人工智能与虚拟现实
如何用人工智能预测股票(完整项目)
本文由 沈庆阳 所有,转载请与作者取得联系!
十分钟实现人工智能股价预测，是一个深度学习的练习项目。其通过机器学习算法，根据过去几年与某只股票相关的K线走势、公司相关报道的情感分析作为数据集，通过训练来得到可以预测股价的机器学习模型，并用该模型对股价进行预测。
本项目使用几种不同的算法（线性回归、神经网络和随机森林）对股票进行预测，并对各自的效果进行比较。
运行本项目需要Python编程的基础，理解本项目的代码则需要对机器学习的相关知识。
自然人是如何投资股市的
在编写人工智能的程序之前，我们需要分析人类是怎样决定如何投资的。
有过炒股经历的人会更快地理解。投资股市的目的是盈利，因此在决定购买哪只股票之前我们会查阅与该公司相关的信息，搜索最近甚至之前与该公司有关的新闻，逛逛炒股方面的贴吧，看看微博上面与该公司有关的消息。如果这个公司的前景明朗（正面报道很多），那么投资该股票的回报率也许会高一些。
此外，投资股市，还需要会看各种数据，如K线等。有时我们看到某只股票持续走低，并且有上涨的势头了，也许此时是最佳的购入时机，因为该股票有很大可能会触底反弹了。
通过上述分析，我们明确了训练这样的一个机器学习模型需要哪些数据：
1、股价数据
2、对该股票（公司）的情感数据
获取历史数据并简单处理
数据对于机器学习十分重要。没有合适的数据，我们就无法训练机器学习模型，从而使其可以进行相应地预测。
在该项目中，我们需要获取2部分的数据。1：股价数据，2：情感数据。对于处理股价数据，我们需要
对于股价数据，需要使用进行分析。对于情感数据则使用（Natural Language Toolkit）来进行处理。
关于Pandas的使用入门，我曾写过一篇教程：
首先，我们导入相应地Python包。
import numpy as np
import pandas as pd
import unicodedata
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
from nltk.sentiment.vader import SentimentIntensityAnalyzer
from treeinterpreter import treeinterpreter as ti
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import LogisticRegression
from sklearn.neural_network import MLPClassifier
然后再读取往年的股价的数据，对其处理并生成Pandas的DataFrame格式。
df_stocks = pd.read_pickle('data/pickled_ten_year_filtered_data.pkl')
df_stocks['prices'] = df_stocks['adj close'].apply(np.int64)
df_stocks = df_stocks[['prices', 'articles']]
df_stocks['articles'] = df_stocks['articles'].map(lambda x: x.lstrip('.-'))
注：此处的数据是已经序列化成为文件的Python对象。
print(df_stocks)
来查看我们的df_stocks DataFrame对象。其输出如下：
2007-01-01
What Sticks from
2007-01-02
Heart Health: Vitamin Does Not Prevent Death ...
2007-01-03
Google Answer to Filling Jobs Is an Algorithm...
2007-01-04
Helping Make the Shift From Combat to Commerc...
2007-01-05
Rise in Ethanol Raises Concerns About Corn as...
2007-01-06
A Status Quo Secretary General. Best Buy and ...
2007-01-07
THE COMMON APPLICATION; Typo.com. Jumbo Bonus...
2016-12-31
Terrorist Attack at Nightclub in Istanbul Kill...
[3653 rows x 2 columns]
Process finished with exit code 0
可以看到，我们已经成功获取到了股票的股价以及相关的文章的内容，下一步我们开始对股票情感数据与股价数据联合起来进行分析处理。
先将df_stocks中的price Series独立出来，成为一个单独的DataFrame对象。因为我们对股票数据进行分析，并且不想破坏原DataFrame。在独立出来Price之后，我们再添加几个新的Series，接下来就是使用NLTK对文章进行情感分析了。
df = df_stocks[['prices']].copy()
df["compound"] = ''#合成
df["neg"] = ''#负面
df["neu"] = ''#中立
df["pos"] = ''#积极
我们使用NLTK的情感强度分析器对文章情感进行分析。并将情感的强度写入新独立出来的DataFrame df中。其中neg Series用来存放该新闻的负面指数，neu Series用来存放该新闻的中立指数，pos Series用来存放该新闻的正面（积极）指数，Compound用来存放该新闻的合成（将neg neu pos结合）指数。
nltk.download('vader_lexicon')
sid = SentimentIntensityAnalyzer()
for date, row in df_stocks.T.iteritems():
sentence = unicodedata.normalize('NFKD', df_stocks.loc[date, 'articles'])
ss = sid.polarity_scores(sentence)
df.at[date, 'compound'] = ss['compound']
df.at[date, 'neg'] = ss['neg']
df.at[date, 'neu'] = ss['neu']
df.at[date, 'pos'] = ss['pos']
except TypeError:
print(df_stocks.loc[date, 'articles'])
print(date)
其输出如下：
[nltk_data] Downloading package vader_lexicon to
[nltk_data]
C:\...\nltk_data...
[nltk_data]
Package vader_lexicon is already up-to-date!
prices compound
2007-01-01
2007-01-02
2007-01-03
2016-12-28
2016-12-29
2016-12-30
2016-12-31
[3653 rows x 5 columns]
Process finished with exit code 0
得到上述输出之后，我们便成功地获得了历史文章的情感分析数据。
划分数据集
从上面的输出，我们可以看到开始时间是日，而结束时间是日。我们以8：2的比例来划分训练集与测试集。
train_start_date = ''
train_end_date = ''
test_start_date = ''
test_end_date = ''
train = df.ix[train_start_date : train_end_date]
test = df.ix[test_start_date:test_end_date]
对df进行划分完成之后，再新建一个对每个时间点情感评分的List，并将训练集与测试集的数据加入其中。
sentiment_score_list = []
for date, row in train.T.iteritems():
sentiment_score = np.asarray([df.loc[date, 'neg'], df.loc[date, 'pos']])
sentiment_score_list.append(sentiment_score)
numpy_df_train = np.asarray(sentiment_score_list)
sentiment_score_list = []
for date, row in train.T.iteritems():
sentiment_score = np.asarray([df.loc[date, 'neg'], df.loc[date, 'pos']])
sentiment_score_list.append(sentiment_score)
numpy_df_train = np.asarray(sentiment_score_list)
由于我们程序预测的目标是股价，因此y标签也就是股价。
y_train = pd.DataFrame(train['prices'])
y_test = pd.DataFrame(test['prices'])
使用随机森林算法对股价进行预测
使用Scikit Learn封装好了的的随机森林算法对股票进行预测。
rf = RandomForestRegressor()
rf.fit(numpy_df_train, y_train)
#print(rf.feature_importances_)
prediction, bias, contributions = ti.predict(rf, numpy_df_test)
print(preditcion)
在看到控制台有输出之后，如果输出正确则证明使用随机森林算法对股票预测成功了。为了更加直观地观察我们的预测与实际情况有多少偏差，则需要使用Matplotlib来进行绘图。
idx = pd.date_range(test_start_date, test_end_date)
predictions_df = pd.DataFrame(data=prediction[0:731], index=idx, columns=['prices'])
print(predictions_df)
predictions_plot = predictions_df.plot()
fig = y_test.plot(ax=predictions_plot).get_figure()
ax = predictions_df.rename(columns={"Price": "Predicted Price"}).plot(title='Random Forest Predict Stock Price')
ax.set_xlabel("Date")
ax.set_ylabel("Price")
fig = y_test.rename(columns={"Price": "Actual Price"}).plot(ax=ax).get_figure()
