍。&/p&&br&&p&一些我们比较注意的点：&/p&&p&&b&1.限制动态分配内存&/b&&/p&&p&&b&相关的知识背景：&/b&glibc默认的malloc背后有复杂的算法，当堆空间不足时会调用sbrk()，当分配内存很大时会调用mmap()，这些都是系统调用，似乎会比较慢，而且新分配的内存被first touch时也要过很久才能准备好。&/p&&p&&b&可取的做法：&/b&尽量使用vector或者array（初始化时分配足够的空间，之后每次使用都从里面取出来用）。尽量使用内存池。如果需要二叉树或者哈希表，尽量使用侵入式容器（boost::intrusive）。&/p&&p&&b&性能测试：&/b&我测试的分配尺寸有64和8128两种。首先，我测试了glibc malloc的性能，分配64字节耗时98(sd247)ns，分配8128字节需要耗时1485(sd471)ns。其次，我写了一个多进程安全的内存池，分配64字节需要29(sd15)ns，分配8128字节需要22(sd12)ns。【内存池的细节见注释6】。最后，我单独测试了sbrk()和first touch的性能，但是数据不记得了。&/p&&br&&p&&b&2.使用轮询，尽量避免阻塞&/b&&/p&&p&&b&相关的知识背景：&/b&上下文切换是非常耗时的，其中固定的消耗包括（cpu流水线被冲掉、各种寄存器需要被保存和恢复、内核中的调度算法要被执行），此外，缓存很有可能出现大量miss，这属于不固定的时间消耗。&/p&&p&&b&可取的做法：&/b&使用带有内核bypass功能的网卡。每个进程或者线程都独占一个cpu核【isolcpus和irqbalance的细节见注释3】，并且不停地轮询，用以保证快速响应。尽量避免任何可能导致阻塞的事件（如mutex），某些注定很慢的活动（比如把log写到磁盘上）应该被独立出来放到别的cpu上，不能影响主线程。&/p&&p&&b&性能测试：&/b&网上有一篇博客[tsunanet, 2010]测试了mode switch、thread switch、process switch的耗时，但是这篇文章太早了，以后我要用我的新cpu重新测一下。这篇博客里面，系统调用只需要&100ns，线程/进程切换需要&1us（不包括缓存miss的时间）。&/p&&br&&p&&b&3.使用共享内存作为唯一的IPC机制&/b&&/p&&p&&b&相关的知识背景：&/b&共享内存只有在初始化的时候有一些系统调用，之后就可以像访问正常内存一样使用了。其他IPC机制（管道、消息队列、套接字）则是每次传输数据时都有系统调用，并且每次传输的数据都经历多次拷贝。因此共享内存是最快的IPC机制。&/p&&p&&b&可取的做法：&/b&使用共享内存作为唯一的IPC机制。当然，可能需要手动实现一些东西来保证共享的数据在多进程下是安全，我们是自己实现了无锁内存池、无锁队列和顺序锁【关于seqlock的疑点见注释1】。&/p&&p&&b&性能测试：&/b&我使用了boost中的Interprocess库和Lockfree库，在共享内存上建立了一个spsc队列，然后用这个队列来传送数据，代码参考了stackoverflow上的一个答案[sehe, 2014]。我传送的数据是一个8字节整数，延时是153(sd61)ns。至于其他IPC机制，我在[cambridge, 2016]看到了一些性能测试结果，通常是要几微秒到几十微秒不等。&/p&&br&&p&&b&4.传递消息时使用无锁队列&/b&&/p&&p&&b&相关的知识背景：&/b&我只关注基于数组的无锁队列，其中：spsc队列是wait-free的，不论是入队出队都可以在确定的步数之内完成，而且实现时只需要基本的原子操作【为什么这很重要见注释7】；mpmc队列的实现方式则多种多样，但都会稍微慢一点，因为它们需要用一些比较重的原子操作（CAS或者FAA），而且有时它们需要等待一段不确定的时间直到另一个线程完成相应操作；另外，还有一种multi-observer的『广播队列』，多个读者可以收到同一条消息广播，这种队列也有sp和mp类型的，可以检查或者不检查overwrite；最后，还有一种队列允许存储不定长的消息。&/p&&p&&b&可取的做法：&/b&总的来说，应该避免使用mp类型的队列，举例：如果要用mpsc队列，可以使用多个spsc来达成目的，并不需要mp队列；同理，如果是消息广播，也可以使用多个sp队列来取代一个mp队列；如果广播时observer只想订阅一部分消息，那么可以用多个spsc+有计数功能的内存池【具体做法见注释2】；如果要求多个观察者看到多个生产者的消息，并且顺序一致，那只能用mp队列了。总结一下，mp类型的队列应该尽量避免，因为当多个生产者同时抢占队列的时候，延时会线性增长。&/p&&p&&b&性能测试：&/b&我写了一个mp类型的广播队列，传输的数据是8字节int，当只有一个生产者时，传输的延时是105(sd26)ns。增加观察者会使延时略微变大，增加生产者会使延时急剧变大（我用rdtsc指令控制不同生产者同时发送消息）。对于这个队列来说，它的延时只略高于跨核可视延时【测试结果见注释8】，所以应该算是不错了。&/p&&br&&p&&b&5.考虑缓存对速度的影响&/b&&/p&&p&&b&相关的背景知识：&/b&现在的机器内存是十分充足的，但是缓存还是很小，因此所有节省内存的技巧都还有用武之地。&/p&&p&&b&可取的做法：&/b&尽量让可能被同时使用的数据挨在一起；减少指针链接（比如用array取代vector，因为链接指向的地方可能不在缓存里）；尽量节省内存（比如用unique_ptr&Data[]&取代vector&Data&，比如成员变量按照从大到小排序，比如能用int8的地方就不用int16）；指定cpu affinity时考虑LLC缓存（同核的两个超线程是共享L1，同cpu的两个核是共享L3，不同NUMA核是通过QPI总线）；会被多个核同时读写的数据按照缓存行对齐（避免false sharing）。&/p&&br&&p&【注释1】：有一篇惠普的论文[Hans-J.Boehm, 2012]大致叙述了顺序锁的实现方法，但是那里面有两点让我感到困惑。一是需要用到thread_fence，这在某些cpu上可能会影响性能(x86似乎没影响)；二是被保护的内容也必须是原子变量(可以是多个原子变量，所以被保护的内容可以很长)。但这是我见过的唯一一个符合C++标准的SeqLock的实现。&/p&&p&【注释2】：如果有M个生产者要发消息给N个观察者，可以建M*N个spsc队列和M个内存池，观察者只能读内存池里的数据，只有对应的那一个生产者可以修改内存池。我感觉这样应该会更快，但我没测过。&/p&&p&【注释3】：isolcpus可以隔离出一些cpu，避免其他线程被调度到这些cpu上执行。此外，设置irq affinity可以让一些cpu尽量避免响应中断，但在/proc/interrupts里面仍然有一些项目是避免不了的，而cpu处理中断时，用户程序会有一段时间（有时高达几十微秒）无法响应，我们没法解决这个问题。&/p&&p&【注释4】：在不同的时间点，ping的结果会有很大差异。交易时间段内ping出来的结果是30us，其它时间段ping出来的结果可能是几百微秒。我不知道这是什么原因，可能是期货公司为了省电关掉了某些东西？&/p&&p&【注释6】：我们要在共享内存上使用内存池，所以不得不自己写一个。我写的内存池只能分配固定尺寸的内存块，但是用户可以建立好几个内存池，用来分配不同的尺寸。实现的过程中有两个要点。一是用无锁链表来保存空闲的内存块；二是每个线程内部有一个缓冲区，所以真正取内存块的时候是没有CAS操作的。