月度归档:2018年10月

深度好文:基本面研究的深入讨论

  将对个人交易者中成功的基本面交易所需要的思维特质和人格特质进行讨论。对于那些向往用基本面交易赚钱的人,可以对照下面,看看自己在多大程度具备优势。如果没有,就要在这方面做训练,或者另寻其他交易依据。

  1-7主要探讨市场和行业,8-15主要探讨交易者应具备或强化的特质,有些章节专门针对个人交易者提出了一些补拙法门,可关注。本文也是对自己多年基本面思考与交易体会的一次阶段性总结,主要谈“道”的层面,但对“术”的层面也有提及,细心的读者一定能从中得到一些指引。

  认为价格是商品的内在属性(价值)与影响因素决定,通过因素分析来解读和推测价格的研究方法称之为基本面分析。其中的分析所涉及的因素就是基本面信息。按照传统的经济理论:价格围绕价值上下波动,是供求关系引起的。所以传统的商品基本面分析基本等同于供求分析。供求分析的集中体现就是该商品的供需平衡表。

  在早年,金融市场是从属于实体经济的资金管道,服务于最终借款人和最终贷款人之间。而如今,金融市场高度发达,虚拟经济规模极度庞大,且内部形成了完整的食物链,已经形成了自组织的生态系统。商品的价格、金融产品的价格,都是这个系统的一个变量,而已。从某种极端的角度看,管道系统膨胀成了主体,而实体经济成了挂在这个管道网上的终端。这时候,供求关系分析,往往失线月,某知名期货公司曾主办客户内训会,有一期专门讲棉花,会上有分析师指出,根据当时的产量和需求数据推算的棉花平衡表可知,虽然当年度棉花恢复性增产,但供给有限,期末结转库存依然是历史低位。根据这个结论,棉花应该要维持高位。对应这个思路,该公司某大户,一直在棉花上持有大量净多单,直到年中。而此期间,棉花价格却一路下破,该大户在棉花这个品种上,亏损巨大。

  如今,金融体系内部的流动性分布,市场心理预期影响下的流动性变动、库存变动、开工率变动等,有时候对价格的影响会超越供求关系,或本身就能改变供求关系。所以,基本面分析若不考虑这些,基本没有可操作性。那么,加上流动性分析和心理分析之后的基本面分析,是必要的基本面研究架构。但仍不是充分的。由于信息的开放性、无限扩展性、动态性、自反馈性,基本面分析注定是缺陷分析而非完备分析。

  除了上面提到的传统(或狭义)基本面、必要基本面、还有一种理解:广义基本面——就是把所有场外信息都视为基本面。

  很多交易系统都有自己的理论基础,比如有效市场假说。是说,所有信息都已经反应在价格(即场内信息)上,所以,不需要场外信息。或者说,场外信息是滞后的,所以没法用。除非是靠内幕消息(属于场外信息)来交易。

  根据随机漫步理论,价格走势可以统计但无法预测。但是,基本面因素分析,关键就是希望找到方向性的指引,然后根据这个方向去交易。若走势是随机的,那你找到的方向和市场的方向就压根没有内在关联了。非要去预测,其效果和抛硬币决定开仓方向没什么区别。

  我们不应该看到别人用基本面赚钱,就想当然地认定基本面交易能赚到钱,而无视投机理论界所揭示的客观规律。我们不但要找到基本面交易的理论依据,该理论依据应该不与已知规律相矛盾,而且这理论依据最好还能统一于现有理论。

  一个成熟市场必定是一个典型非线性系统。从不成熟市场或小市场发育成成熟市场或大市场的过程中,本人认为,线性和非线性之间没有一个明确的界线。当交易对手数量有限且可观察的时候,交易者(大交易者)可以通过观察对手(另一些大交易者)的行动来优化自己的决策,同时也可以通过评估对手实力来测算自己操纵市场的成本。此时就是寡头博弈的阶段。在任何一个国家的投机市场的发展早期,必然经历具备此类特征的阶段。当然即使在成熟市场,个别时点也可能出现寡头博弈的特征,比如出现典型逼空行情时。

  当随着市场的发展,市场的参与者数量不断壮大,包括大户的数量,多到无法进行足够地观察跟踪;同时,市场参与者的类型不断丰富,同质化水平不断降低,行为方式高度差异化,以致于任一个大户无法推演他潜在对手们的可能行动。此时,市场的非线性特征才能充分显现。行情的随机性就越来越占主导地位,而操纵市场的成功率和收益率也不断下降,以致于没有可操作性。这也可以解释为何中国市场最突出的犯罪是操作市场,而成熟市场中最突出的犯罪不是操纵市场(却是内幕交易等)。

  在自然界中可以找到类似的系统,比如日-地-月系统,这是一个三体问题,周期轨道稠密,相对于昼夜和四季变化,轨道改变极其缓慢且微小,在不太久远的时间内,可以近似认为是高度稳定的线性系统,适用开普勒时代的理论体系。并且,其他天体对这三者的影响可以忽略不计(就类似于在寡头博弈市场,小散户们的影响可以忽略不计),只需要机械决定论的思维方式和牛顿力学就可以解决一切。改变日-地-月三者中的任何一个,都可以测算出另两个运动的变化。