fig.savefig("RF_noSmoothing.png")
通过上述代码，我们绘制了没有平滑的随机森林算法预测的股价走势，并保存为”RF_noSmoothing.png”。
上图中蓝色的折线是预测的股价，而橙色的折现是真实的股票走势。很明显我们的预测与实际产生了巨大的偏差，因此我们需要对数据进行进一步处理，将股价加上一个常数来表示测试时的闭市股价。
temp_date = test_start_date
average_last_5_days_test = 0
total_days = 10
for i in range(total_days):
average_last_5_days_test += test.loc[temp_date, 'prices']
temp_date = datetime.strptime(temp_date, "%Y-%m-%d").date()
difference = temp_date + timedelta(days=1)
temp_date = difference.strftime('%Y-%m-%d')
average_last_5_days_test = average_last_5_days_test / total_days
print(average_last_5_days_test)
temp_date = test_start_date
average_upcoming_5_days_predicted = 0
for i in range(total_days):
average_upcoming_5_days_predicted += predictions_df.loc[temp_date, 'prices']
temp_date = datetime.strptime(temp_date, "%Y-%m-%d").date()
difference = temp_date + timedelta(days=1)
temp_date = difference.strftime('%Y-%m-%d')
print(temp_date)
average_upcoming_5_days_predicted = average_upcoming_5_days_predicted / total_days
print(average_upcoming_5_days_predicted)
difference_test_predicted_prices = average_last_5_days_test - average_upcoming_5_days_predicted
print(difference_test_predicted_prices)
predictions_df['prices'] = predictions_df['prices'] + difference_test_predicted_prices
再次使用Matplotlib对修正过后的预测进行绘图。
ax = predictions_df.rename(columns={"prices": "predicted_price"}).plot(title='Random Forest Predict Stock Price Aligned')
ax.set_xlabel("Dates")
ax.set_ylabel("Stock Prices")
fig = y_test.rename(columns={"prices": "actual_price"}).plot(ax = ax).get_figure()
fig.savefig("RF_aligned.png")
通过对预测数据进行修正，我们发现预测折线开始向实际折线靠拢了，但预测折线上下抖动太过明显，因此需要对其进行平滑处理。在平滑处理方面，我们使用Pandas的EWMA（Exponentially Weighted Moving-Average，指数加权移动平均值的控制图）方法来进行。
# Pandas EWMA
# predictions_df['ewma'] = pd.ewma(predictions_df["prices"], span=60, freq="D").mean()
predictions_df['ewm'] = \
predictions_df["prices"].ewm(span=60, min_periods=0, freq='D', adjust=True, ignore_na=False).mean()
predictions_df['actual_value'] = test['prices']
# predictions_df['actual_value_ewma'] = pd.ewma(predictions_df["actual_value"], span=60, freq="D").mean()
predictions_df['actual_value_ewm'] = \
predictions_df["actual_value"].ewm(span=60, min_periods=0, freq='D', adjust=True, ignore_na=False).mean()
predictions_df.columns = ['predicted_price', 'average_predicted_price', 'actual_price', 'average_actual_price']
再次对我们随机森林算法预测的结果进行绘图。
# RF smoothed
predictions_plot = predictions_df.plot(title='Random Forest Predict Stock Price Aligned and Smoothed')
predictions_plot.set_xlabel("Dates")
predictions_plot.set_ylabel("Stock Prices")
fig = predictions_plot.get_figure()
fig.savefig("RF_smoothed.png")
我们可以看到，随机森林算法并没有很好地拟合股票走势的曲线。上图中，绿色和红色的是实际股票的走势。而橙色的平滑后的预测走势与最后部分真实股票的走向甚至相反。
让我们只绘制平滑后的实际股市走势与预测走势的折现。
# 只绘制平滑后的实际股市走势与预测走势的折现
predictions_df_average = predictions_df[['Average_predicted_price', 'Average_actual_price']]
predictions_plot = predictions_df_average.plot(title='Random Forest Predict Stock Price Aligned and Smoothed')
predictions_plot.set_xlabel("Dates")
predictions_plot.set_ylabel("Prices")
fig = predictions_plot.get_figure()
fig.savefig("RF_smoothed_and_actual_price.png")
很明显，随机森林算法的预测效果并没有理想中的那么好。那么下一步，我们将尝试使用最普遍的线性回归模型来进行预测。
使用线性回归算法对股价进行预测
线性回归模型具有效率高的特点，我的“”系列文章中便是以线性回归为例子讲的TensorFlow使用方法。
这里我们使用线性回归模型进行预测的过程不再赘述。
def LR_prediction():
years = [2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016]
prediction_list = []
for year in years:
train_start_date = str(year) + '-01-01'
train_end_date = str(year) + '-10-31'
test_start_date = str(year) + '-11-01'
test_end_date = str(year) + '-12-31'
train = df.ix[train_start_date: train_end_date]
test = df.ix[test_start_date:test_end_date]
sentiment_score_list = []
for date, row in train.T.iteritems():
sentiment_score = np.asarray(
[df.loc[date, 'compound'], df.loc[date, 'neg'], df.loc[date, 'neu'], df.loc[date, 'pos']])
sentiment_score_list.append(sentiment_score)
numpy_df_train = np.asarray(sentiment_score_list)
sentiment_score_list = []
for date, row in test.T.iteritems():
sentiment_score = np.asarray(
[df.loc[date, 'compound'], df.loc[date, 'neg'], df.loc[date, 'neu'], df.loc[date, 'pos']])
sentiment_score_list.append(sentiment_score)
numpy_df_test = np.asarray(sentiment_score_list)
lr = LogisticRegression()
lr.fit(numpy_df_train, train['prices'])
prediction = lr.predict(numpy_df_test)
prediction_list.append(prediction)
idx = pd.date_range(test_start_date, test_end_date)
predictions_df_list = pd.DataFrame(data=prediction[0:], index=idx, columns=['prices'])
difference_test_predicted_prices = offset_value(test_start_date, test, predictions_df_list)
predictions_df_list['prices'] = predictions_df_list['prices'] + difference_test_predicted_prices
predictions_df_list
predictions_df_list['ewm'] = predictions_df_list["prices"].ewm(span=10,freq='D').mean()