&/p&&p&【注释7】：在Intel x86的cpu上，如果C++中的内存顺序只用了acquire和release，那么编译出来的汇编代码里面不会有任何内存栅栏指令；如果同时也没有RMW（读-改-写）指令的话，无锁的代码编译出来就会像是普通的代码一样了。事实上，spsc队列的延时几乎等于跨核可视延时。&/p&&p&【注释8】：跨核可视延时：对于一个共享变量来说，如果有一个核上面的进程或者线程修改了这个变量，另一个核需要过一段时间才能看到这个修改，这段时间被称作跨核可视延时。我不确定在这段时间内，第二个核是会看到旧的数据还是这条指令会执行很久。在我的机器上，对于同一个cpu上的不同核心，这个值是96(sd14)ns。另外，对于同一个核心上的不同超线程，这个值应该会更小；对于同一台机器上的不同cpu，这个值应该会更大。&/p&&br&&p&[cambridge, 2016]：&a href=&///?target=http%3A//www.cl.cam.ac.uk/research/srg/netos/projects/ipc-bench/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Computer Laboratory&i class=&icon-external&&&/i&&/a&&/p&&p&[Gabriele Paoloni, 2010]：&a href=&///?target=http%3A///content/www/us/en/embedded/training/ia-32-ia-64-benchmark-code-execution-paper.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Code Execution Times: IA-32/IA-64 Instruction Set Architecture&i class=&icon-external&&&/i&&/a&&/p&&p&[Hans-J.Boehm, 2012]：&a href=&///?target=http%3A//www./techreports/2012/HPL-2012-68.pdf& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/techreports/&/span&&span class=&invisible&&2012/HPL-2012-68.pdf&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&[sehe, 2014]：&a href=&///?target=http%3A///a/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Shared-memory IPC synchronization (lock-free)&i class=&icon-external&&&/i&&/a&&/p&&p&[tsunanet, 2010]：&a href=&///?target=http%3A//blog.tsunanet.net/2010/11/how-long-does-it-take-to-make-context.html& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&blog.tsunanet.net/2010/&/span&&span class=&invisible&&11/how-long-does-it-take-to-make-context.html&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/p&
我们的程序的响应时间是10us（从收到行情到发出报单的响应时间），但是ping期货公司的交易前置机需要大约30us【这个数值会变化，见注释4】，所以网络延时占据了大量时间。 我所有的性能测试都是在一台DELL r630机器上运行的，这台机器有2个NUMA结点，CPU型…
这下可好，我把收藏夹里所有关注的博客都贴出来了。我个人很喜欢相对不忙的时候或者工作间隙点开几个重点关注的博客看看有没有更新，如果没有更新，就看看他们的旧文。（额。。）&br&&br&至于“这些东西能有什么用”、“人家赚钱的策略怎么可能告诉你”等言论，我是这样理解的：没有人愿意把摇钱树直接让给你，但培育摇钱树的过程是会有人记下了当作实验记录并拿出来供人讨论的。所以看他们的博客，无非是看他们的实验过程，实验结果有没有真的不重要，有了你也不会相信。&br&&br&更重要的作用是：沉浸。一次性把一个人的博客文章全部看完，或者一次性看好几个人的实验报告，利用大脑强大的模式处理和差异比较能力，说不定什么时候，你就柳暗花明了，你就可以高能识别出其中的干货和模式了，你就可以拥有自己的研究思路和方向了，你就可以拥有一颗摇钱树了。&br&&br&如果你的树死活不开花，你想放弃也可以，但你也可以把你种摇钱树的过程写成实验报告，供后人种树，后人乘凉。&br&&br&“追往事，叹今吾。春风不染白髭须。却将万字平戎策，换得东家种树书。”这是辛弃疾的《鹧鸪天》吧？你说这个干嘛。&br&&br&--------------------------------------------------------------------------------------------------------------------------------------------&br&国内的Uqer、ricequant，我一直有关注。国外的除了知友提到的著名的quantopian、quantpedia之外还有很多好资源，这里我就把自己关注的国外很多独立宽客的博客地址贴出来。&br&&br&Blogspot在国内需要科学上网（只有墙外有肉的话，狗急了确实会跳墙），但里面的干货还是不少的，以下罗列的都值得读一读，。我是三年前开始工作的时候开始读这些博客的，对我帮助很大。&br&&ul&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quantitative Trading&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Magmasystems Blog&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A//asymmetrica-/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Asymmetrica&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&HOXO-M - anonymous data analyst group in Japan -&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Practical Quant&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Physics of Finance&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Implementing QuantLib&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Trading with Python&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Xi (Rossi) LUO&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Intelligent Trading&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Falkenblog&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&R, Ruby, and Finance&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Timely Portfolio&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&VIX and More&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&hacking NASDAQ @ 500 FPS&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Humble Student of the Markets&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Front-Run The Delta&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quantifiable Edges&i class=&icon-external&&&/i&&/a&&/li&&/ul&&br&Wordpress也整理了不少，这个也需要科学上网。&br&&ul&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=https%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Mechanical Markets &i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&&/span&&span class=&invisible&&/&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&/ul&&br&其它，这里面也有很多好东西，一定要点开看看，收藏起来！&br&&ul&&li&&a href=&///?target=http%3A//www.bnikolic.co.uk/blog/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&B. Nikolic: Computing Blog -- Complete Index and permanent links&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quantitative Finance Stack Exchange&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=https%3A///blog& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/blog&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A//www.jasq.org/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&just another scala quant&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///r/quantfinance/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The mathematics of investing and markets&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Zero Hedge | On a long enough timeline the survival rate for everyone drops to zero&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=https%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Featured threads&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&QUANTITATIVE RESEARCH AND TRADING&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Algorithmic Trading, Quantitative Trading, Trading Strategies, Backtesting and Implementation&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Keplerian Finance&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&QUSMA - Quantitative Systematic Market Analysis&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Park Paradigm&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&TRADING THE ODDS&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Meb Faber Research&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&FOSS Trading&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Gekko Quant&i class=&icon-external&&&/i&&/a&&/li&&li&&a href=&///?target=http%3A///& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Alpha Secure Capital&i class=&icon-external&&&/i&&/a&&br&&/li&&/ul&&br&这么多内容先从哪里读起呢？别问，你只需要读！读！读！&br&&br&为什么会找到这么多博客？因为有好多博客之间会互相提及，甚至互相引用，我们做读者的自然就可以滚雪球似的拥有足够多的内容来读了。&br&&br&PS: 最近跟风开通了值乎3.0，我来比划我来答。&br&&p&&a href=&/zhi/people/956352& class=&internal&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/zhi/people/72&/span&&span class=&invisible&&6352&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
