⑴ 股票的預測模型有哪些
股票的預測模型：
1、凈現金流量折現法；
2、投資機會折現法；
3、股利折現法；
4、盈餘折現法；
除此之外，想了解更多的股票類的知識，可以下載財源滾滾APP軟體，系統學習下
⑵ 大數據分析中，有哪些常見的大數據分析模型
數據分析模型主要是用來指導數據分析師進行一個完整的數據分析，更多是指導數據分析的思路。數據分析常用的模型有：
留存分析模型：用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為；
全行為路徑分析：根據每位用戶在APP或網站中的行為事件，分析用戶在APP或網站中各個模塊的流轉規律與特點，挖掘用戶的訪問或瀏覽模式，進而實現一些特定的業務用途；
漏斗分析模型：能夠科學反映用戶行為狀態以及從起點到終點各階段用戶轉化率情況的重要分析模型；
熱圖分析模型：其實就是指頁面點擊分析；
事件分析模型：是針對用戶行為的分析模型之一，也是用戶行為數據分析的核心和基礎；
用戶分群模型：對用戶進行精細化運營，用戶分群能幫助企業更加了解用戶，分析用戶的屬性特徵、以及用戶的行為特徵；
用戶分析模型：通過查看用戶數量在注冊時間上的變化趨勢、查看用戶按省份的分布情況等等，豐富用戶畫像維度；
黏性分析模型：在留存分析的基礎上，對一些用戶指標進行深化；
⑶ 大數據分析方法與模型有哪些
1、分類分析數據分析法
在數據分析中，如果將數據進行分類就能夠更好的分析。分類分析是將一些未知類別的部分放進我們已經分好類別中的其中某一類;或者將對一些數據進行分析，把這些數據歸納到接近這一程度的類別，並按接近這一程度對觀測對象給出合理的分類。這樣才能夠更好的進行分析數據。
2、對比分析數據分析方法
很多數據分析也是經常使用對比分析數據分析方法。對比分析法通常是把兩個相互有聯系的數據進行比較，從數量上展示和說明研究對象在某一標準的數量進行比較，從中發現其他的差異，以及各種關系是否協調。
3、相關分析數據分析法
相關分析數據分析法也是一種比較常見數據分析方法，相關分析是指研究變數之間相互關系的一類分析方法。按是否區別自變數和因變數為標准一般分為兩類：一類是明確自變數和因變數的關系;另一類是不區分因果關系，只研究變數之間是否相關，相關方向和密切程度的分析方法。
4、綜合分析數據分析法
層次分析法，是一種實用的多目標或多方案的決策方法。由於他在處理復雜的決策問題上的實用性和有效性，而層次分析數據分析法在世界范圍得到廣泛的應用。它的應用已遍及經濟計劃和管理，能源政策和分配，行為科學、軍事指揮、運輸、農業、教育、醫療和環境等多領域。
⑷ 股票數據分析方法
股票價格的漲跌，簡單來說，供求決定價格，買的人多價格就漲，賣的人多價格就跌。做成買賣不平行的原因是多方面的，影響股市的政策面、基本面、技術面、資金面、消息面等，是利空還是利多，升多了會有所調整，跌多了也會出現反彈，這是不變的規律。
⑸ 股票的估值模型越復雜,引用的大數據越多,獲得的估值結果就越精確
股票估值的變數很多，從原理上說，引用的數據越多，估值結果就越精確。但是引用的每一個數據都不是准確的，所以引用再多的數據也是沒用的。
⑹ 股票診斷工具 一般使用什麼模型
診股大致分為四個方面，一技術面二資金面三消息面四基本面，其實就是把傳統和市面上所有能用到的分析方法總結在一起進行大數據分析。
比如技術面的「縮量」「超賣」「價跌量升」「一陽穿三線」「紅三兵」等等等，只要近期出現了某個技術指標，就點亮一個，然後放入大數據中進行分析，如出現「價跌量升」特徵後，該股近幾年的表現是如何如何，平均漲跌幅等等等。
其他的也是一樣，比如消息面，就是把最近所有和該股有關系的新聞羅列出來，分為利好面和利空面，並給出市場的看法（如看好或看空）。
基本面，是把所有的基本屬性列出來，比如市盈率，市凈率，營業收入增長（降低），毛利率，凈利率，收益率等等等，然後做出圖表和整個板塊對比得出排名，最後給出一個看法。
比如排名在前列，看好，排名中間，觀望，排名最後，看空。
資金面的分析是最亂的，它統計的是主力資金的凈流入和流出，但我們知道交割是平衡的，也就是賣了多少，就一定有人買多少。
所謂的主力凈流入一般是指大單主動買入，每個軟體的計算方法不一樣（如多少手以上算大單？），但計算方式相同。
⑺ 如何用大數據炒股
我們如今生活在一個數據爆炸的世界裡。網路每天響應超過60億次的搜索請求，日處理數據超過100PB，相當於6000多座中國國家圖書館的書籍信息量總和。新浪微博每天都會發布上億條微博。在荒無人煙的郊外，暗藏著無數大公司的信息存儲中心，24小時夜以繼日地運轉著。
克托·邁爾-舍恩伯格在《大數據時代》一書中認為，大數據的核心就是預測，即只要數據豐富到一定程度，就可預測事情發生的可能性。例如，「從一個人亂穿馬路時行進的軌跡和速度來看他能及時穿過馬路的可能性」，或者通過一個人穿過馬路的速度，預測車子何時應該減速從而讓他及時穿過馬路。