predictions_df_list['actual_value'] = test['prices']
predictions_df_list['actual_value_ewma'] = predictions_df_list["actual_value"].ewm(span=10, freq='D').mean()
predictions_df_list.columns = ['predicted_price', 'average_predicted_price', 'actual_price',
'average_actual_price']
predictions_df_list.plot()
predictions_df_list_average = predictions_df_list[['average_predicted_price', 'average_actual_price']]
predictions_df_list_average.plot()
predictions_plot = predictions_df_list_average.plot(title='Linear Regression Predict Stock Price Aligned and Smoothed')
predictions_plot.set_xlabel("Dates")
predictions_plot.set_ylabel("Prices")
fig = predictions_plot.get_figure()
fig.savefig("LR_smoothed_and_actual_price.png")
plt.show()
通过对所有输出的图（针对很长的时间，分段预测并绘图）的观察，我们可以看到线性回归的预测甚至要比随机森林要好一些，但是并不能给我们太多的参考价值。
使用神经网络算法对股价进行预测
关于神经网络相关的知识，我的“”系列文章中讲到。
下面是使用Scikit Learn的MLP（多层感知机）对股价进行预测的代码：
def MLP_prediction():
years = [2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016]
prediction_list = []
for year in years:
train_start_date = str(year) + '-01-01'
train_end_date = str(year) + '-10-31'
test_start_date = str(year) + '-11-01'
test_end_date = str(year) + '-12-31'
train = df.ix[train_start_date: train_end_date]
test = df.ix[test_start_date:test_end_date]
sentiment_score_list = []
for date, row in train.T.iteritems():
sentiment_score = np.asarray(
[df.loc[date, 'compound'], df.loc[date, 'neg'], df.loc[date, 'neu'], df.loc[date, 'pos']])
sentiment_score_list.append(sentiment_score)
numpy_df_train = np.asarray(sentiment_score_list)
sentiment_score_list = []
for date, row in test.T.iteritems():
sentiment_score = np.asarray(
[df.loc[date, 'compound'], df.loc[date, 'neg'], df.loc[date, 'neu'], df.loc[date, 'pos']])
sentiment_score_list.append(sentiment_score)
numpy_df_test = np.asarray(sentiment_score_list)
mlpc = MLPClassifier(hidden_layer_sizes=(100, 200, 100), activation='relu',
solver='lbfgs', alpha=0.005, learning_rate_init=0.001, shuffle=False)
mlpc.fit(numpy_df_train, train['prices'])
prediction = mlpc.predict(numpy_df_test)
prediction_list.append(prediction)
idx = pd.date_range(test_start_date, test_end_date)
predictions_df_list = pd.DataFrame(data=prediction[0:], index=idx, columns=['prices'])
difference_test_predicted_prices = offset_value(test_start_date, test, predictions_df_list)
predictions_df_list['prices'] = predictions_df_list['prices'] + difference_test_predicted_prices
predictions_df_list
predictions_df_list['ewma'] = predictions_df_list["prices"].ewm(span=20, freq='D').mean()
predictions_df_list['actual_value'] = test['prices']
predictions_df_list['actual_value_ewma'] = predictions_df_list["actual_value"].ewm(span=20, freq='D').mean()
predictions_df_list.columns = ['predicted_price', 'average_predicted_price', 'actual_price',
'average_actual_price']
predictions_df_list.plot()
predictions_df_list_average = predictions_df_list[['average_predicted_price', 'average_actual_price']]
predictions_df_list_average.plot()
plt.show()
通过对预测效果之间的观察，我们发现神经网络预测的效果最好，这是因为神经网络具有强大的表示能力。关于神经网络的相关知识，可以参考文章和。
人工智能的应用近些年来愈加广泛。因为计算力和数据的爆发，机器学习也迎来了极大的发展。
本文以对股票的预测为引，展示了机器学习在Data Science方面的强大能力。在生活中，我们可以通过选择合适的算法，编写如微博情感分析、聊天机器人、图像识别、语音识别、天气预测等便及生活的人工智能应用。
觉得写的不错的朋友可以点一个 喜欢? ~
谢谢你的支持！
没有更多推荐了，汇益华庭房价走势
长兴岛板块小区房价涨幅前5名
1.￥5774 ↑18.17%
2.￥5774 ↑18.17%
3.￥4798 ↑3.54%
4.￥4797 ↑3.52%
5.￥3742 ↑2.66%
长兴岛板块小区房价最高前5名
长兴岛板块小区房价跌幅前5名
长兴岛板块小区房价最低前5名
本楼盘二手房房源
户型/面积价格(万元/套)信息来源
周边楼盘二手房房源
楼盘名称均价（元/平方米）套数
汇益华庭地图
免责声明：本网站不保证所有小区信息完全真实可靠，最终以政府部门登记备案为准，请谨慎核查。
Copyright &
北京拓世宏业科技发展有限公司
Beijing Tuo Shi Hong Ye Science&Technology Development Co.,Ltd 版权所有
违法和不良信息举报电话：010- 举报邮箱：
申请代办过户微信扫一扫
> 苏州佰融机械设备有限公司
苏州佰融机械设备有限公司
苏州佰融机械设备有限公司：欢迎广大客户来电咨询！
公司联系方式>公司名称：苏州佰融机械设备有限公司地址： -
& 苏州市相城区太平街道工业园兴太路邮编：215002所在行业：联系人：陈中笑电话：手机：传真：公司网址：友情提示该页面是“苏州佰融机械设备有限公司”在阿土伯网的企业名片页面，如果您是该公司负责人并希望管理这家公司（修改简介、修改联系方式、发布产品和热卖促销），请点击【】，阿土伯将第一时间把用户名和密码发送到您填写的手机上！苏州佰融机械设备有限公司行车路线红色标注点是“苏州佰融机械设备有限公司”在地图上位于苏州的位置，您可以使用鼠标放在地图上放大、缩小和拖动地图。
苏州相城企业推荐
相关企业名录
企业名录/企业黄页信息由阿土伯交易网的会员提供，您在此可以浏览企业有关简介、联系方式、电话等信息，最新的企业名录/企业黄页尽在阿土伯交易网。
城市频道：ABCDEFGHIJKLMNOPQRSTUVWXYZ
无I开头的城市
无O开头的城市
无U开头的城市无V开头的城市
&&& &&版权所有
& 京公网安备号
免责声明：以上所展示的信息由企业/个人自行提供或来自互联网，内容的真实性、准确性和合法性由发布者自行负责。阿土伯对此不承担任何保证责任。如网页内容涉及版权侵权问题以及其他疑问，请点击链接：
友情提示：交易有风险，行事需谨慎。对于明显低于市场价很多、要求先付款再交易的需要特别注意。删除历史记录
　----
相关平台红包
价值陷阱：大V告诉你，这样的股票千万别买！！
作者：之家哥
摘要：网贷之家小编根据舆情频道的相关数据，精心整理的关于《价值陷阱：大V告诉你，这样的股票千万别买！！》的相关文章9篇，希望对您的投资理财能有帮助。
《价值陷阱：大V告诉你，这样的千万别买！！》 精选一
来源：云锋
他们都是来自各行各业的普通人
但他们都热
他们有的重于，有的专注价值
但他们都有同一个身份——
云锋金融在国庆期间推出系列策划
用访谈的方式为您揭开真实的者生态圈
采访人背景：做过大买方的海外分析师，也当过的，自诩为重视基本面的。
年限：10年，年限：4年
Q：最初是什么原因进入港股的？
A：因为工作原因，其实我很早就有关注。
前几年在美国上市的没有被纳入指数体系之前，海外想要，最主要的渠道就是市。
但当时和这些者聊，感觉之后他们一直就不看好中国，最初因为四万亿，后来因为地方债务隐患等等，看空中国在很多投资圈是一种“**正确”。
所以那时候去看主流机构在全球的股票配置比例，会发现对港股的配置比起指数基准来说简直低到不能再低。
因此当时我从反向角度，就觉得不是有机会。不过因为工作性质不允许买卖个股，所以也就是在场外看看。
后来开了，自己也离开了那份工作，可以自由投资了，就自然而然的开始进入港股市场。
特别是到了15年2、3月份，当时感觉到A股已经进入中后期，市场没有了明显低估的机会，所以开始把主要的资金都放在了港股。