这下可好，我把收藏夹里所有关注的博客都贴出来了。我个人很喜欢相对不忙的时候或者工作间隙点开几个重点关注的博客看看有没有更新，如果没有更新，就看看他们的旧文。（额。。） 至于“这些东西能有什么用”、“人家赚钱的策略怎么可能告诉你”等言论，我…
以下文献列表是Numerical Method Inc贡献的，我重新编辑整理了一下，其中不少与我收藏的重要文献重合，都是值得反复研读的。里面还有大家非常熟悉的Marco Avellaneda，Andrew Lo等人。&br&&br&&br&&b&General&/b&&ul&&li&An Introduction to High-Frequency Finance. Ramazan Gen?§ay, Michel Dacorogna, Ulrich A. Muller, Olivier Pictet, Richard Olsen. Academic Press. 2001.&/li&&li&Advanced Trading Rules, Second Edition. Emmanual Acar (Editor), Stephen Satchell (Editor). Butterworth-H 2nd edition (June 19, 2002).&/li&&/ul&&b&Pairs Trading&/b&&ul&&li&Statistical Arbitrage in the U.S. Equities Market. Marco Avellaneda and Jeong-Hyun Lee. July 11, 2008.&/li&&li&A New Approach to Modeling and Estimation for Pairs Trading, Binh Do, Robert Faff, Kais Hamza, Working Paper, May 29, 2006.&/li&&li&Pairs Trading – A Cointegration Approach. Arlen David Schmidt, Finance Honors Thesis, University of Sydney, November 2008, Pages 1–130.&/li&&li&Does Simple Pairs Trading Still Work? Binh Do , Robert Faff. Financial Analysts Journal. July/August 2010, Vol. 66, No. 4, pp: 83–95.&/li&&li&Implementation of Pairs Trading Strategies. ?yvind Foshaug. Faculty of Science. Koortweg- de Vries Institute for Mathematics. Master of Science Thesis. 2010.&/li&&li&Pairs trading. Elliott, van der Hoek, and Malcolm. Quantitative Finance, 2005.&/li&&li&Optimal Pairs Trading: A Stochastic Control Approach. Mudchanatongsuk, S., Primbs, J.A., Wong, W. Dept. of Manage. Sci. & Eng., Stanford Univ., Stanford, CA.&/li&&/ul&&b&Mean Reversion&/b&&ul&&li&Identifying small mean-reverting portfolios. Alexandre D’Aspremont. Quantitative Finance, Volume 11 Issue 3 2011.&/li&&li&Arbitrage Under Power. Michael Boguslavsky, Elena Boguslavskaya. 2004.&/li&&li&Identifying Small Mean Reverting Portfolios. Alexandre d’Aspremont. 2008.&/li&&/ul&&b&Markov Models&/b&&ul&&li&Algorithmic Trading: Hidden Markov Models on Foreign Exchange Data. Patrik Idvall, Conny Jonsson. University essay from Link?pings universitet/Matem Link?pings universitet/Matematiska institutionen. 2008.&/li&&li&Markov Switching Regimes in a Monetary Exchange Rate Model, Fr?mmel, Michael, MacDonald, Ronald, Menkhoff, Lukas, Economic Modelling, Vol. 22 (2005), 3, Pages 485–502.&/li&&/ul&&b&Bayesian&/b&&ul&&li&Bayesian Adaptive Trading with a Daily Cycle. Robert Almgren, Julian Lorenz. The Journal of Trading. Fall 2006, Vol. 1, No. 4: pp. 38-46.&/li&&li&On the short-term predictability of exchange rates: A BVAR time-varying parameters approach. Nicholas Sarantis. Journal of Banking & Finance, Volume 30, Issue 8, August 2006, Pages &a href=&tel:&&&/a&.&/li&&/ul&&b&Time Series Analysis&/b&&ul&&li&Time Series Technical Analysis via New Fast Estimation Methods: A Preliminary Study in Mathematical Finance. Michel Fliess. Cédric Join. Published – Presented, IAR-ACD08 (23rd IAR Workshop on Advanced Control and Diagnosis), 2008, Coventry, United Kingdom.&/li&&li&A Trading Strategy Based on the Lead-Lag Relationship between the FTSE 100 Spot Index and the LIFFE Traded FTSE Futures Contract. Brooks, C., A.G. Rew and S. Ritson. International Journal of Forecasting 17, 31-44. 2001.&/li&&li&Basket trading under co-integration with the logistic mixture autoregressive model. Xixin Cheng, Philip L. H. Yu, W. K. Li. Quantitative Finance, &a href=&tel:&&&/a&, First published on 09 December 2010.