那麼，如果把這種預測能力應用在股票投資上，又會如何？
目前，美國已經有許多對沖基金採用大數據技術進行投資，並且收獲甚豐。中國的中證廣發網路百發100指數基金（下稱百發100），上線四個多月以來已上漲68%。
和傳統量化投資類似，大數據投資也是依靠模型，但模型里的數據變數幾何倍地增加了，在原有的金融結構化數據基礎上，增加了社交言論、地理信息、衛星監測等非結構化數據，並且將這些非結構化數據進行量化，從而讓模型可以吸收。
由於大數據模型對成本要求極高，業內人士認為，大數據將成為共享平台化的服務，數據和技術相當於食材和鍋，基金經理和分析師可以通過平台製作自己的策略。
量化非結構數據
不要小看大數據的本領，正是這項剛剛興起的技術已經創造了無數「未卜先知」的奇跡。
2014年，網路用大數據技術預測命中了全國18卷中12卷高考作文題目，被網友稱為「神預測」。網路公司人士表示，在這個大數據池中，包含互聯網積累的用戶數據、歷年的命題數據以及教育機構對出題方向作出的判斷。
在2014年巴西世界盃比賽中，Google亦通過大數據技術成功預測了16強和8強名單。
從當年英格蘭報社的信鴿、費城股票交易所的信號燈到報紙電話，再到如今的互聯網、雲計算、大數據，前沿技術迅速在投資領域落地。在股票策略中，大數據日益嶄露頭角。
做股票投資策略，需要的大數據可以分為結構化數據和非結構化數據。結構化數據，簡單說就是「一堆數字」，通常包括傳統量化分析中常用的CPI、PMI、市值、交易量等專業信息；非結構化數據就是社交文字、地理位置、用戶行為等「還沒有進行量化的信息」。
量化非結構化就是用深度模型替代簡單線性模型的過程，其中所涉及的技術包括自然語言處理、語音識別、圖像識別等。
金融大數據平台-通聯數據CEO王政表示，通聯數據採用的非結構化數據可以分為三類：第一類和人相關，包括社交言論、消費、去過的地點等；第二類與物相關，如通過正在行駛的船隻和貨車判斷物聯網情況；第三類則是衛星監測的環境信息，包括汽車流、港口裝載量、新的建築開工等情況。
衛星監測信息在美國已被投入使用，2014年Google斥資5億美元收購了衛星公司Skybox，從而可以獲得實施衛星監測信息。
結構化和非結構化數據也常常相互轉化。「結構化和非結構化數據可以形象理解成把所有數據裝在一個籃子里，根據應用策略不同相互轉化。例如，在搜索頻率調查中，用戶搜索就是結構化數據；在金融策略分析中，用戶搜索就是非結構化數據。」網路公司人士表示。
華爾街拿著豐厚薪水的分析師們還不知道，自己的僱主已經將大量資本投向了取代自己的機器。
2014年11月23日，高盛向Kensho公司投資1500萬美元，以支持該公司的大數據平台建設。該平台很像iPhone里的Siri，可以快速整合海量數據進行分析，並且回答投資者提出的各種金融問題，例如「下月有颶風，將對美國建材板塊造成什麼影響？」
在Kensho處理的信息中，有80%是「非結構化」數據，例如政策文件、自然事件、地理環境、科技創新等。這類信息通常是電腦和模型難以消化的。因此，Kensho的CEO Daniel Nadler認為，華爾街過去是基於20%的信息做出100%的決策。
既然說到高盛，順便提一下，這家華爾街老牌投行如今對大數據可謂青睞有加。除了Kensho，高盛還和Fortress信貸集團在兩年前投資了8000萬美元給小額融資平台On Deck Capital。這家公司的核心競爭力也是大數據，它利用大數據對中小企業進行分析，從而選出值得投資的企業並以很快的速度為之提供短期貸款。
捕捉市場情緒
上述諸多非結構化數據，歸根結底是為了獲得一個信息：市場情緒。
在采訪中，2013年諾貝爾經濟學獎得主羅伯特•席勒的觀點被無數采訪對象引述。可以說，大數據策略投資的創業者們無一不是席勒的信奉者。
席勒於上世紀80年代設計的投資模型至今仍被業內稱道。在他的模型中，主要參考三個變數：投資項目計劃的現金流、公司資本的估算成本、股票市場對投資的反應（市場情緒）。他認為，市場本身帶有主觀判斷因素，投資者情緒會影響投資行為，而投資行為直接影響資產價格。
然而，在大數據技術誕生之前，市場情緒始終無法進行量化。
回顧人類股票投資發展史，其實就是將影響股價的因子不斷量化的過程。
上世紀70年代以前，股票投資是一種定性的分析，沒有數據應用，而是一門主觀的藝術。隨著電腦的普及，很多人開始研究驅動股價變化的規律，把傳統基本面研究方法用模型代替，市盈率、市凈率的概念誕生，量化投資由此興起。
量化投資技術的興起也帶動了一批華爾街大鱷的誕生。例如，巴克萊全球投資者（BGI）在上世紀70年代就以其超越同行的電腦模型成為全球最大的基金管理公司；進入80年代，另一家基金公司文藝復興（Renaissance）年均回報率在扣除管理費和投資收益分成等費用後仍高達34%，堪稱當時最佳的對沖基金，之後十多年該基金資產亦十分穩定。