Q：还记得第一只买的？
A：我记得应该是珠江钢管，但这大概也是最失败的投资之一（笑）。
当时买它是因为2014年油价暴跌之后这只主要做输油管道的公司也跟着暴跌，PB跌到了0.3还是0.4，然后公司将广州郊区的厂房搬迁后，又将工业用地转成了商业用地，开始盖楼卖楼，所以觉得会有烟蒂股翻身的机会。而且越跌越买，加了很多仓。
其实这是犯了港股大忌之一，就是试图左侧抄底。因为港股的散户少，逆向投资的人其实很少，而股票低估的时候低到不可思议，跌破净现金值都是有可能的，所以做左侧投资压力会很大。
后来楼是盖起来了，也赶上了房地产的好时候，销售很火爆，但公司却没有因此特别，所以港股根本不买账。而且主业一直都一塌糊涂，盈转亏，亏转大亏，本来就高，很快就亏掉了不少，原来看到的低PB变成了价值陷阱。
但我的止损还是不够利落，一直幻想会有契机可以翻身。直到2016年出来，发现业务实在是没有起色，这才割肉，前前后后亏了50%吧。
第一只买的港股就亏这么多，也算是开局不利了。不过也学到了很多，知道不一样，跌起来真的没有底，不要幻想会有韭菜帮着撑估值，甚至超跌反弹的机会都很难有。
Q：说说路上印象最深刻的经历？
A：应该是2015年4月的那次暴涨了吧。因为A股有涨限制，在牛市里最多也就是几百只股票一起涨停。结果清明假期因为证监会开了通过沪港通投资的口，于是假期结束的第一个交易日港股集体跳空高开。
我当时还在上班没看盘，结果手机一直在响，拿起来一看发现是交易软件的涨跌幅提醒。再一看，港股平均涨幅在20%以上，眼珠子都快掉出来了。
不过那次暴动没持续多久，因为是投机资金和炒作的结果，长线资金都还没来得及动，所以很快就哪儿来回哪儿去了，自己的持仓也基本上都做了一次过山车。但也因此见识到了港股不是没有赚钱的机会，只是需要契机。
Q：分享一下最赚钱的经历吧？
A： 应该是南方航空吧。当时油价暴跌后觉得对航空公司应该特别有利，而且人民币还在升值。既然判断油价一时半会爬不起来，就开始看航空股。
先是买了A股的南方航空，吃到了2014年底的一波。然后回过神来一看，发现港股南航要便宜50%，虽然港股当时也涨了一些，但绝对价格也就是A股没涨之前的水平，于是就卖了A股买了港股。后来大概第一波之后反弹的时候走了，总共赚了三四倍吧。
在这个事儿之后我总结了两条经验，一个是港股因为为主，而且之前海外机构又居多，大家的都比较长，所以就算出了什么利好，也要等挺久才会反映在股价上。所以对于这种AH股都有的企业，往往可以一条鱼吃两遍，十分给力。当然现在内地资金越来越多的往香港涌，像这样的机会就少了很多。
另一个是港股其实非常适合做戴维斯双击。因为杀估值的时候会杀到特别狠，跌到怀疑人生，比如0.2、0.3倍PB，又或者是跌破净现金，这种在A股是几乎不会出现的。而且港股经常会很理性给周期性股票一个折扣，认为他们的盈利不可持续，但等周期真正来了之后，这个折扣又会收窄。
所以等到企业经营状况好转时，估值回归叠加盈利提升，会让股价上涨时绑了个火箭。这一点今年在内房股，比如恒大、融创乃至我买过的雅居乐身上也体现的特别明显——之前是所有人都唾弃，没有人看好，所以估值可以杀到两三倍，相比A股的房地产股简直便宜到不行，然后今年就飚了。
Q：想对跃跃欲试的港股小白说点什么？
A：港股真的是个很考验投资能力的市场。像今年这么大的牛市，指数涨了30%多，腾讯舜宇吉利等大白马涨到飞起，但其实股价上涨的公司只占一半，这在A股是不可想象的。
每次里，大家最津津乐道的就是消灭，然后依次消灭5元股、10元股，但在港股市场里，再大的牛市还是会有很多股票是（指股价低于1港币的股票），还是会有很多股票不涨反跌。所以指望像在A股那样，遇到牛市就闭着眼睛买入然后等轮动补涨，在港股是会吃大亏的。
但港股又是一个散户非常有用武之地的市场。国内的券商基本上完成了对A股公司的全覆盖，而且研究员们比谁都勤快，所以哪个公司有点什么新动作，哪个公司下个季度可能业绩会超，基本逃不过研究员的眼睛。
这些券商研究所服务的对象，显然不是散户，而是那些啊等大金主，所以机构也都会第一时间得知基本面或者消息面的变化，从而完成买卖交易。因此对于散户来说，特别明显，能跟在机构身后喝口汤就不错了，还经常会被割韭菜。
而。我记得有过统计，所有大投行研究员覆盖的加起来只占市场的30%。剩下70%虽然有很多或者半死不活的烂公司，但也经常会有遗珠的好企业，基本面发生变化了，可是股价却没变化。港股投资者往往“不见兔子不撒鹰”，甚至“见了兔子还要想一想再撒鹰”。
所以者如果真的能做深入研究，搞清楚投资逻辑，完全可以买入后淡定的等到研究员逐渐开始覆盖，机构慢慢开始买入，变得越来越好，最后企业被纳入指数、沪等，形成了正向循环，这时候再把货卖给那些急切要接货的机构们。
一句话形容吧，港股既是天堂也是地狱，如果对自己的投资能力特别有信心，就放马过来，就算不是专业投资者也能获得很好的收益。但如果是人云亦云或者没有扭转做A股的思路，那港股也绝对会让你体验到生不如死的感觉。
看港股，不如下场自己练手。
云锋金融联手和港交所，共同举办“云锋有鱼”杯全国港股模拟交易大赛，10月12日正式开赛，现正火热报名中！
无须开户入金，100万港元的模拟初始资金即刻启程。正股、窝轮、牛熊证、全面覆盖，更有天天交易奖、单项产品奖，以及终极大奖等你来拿。
更多比赛详情，请点击《零门槛，60万大奖，云锋有鱼邀你参加港股大赛！》。
《价值陷阱：大V告诉你，这样的股票千万别买！！》 精选二原标题：写在恒指突破28000点之际：港股资深系列采访
原文：云锋金融公众号 采访对象：前私募；香港本地交易员；知乎上的大V 编辑：云深不知处 转发请注明出处
前 私 募 基 金 合 伙 人 采访人背景：做过大买方的海外分析师，也当过A股的私募基金，自诩为重视基本面的者。 股票投资年限：10年，港股投资年限：4年
Q：最初是什么原因进入港股的？ A：因为工作原因，其实我很早就有关注港股市场。 前几年在美国上市的中概股没有被纳入MSCI指数体系之前，海外机构想要投资中国，最主要的渠道就是香港股市。 但当时和这些专业投资者聊，感觉金融危机之后他们一直就不看好中国，最初因为四万亿，后来因为地方债务隐患等等，看空中国在很多投资圈是一种“**正确”。 所以那时候去看主流机构在全球的股票配置比例，会发现对港股的配置比起指数基准来说简直低到不能再低。 因此当时我从反向投资的角度，就觉得港股是不是有机会。不过因为工作性质不允许买卖个股，所以也就是在场外看看。 后来沪港通开了，自己也离开了那份工作，可以自由投资了，就自然而然的开始进入港股市场。 特别是到了15年2、3月份，当时感觉到A股已经进入大牛市中后期，市场没有了明显低估的机会，所以开始把主要的资金都放在了港股。 Q：还记得第一只买的港股是什么？ A：我记得应该是珠江钢管，但这大概也是最失败的投资之一（笑）。 当时买它是因为2014年油价暴跌之后这只主要做输油管道的公司也跟着暴跌，PB跌到了0.3还是0.4，然后公司将广州郊区的厂房搬迁后，又将工业用地转成了商业用地，开始盖楼卖楼，所以觉得会有烟蒂股翻身的机会。而且越跌越买，加了很多仓。 其实这是犯了港股大忌之一，就是试图左侧抄底。因为港股的散户少，逆向投资的人其实很少，而股票低估的时候低到不可思议，跌破净现金值都是有可能的，所以做左侧投资压力会很大。 后来楼是盖起来了，也赶上了房地产的好时候，销售很火爆，但公司却没有因此特别分红，所以港股投资者根本不买账。而且主业一直都一塌糊涂，盈转亏，亏转大亏，本来负债率就高，净资产很快就亏掉了不少，原来看到的低PB变成了价值陷阱。 但我的止损还是不够利落，一直幻想会有契机可以翻身。直到2016年年报出来，发现业务实在是没有起色，这才割肉，前前后后亏了50%吧。 第一只买的港股就亏这么多，也算是开局不利了。不过也学到了很多，知道港股和A股不一样，跌起来真的没有底，不要幻想会有韭菜帮着撑估值，甚至超跌反弹的机会都很难有。 Q：说说投资港股路上印象最深刻的经历？ A：应该是2015年4月的那次暴涨了吧。因为A股有涨跌停板限制，在牛市里最多也就是几百只股票一起涨停。结果清明假期因为证监会开了公募基金通过沪港通投资的口，于是假期结束的第一个交易日港股集体跳空高开。 我当时还在上班没看盘，结果手机一直在响，拿起来一看发现是交易软件的涨跌幅提醒。再一看，港股自选股平均涨幅在20%以上，眼珠子都快掉出来了。 不过那次暴动没持续多久，因为是投机资金和杠杆资金炒作的结果，长线资金都还没来得及动，所以很快就哪儿来回哪儿去了，自己的持仓也基本上都做了一次过山车。但也因此见识到了港股不是没有赚钱的机会，只是需要契机。 Q：分享一下最赚钱的经历吧？ A: 应该是南方航空吧。当时油价暴跌后觉得对航空公司应该特别有利，而且人民币还在升值。既然判断油价一时半会爬不起来，就开始看航空股。 先是买了A股的南方航空，吃到了2014年底的一波。然后回过神来一看，发现港股南航要便宜50%，虽然港股当时也涨了一些，但绝对价格也就是A股没涨之前的水平，于是就卖了A股买了港股。后来大概第一波股灾之后反弹的时候走了，总共赚了三四倍吧。 在这个事儿之后我总结了两条经验，一个是港股因为机构投资者为主，而且之前海外机构又居多，大家的流程都比较长，所以就算出了什么利好，也要等挺久才会反映在股价上。所以对于这种AH股都有的企业，往往可以一条鱼吃两遍，十分给力。当然现在内地资金越来越多的往香港涌，像这样的机会就少了很多。 另一个是港股其实非常适合做戴维斯双击。因为杀估值的时候会杀到特别狠，跌到小股东怀疑人生，比如0.2、0.3倍PB，又或者是跌破净现金，这种在A股是几乎不会出现的。而且港股经常会很理性给周期性股票一个折扣，认为他们的盈利不可持续，但等周期真正来了之后，这个折扣又会收窄。 所以等到企业经营状况好转时，估值回归叠加盈利提升，会让股价上涨时绑了个火箭。这一点今年在内房股，比如恒大、融创乃至我买过的雅居乐身上也体现的特别明显——之前是所有人都唾弃，没有人看好，所以估值可以杀到两三倍市盈率，相比A股的房地产股简直便宜到不行，然后今年就飚了。
Q：想对跃跃欲试的港股小白说点什么？ A：港股真的是个很考验投资能力的市场。像今年这么大的牛市，指数涨了30%多，腾讯舜宇吉利等大白马涨到飞起，但其实股价上涨的公司只占一半，这在A股是不可想象的。 每次A股牛市里，大家最津津乐道的就是消灭1元股，然后依次消灭5元股、10元股，但在港股市场里，再大的牛市还是会有很多股票是仙股（指股价低于1港币的股票），还是会有很多股票不涨反跌。所以指望像在A股那样，遇到牛市就闭着眼睛买入然后等轮动补涨，在港股是会吃大亏的。 但港股又是一个散户非常有用武之地的市场。国内的券商基本上完成了对A股公司的全覆盖，而且研究员们比谁都勤快，所以哪个公司有点什么新动作，哪个公司下个季度可能业绩会超预期，基本逃不过研究员的眼睛。 这些券商研究所服务的对象，显然不是散户，而是那些基金啊保险等大金主，所以机构也都会第一时间得知基本面或者消息面的变化，从而完成买卖交易。因此对于散户来说，信息不对称特别明显，能跟在机构身后喝口汤就不错了，还经常会被割韭菜。 而港股不同。我记得有过统计，所有大投行研究员覆盖的港股公司加起来只占市场的30%。剩下70%虽然有很多老千股或者半死不活的烂公司，但也经常会有遗珠的好企业，基本面发生变化了，可是股价却没变化。港股投资者往往“不见兔子不撒鹰”，甚至“见了兔子还要想一想再撒鹰”。 所以个人投资者如果真的能做深入研究，搞清楚投资逻辑，完全可以买入后淡定的等到研究员逐渐开始覆盖，机构慢慢开始买入，流动性变得越来越好，最后企业被纳入指数、沪深港通等，形成了正向循环，这时候再把货卖给那些急切要接货的机构们。 一句话形容吧，港股既是天堂也是地狱，如果对自己的投资能力特别有信心，就放马过来，就算不是专业投资者也能获得很好的收益。但如果是人云亦云或者没有扭转做A股的思路，那港股也绝对会让你体验到生不如死的感觉。