&/li&&li&Towards a non-linear trading strategy for financial time series. Fernanda Strozzia, and José-Manuel Zaldívar Comenges. Chaos, Solitons & Fractals. Volume 28, Issue 3, May 2006, Pages 601-615.&/li&&/ul&&b&Trend Following/Momentum&/b&&ul&&li&A Test of Momentum Trading Strategies in Foreign Exchange Markets: Evidence from the G7, Robert J. Bianchi, Michael E. Drew, and John Polichronis, Global Business and Economics Review, Vol. 7 (2005), 2-3, Pages 155–179.&/li&&li&A Momentum Trading Strategy Based on the Low Frequency Component of the Exchange Rate, Richard D. F. Harris and Fatih Yilmaz, Journal of Banking and Finance, 33 (2009), 9, Pages .&/li&&li&Thou shalt buy and hold. Albert Shiryaeva, Zuoquan Xu, Xun Yu Zhoubc. Quantitative Finance. Volume 8, Issue 8 December 2008 , pages 765 – 776.&/li&&li&Optimal Trend Following Trading Rules. Min Dai, Qing Zhang, Qiji Jim Zhu. 2011.&/li&&/ul&&b&Technical Indicators&/b&&ul&&li&A dynamic analysis of moving average rules. Carl Chiarella, Xue-Zhong He, and Cars Hommes. Journal of Economic Dynamics and Control, Volume 30, Issues 9-10, September-October 2006, Pages .&/li&&li&Do the technical indicators reward chartists? A study on the stock markets of China, Hong Kong and Taiwan. Wing-Keung Wong, Jun Du, Terence Tai-Leung Chong. 2005.&/li&&li&A comparison of MA and RSI returns with exchange rate intervention. Thomas C. Shik, Terence Tai-Leung Chong. Applied Economics Letters, Volume 14, Issue 4 – 6 April 2007 , pages 371 – 383.&/li&&/ul&&b&News & Announcements&/b&&ul&&li&Does beta react to market conditions? Estimates of ‘bull’ and ‘bear’ betas using a nonlinear market model with an endogenous threshold parameter. George Woodward, Heather Anderson, 2009. Journal of Quantitative Finance. March, 2009.&/li&&li&Short-term market reaction after extreme price changes of liquid stocks. Adám G. Zawadowski, Gy?rgy Andor, János Kertész, 2007. Journal of Quantitative Finance. May, 2007.&/li&&/ul&&b&Misc&/b&&ul&&li&Modeling and Forecasting Stock Return Volatility Using a Random Level Shift Model. Yang K. Lu, Pierre Perron. 2009. Journal of Empirical Finance, Elsevier, vol. 17(1), pages 138-156.&/li&&li&When are contrarian profits due to stock market overreaction? Andrew W. Lo and A. Craig MacKinlay. Review of Financial Studies 3(1990), 175–206.&/li&&li&Predictability of nonlinear trading rules in the U.S. stock market. Terence Tai-Leung Chonga, Tau-Hing Lama. 2010. Journal of Quantitative Finance. Issue 9, Volume 10, 2010.&/li&&li&A Reality Check for Data Snooping. Halbert White. 2000. Econometrica. Issue 5, Volume 68, 2000.&/li&&li&A Test for Superior Predictive Ability. Peter Reinhard Hansen. 2005. Brown Univ. Dept. of Economics Working Paper No. 01-06.&/li&&/ul&&b&Risk Management&/b&&ul&&li&Extreme Value Theory and Fat Tails in Equity Markets. Blake LeBaron and Ritirupa Samanta. May, 2004.&/li&&/ul&&br&&br&&br&还有任何问题欢迎到值乎上问我，我会耐心解答。&br&&p&&a href=&/zhi/people/956352& class=&internal&&&span class=&invisible&&https://www.&/span&&span class=&visible&&/zhi/people/72&/span&&span class=&invisible&&6352&/span&&span class=&ellipsis&&&/span&&/a& (二维码自动识别)&/p&
以下文献列表是Numerical Method Inc贡献的，我重新编辑整理了一下，其中不少与我收藏的重要文献重合，都是值得反复研读的。里面还有大家非常熟悉的Marco Avellaneda，Andrew Lo等人。 GeneralAn Introduction to High-Frequency Finance. Ramazan Gen?…