「從主觀判斷到量化投資，是從藝術轉為科學的過程。」王政表示，上世紀70年代以前一個基本面研究員只能關注20隻到50隻股票，覆蓋面很有限。有了量化模型就可以覆蓋所有股票，這就是一個大的飛躍。此外，隨著計算機處理能力的發展，信息的用量也有一個飛躍變化。過去看三個指標就夠了，現在看的指標越來越多，做出的預測越來越准確。
隨著21世紀的到來，量化投資又遇到了新的瓶頸，就是同質化競爭。各家機構的量化模型越來越趨同，導致投資結果同漲同跌。「能否在看到報表數據之前，用更大的數據尋找規律？」這是大數據策略創業者們試圖解決的問題。
於是，量化投資的多米諾骨牌終於觸碰到了席勒理論的第三層變數——市場情緒。
計算機通過分析新聞、研究報告、社交信息、搜索行為等，藉助自然語言處理方法，提取有用的信息；而藉助機器學習智能分析，過去量化投資只能覆蓋幾十個策略，大數據投資則可以覆蓋成千上萬個策略。
基於互聯網搜索數據和社交行為的經濟預測研究，已逐漸成為一個新的學術熱點，並在經濟、社會以及健康等領域的研究中取得了一定成果。在資本市場應用上，研究發現搜索數據可有效預測未來股市活躍度（以交易量指標衡量）及股價走勢的變化。
海外就有學術研究指出，公司的名稱或者相關關鍵詞的搜索量，與該公司的股票交易量正相關。德國科學家Tobias Preis就進行了如此研究：Tobias利用谷歌搜索引擎和谷歌趨勢（Google Trends），以美國標普500指數的500隻股票為其樣本，以2004年至2010年為觀察區間，發現谷歌趨勢數據的公司名稱搜索量和對應股票的交易量，在每周一次的時間尺度上有高度關聯性。也就是說，當某個公司名稱在谷歌的搜索量活動增加時，無論股票的價格是上漲或者下跌，股票成交量與搜索量增加；反之亦然，搜索量下降，股票成交量下降。以標普500指數的樣本股為基礎，依據上述策略構建的模擬投資組合在六年的時間內獲得了高達329%的累計收益。
在美國市場上，還有多家私募對沖基金利用Twitter和Facebook的社交數據作為反映投資者情緒和市場趨勢的因子，構建對沖投資策略。利用互聯網大數據進行投資策略和工具的開發已經成為世界金融投資領域的新熱點。
保羅·霍丁管理的對沖基金Derwent成立於2011年5月，注冊在開曼群島，初始規模約為4000萬美元， 2013年投資收益高達23.77%。該基金的投資標的包括流動性較好的股票及股票指數產品。
通聯數據董事長肖風在《投資革命》中寫道，Derwent的投資策略是通過實時跟蹤Twitter用戶的情緒，以此感知市場參與者的「貪婪與恐懼」，從而判斷市場漲跌來獲利。
在Derwent的網頁上可以看到這樣一句話：「用實時的社交媒體解碼暗藏的交易機會。」保羅·霍丁在基金宣傳冊中表示：「多年以來，投資者已經普遍接受一種觀點，即恐懼和貪婪是金融市場的驅動力。但是以前人們沒有技術或數據來對人類情感進行量化。這是第四維。Derwent就是要通過即時關注Twitter中的公眾情緒，指導投資。」
另一家位於美國加州的對沖基金MarketPsych與湯普森·路透合作提供了分布在119個國家不低於18864項獨立指數，比如每分鍾更新的心情狀態（包括樂觀、憂郁、快樂、害怕、生氣，甚至還包括創新、訴訟及沖突情況等），而這些指數都是通過分析Twitter的數據文本，作為股市投資的信號。
此類基金還在不斷涌現。金融危機後，幾個台灣年輕人在波士頓組建了一家名為FlyBerry的對沖基金，口號是「Modeling the World（把世界建模）」。它的投資理念全部依託大數據技術，通過監測市場輿論和行為，對投資做出秒速判斷。
關於社交媒體信息的量化應用，在股票投資之外的領域也很常見：Twitter自己也十分注重信息的開發挖掘，它與DataSift和Gnip兩家公司達成了一項出售數據訪問許可權的協議，銷售人們的想法、情緒和溝通數據，從而作為顧客的反饋意見匯總後對商業營銷活動的效果進行判斷。從事類似工作的公司還有DMetics，它通過對人們的購物行為進行分析，尋找影響消費者最終選擇的細微原因。
回到股票世界，利用社交媒體信息做投資的公司還有StockTwits。打開這家網站，首先映入眼簾的宣傳語是「看看投資者和交易員此刻正如何討論你的股票」。正如其名，這家網站相當於「股票界的Twitter」，主要面向分析師、媒體和投資者。它通過機器和人工相結合的手段，將關於股票和市場的信息整理為140字以內的短消息供用戶參考。
此外，StockTwits還整合了社交功能，並作為插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，讓人們可以輕易分享投資信息。