香 港 土 著 资 深 交 易 员 采访人背景：香港土著 资深交易员 股票投资年限：12年，港股投资年限：12年，输嬴一笑间 Q：最初是什么原因进入港股的？ 香港人的生活和金融市场是一种水乳交融的关系。 每天电视里都是主角，播放连续剧的时候底下经常也会滚动股市动态。到街上，老人家都在研究赛马，年轻人呢就会聊聊上市公司。 股价啊K线啊这些东西，早就渗透到香港这个城市的每一根毛细血管里了。 我从小在家人的耳濡目染下，也是很早就开始接触到，久而久之就对那些跳动的数字产生了浓厚的兴趣。在香港，只要你感兴趣，媒体上的财经新闻和大量的相关书籍简直唾手可得，我的大部分基础知识也是从中得来。 上了大学以后，我觉得光纸上谈兵是没意义的，得用真金白银去实盘操作。家人也支持，给我提供了一些资金开始投资港股。 这点可能和内地不一样，在内地让大学生是一种不务正业的体现，而在香港，这是有的象征，其实很多家庭都是支持的。 Q：还记得第一只买的港股是什么吗？ 我记得第一只买的是万威国际(167.HK) ，具体什么原因已经不太记得了，总之是那个年代比较红火的科技，而且也确实见过他的产品，觉得不是完全的老千。研究了一下技术形态和基本面，就下手了。 但这次的投资完全可以说是一场恶梦。才买了不过几天，这家公司便宣布供股*，然后第二天一开盘股价就跳空低开了30%。这也是港股的可怕之处，没有涨跌停板，一旦有超出市场预期的坏消息，第二天跳空下杀的几率很大，会让人措手不及。但同样的，如果有好消息的话，也会让人来不及上车，瞬间股价就会被拉上去。 说回万威国际，当时心情烂透了。因为第一次上手直接就投入了真金白银，心理波动很大。如果之前能多做一些模拟盘交易，特别是如果有现在这样和实盘交易几乎一模一样的模拟交易系统，这样可以对市场有更多了解后再转成实盘交易，相信就能更坦然的面对涨跌了。 Q：说说投资港股路上印象最深刻的经历吧？ 应该是日那个被称为”大奇迹日”的一天吧。 当天恒生指数受外围股市的影响，一度下跌了超过1200 点，而且是下午开市后垂直下跌。我当时入市时间还不久，但也能感觉到周围股民的绝望。 但等到收市前90分钟，突然从内地传来了“港股直通车”的消息，带动恒生指数从低点极速反弹。虽然收盘还是跌了两百多点，但之后的升浪正是从这一次反弹开始。两个多月内，恒生指数涨了60%，一举到了历史高位32000点左右，置身其中的股民深刻的体会到从地狱到天堂的感觉。 我觉得这正是股票最令我着迷的地方，他和赛马、赌博之类的刺激感觉还不太一样，是一种持续的，而且自己掌控感更强的刺激，再加上有外界因素的助力，确实能给人留下非常深刻的记忆。
Q：分享一下最赚钱的经历？ 应该是承兴国际控股(2662.HK) 。去年初买了之后一直持有到现在，大概赚了四倍。 当时买它的原因是因为公司刚易手，然后我搜了一下新老板的背景资料后，发现她的人脉极强，很多跨国公司都是她的客户，而且泛娱乐的业务在国内大有可为，所以我用了真金白银投下了信心的一票。 就是市场一开始往往是用非常悲观的预期来看待一家公司的业务转型、卖壳、重组之类的举措，只有当公司一步步证明了自己的新业务发展，股价才会水涨船高。这和内地股市上来不管三七二十一先给最乐观的预期，N个涨停之后再来消化估值完全不同。 而且内地股市很多时候这种的钱是赚不到的，消息人士都会提前布局然后直接大单封一字板，而港股则有很多上车的机会。
Q：想对跃跃欲试的港股小白说点什么？ 港股有很多自有的交易规则，对港股小白来说肯定需要花一点时间去适应。港股可交易品种挺丰富，除了股票之外也有、涡轮和牛熊证等，这些产品也可以帮助投资者制定适合他们的交易策略。 刚才也说了很多港股的好处，但最后还是泼一泼冷水，从交易员的角度给想要参与港股的投资者一点建议。 因为港股市场是一个成熟的金融市场，参与者除了大部份是机构投资者外，散户也大多是有多年交易经验的，所以不会有那么多“韭菜”和你对赌，再加上市场的交易量相比A股小太多，所以一些市值比较小的公司股价大起大落、一路下跌等等事情都时有发生。 投资者能做到的就是不要把鸡蛋装在一个篮子里，另外对于新入场的小白，最好从大白马、市场公认做起，不要看到股价便宜就去碰那些仙股，否则很可能会死的很惨。
知 乎 大 V 散 户 采访人背景：户一枚，有过短暂的经历，知乎粉丝逾两万。以基本面研究为主，也会看看技术指标，信奉“百无禁忌，挣钱就行”。 股票投资年限：5年，港股投资年限：1年 Q：什么原因进入港股？ A：2015年股灾之后，就陆陆续续听到有人把资金转移到港股市场的消息，不过真正下定决心的原因，还是因为大老板在群里吼了一句，“今年港股市场一定会有一波机会，我们要把重心放到这里。” 作为一名敏（gen）感（feng）的投资者，如果对这样的信息还置若罔闻的话，实在愧对我多年的“韭菜成长日记”，何况这还是我们出身的大老板的判断。 当然，有想法和真正决定做之间还是差了很多功课的。在下定决心投资港股之前，我阅读了很多相关的资料。因为之前比较熟悉，然后港股市场整体来说又和美股有比较大的相似之处，比如都是基本面驱动啦，机构投资者为主啦，所以了解起来还比较快。另外我也特别研究了技术面，比如恒生指数在月线级别，如果能够破了前高的话那么趋势肯定会更强。所以，最后就下定决心要买港股了。 Q：还记得第一只买的港股是什么？ A：这个问题其实可以接着上面回答，当时虽然下了决心买港股，但是具体买什么也不太了解。我自己的大部分都集中在上，对美股的科技类企业比较熟悉。而港股又是一个以金融、地产、基建等大市值公司主导的市场。 而且，简单的看过一些港股的投资者访谈和研究报告，感觉虽然港股市场在A股、美股、港股这三个市场里面流动性最差，但是却又一个最有效的市场，本身以机构主导，预测未来几个季度的盈利能力远超普通散户。作为一个小散户，承认市场比自己聪明，这点觉悟我还是有的，所以也就不打算在港股市场找alpha超额收益了。 那么谈到Beta，大部分人的反应肯定是买指数，不过恒生指数让我不太喜欢的一点就是成分股里面有很多没什么成长性，而且还具备高杠杆属性的地产、。然后，转念一想既然所有的牛市都是领涨，那么干脆买腾讯算了，也算是买了一个增强型的。而且看了一下腾讯的财务报告，水平、潜在业务（比如还没有完全释放的广告业务）、盈利增长都还不错。唯一的缺陷大概就是估值挺贵的，当时2万多亿的公司按照1.3倍的peg来估，始终觉得有点滑稽。 结果没想到的王者荣耀如此火爆，造成腾讯的收入和估值都创了新高，一不小心中了一个戴维斯双击，看来我和港股还蛮有缘的。 Q：印象最深刻的经历？ A：最深刻的印象就是2015年股灾全程在场了吧。 因为一些个人原因，4800点才进的A股，牛尾没有抓到，却与熊头撞了个满怀。当时，证监会开始清配资，指数开始回调，风险开始积蓄，但是市场依然盲目乐观，认为跨越上一个6000点牛市近在咫尺，等到第一次千股跌停的时候，指数暴跌到4000点的时候，恐慌情绪才开始释放。然后证监会紧急纠结国内二十几个像重阳投资这样的私募，一边发联合申明说价值投资的机会显现，一边各掏腰包买了点成分股，市场有了千股跌停后的第一次反弹。我也是这个时候跟着大佬们进去的，当时还觉得自己特聪明～ 然而没想到的是，第二天直接就高开低走，最后直接又来一个千股跌停，瞬间我就懵了。以我仅有几年的投资经历，完全没遇到过这样的极端行情，还记得当时国外的朋友还打趣的问，你们国家的大盘是在吗？ 左思右想之后，就决定既然看不懂那就不玩了，然后在跌停板上把所有仓位都清掉。接着，又把模拟盘满仓分级A用来观察市场。在当时那个市场，用人心惶惶、流言蜚语来形容再恰当不过。一方面大家将信将疑国家队的力量，另一方面又在股灾1.0，股灾2.0的进程中，千股跌停的惨剧中不断的徘徊究竟是割肉还是坚持。而我因为始终觉得看不懂当时的市场，也不敢轻举妄动。反而是自己满仓的分级A模拟盘，却因为作为A股市场为数不多具有对冲效应的品种，而以正收益大幅跑赢了沪深指数，导致更加不敢轻易入市了。 股灾2.0之后，大概2800点位置，开始第二次尝试性实盘，然后市场真正第一次的大幅反弹是从这里，一度也以为股灾已去，慢牛重启，又把仓位加回来，结果，证监会推出熔断模式，导致股灾3.0的发生。股灾3.0的千股跌停的第一个交易日晚上，我左思右想之后，觉得不能坐以待毙，就在场上，找到两倍做多沪深300的ETF (代码：CHAU)，一咬牙，顶着两个点的贴水（因为市场判断明天可能会继续暴跌），放了等量做空仓位，用于对冲覆盖A股的仓位。果然，第二天开盘股指低开3个多点后，继续向7%的熔断机制触发。第一次熔断15分钟，接着触发了第二次熔断，导致当天交易所提前收盘，创造了近年来证券行业，提前下班纪录…….再之后，熔断机制被暂停，股灾3.0过去，市场波动率下降，慢慢走出阴霾，回过头来看，全程经历股灾，还基本没受什么伤，全靠胆小和运气好…… 类似这样股灾中的投资经验，在港股市场其实也可以实现，因为无论是牛熊证还是反向ETF，都可以对冲自己的，这个比起A股来说还是方便很多的，这也是我现在选择配置港股的一个额外的原因吧。 Q：最赚钱的经历？ A: 最赚钱的话，是指收益还是呢，因为以前也瞎搞过，但是不成体系，基本上是大赚大亏，做了一场过山车。 港股的话其实就是腾讯了吧，这个之前也介绍过了，那我说说真正靠分析捕捉到的一只吧，毕竟港股和有相似之处的，可以供大家参考。 这家公司就是英伟达Nvidia。当时，朋友推荐了VR概念组合，提到了英伟达。然后我就去翻看了英伟达的资料，才发现这家公司很不简单，已经在、、数据中心、无人车多方面业务做了布局，而且本身、企业商誉都非常好，也跟一些技术行业的朋友打听了英伟达的技术实力，总之，在GPU领域远远超过老二AMD。总之，无论是估值、还是资产质量、题材概念、管理层能力、企业商誉都感觉真是找不到一个缺点。 另外一方面，Alpha Go战胜李世石，把人工智能带进了大众视野，也带进了资本市场。当时看到的一个核心需求，就是人工智能所需要的计算能力，对GPU这种大规模并行计算的芯片有大量的需求，这对于一个英伟达来说，是一个产业级的需求风口。Alpha Go 战胜了李世石，是人工智能发展的里程碑和标杆之一，后续会大规模提高对GPU的需求。 后来，没过多久，英伟达的价值就被市场发现了，数据中心的订单源源不断的涌来，营收不断创新高。PE估值也从硬件制造销售的区间，进入了人工智能的区间。不过，可惜的是，中间因为自作聪明，想做一波高抛低吸，结果不小心踏空了一个很大的主升浪，后悔不已。痛定思痛过后，也就懒得再折腾短线操作了。 如果要将美股英伟达这样的案例对应到港股上，其实就是类似舜宇光学科技和瑞声科技这样的科技大白马。看准了行业前景、公司地位等因素，如果估值还不贵，那就得果断买入。因为港美股不同于A股，大家对于未来盈利的预期不会打得特别满，所以股价会跟着盈利增长慢慢向上，万一撞上风口估值还发生了切换的话，赚的还能更多。这一点对散户还蛮友好的，不需要内幕消息也能赚到钱。 Q：想对跃跃欲试的港股小白说点什么？ A：额，作为一个小白，我其实也不知道应该跟小白说什么。说“苟富贵，勿相忘”可以吗？（笑） 个人觉得港股因为机构作主导，散户流动性不足，所以在定价方面经常比较准确吧，常常不会给普通投资者带来额外的收益，一分净利润对应一分股价。 有时候看起来的AH溢价，或者同行业公司不同倍数的估值，很大程度上是因为港股自身的定价机制决定的。所以，在逻辑上，太过直白的策略不推荐重仓持有。有时候，投资还是安全保守比较重要，华尔街有句老话，There are old traders and there are bold traders, but there are very few old, bold traders。（完） 免责声明：去锋金融原文不构成投资建议，相关免责内容请关注原公众号返回搜狐，查看更多