&p&谢邀，认识一些这方面的朋友，平日也有一些关注。我写下自己一点了解，不恰当的地方请海涵并指出。&/p&&br&&p&在所有投资策略里，宏观策略差不多是最灵活和最投机的了（此处投机取字面，抓住机会的意思，非贬义）。简单的说，宏观基金就是通过top-down的鸟瞰方式，相信市场上存在定价没有足够反应当前基本面及其变化趋势的地方，然后在市场多数人发现之前采取行动，等待profit-taking时刻到来。&/p&&br&&p&在谈及宏观量化策略之前，先得谈谈宏观投资的两种风格，discretionary，比较自由靠经验判断，systematic，系统性讲究规律和纪律。&/p&&br&&p&Discretionary风格有点像基于基本面的主题投资，通过top-down的分析找到一个主题以及相关的观点，最终将其落实到具体投资工具。举个“主题-观点-工具”的例子，比如你判断中国经济要下行（主题），这意味着市场对商品和原油需求减少价格要下降（观点），你选择做空澳元或者产油国的股指期货（工具）。这种投资风格建仓的速度快，往往会重仓几样工具，持仓的时间可能非常灵活，从几天到几年。比如2008年中，不少宏观基金认为全球经济将变软，于是开始长达半年的做空原油期货。结果是2008年S&P指数跌了38%，而同期Barclays
global macro index反而上涨了9.5%。当然，正是由于discretionary往往取决于判断，和量化一般关系较少。&/p&&br&&p&Systematic风格其实和一般的量化投资是非常接近的，很多量化模型比如factor
model也能得到应用。由于量化模型，systematic风格的建仓往往会更加diversify。同时持仓的时间会显著更长。比如
emerging market equity很便宜，即便到2007年相比developed
market P/E还是很低，不少宏观基金抓住这个机会取得了不错的收益。相比大家熟知的一般quant
investing，最大区别在于其中有宏观的元素，具体说有两点。&/p&&br&&p&第一点区别在于作为factor的数据：大家熟知的量化策略一般使用自下而上（bottom-up）的来自各个公司证券的数据，而宏观策略用的是宏观基本面数据来构造factor，比如GDP、inflation、employment、monetary
policy、yield
curve、trade
flow、exchange
rate、supply
/ demand / inventory of commodities、各种index和VIX，不同行业/地域的earnings和P/E等。相关的量化模型关注研究基本面数据和市场价格的关系（比如GDP对equity
index的影响，inflation对利率的sensitivity等）,除开简单的因子回归外还可能用到复杂的宏观和计量模型。比如每当新的宏观数据出炉以后，用Kalman滤波选取信号对股权市场做出判断，毕竟一般股票分析师不会考虑top-down的宏观信号，所以市场在消化宏观数据存在一定时间延迟。&/p&&br&&p&第二点在于投资的对象：一般量化投资往往在同一种资产中做选择，最常见的是全美六千只/全球三万只股票中做选股，而宏观策略可以对任何资产大类采取做多和做空的举措，go-anywhere，所以理解这些大类之间的关系很重要。只要满足目标资产具有足够的流动性这一要求，不同地域的股权、债券、商品、还有货币都可能是目标。换句话说，宏观策略倾向资产分配，tactical
asset allocation。当然越来越多的宏观基金开始结合一般的量化投资——即在资产分配之后用量化策略进一步细分选股。&/p&&br&&p&两种风格的策略介绍之后，相信大家都能有以下初步判断：在基本面数据对市场长期价格有意义且市场波动不大的时候，systematic风格和宏观基金会表现不错；而在基本面难以表达市场价格或者市场出现急剧变动的时候，discretionary风格由于反应迅速可能表现更好。所以，很难说宏观策略到底是discretionary好还是systematic的好，不少基金可能将两种观点做一个结合。不过感觉号称systematic的已经越来越多了，包括著名的桥水，这对信仰量化的人来说是好事。&/p&&br&&p&虽然不少基金采取disciplined
systematic (quantitative)方法在不同市场环境里寻找机会，discretionary风格往往由于判断正确一个主要宏观事件一战成名。狙杀英镑的Soros说“I don’t
play the game by a par I look for changes in the rules of
the game.” 何等霸气。&/p&&br&&p&宏观策略有个非常值得一提的好处：随着资产全球配置以及ETF等被动投资的兴起，不同资产之间相关系数越来越高，而宏观策略和市场的相关系数往往很低，毕竟操作上没有固定的方法，持仓变化追随时机。下图中可以看出Macro Fund Index和S&P大盘的相关性并不高（我很好奇global
macro index表现如此的好，可能是存在survival
bias的缘故）。&/p&&br&&img src=&/38e328fcb84eb4c2bbe8e_b.png& data-rawwidth=&900& data-rawheight=&386& class=&origin_image zh-lightbox-thumb& width=&900& data-original=&/38e328fcb84eb4c2bbe8e_r.png&&&p&（图片来源：&a href=&///?target=http%3A////generate-superior-returns-less-risk/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&The Macro Trader&i class=&icon-external&&&/i&&/a&）&br&&/p&&br&&p&最后想说的一点是，其实宏观策略也没有特别高深不接地气。我在芝加哥学习生活五年，觉得其实世界上最早使用宏观投资策略的是19世纪芝加哥周边玉米地里的农民。那时候农民根据看天种地的经验，知道选择用期货对冲农产品未来的价格波动。这不就是一种discretionary风格宏观策略么，金融来源于生活。&/p&
谢邀，认识一些这方面的朋友，平日也有一些关注。我写下自己一点了解，不恰当的地方请海涵并指出。 在所有投资策略里，宏观策略差不多是最灵活和最投机的了（此处投机取字面，抓住机会的意思，非贬义）。简单的说，宏观基金就是通过top-down的鸟瞰方式，相…
更新，感谢知友告知，此文原作者是王子卓，如今已经是教职了。个人主页 &a href=&///?target=http%3A//www.menet.umn.edu/%7Ezwang/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&http://www.&/span&&span class=&visible&&menet.umn.edu/~zwang/&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&br&【看了下原作者的paper很牛逼的...求上天赐我一篇OR】&br&&br& 搬运一个本科时看到的文章，作者不详。如知道请告知，我会去咨询原作者是否可以继续转载。&br&&br&&blockquote&概率论感觉测试&br&1.