另一家公司Market Prophit也很有趣。這家網站的宣傳語是「從社交媒體噪音中提煉市場信號」。和StockTwits相比，Market Prophit更加註重大數據的應用。它採用了先進的語義分析法，可以將Twitter里的金融對話量化為「-1（極度看空）」到「1（極度看多）」之間的投資建議。網站還根據語義量化，每天公布前十名和後十名的股票熱度榜單。網站還設計了「熱度地圖」功能，根據投資者情緒和意見，按照不同板塊，將板塊內的個股按照顏色深淺進行標注，誰漲誰跌一目瞭然。
中國原創大數據指數
盡管大數據策略投資在美國貌似炙手可熱，但事實上，其應用尚僅限於中小型對沖基金和創業平台公司。大數據策略投資第一次被大規模應用，應歸於中國的百發100。
網路金融中心相關負責人表示，與歐美等成熟資本市場主要由理性機構投資者構成相比，東亞尤其是中國的股票類證券投資市場仍以散戶為主，因此市場受投資者情緒和宏觀政策性因素影響很大。而個人投資者行為可以更多地反映在互聯網用戶行為大數據上，從而為有效地預測市場情緒和趨勢提供了可能。這也就是中國國內公募基金在應用互聯網大數據投資方面比海外市場並不落後、甚至領先的原因。
百發100指數由網路、中證指數公司、廣發基金聯合研發推出，於2014年7月8日正式對市場發布，實盤運行以來一路上漲，漲幅超過60%。跟蹤該指數的指數基金規模上限為30億份，2014年9月17日正式獲批，10月20日發行時一度創下26小時瘋賣18億份的「神話」。
外界都知道百發100是依託大數據的指數基金，但其背後的細節鮮為人知。
百發100數據層面的分析分為兩個層面，即數據工廠的數據歸集和數據處理系統的數據分析。其中數據工廠負責大數據的收集分析，例如將來源於互聯網的非結構化數據進行指標化、產品化等數據量化過程；數據處理系統，可以在數據工廠遞交的大數據中尋找相互統計關聯，提取有效信息，最終應用於策略投資。
「其實百發100是在傳統量化投資技術上融合了基於互聯網大數據的市場走勢和投資情緒判斷。」業內人士概括道。
和傳統量化投資類似，百發100對樣本股的甄選要考慮財務因子、基本面因子和動量因子，包括凈資產收益率（ROE）、資產收益率（ROA）、每股收益增長率（EPS）、流動負債比率、企業價值倍數（EV/EBITDA）、凈利潤同比增長率、股權集中度、自由流通市值以及最近一個月的個股價格收益率和波動率等。
此外，市場走勢和投資情緒是在傳統量化策略基礎上的創新產物，也是百發100的核心競爭力。接近網路的人士稱，市場情緒因子對百發100基金起決定性作用。
網路金融中心相關負責人是羅伯特•席勒觀點的支持者。他認為，投資者行為和情緒對資產價格、市場走勢有著巨大的影響。因此「通過互聯網用戶行為大數據反映的投資市場情緒、宏觀經濟預期和走勢，成為百發100指數模型引入大數據因子的重點」。
傳統量化投資主要著眼點在於對專業化金融市場基本面和交易數據的應用。但在網路金融中心相關業務負責人看來，無論是來源於專業金融市場的結構化數據，還是來源於互聯網的非結構化數據，都是可以利用的數據資源。因此，前文所述的市場情緒數據，包括來源於互聯網的用戶行為、搜索量、市場輿情、宏觀基本面預期等等，都被網路「變廢為寶」，從而通過互聯網找到投資者參與特徵，選出投資者關注度較高的股票。
「與同期滬深300指數的表現相較，百發100更能在股票市場振盪時期、行業輪動劇烈時期、基本面不明朗時期抓住市場熱點、了解投資者情緒、抗擊投資波動風險。」網路金融中心相關負責人表示。
百發100選取的100隻樣本股更換頻率是一個月，調整時間為每月第三周的周五。
業內人士指出，百發100指數的月收益率與中證100、滬深300、中證500的相關性依次提升，說明其投資風格偏向中小盤。
但事實並非如此。從樣本股的構成來說，以某一期樣本股為例，樣本股總市值6700億元，佔A股市值4.7%。樣本股的構成上，中小板21隻，創業板4隻，其餘75隻樣本股均為大盤股。由此可見，百發100還是偏向大盤為主、反映主流市場走勢。
樣本股每個月的改變比例都不同，最極端的時候曾經有60%進行了換倉。用大數據預測熱點變化，市場熱點往往更迭很快；但同時也要考慮交易成本。兩方面考慮，網路最後測算認為一個月換一次倉位為最佳。
樣本股對百發100而言是核心機密——據說「全世界只有基金經理和指數編制機構負責人兩個人知道」——都是由機器決定後，基金經理分配給不同的交易員建倉買入。基金經理也沒有改變樣本股的權利。
展望未來，網路金融中心相關負責人躊躇滿志，「百發100指數及基金的推出，只是我們的開端和嘗試，未來將形成多樣化、系列投資產品。」
除了百發100，目前市場上打著大數據旗幟的基金還有2014年9月推出的南方-新浪I100和I300指數基金。
南方-新浪I100和I300是由南方基金、新浪財經和深圳證券信息公司三方聯合編制的。和百發100類似，也是按照財務因子和市場情緒因子進行模型打分，按照分值將前100和前300名股票構成樣本股。推出至今，這兩個指數基金分別上漲了10%左右。