责任编辑：《价值陷阱：大V告诉你，这样的股票千万别买！！》 精选三编者按：曾几何时，民间股神林园是顶礼膜拜的对象，他的传奇经历鼓舞了众多股民投身股海、披荆斩棘；然而，近年来，功成名就后的林园逐渐脱离了大众视野，传说这些年他过着一种闲云野鹤般的生活；不过，对于浸淫多年的A股市场，早已实现财富自由的林园如今持有的是怎样的一种投资态度和投资策略呢？ 2017年以来，几乎吸引了场内外所有投资者的目光，一众当年蛰伏茅台的咖终于迎来了期盼的春天，而林园的名字也再次走进大众的视野，他大胆预测医药板块会诞生下一个贵州茅台。但斌曾说价值投资是时间的玫瑰，而林园多年实践的又是怎样的一条价值投资之路呢？ 近几年，民间股神林园似乎低调了许多，他很少接受各家媒体的专访，也不再高调展示自己的投资交割单，早已实现财富自由的他如今在忙些什么呢？ 其实，现在的林园和2007年时并没有太大的区别：没有改变，两条腿儿跑公司的习惯没有改变；但他的心态更放松了，他给自己定的目标是“玩好”（把没去的地方走一遍、没吃的美食吃一遍、没玩的东西玩一遍）。在其中，他重仓了几只消费龙头，例如贵州茅台、五粮液、云南白药，并在全世界8个地区配置了资产，有好的企业就“配一点”。 回看当年，他在1989年以8000元入市，到2007年取得了20亿元收益，18年间创造了一个神话；或许很难再缔造同样的辉煌，但他重仓的贵州茅台、五粮液、云南白药等股票依然在为他书写新的“传奇”。本周，《红周刊》面对面栏目邀请到了老朋友林园，聊聊他如今的人生和投资逻辑。 攀比心是《红周刊》：2007年，您参与了央视的一档节目，其间主持人采访到您，才发现了您的传奇经历，于是央视对您做了一期专访，您逐渐被投资者熟知。此后，各大媒体争相报道，评价您是“中国的巴菲特”。但在2007年之后，您似乎很少接受媒体采访，逐渐淡出了大家的视线，这些年您在干什么？ 林园：其实还是在，我现在更多的时间是在走访上市公司，，甚至在观察身边的事物，我发现一个明显的改变，就是中国人的消费能力有了巨大的提升。在我关注的衣食住行这几个领域中，一个明显变化就是去医院就医的人更多了，更多人希望享受高端的医疗服务。最近这些年，我在股票上的操作频率有所减少，2007年之前重仓的股票到现在并没有太大变化。但是对于一些细分行业，在还没有诞生龙头之前，我会每只股票都配一点，因为在这些公司中会诞生未来的细分龙头。 《红周刊》：今年，距离您当年被封为“中国股神”恰好已经过去了10个年头，A股市场诞生了一批又一批的牛人，无论风云变幻，“林园”一直是一块的名牌；那么，这些年您的生活和投资的节奏又是怎样的呢？ 林园：我每隔2、3个月就会搬到另外一个城市生活，马上我就要飞往成都住一段时间。我到一个城市不是住酒店，而是住在居民区里，和当地人一样工作、上下班、买菜做饭，融入当地人的生活。 我这么做主要是看淡了很多事情，有时候攀比心是投资者的敌人，如果能不受市场涨跌的影响，不受外界环境的干扰，按照自己的计划执行操作，投资会变得简单。我现在能看淡很多事情，例如金钱、收益、客户的问询等；我想通过休闲的方式，把投资变轻松，不再争强好胜，不和别人攀比。 《红周刊》：从2007年开始，您投资了全世界8个地区的资产，但是只占的5％，配置这些资产有什么目的？ 林园：虽然投资占比不高，但收益还可以。我不希望自己走柯达等知名企业破产的老路，我们不能固步自封，要为未来的收益设一个“保险”。 这一部分资产主要投资的是发达国家奢侈品类企业，例如汽车、名牌服装等，这类企业在全世界有很强的影响力，主力消费群体是富人阶层，这些人有很强的购买力，所以我可以保证这些奢侈品企业基本可以长久存在，我的投资也能长期获得收益。具体在仓位的配置上，我做的是一揽子配置，看到好的企业就买一点。 林园的价值投资理念《红周刊》：这么多年来，国内市场一直视您为价值投资的先行者，而您一直践行的价值呢？ 林园：无论投资什么行业，都要投资垄断企业，这样未来的收益才能稳定而且确定。任何风险都来自于竞争，只有垄断企业才能把风险化为“0”。例如片仔癀，公司主营的片仔癀是名贵中药，其在肝病、肝癌等领域有独特疗效，而且片仔癀还能消炎、解毒、缓解疼痛。目前市场上只有这一家企业可以生产片仔癀，它在行业内处于垄断地位；而且目前购买片仔癀的人还是少数，预测片仔癀未来股价或许会超越茅台。 《红周刊》：具有垄断性的企业未来很有可能会成长为细分行业的龙头，这其实就是把投资中的不确定性变为确定性，对企业的未来发展心中有数。 林园：是的，股市的风险其实就是企业经营的风险，我们只要把握住经营的风险，就是在做一个自己能够把握的投资，这样才能赚取稳健的收益，而不会出现意外。 对所投资的公司，我每个月至少打一个电话去了解，跟踪企业每个月的经营情况，这个月卖了多少货，我自己都可以为它做报表。当然，跟踪有时候很难做，有的企业不好打交道，有的企业领导在谈话时天马行空，但就企业发展所言甚少，那我宁愿放弃。 有一次，我投资了一家武汉企业，我给他们打电话，他们说你来公司聊吧，但我飞过去后，他们却说公司领导都出差了。后来我找了一大圈儿，包括当地区长、一把手都找了，结果他们还是不愿意见，说我们底下人做不了主，这种企业我索性放弃。 《红周刊》：从您的以及操作策略可以看出，您实际是一名价值投资者，但曾经在接受采访时，您却说自己做的是一种投机？ 林园：我的是灵活的，市场也是变化的，要根据市场来判断。大家看到我十几年不变的持有几只股票，是因为我认为从2007年以后，中国市场没有牛市，2015年股市涨到5178点，后来看其实是一波牛市，但当时我们看不清楚；我们认为只有创新高才是牛市、大多数人解套才是牛市，我们判断如果股指超越6000点才是牛市，但当时点位离6000点还有一段距离，所以采取的依然是。 而要买的股票是确定性级别最高的股票，例如我在2003年买入的贵州茅台、五粮液和云南白药。熊市中没有泡沫，投资者只能享受企业利润增长带来的股价上涨，这时候我们都无法赚股市中的钱，只能赚企业的钱，的最优策略就是持有不动。我们认为目前A股还在熊市中，虽然沪指突破了3300点，市场中的人气也在慢慢聚集，但中国经济依然没有找到一条高速发展的途径。虽然今年、环保督查等带动了传统产业的回暖，但其中伴随着用工成本的增加，我认为这对企业经营是不利的。中国经济或许要通过触底后的反弹，才能出现和成熟市场类似的大牛市。 《红周刊》：牛市的策略就和熊市不同，我听说有些做法比较极端，在转换时，甚至会更换基金经理。 林园：这个做法是有道理的，牛市和熊市的投资策略有本质区别。，最有上涨动力的是大市值的绩优龙头和能够带动人气指个股。但这些股票的较大，初期上涨会较为缓慢，甚至不涨。 而一旦趋势形成，它们会成为市场中的热点。这个时候我的操作策略是“”，手中的股票有的上涨，有的下跌，这种现象很正常；我只要确认自己拿的是有业绩的股票，就不担心它短时期的波动，其迟早有一天会上涨。 而在，市场上会出很多较为优质的公司股价上涨，而且市场会给他们轮流上涨的机会，这时，选择性价比更高的企业则更加重要。在这一阶段，我会密集调研上市公司，希望搞清楚所有的隐藏问题，确认我投资的标的是一家优质企业。 最后，在牛市末期，市场上大多数企业都会上涨，我也会在其中做波段、价比更高的企业。所以我会在不同的时间做不同的事情，我管这个叫做“投机”。 买入 持有 卖出《红周刊》：再好的股票如果在6124点或者5178点买入，都会承担巨大的压力，这就要请问您，在有了可以做投资的标的，会不会看重买入时间，也就是择时问题。 林园：除了方向的选择，择时是最重要的。我管理的华润二、三期，当时受到很多外界的干扰，在6000点时入市，因此我也受到很多煎熬。但其实只要不买在最高点，风险就不大，因为牛市是套不住人的，流动性充裕，股价波动也会提供卖出机会。 《红周刊》：其实这些大，很多人都骑过，成功诀窍就在于长期持有，而很多人只是与他们有过一面之缘。那么能够坚定持有，靠的肯定是对公司基本面的充分了解。但这些股票也会因为市场系统性的风险、或者行业黑天鹅导致股价出现回调，这时候的坚持就是对心态和自我的挑战，在这方面您是如何做到心如止水的？奉行价值投资最难的是否就在于此？ 林园：我只专心关注公司，看盘的时间很少，当年片仔癀下跌最凶猛的时期，我其实并没有注意到。对于股市大跌，我从来没有怕过，我对一家企业的了解和董事长一样深，没有什么能改变持有的优质资产的盈利能力。波动对我来说反而是好事，有波动才能以便宜的价格买入优质公司的资产。 《红周刊》：那么，价值投资究竟该在何时落袋为安呢？请您结合具体的实例谈一谈。 林园：迄今为止，我还没有因为估值过高而卖出过股票，我卖出的时点一般是企业基本面发生了变化。例如2007年我投资了路桥类企业，买这类股票相当于买资产，当时福建高速的股息超过4元，股价上升，就会下降，这相当于买这个资产不再合适了。再例如，去年我们卖出了招商银行，我们注意到越来越少的人去银行办理业务，微信支付、支付宝**挤占了银行的市场份额，所以我们卖出了招商银行，虽然今年招商银行大涨，但我也不遗憾。 站稳3300点 市场热点觊觎何方？《红周刊》：您在2007年时的投资策略是“衣食住行”，和巴菲特不谋而合，那么现在您看好哪些板块？ 林园：毫无疑问是医药股，我相信未来这个板块中会诞生下一个超级大牛股。中国人生活水平在提升，都希望健康长寿，在医药上的花费也在逐年增加。另外医药板块已经5、6年没有启动了，一个关系国计民生的板块不应该这么长时间在底部。 除了刚才提到的云南白药，同仁堂也是我的重仓股，同仁堂生产的安宫牛黄丸、牛黄解毒片在市场上一家独大；除了同仁堂，还有几家企业也生产这类药物，但基本没有销量。除此之外，在中药领域，像阿胶、虫草等其实也值得，未来的价值会不断增长，但是这些企业并不是垄断性企业，所以成长性会比云南白药和同仁堂差。 《红周刊》：看到您最近在调研宝莱特，宝莱特主营医疗器械，这和您之前投资的快消类产品不同，宝莱特面向的受众是医院，不是消费者，您投资策略发生改变了吗？ 林园：我认为医疗服务未来将迎来爆发，医疗服务本身是一个消费品，具有消费品的刚需属性，存在着巨大的市场空间。但现在医疗服务企业还没有形成气候，没有哪家企业居于垄断地位；所以我采取了“笨人笨办法”，在行业没有启动的时候，每家都做一遍调研，和董事长聊聊天，对销量做一下估算，然后在现在估值处在历史低位的时候，做一个全面配置，每一家企业都少量配一点仓位，然后在未来持续跟进，如果有发展速度加快的企业，会逐渐。 《红周刊》：贵州茅台也是您多年重仓的优质标的，上周您在接受红周刊采访时表示会继续持有，您继续看好贵州茅台的原因是什么？ 林园：今年中报显示，贵州茅台净利润同比增长36％，对应30倍市盈率，按照这个增长速度，未来3年茅台市盈率会不断下降，预计在2020年市盈率降为20倍左右。这样来看，茅台股价依然在合理区间，不存在所谓的泡沫。在全世界范围内，我都没发现有比贵州茅台还好的企业，拉货的卡车在库房外排队等待，而且是先付款后交货。