假设考试周为1个礼拜（周一到周日），且考试时间为均匀分布，假使你有3门考试，则最后一门考试大约在&br&&br&A. 周五&br&B. 周六&br&C. 周日&br&&br&Answer: B. 一般的讲在[0,1]之间n个均匀分布的随机变量最大值期望为n/(n+1)， 也就是可以认为这n个随机变量分别大约在 1/(n+1)， 2/(n+1)，...， n(n+1)。这道题那么算一下大概就是在周六的上午。&br&&br&2. 如果你去参与一项赌博，每次的回报为正态分布，假设你赌了100把发现赢了10000块（明显是很小概率事件，但假设确实发生了），那么你觉得你最有可能是因为&br&&br&A. 有一把赢了很多&br&B. 一直在慢慢的赢&br&C. 两种情况都有可能&br&&br&Answer: B. 也许答案对很多人有些出乎意料。在这种情况下，可能一般觉得能够连续赢很多把很难，但是实际上赢一把大的更难。这个问题是随机变量的长尾还是短尾的问题。长尾的意思就是取离均值很远的概率不是很小，而短尾正好相反。题目中的正态分布属于短尾，因为密度函数是按照平方的指数下降的，如果稍微改一下题目中的分布，则有可能是因为一次赢了很大而最后赢的。另外说一句，有一本书叫《长尾理论》，里面说明了现在的经济中有很多东西是长尾的，比如说一年销量排在100000名之后的歌曲仍然能占据市场的一部分。这是电子商务流行的很重要原因，因为不必支付储存这个长尾的cost。&br&&br&3. 有一根密度不均匀的绳子，你想通过测量多点的密度来估计他的重量（你知道截面积）。则如果给你n次测量密度的机会的话，如果n很大，（估算质量就通过这些点取平均然后乘以截面积）&br&&br&A. 按规律等间隔选取测量点会测得准些&br&B. 随机选取测量点会测得准些&br&C. 两种方法差不多&br&&br&Answer: A. 也许这个也略有些意外。对于一维的情况，方法A略好于方法B。但是在高维的情况下方法A就一般情况下不如方法B了，原因是要想获得相同的效果，这个“有规律的点”需要选取太多。这是所谓的Quasi-Monte Carlo Sampling 和 Monte Carlo Sampling之间的关系。&br&&br&4. 台湾大选，假定马英九最终得到600000票，谢长廷得到400000票，如果一张一张的唱票，则过程中马英九一直领先谢长廷的概率为&br&&br&A. 0.1&br&B. 0.2&br&C. 0.3&br&D. 0.4&br&&br&Answer: B. 直觉上讲这个概率并不会太大，而且尤其是在前面几张的时候多少会出现一些反复。实际上这个结果跟一共多少人投票没什么关系，如果得票比例为a:b (a&b)，则这个概率为(a-b)/(a+b)。&br&&br&5.
你拿10块钱去赌场赌大小，你有两种玩法，一种是每次赌10块，一种每次赌1块，赢了翻倍，输了就没有了。你决定全部输光或者赢到100块就走，则&br&&br&A. 两种方法输光的概率一样&br&B. 第一种输光的概率较大&br&C. 第二种输光的概率较大&br&&br&Answer: A. 不管什么赌法都不会改变这个概率（如果每一次期望都是0， 且最终不能超过100）。这是随机过程中一个比较简单但是很有意义的结论，意思就是说you can't beat the system。因此对于像股市，赌博这种系统，如果你假设了随机性（期望为0），则其实怎么操作结果都是一样的，重要的在于发掘其中的非随机性。另外，到100的概率很容易计算，因为初始值是10，假设到100的概率为p，则有100p+0(1-p)=10，也即p=0.1&br&&br&6. 100个球随机的放在100个箱子里，最后空箱子的数量大约是
&br&&br&A.
0-10&br&B.
10-20&br&C.
20-30&br&D.
30-40&br&&br&&br&Answer: D. 这个题可以用简单的概率论计算。结论是不管多少个球，c*n个球放到n个箱子里，最后空箱子的个数约为ne^-c，现在的情况是箱子数和球数一样多，那么就约为100*e^-1.&br&&br&7、打10000副拱猪，总共持有个A的概率大约在
&br&&br&A.