正如百發100的市場情緒因子來自網路，南方-新浪I100和I300的市場情緒因子全部來自新浪平台。其中包括用戶在新浪財經對行情的訪問熱度、對股票的搜索熱度；用戶在新浪財經對股票相關新聞的瀏覽熱度；股票相關微博的多空分析數據等。
此外，阿里巴巴旗下的天弘基金也有意在大數據策略上做文章。據了解，天弘基金將和阿里巴巴合作，推出大數據基金產品，最早將於2015年初問世。
天弘基金機構產品部總經理劉燕曾對媒體表示，「在傳統的調研上，大數據將貢獻於基礎資產的研究，而以往過度依賴線下研究報告。大數據將視野拓展至了線上的數據分析，給基金經理選股帶來新的邏輯。」
在BAT三巨頭中，騰訊其實是最早推出指數基金的。騰訊與中證指數公司、濟安金信公司合作開發的「中證騰安價值100指數」早在2013年5月就發布了，號稱是國內第一家由互聯網媒體與專業機構編制發布的A股指數。不過，業內人士表示，有關指數並沒有真正應用大數據技術。雖然騰訊旗下的微信是目前最熱的社交平台，蘊藏了大量的社交數據，但騰訊未來怎麼開發，目前還並不清晰。
大數據投資平台化
中歐商學院副教授陳威如在其《平台戰略》一書中提到，21世紀將成為一道分水嶺，人類商業行為將全面普及平台模式，大數據金融也不例外。
然而，由於大數據模型對成本要求極高，就好比不可能每家公司都搭建自己的雲計算系統一樣，讓每家機構自己建設大數據模型，從數據來源和處理技術方面看都是不現實的。業內人士認為，大數據未來必將成為平台化的服務。
目前，阿里、網路等企業都表示下一步方向是平台化。
螞蟻金服所致力搭建的平台，一方麵包括招財寶一類的金融產品平台，另一方麵包括雲計算、大數據服務平台。螞蟻金服人士說，「我們很清楚自己的優勢不是金融，而是包括電商、雲計算、大數據等技術。螞蟻金服希望用這些技術搭建一個基礎平台，把這些能力開放出去，供金融機構使用。」
網路亦是如此。接近網路的人士稱，未來是否向平台化發展，目前還在討論中，但可以確定的是，「網路不是金融機構，目的不是發產品，百發100的意義在於打造影響力，而非經濟效益。」
當BAT還在摸索前行時，已有嗅覺靈敏者搶佔了先機，那就是通聯數據。
通聯數據股份公司（DataYes）由曾任博時基金副董事長肖風帶隊創建、萬向集團投資成立，總部位於上海，公司願景是「讓投資更容易，用金融服務雲平台提升投資管理效率和投研能力」。該平台7月上線公測，目前已擁有130多家機構客戶，逾萬名個人投資者。
通聯數據目前有四個主要平台，分別是通聯智能投資研究平台、通聯金融大數據服務平台、通聯多資產投資管理平台和金融移動辦公平台。
通聯智能投資研究平台包括雅典娜-智能事件研究、策略研究、智能研報三款產品，可以對基於自然語言的智能事件進行策略分析，實時跟蹤市場熱點，捕捉市場情緒。可以說，和百發100類似，其核心技術在於將互聯網非結構化數據的量化使用。
通聯金融大數據服務平台更側重於專業金融數據的分析整理。它可以提供公司基本面數據、國內外主要證券、期貨交易所的行情數據、公司公告數據、公關經濟、行業動態的結構化數據、金融新聞和輿情的非結構化數據等。
假如將上述兩個平台比作「收割機」，通聯多資產投資管理平台就是「廚房」。在這個「廚房」里，可以進行全球跨資產的投資組合管理方案、訂單管理方案、資產證券化定價分析方案等。
通聯數據可以按照主題熱點或者自定義關鍵字進行分析，構建知識圖譜，將相關的新聞和股票提取做成簡潔的分析框架。例如用戶對特斯拉感興趣，就可以通過主題熱點看到和特斯拉相關的公司，並判斷這個概念是否值得投資。「過去這個搜集過程要花費幾天時間，現在只需要幾分鍾就可以完成。」王政表示。
「通聯數據就好比一家餐館，我們把所有原料搜集來、清洗好、准備好，同時准備了一個鍋，也就是大數據存儲平台。研究員和基金經理像廚師一樣，用原料、工具去『烹制』自己的策略。」王政形容道。
大數據在平台上扮演的角色，就是尋找關聯關系。人類總是習慣首先構建因果關系，繼而去倒推和佐證。機器學習則不然，它可以在海量數據中查獲超越人類想像的關聯關系。正如維克托`邁爾-舍恩伯格在《大數據時代》中所提到的，社會需要放棄它對因果關系的渴求，而僅需關注相互關系。
例如，美國超市沃爾瑪通過大數據分析，發現颶風用品和蛋撻擺在一起可以提高銷量，並由此創造了頗大的經濟效益。如果沒有大數據技術，誰能將這毫無關聯的兩件商品聯系在一起？
通聯數據通過機器學習，也能找到傳統量化策略無法發現的市場聯系。其中包括各家公司之間的資本關系、產品關系、競爭關系、上下游關系，也包括人與人之間的關系，例如管理團隊和其他公司有沒有關聯，是否牽扯合作等。
未來量化研究員是否將成為一個被淘汰的職業？目前研究員的主要工作就是收集整理數據，變成投資決策，而之後這個工作將更多由機器完成。
「當初醫療科技發展時，人們也認為醫生會被淘汰，但其實並不會。同理，研究員也會一直存在，但他們會更注重深入分析和調研，初級的數據搜集可以交給機器完成。」王政表示。