很多人对贵州茅台的长期成长性表示质疑，认为白酒是中年人的消费产品，现在年轻人更喜欢喝红酒、威士忌。但其实有钱人还是在喝茅台，不分青年还是中年。没听说过喝红酒上瘾的，但喝白酒确实会上瘾。 白酒板块目前的风险在于累积升幅较大，但是不是即将到顶，我不好判断，因为毕竟顶只有一个。目前白酒整体的上行趋势非常好，我认为贵州茅台未来3年还会再创新高。 《红周刊》：此外，山西汾酒也是您的重仓股，看好这只二线白酒龙头的原因是什么？ 林园：山西汾酒市值较小，只有463亿元，小企业能让投资者享受双重收益，不仅能获得企业盈利本身的收益，还能享受的收益，而且像这样的知名品牌往往能保障股本的扩张性。 目前白酒在景气通道中，所以我们配置了一点山西汾酒，山西汾酒还和山西省**签订了军令状，董事长承诺，未来3年利润不翻番就辞职走人。所以我们也长期看好山西汾酒未来的业绩成长。证券市场红周刊更多精彩资讯，请来金融界网站(www.jrj.com.cn)《价值陷阱：大V告诉你，这样的股票千万别买！！》 精选四来源 | 文 | 张鹏这条路很难，很艰辛，需要不断的学习和思考，因此能得到得道之人的点拨尤为重要，不过最后还得归结到自己的投研实践中，吸收各种理论并不断实践的基础上形成自己的一套投研体系和框架。今天的文章是作者参加一次培训后的笔记，内容主要包括“如何看卖方报告，如何从买方的角度上研究上市公司，对策略投资的一些观点以及公司财务建模以及估值”等，不仅有作者的详细记录，还有一些心得体会。如何看卖方报告一、中小盘很多子行业没有数据，所以严谨性上确实是没法满足的；感悟：针对这样的行业我觉得更应该看到的是发展趋势：技术转移；国家政策导向；消费习惯的改变；经济转型出现的结构性机会。或许更应该关注行业的竞争结构以及行业中的公司，尤其是上市公司的商业模式、业务模式、盈利模式，找出好行业、好模式、好公司！二、必读的报告：报告，公司深度报告，上市公司调研报告；感悟：深度报告起到的作用是帮助你快速的了解一个行业，一个公司，个人觉得调研报告更重要，因为它提供了很多细节信息，很多投资者比较关心的要点，这些是在年报和卖方报告里看不到的。不过现在很多卖方的深度报告其实并不算真正的深度报告，充其量算是扫盲报告，只是提供了行业，公司的一些基本情况，并没有清晰的逻辑，也没把行业的产业链、价值链、竞争结构讲清楚，也没把公司的商业模式、发展战略、最核心的关注点讲明白。三、作为买方分析师应该同时关注一些其他行业，尤其是非同类型的行业，如周期类行业应多看一些非周期行业的报告；感悟：我觉得这最主要是为了借鉴其他行业的分析方法，或许会有意想不到的收获。四、应该弄清楚哪个卖方研究员跟上市公司的关系更密切；感悟：弄清哪个研究员跟某个上市公司关系最好，这样这个公司的信息就主要问他，提高信息的质量和及时性。五、选择几种报告的模板；感悟：平时看的报告里哪个写得很好，觉得很符合自己的风格的报告可以作为自己写报告甚至思考的范式，如行业报告，公司报告，点评报告，调研报告等。六、应该多关注公司最悲观和最乐观的预测；感悟：跟我预期一致的报告对我来说其实并没有提供什么有用信息，只有不一样的预期才真正值得深入探讨，看他的逻辑和假设点是什么，为什么不一样，是否有我没考虑到的关键点和风险点。七、尽量去做三张表的编制，尤其是对重仓股；感悟：三张表(财务模型)能帮助理解一个企业，不仅是经营状况，还有就是资产负债状况，现金状况等。八、值得关注的报告或公司信息：新息，突然出一篇深度，尤其是多位卖方同时出报告;动量信息，信息跟以往要有所不一样，因为只要动量信息才能带来变化;感悟：超过连三个人盯的公司，只选，因为所有信息几乎都已反映到股价上，市场信息已被充分利用；一段时间没有人出报告的公司可以去关注，更多的是选反转股。九、卖方报告很多都经过了包装，包装得你都不知道他的重点在哪，核心逻辑是什么；这时应该先看他的盈利预测，了解大致预期经营情况，然后再看他的投资逻辑是否一致，把握他想重点说明什么。感悟：先从报告的盈利预测入手，了解分析师对公司的大致预期，看是否有异常点，再看报告里分析师有没有对此异常点重点讨论，比如费用降低，成本降低，或行业变好等这些从盈利预期里能看出，同时报告里也应该重点阐述这些观点或事实，也就是说要弄清楚分析师想讲什么样的故事。十、不应该过度关注毛的短期波动，可以关注；感悟：成长股更多的是关注其成长性，成长的持续性;周期股的毛利率也许是周期变化的信号，因为成本、价格都在周期波动，这些影响了企业的盈利。资本市场的七大故事故事一、区域扩张很多报告讲公司成长的故事是区域扩张，这时我们应该关注的是：行业的特性，是否允许行业内公司业务进行跨区域扩张，行业竞争结构；关注公司是否有区域扩张的基因，业务是否可以复制，成本代价是什么。想清楚区域扩张的本质是什么，企业需要哪些资源禀赋，提炼出最关键的要点，看公司是否拥有。例：汤臣倍健，刚开始扩张业绩肯定能快速增长，但后面就不清楚了，所以可以进场赚刚开始扩张的钱，后面的钱不赚了，因为超出能力范围，或以后的发展是需要观察等待的，不能去赌博。故事二、技术创新在中国，凡是讲技术创新的故事十有八九都是扯淡，更重要的是关注该技术是不是发展方向，没有最好的技术，只有最适合的技术，也就是技术要讲求实用，能够带来持续收益。并且我觉得行业经验和营销比技术更重要，尤其是在中国的高科技企业，因为技术创新并不能带来壁垒，虽然高科技行业技术更新很快，但不至于快到行业内的人士没有感觉到就完成了过渡，技术替代也是需要过程的，所以在完成之前是能看到苗头或趋势的。故事三、制造转零售每个企业都有自己特有的基因，不管从管理层，治理结构，生产经营，人员结构上来看，所以不是所有的企业都能像IBM那样总是成功的完成转型，转型很难，关键看企业是否适合转型。故事四、小公司大集团出来混总是要还的，大集团既然愿意为小公司输血，那么未来某一天总会要小公司进行利益输送。所以要关注的是：集团动机!故事五、政策推动应该关注的是政策的推动对公司有多大的影响，什么时候产生影响，更应关注政策的持续性，千万不要买在政策的高点。故事六、进入新领域大多数公司都是做加法做死的，尤其是那种不顾成本疯狂扩张的公司，应该对公司的业务扩张保持谨慎，先持观望态度。故事七、新产品新产品相对来说容易打开市场，尤其是公司已经有类似产品成功的经历后。一个产品型公司应把营销放第一位，同时研发要跟上。所以我觉得有好的营销体系的公司，同时产品受欢迎，此类公司有前途！上市公司研究方法一、把一个行业里的公司拿来一起看，做比较做研究应以一个子行业开始，先把子行业弄明白，然后把行业里的公司一起做比较，首先是财务数据，然后业务模式，战略，产品等，找出子行业里的优质股。请加院的公众微信号:xgupiao 马云都在关注二、中观角度：了解产业历史阶段与目前的竞争结构，以恰当的视角来观测公司了解历史才能更好的预测未来，对于一个产业的研究，必须从历史开始，不同的历史环境会引起不同的竞争模式，产业发展的不同阶段主要矛盾也不同，因此应该从中观层面把握产业的发展历史及趋势，这样有助于把握公司的发展。同时，应以不同的视角来观测产业链里的各公司，比如苹果，应以消费品的视角来观测(人的感受)，htc，应以制造业的角度来研究。三、产业的发展阶段机械化—自动化—信息化—智能化；可以看出，这条发展路劲是很清晰的，先重工业，制造业，后信息服务业，先硬件，后软件+服务，因为信息服务都是要以硬件为基础的。四、微观歧异，规模(集中)，总成本领先；歧异在不同产品领域中的含义：上游周期性无法造出歧异；中游的歧异在于效率；下游的歧异是心理战。五、调研调研的目的更应该是了解一个产业，而非一个公司；我觉得调研不仅要了解一个公司，同时要了解一个产业，产业链上的价值传导，上下游的关系等，了解了公司在产业链中的地位和位置才能更好的把握公司的发展。六、什么时候国企开始以市值为考核指标，那么一定会有一个大牛市以市值为考核指标，那么国企便有放业绩的动力。七、规模VS利润，更应关注哪一个?利润的增长来源于两个方面，一是盈利能力的提高，二是规模的增长。所以应该分开来看，尤其是对于不同的公司来说，不同阶段主要矛盾不同，采取的策略也不同，但是记住一点，持续的利润增长必定来源于规模的扩张，所以规模的增长可能更靠谱一些。八、强者恒强的时代丑小鸭变白天鹅几乎不可能；老二要想坐上老大的位置很困难，只有两个行业可以，一是材料，二是技术，但都很难。九、上下链需求中游导入期：引发潜在需求；下游导入期：创造需求。十、壁垒壁垒：不可复制的，不扩散的技术产生壁垒，高科技本身并不是壁垒；高科技行业更新换代很快，江山易主也相对容易，壁垒在于护城河，在于能保护自己的机制，不可复制，不可替代就意味着壁垒。十一、高端产品高端产品是高壁垒产品而非高技术产品。十二、产能瓶颈产能的瓶颈在于核心材料，核心设备，核心工艺环节。十三、明晰调研的具体场合与访谈对象调研对象：董事长管战略与体制；总经理管经营方法与过程；分管领导各司其职，职员各做其事；调研场合。问不同的人不同的问题，问他熟悉的领域，如问董事长公司的战略和目标，不要指望他给出具体财务指标和经营细节。研究经验体会逻辑比结论重要：基于同样的事实和数据不同的人解读是不一样的，所以光看结论并没有那么重要，更重要的是分析逻辑。不要只去分析数据，因为上市公司可以去调控EPS，应该分析上市公司的利益诉求在哪，有没有动力做业绩。可以把上市公司看成一个利益主体甚至是一个人，因为它在跟你博弈，利益导向是不同的。好的分析师的研究发展路径：公司分析师—行业分析师(子行业之间做切换)——行业策略分析师。把公司层面的事实、逻辑跟行业层面的事实、逻辑分开，若公司基本面变差或变好，应该做一个归因分析，看是公司层面的变化导致的还是行业层面的变化导致的。股价的上涨和下跌来自于两个方面：一是市场层面；二是基本面层面。市场层面涉及到市场情绪，等，基本面包括宏观层面、行业层面、公司层面因素。策略研究方法不应只关注基本面，市场面也很重要。例：降存准，怎么判断会涨，会跌?没法判断!因为影响因素太多，且不同时段对股价P=F(x,y,z,…)的影响函数F是不一样的，就算知道了x,y,z的变化也不能准确的得出P的变化。也即，先验的判断可能成为赌博!所以更应该采取先观望等待的策略。结果是高开低走，后连续几根阴线，那么判断市场对此次并不敏感，可考虑降仓。基本面没法判断时，可以参考市场面对基本面的反映，然后顺势而为。但是从中长期来看，更应关注基本面，市场面只提供一个参考一位基金经理的投资减法：少看研报多读书，少搞勾兑多数数；少跑调研多呼噜，少开晨会多开悟近20年前读研时，会计学教授陆正飞老师说过：“我每天有效研究就三个小时，你们如果超过六个小时，那基本上是浪费时间。”过了几年，我进了国君研究所，李迅老师说：“如果一个人做投资五年还找不到感觉，那就应该改行”。这两句话成为我心头那千钧泰山，压得我惶惶不可终日，还好我在做投资的第四年第四季度有所领悟。如今，深以为然。谨遵老师的教导，我基本上做到了每天劳动不超过n个小时、有效劳动n-4个小时（有考核压力，故不便具体披露数字）。投资很多年也尚未被市场和客户淘汰——不是业绩牛，而是遇到了天底下最有耐心、爱心和同情心的一批客户。我们有一定规模的，每日开放，零费率申赎，几年下来居然几乎没有退出而只有净申购。写这文章前，想起了从前下乡时看到猪圈上，白色涂料刷成的一行字：“想致富，少生孩子多养猪”。真是人民的智慧啊！股市混的年头多了，对于投资这点事，也就有了点教科书以外的、类似于生娃养猪的浅薄认识：少看研报多读书，少搞勾兑多数（第三声）数（第四声）。