90%-95%&br&C.
99%以上&br&&br&Answer: D. 这个可以用中心极限定理计算。事实上这个题也不需要计算，只是要考察大家的一个感觉，实际上这个概率大于0.99...9，可以有9个9，尽管有时候我们打牌仍然觉得牌总是很差。。只是我们不注意我们抓好牌的时候罢了。&br&&br&8. 有以下几个国家，每个国家有自己的习俗。问哪个国家长期以后男人的比例最大
&br&&br&A.
每个家庭不断的生孩子直到得到第一个男孩为止&br&B.
每个家庭不断的生孩子直到得到第一个女孩为止&br&C.
每个家庭不断的生孩子直到得到一男一女为止&br&D.
以上几个国家最后男女比例基本一样&br&&br&Answer: D. 我们只需要考察一个家庭最后产生多少男女即可以。用概率的方法可以得到不管哪个方法都是1:1。事实上，我们只是把一个很长的男女的序列按照不同的方式来截断。当然这个序列本上包含多少男女是不变的。我每次都愿意以另外一个例子来说明，那就是如果我们在网上下棋，可以每天下到第一盘输为止或是第一盘赢为止或是有输有赢为止，显然不管怎样，因为你的实力是恒定的，你永远都是你本来应有的胜率。&br&&br&9. 实验室测试灯泡的寿命。在灯泡坏的时候立刻换新灯泡。灯泡寿命约为1小时。考察10000小时时亮着的那个灯泡
&br&&br&A.
那个灯泡的寿命期望也约为1小时&br&B.
那个灯泡的寿命期望约为2个小时&br&C.
那个灯泡的期望寿命约为0.5个小时&br&D.
以上说法都不对&br&&br&Answer: B. 这个题可能稍难。如果具体的算需要一点本科高年级的知识。不过我们仍然可以从直觉得到结果。事实上，当每个灯泡或是我们观测的事物的生命（Life time） 是随机的时候。在时间足够久以后的一点，那个事物的寿命要长于这个事物本身平均的寿命。因为正是因为它寿命长导致我们容易观测到。简单的说，如果灯泡有两种，一种只能坚持1小时，一种能坚持100小时，那我们观测到的99%都可能是100小时那个。所以观测到的平均寿命较长。通常我们认为灯泡的寿命是指数分布的，在这个情况下，答案是2倍。对于一般的分布，甚至有可能平均寿命有限，而观测的那个寿命期望是无限的。这个问题在美国一次监狱调查中被发现，即被调查的囚犯的平均被判刑年数要远大于全美平均判刑的年数。&br&&br&10. 如果一个群体里，每个个体以0.2的概率没有后代，0.6的概率有1个后代，0.2的概率有两个后代，则
&br&&br&A.
这个群体最后会灭绝&br&B.
这个群体最后将稳定在一个分布，即种群大小在一定范围内震荡&br&C.
这个群体最后将爆炸，人口将到无穷&br&D.
不一定会发生什么&br&&br&Answer: A. 这是个简单的人口模型。这个可能直觉比较困难，但是这个实际上和后面的一道题道理是一样的。注意到每一代的期望总是1。因此根据上次的答案，这个群体最后会灭绝。对于这种模型，当每一代的期望小于等于1时，最后的结果都是会灭绝。对于期望大于1的情况，我们也可以很简单的通过解方程得到灭绝的概率。&br&&br&11. 给一个1-n的排列，与原来位置相同的数字的个数的期望大约是 （如 n=5 则51324 与原来位置只有3是相同的）
&br&&br&A.
log n&br&C.
ln n&br&&br&Answer: A. 这个题要去算有几个相同的概率是比较难的，不过实际上有一个很简单的方法。在第1个位置，这个排列的第1个数字为1的概率为1/n，而期望是可加的，所以总共与原来位置相同的数字的个数的期望应该是1。也就是说不管是多少的数字，平均总是有一个数与顺序是相同的。这个题会非常经常出现在考试和习题中。&br&&br&12. 如果有3个门，有一个背后有大奖。你选中一个，主持人知道哪个门后面有奖，并且总会打开另外两个中的某个没奖的。现在你有一次换得机会，你应该&br&&br&A.
不换&br&C.
换不换都一样&br&&br&Answer: A. 这个是网上非常经典的一个问题了。不换正确的概率是1/3，换正确得概率是2/3。我比较喜欢这样去想，试想一下如果有100个门，你先选定1个，然后主持人打开98个空的，然后给你机会换不换。我想如果这样，你不难做出正确的选择。&br&&br&13.
以下那件事情发生的期望时间最短
&br&&br&A.
在第0秒，一个物体从原点出发，每一秒以概率1/