但當未來大數據平台並廣泛應用後，是否會迅速擠壓套利空間？這也是一個問題。回答根據網上資料整理
⑻ 如何用大數據分析股票
首先要自己建立模型才行。
⑼ 股票估值有哪些經典的模型，要具體過程 謝謝
股票估值分類
絕對估值
絕對估值是通過對上市公司歷史及當前的基本面的分析和對未來反應公司經營狀況的財務數據的預測獲得上市公司股票的內在價值。
絕對估值的方法：一是現金流貼現定價模型，二是B-S期權定價模型(主要應用於期權定價、權證定價等)。現金流貼現定價模型目前使用最多的是DDM和DCF，而DCF估值模型中，最廣泛應用的就是FCFE股權自由現金流模型。
絕對估值的作用：股票的價格總是圍繞著股票的內在價值上下波動，發現價格被低估的股票，在股票的價格遠遠低於內在價值的時候買入股票，而在股票的價格回歸到內在價值甚至高於內在價值的時候賣出以獲利。
相對估值
相對估值是使用市盈率、市凈率、市售率、市現率等價格指標與其它多隻股票（對比系）進行對比，如果低於對比系的相應的指標值的平均值，股票價格被低估，股價將很有希望上漲，使得指標回歸對比系的平均值。
相對估值包括PE、PB、PEG、EV/EBITDA等估值法。通常的做法是對比，一個是和該公司歷史數據進行對比，二是和國內同行業企業的數據進行對比，確定它的位置，三是和國際上的(特別是香港和美國)同行業重點企業數據進行對比。
聯合估值
聯合估值是結合絕對估值和相對估值，尋找同時股價和相對指標都被低估的股票，這種股票的價格最有希望上漲。
首先建立估值體系，根據估值體系確定目標價，
然後決定相應操作。
一般而言，估值的基本方法可以分為以下三種：
• 現金流量折現法（DCF）；
• 相對價值法；
• 期權估值法。
在介紹基本的估值方法之前，首先必須明確一個概念：什麼是企業價值？
從投資者的角度來看，根據資本市場信息或企業內部信息，對企業未來的現金流量，用反映企業未來現金流量風險的折現率進行折現所做的綜合判斷，就稱為企業的價值。企業價值不是用一個復雜的數學模型算出來的，算出來的只能是一種判斷，隨著在資本市場上，大家都提供一種判斷，綜合起來就大致確定出企業證券的價值，它是個波動的概念。因此，企業價值的構成要素有兩個：企業未來的現金流量以及反映企業未來現金流量風險的折現率。
決定市場價值的要素，第一，要看投資者，即追求投資回報最大化的機構和個人；第二，必須要有一個現代企業，也就是說，在市場經濟社會中，企業必須是投資者實現投資回報的社會組織和載體；第三，就是看企業未來現金流量的折現值；第四，是基於企業內部的各種信息和資本市場信息而做出的綜合判斷。
基於不同的模型，現金流量有不同的定義。但無論用何種模型對企業進行估值，一方面要看生產經營：研發、采購、製造、營銷等等。另一方面要看資本經營，怎樣把債務和權益結合起來，提高企業的獲利能力？這就要用生產經營得到的利潤，除以整個投資資本，得到投資資本回報率（ROIC），然後減去加權平均資本成本（WACC）。因此，在估值時，既要考慮到生產經營成本，又要考慮到資本經營成本。綜合起來，對於企業的價值，最後就形成一個判斷。
在進行價值評估時，國內企業存在一個誤區。國內企業常常用很多陳舊的會計方法來進行資產評估，其實這並不妥當。因為，對企業價值的評估，要用未來現金流量的折現來判斷。假如現在向投資者介紹一個投資機會：某企業有一套全新的生產線設備，生產20英寸黑白晶體管電視，准備發行1萬股普通股股票，請各位投資者來投資，錢一到，立即到人才交流中心招人，一個星期以後投產，這些資產值不值錢？投資者願不願投資？投資者肯定不願投資。但資產評估卻根據設備、廠房、折舊等一系列指標，然後根據財務規定，得出值多少錢來（見圖表1-1）。
現在換一種情況，某企業想做中國最大的互聯網家電交易商，全國有2500萬網民，只要上網點擊，一周內就能把貨送到，該企業有20個計算機軟體專家，現在准備發行普通股股票融資，恐怕有人願意投資有人不願意投資，關鍵要看企業價值，即企業今後的發展能否帶來利潤。因此，對資產評估，有時可以參考，而有時概念就不是很清楚。
圖表1-1 價值評估不同於資產評估
價值評估 資產評估
• 用折現現金流量方法
• 使用來自資產負債表
和損益表的信息 •對資產的現價進行估算
• 較長期的時間范疇
• 預測今後發展
• 使用加權平均資本成本
一、現金流量折現法（DCF）
▲ 基本原理
任何資產的價值等於其預期未來產生的全部現金流量的現值之和，用公式表示為：
V=∑tCFt/(1 rt)n
其中：V = 資產的價值；
n = 資產的壽命；
CFt= 資產在時期t產生的現金流量
rt = 反映預期未來現金流量風險的折現率
▲ 現金流量折現法的適用性和局限性