少跑调研多呼噜，少开晨会多开悟。少看研报多读书据路边社统计，我国证券研究领域硕果累累，近年来每年研报总数2万篇以上，平均每100篇研报靠谱的在20篇左右，其间当然不乏命中率极高的专业选手。平心而论，国内的卖方研究是三百六十行中工作最勤奋、服务最全面、压力最山大、手段最丰富的工种之一。男生没有六块腹肌、女生没有全马经历，估计身体上都吃不消，更何况还要拼情商、拼颜值、拼各种爹。早上起床，看见三个小时前可怜的卖方分析师还在各群更新季报点评，或在朋友圈晒着在各地流控中的机场打地铺求安慰的照片，刹那间一阵心痛。但若以赚钱作为检验真理的唯一标准，那结果还真对不起同行们的付出。跟着研报的，据说大多数并不理想。苦逼的买方新司机经常看了报告就热（无）血（脑）买入，被套了再等第二篇、第三篇来解套，可是股价一路向南就必然没下文了。我们其实都很理解，大家都是凡人，这也仅仅是赖以买房子娶老婆赚奶粉钱的工作，很无奈。所以呢，彼此的立场、导向不同，导致方法论甚至是价值观的重大差异。买方还是应该理性、客观地借鉴卖方提供的优秀成果，却不能以此替代自己的独立思考。如果没法做到“批判地吸收”，那就少吃点，肠痉挛并不舒服。据说，我们这一支是做价值投资的。那么最重要的浓缩级营养莫过于经典著作了。我们相信股市长期是称重机，那么就应该赚长期的钱、企业成长的钱（不是预期差的钱）、可持续的钱。可是在卖方的汗牛充栋的研报里，我们需要的逻辑几乎看不见啊。看见最多的是“雄安概念”（套了一批）、“概念”（又套了一批），“为国接盘概念”（干脆套死了一批），捂脸——我们相信“”，可是研报里尽是纸牌屋啊！很多年来，倒是格雷厄姆、巴菲特那些老掉牙的著作和演讲稿却给了我们很多投资灵感，我们也从西格尔、博格的统计数据里找到了市场的规律，从席勒教授的书里找到了风险观。它们一直给我们带来精神的愉悦，顺带帮我们给客户赚到了稳定的利润。少搞勾兑多数数校长经常说，这世界上最悲催的事情是还亏了钱。这又是什么梗？很多人认为，调研不如勾兑，开会不如喝醉。觥筹交错之下，几瓶茅台灌肠，上市公司董事长借着微醺的醉意，终于凑到你耳边、轻轻呢喃了几个字、再抛给你一个蒙娜丽莎般神秘的微笑……哦卖糕的，那可“价值连城”啊。多少人可以为这个美丽瞬间付出几天的路途奔波，可以豁出半条命去灌半斤乙醇。结果呢？天不遂人愿的事情多的去了：咱说好的并购项目呢？说好的10送30呢？人家上市公司也有苦衷啊，风向都变了，再搞事情不是找死吗？兄弟你偷偷摸摸买的票，亏就亏了吧，牙齿打落了和血吞，别抱怨和投诉了——大热天的，你想去没空调的号子上班吗？发财这点事呢，真就是“一命二运三风水，四积阴德五读书”，内幕消息勾兑能排得上老六？人家搞内幕交易发了大财还好好的，那前世得做了多少善事。拼爹都没用，得拼祖宗！甭羡慕了。十多年前，某会发行部的朋友就说了句实话：别以为搞定了上市公司，就能在重组上赚大钱，你们看见台上几个人硕果累累，你们没看见万人坑里尸骨累累啊！你以为就能谈成？你以为复牌就是五个涨停板？你以为10送30就会飙升？且不说这些不确定性有多大，即使你卖出兑现利润，你就不怕v5.0抓你现形？你希望儿子刚刚开始人生的起点，他爹（妈）的人生就被强平了吗？15年上半年我就告诫研究员不要找潜在的重组停牌的票：上半年放出来的都是n个涨停，如果下半了呢？几个跌停板都是无量的啊。想逃命都要买跑道的痛，你知道不？关键是，跌停板上比速度的都是酒桌上的“兄弟们”呵。劫后余生你会感慨，“为国接盘”居然也是不分先后的。上市公司报表能挖出金子吗？我说一百遍都没有人信。他们说中国上市公司造假云云，看报表没用。你知道吗，上市公司董事长在其他场合所说的一千句，都顶不上年报的一句话。为什么？因为其他的忽悠，都不用承担年报的法律责任！JIA会计说，我的PPT就是能造车。可最后造不出来、你能去封他加州的豪宅吗？持续的利润操纵是不可能的：一个年度的利润好作假，你有本事连续五年把三张表都给我做平了、并能经得起起码的财务推理？你要是能做到，我立马辞职去考你的博士生，因为你绝对是格雷厄姆转世。知道怎么读报表不？我打赌九成五的人不会，特别是没做过生意的。别以为知道杜邦分析就是高手了。近日盈信林老板发飙那篇文章的观点，我很是赞同。怎么补课打基础呢？一个牛人朋友是这么培养弟子的、我也用过，挺好：拿八开的白纸，手工抄报表，从上市以来至今，每个科目不遗漏。抄两年。没有上千个小时的积累，你的直觉不可能这么好。知道巴菲特为啥是股神不？人家十岁就开始读报表、背数字啦。你已经三十多了，再不抓紧，这辈子怕是赶不上他了。陆正飞老师之所以每天工作三个小时就解决问题，那人家多少年如一日地有过积累和铺垫啊。没有真正扎实的功底，你天天玩农药，黑马白马千里马就跑你们家院子去了？学会做减法，是一门学问。当你慢慢明白哪些事情不必去做，离成功就近了许多。当你把无聊的浮云从眼前抹去，诗和远方才会逐渐浮现出来。少跑调研多呼噜同学们要问了，整天调研总是要的吧，那可是价值。作为二十一年股龄的老司机，我是这么看的：不调研100家上市公司，那是没法做深度研究的。但不做好功课，就跟着去群面、联合调研，那是浪费时间，不仅是你的时间、更是人家董事长的时间。调研交流中，如果你的问题总只是围绕这些，就需要小心了：1、“公司营业收入今年预计增速多少”、“毛利率会提高几个点”？你真正搞过企业才会知道，能准确回答（事后验证）的大多数有两种情况：报表做了“预调微调”，或者蒙对了。蒙，显然不是你想要的；那么，“做”到多少增速，那要看他的诉求、更要看他是不是想真心对你说。那董事长又不是你，你又没《微服思纺》美女帅哥那么高颜值，他为啥要跟你分享心里的账本呢？更伤人的是，季报年报出来了，说好的50%增长怎么只有15%？瞬间一万头草泥马从心头呼啸而过，研报中你却只能默默写下“略低于预期”几个字，然后关上手机等待的审判。2、或者干脆单刀直入：“公司打算十送多少”、“要不要搞市值管理”、“有没有外延式宾狗计划”？如果调研的目的仅仅是掌握一点别人今天不知道的不对称信息，那真有点对不住985学校给你的大红章了，咱“研究员”是不是改叫“情报员”更好呢。校长善意提醒你，如果一个很拽很高冷的神秘上市公司忽然“热情”了起来，不断主动约调研和反，并主动透露一些“干货”，新司机应该警觉一下：该不是有“仙人跳”了吧？你这个唐长老再YY妩媚的白骨精也不能约，因为你敢确认她图的是你的小白脸、而不是身上的五花肉？从Tom和Jerry，到唐长老与白骨精，食物链上下游的邻居变成好朋友的很少听说。3、不行咱就调研公司战略、听董事长讲故事吧，只要是“风口”的动物，前两年据说都能飞。说句实在话，能把公司折腾上市的老板，一个比一个厉害，特别是讲（忽）故（悠）事（你）。你想，能轻轻松松通过发审委专家的层层盘问，这个战力绝对是吕布级的。让你拿着棒棒糖去幼儿园门口哄个小女生不难吧？太easy了。知道吗，在某些长袖善舞的董事长们眼里，出台跟研究员和基金经理讲故事，这工作和你哄小妹妹的难度一样low。看，低调到只出现在《财富人生》电视节目的行业大佬，抽个你没见过的雪茄，戴着你没听说过的限量版名表（还是拍卖来的），几个黑色西装的保镖司机一字排开，他往中间沙发那一坐----气场上你就输他了，眼神都能杀（迷）死你。故事还没讲半个小时，你可能都想冲上去跟他来个合照晒朋友圈了。你说，这场合，这氛围，还能理性地调研不？他们的一般套路是：先讲情怀（咱不谈钱），再讲模式（咱只谈二十年后的钱），永远不讲财务（这是小钱）！不是吓唬你，这样的“大佬”名单列出来一页纸都不够写。麦道夫这种大忽悠，在我国估计连资格赛都进不了。代表性的，某县税务局某个信息管理员，某天一个华丽转身、一曲卡拉永远OK，全国股民和部分基金经理就彻底蒙了，争着卖身并帮他数钱数到抽筋（也包括几个中国好同学）。这种专业水准，才堪比国乒。少不经事的小蚯蚓见帅哥只会听花言巧语，而久经沙场的老司机曲筱绡却会分析他的举手投足——听其言，更要观其行——这就是她阅人无数的功力。长这么大谁没有被骗过？骗我一次是你没良心，被骗两次是我没脑子，被骗三次及以上可连脸都没了（还好意思说自己是做投资的？马化腾同学如看见请手工点赞）。据说巴菲特后来是不调研的，即使是年轻时也不多，估计是这吝啬鬼在省机票。不过这老司机倒是曾教过我们怎么调研，一招制胜：去找这个公司最牛的竞争对手的高管，问问他，如果你们行业哪个公司倒闭了你最开心，那家就可能是你应该去投的。类似的雕虫小技也确是好用的。某最牛不是又到投票季了吗？听说哦，每年这个时候那个叫No Secret的APP就分外的火，各种黑啊。看了一下还真让人胆战心惊（还好没入那行当），看了就明白什么是“同行相轻”（简直有杀父夺妻之仇啊）。不过，我们反过来想，对某个公司，如果它的同行发自内心给了褒扬和尊敬，这些信息是不是更值得重视呢？聪明的你，应该懂了吧。有人总想通过调研发现一些别人不知道的“黑马”。殊不知，你研究家电、白酒时，如果格力、茅台这种龙头白马都没有真正领悟透，那最后找到的只能是电驴。郭靖刚出道时就被七个江南怪物教育了一次什么是“江湖险恶”，瞎了眼的往往比你看得清楚，瘸了腿的往往跑得比你快：因为他们教训都是用血买的。股市这弱肉强食的地方也一样。本文看得垂头丧气了？那改行吧，要不回去补补觉？少开晨会多开悟有人担心：少看报告、少调研、不勾兑，那老板还给我发工资不？少出差、勤健身、多睡觉，能搞到牛票？这话还真对了一半。这么多年，我们一直提倡不加班，九点钟上班、五点钟回家（群聚的happy hours例外），还不打卡，也没见章老板扣过钱啊。当然，这也可以解释在较低的工资水平下，多年来我们员工的被挖脚率几乎为零（真对不住兄弟们）。我们一直坚持不开晨会，这样可以给长身体的同学们留足睡眠时间。这好像显得很不敬业，还敢**咧咧地说？我从不忌惮把卸了妆的脸给客户去看。其实这很简单：晨会无非是对昨天发生的某些事情进行点评交流，总体上就两类信息吧：1、国际**经济形势、隔夜市场、、原油啥的，这些高深莫测的东西，***科班出身的我根本搞不懂（我也不知道谁算真搞懂了）。一群搞不懂的人衣冠楚楚地正襟危坐，整天讨论搞不懂的事，我总感觉像皇城根儿到处可见的茶馆火锅店里的民间组织部长：一大早指点江山、激昂文字，是不是有点在征途游戏里当大王的感觉？可咱都一把年纪、有的人都快当爷爷了，老玩过家家好像挺没劲的。2、上市公司信息公告。如果是我们重点关注的，那研究员在微信群里点评一下就好了；如果是我们不熟悉公司的各种公告，那干脆不看。不熟悉的公司发布看似牛叉的公告，咱看完就急急忙忙去买单上套，这不是盲人骑瞎马——找死么。3215家上市公司，正规渠道年信息披露10万条以上，可如果每条都认真看，那又是何等悲催的人生！我们这么做，更重要的意图是：让大家把眼光放在长远和关键的问题上，而不是在让市场一惊一乍的新（噪）闻（声）上。赚大钱的idea，很少是晨会时吵吵嚷嚷时出现的。股价剧烈波动或出现特别重大的事件时咋办？我们基本上还是不开晨会、不讨论。最多几个三言两语沟通一下就OK了，大家都十几年几十年老股民了，大盘涨停跌停都经历过十几次了，人生如此完整，还有啥可大喜大悲的？另外，每天都有各种经济崩溃、世界末日的报道和预测，批着新旧媒体的各式外衣粉墨登场，给你大白天讲聊斋鬼故事。可咱等了这么多年等着重回1929年抄一把大底，等来的却是房价二十倍、道指两万点！改革开放四十年不容易啊，咱别瞎担心、自己吓自己，正常过几天日子好不？其实，聊斋上的几只狐狸除四害时早见上帝去了。如果什么新闻都那么当回事，你的收益率或许短期上去了一点点，但你的血压肯定上得更快、而且回撤比净值回撤小得多。更多的情况是连都跑输。}