現金流量折現法是基於預期未來現金流量和折現率的估價方法。在一定的條件下，如果被估價資產當前的現金流量為正，並且可以比較准確地預測未來現金流量的發生時間，同時，根據現金流量的風險特性又能夠確定出適當的折現率，那麼就適合採用現金流量折現方法。但現實情況往往並非如此，實際情況與模型假設條件相差越大，現金流量折現法的運用就會變得越困難。
在下列情況下，使用現金流量折現法進行估值將會遇到比較大的困難，需要進行相應的調整。
• 陷入財務困境狀態的公司
公司處於財務困境狀態下，當前的收益和現金流量通常為負，並且無法預期公司未來何時會出現好轉。對於此類公司，由於破產的可能性很大，所以預測未來現金流量就十分困難。對於預期將要破產的企業，使用該方法的效果並不理想。即使對於那些預期會絕處逢生的企業而言，應用現金流量折現法時也必須要預測未來現金流量何時為正，數額多少，因為僅計算負現金流量的現值將會導致公司整體價值或股權的價值為負。
• 周期性公司
周期性公司的收益和現金流量往往隨宏觀經濟環境的變化而變化。經濟繁榮時，公司收益上升，經濟蕭條時則下降。很多周期性公司在宏觀經濟極度蕭條時，會與處於困境中的公司一樣，具有負的收益和現金流量。如果對這些公司運用現金流量折現法進行估值，通常要對預期未來現金流量進行平滑處理。對於此類公司，在估值前對宏觀經濟環境進行預測是必不可少的，但這種預測必然會導致分析人員的主觀偏見，並且成為影響估值結果的一個因素。
• 擁有未被利用資產的公司
現金流量折現法反映了公司當前所有產生現金流量的經營性資產的價值。如果公司有尚未利用的經營性資產（當前不產生任何現金流量），這些資產的價值就不會體現在公司總價值中。同樣，當前未被充分利用的資產也會產生類似問題。通常可以從公司外部得到此類資產的價值，然後將其加到現金流量折現法計算出的價值之中。
• 有專利或產品選擇權的公司
公司常常擁有尚未利用的專利或產品選擇權，它們在當前並不產生任何現金流量，預計在近期內也不能產生現金流量，但它們是有價值的。對於這類公司，現金流量折現法會低估它們的真實價值。這個問題可以通過同樣的方法加以克服。首先在公開市場上、或者運用期權定價模型對這些資產進行估價，然後將其加入到現金流量折現法計算出的價值之中。
• 正在進行重組的公司
正在進行重組的公司通常會出售它們的一些已有的資產，購買新的資產，並且改變它們的資本結構和股利政策。一些公司進行重組時還會改變其所有權結構和管理層的激勵方案。每種變化都將使公司未來現金流量的預測變得更為困難，並且會影響未來現金流量的風險特徵，並進而影響折現率。歷史數據會對這類公司的估值產生誤導作用。但是，即使是對於投資和融資政策發生重大變化的公司，如果預測的未來現金流量已經反映了這些變化的影響，並且折現率已經根據公司新的業務和財務風險進行了適當的調整，那麼仍然可以使用現金流量折現法。
• 涉及並購事項的公司
使用現金流量折現法來對目標公司進行估值時，至少需要考慮與購並有關的兩個棘手問題。第一個問題是購並是否會產生協同效應？協同效應的價值是否可以評估？在假設購並會產生協同效應，並且協同效應會影響公司現金流量的情況下，可以單獨估計協同效應的價值。第二個問題是公司管理層的變動對公司現金流量及其風險的影響，這一點在敵意收購中尤為明顯和重要。這些變化的影響可以而且應當體現在預期未來現金流量及所選用的折現率中。
• 非上市公司
現金流量折現法要求根據被估值資產的歷史價格來估算風險參數，因此，運用現金流量折現法對非上市公司進行估值時，最大的問題是公司風險的度量。由於非上市公司的股票不在公開市場上進行交易，所以這一要求無法滿足。解決方法這一是考察可比上市公司的風險，另一個備選方法是根據非上市公司的基本財務指標來估計其風險參數。
企業的價值等於以適當的折現率對該企業預期未來現金流量進行折現所得到的現值，這里所產生的問題是：如何界定現金流量？什麼是適當的折現率？雖然解決這些問題的許多備選框架都能得出同樣准確的結果，但本文只推薦其中的兩種，分別稱為「自由現金流量（FCF）折現模型」和「經濟增加值（EVA）模型（又稱經濟利潤模型）」，並建議對非金融公司估值時採用這兩種模型。其他一些現金流量折現模型各有特點，使用起來受到限制，本文不再詳細提及。
1、自由現金流量折現模型
運用自由現金流量折現模型對企業權益估值，是將企業的經營價值（可向所有投資者提供的實體價值）減去債務價值以及其它優於普通股的投資者要求（如優先股）。經營價值和債務價值等於各自預期未來現金流量的現值，而選擇的折現率一定要反映各自預期未來現金流量的風險。
經營價值
經營價值等於預期未來自由現金流量的現值。自由現金流量（FCF）等於企業的稅後凈經營利潤加上非現金支出，再減去營運資本需求的變化、資本支出以及其它資產方面的投資。它未納入任何與籌資有關的現金流量（如利息費用和股息等）。對於這一估值模型來說，自由現金流量是正確的現金流量，因為它可以反映企業經營業務所產生的能夠向公司所有資本（包括債務資本和權益資本）供應者提供的現金流量。
為了與定義相一致，用於自由現金流量折現的折現率應反映所有資本供應者按照各自對企業總資本的相對貢獻而加權的機會成本，這稱為加權平均資本成本（WACC）。某類投資者的機會成本等於投資者從同等風險的其它投資中得到的期望回報率。
企業估值的一個新問題是企業壽命的無限期性，解決的方法是將企業壽命分為兩個時期，即明確的預測期及其後階段。在這種情況下，企業價值可作如下表示：
企業價值（FV）= 明確的預測期期間的現金流量現值 明確的預測期之後的現金流量現值
明確的預測期之後的價值系指持續經營價值（CV），可以用簡單的公式估算持續經營價值，而無須詳細預測在無限期內的現金流量。
債務價值
企業的債務價值等於對債權人的現金流量按能反映其風險的折現率折現的現值。折現率應等於具有可比條件的類似風險的債務的現行市場水平。在大多數情況下，只有在估值當日尚未償還的企業債務須估算價值。對於未來借款可假定其凈現值為零，因為由這些借款得來的現金流入與未來償付現金流量的現值完全相等，是以債務的機會成本折現的。
權益價值
企業的權益價值等於其經營價值減去債務價值以及其它優於普通股的投資者要求（如優先股），並對任何非經營性資產或負債進行調整。
2、經濟增加值（EVA）模型（又稱經濟利潤模型）
經濟增加值模型說明，企業的價值等於投資資本額加上預期未來每年經濟增加值的現值。即：
企業價值（FV）= 投資資本 預期未來每年產生的經濟增加值的現值
經濟增加值（EVA）又稱經濟利潤（EP），它不同於傳統的會計利潤。傳統的會計利潤扣除了債務利息，但是完全沒有考慮權益資本的成本。經濟增加值（EVA）不僅扣除了債務利息，而且也扣除了權益資本的成本，因而是一種真正的利潤度量指標。從公式的角度講，經濟增加值（EVA）等於稅後凈經營利潤（NOPAT）減去債務資本和權益資本的成本。
經濟增加值模型優於自由現金流量折現模型，因為，經濟增加值可以衡量公司在任何單一時期內所創造的價值，而自由現金流量折現模型卻做不到。經濟增加值（EVA）定義如下：
經濟增加值（EVA）= 稅後凈經營利潤 - 資本費用
= 稅後凈經營利潤 -（投資資本×加權平均資本成本）
投資資本=營運資本需求 固定資產凈值 其它經營性資產凈額
二、相對價值法
▲ 基本原理
在相對價值法中，公司的價值通過參考「可比」公司的價值與某一變數，如收益、現金流量或銷售收入等的比率而得到。相對價值法基於經濟理論和常識都認同的一個基本原則，即類似的資產應該有類似的交易價格。按照這一原則，評估一項資產價值的一個直截了當的方法就是找到一個由消息靈通的買者和賣者剛剛進行完交易的、相同的或者至少是相近的可比資產。這一原則也意味著被評估資產的價值等於可比資產的交易價格。
然而，由於結構、規模、風險等方面的差異，實踐中找到一項直接可比的資產相當困難。處理的方法是進行相應的調整，這涉及到兩個數值，一個是價值指標，另一個是與價值有關的可觀測變數。運用相對價值法評估公司價值，需要得到可比公司的價值指標數據和可觀測變數數據以及目標公司的可觀測變數數據。
用數學語言表示相對價值法有助於進一步理解和熟悉這種方法。以V表示價值指標數據，以X表示可觀測變數數據。相對價值法所依賴的關鍵假設前提是目標公司的V/X比率與可比公司的V/X比率相同，如下式所示：
V（目標公司）/X（目標公司）= V（可比公司）/X（可比公司）
變形可得：
V（目標公司）= X（目標公司）× [ V（可比公司）/X（可比公司）]
只要V/X比率在各個公司之間保持常數，上式對於所有的可觀測變數X都成立。為此，在應用相對價值法時，一個關鍵的步驟是挑選可觀測變數X，要使得這樣一個變數與價值指標有著確定的關系。
▲ 相對價值法的適用性和局限性
相對價值法的優點在於簡單且易於使用。使用該方法可以迅速獲得被估值公司的價值，尤其是當金融市場上有大量「可比」資產進行交易、並且市場在平均水平上對這些資產的定價是正確的時候。但相對價值法也容易被誤用和操縱。因為，現實中絕對沒有在風險和成長性方面完全相同的兩個公司或兩種資產，「可比」公司或資產的定義是一個主觀概念。因此，在選擇「可比」公司或資產時容易出現偏見。盡管這種潛在的偏見也存在於現金流量折現法之中，但在現金流量折現法中，必須說明決定最終價值的前提假設，而在相對價值法中，這種前提假設往往不必提及。
相對價值法的另一個問題是它會將市場對「可比」公司或資產定價的錯誤（高估或低估）引入估值之中。而現金流量折現法是基於特定公司自身的增長率和預期未來現金流量，它不會被市場的錯誤所影響。
盡管在實際操作中還使用其它一些比率，但本文主要介紹以下四種比率：
• 市盈率（P/E）；
• 公司價值/自由現金流量（EV/FCF）；
• 公司價值/銷售收入（EV/S）；
• 公司價值/息稅折舊攤銷前收益（EV/EBITDA）。