  而天气系统,体系内部的个体数量近似为无穷多,是一个典型的非线性系统。具备充分的随机特征。改变其中一部分的温度、速度、运动方向,都无法预料整个体系未来的变化(就像随机市场中,大户试图操纵市场的行为都无法预料后果)。无法进行精确预报而只能进行概率预报。

  投机市场虽是一个非线性系统,但是一个开放系统,外接很多线性系统,所以必然可以利用外部众多线性系统对该非线性系统的影响,来使预测超越随机性。

  还是以自然界中的系统来举例。比如天气系统,是典型非线性系统,难以进行精确预报,但我们仍有很多工作可做。比如我们可以说,宁波的1月刮西北风的概率很大;我们现在处在深秋,我预报下周的气温比这周低,这个概率很大;1月份某一天的气温,比7月某一天的气温低,这个概率极大;要是在北极点,我预报1月的气温比7月低,那几乎就是板上钉钉的事了。精确预报可视为概率极大的概率预报(因为自然界中没有绝对彻底的线性系统,只有近似线性系统,所以,没有绝对彻底的精确预报,只有近似的精确预报),为何对于天气系统,我们也可以发现很多可预报的成份?原因就是因为天气系统是开放系统,外接日-地这个线性系统,四季变化以及伴随四季发生的冷热、干湿、季风等变化,都是因为受到了日地系统的叠加,而日地系统中的日地距离、黄赤交角、回归年长度、太阳的热释放量、地球的形状、下垫面的水陆与植被分布,等等,都是线性可测可报的。在天气系统的数学模型中,这些都是微分方程组的边界条件。幸运的是,这些边界条件中很多都是建立在线性的外部系统的基础上的。所以,我们真的就能在一个随机系统中找到很多近似必然的东西,或者说近似适用因果论的东西。而一旦有了这些东西,预报者就可以更准确地进行演绎了。

  这应是基本面系统交易者对市场的信仰:对于市场这个非线性系统,我们如果找到了这些近似必然的东西,我们的主观预判交易就有了依据。只是这个寻找和理解的过程,比天气系统难得多。原因是市场所外接的系统,线性的近似程度通常都不高。

  从笛卡尔时代开始,400年来,科学研究中,人们形成了一种研究范式:就是把复杂事物简单化,建立理想模型,求出实际问题的近似解。这种方式推动了科学技术在当时的蓬勃发展,同时机械唯物论、历史决定论等一系列哲学思想甚嚣尘上(后来人们把这种整体等于局部之和的世界观统称之为还原论)。直到十九世纪晚期,人类才逐渐开始认识到现实世界的复杂性超出了简单模型的描述能力,在社会发展要求更全面更精确地认识复杂事物及其规律的时候,就急切需要一种复杂性思维、复杂性研究工具和方法。复杂性科学的萌芽,出现在十九世纪晚期庞加莱对“三体问题”的研究。什么是三体问题?俗话说:“三人成江湖。”还有:“人在江湖,身不由己。”人类的江湖(社会),其实就是一个三体/多体问题,这注定了无论其是武林盟主还是帝王之尊,貌似具备掌控全局的能力(信息、资源),给予演化足够的时间,都无法摆脱不确定性(身不由己)。非线性相对应于线性,非线性简单说就是不可叠加性。当人类的研究对象中非线性问题成为普遍现象的时候,催生出了非线性科学。二十世纪七十年代,思想家埃德加·莫兰在对还原论的批判和整体论的超越中,正式提出了“复杂性思维”的概念,当时已经出现的非线性物理学、不确定性理论、耗散结构理论、自组织理论、混沌理论等,都参与建构了复杂性思想体系。非线性是复杂系统的必要条件之一。复杂系统是非线性系统的高级呈现。作为一个后现代学者,对三种思想体系不可不知:相对论、量子论、复杂性理论(也称为系统科学),它们既是一种科学理论,也是一种哲学观。若非如此,在看待真实世界的时候,如同拿着狼牙棒参加海湾战争。

  本节探讨:我们应该从哪里寻找市场认知与分析、基本信息的认知与分析的理论源。泉这表面上不直接解决如何赚钱的问题,其实非常重要,直接决定了所有相应的观点、见解、方法的层次高度、扩展空间。

  确定无疑的是:人类社会是一个动态非线性的复杂系统,金融市场也是一个动态非线性的复杂系统。金融市场,或者说一个典型的复杂系统,具备如下的特点:

  ◇ 非线性:具备多个行为主体,系统整体呈现的性质特征无法通过对个体性质的叠加来实现。当这个“多”本身就是一个极大数,而且非定值,那么系统如下文提到的特征就越发充分。

  ◇ 内在随机性:在初始条件和边界条件上受制于描述的不完全性、知识的不稳定性、认知的不透明性、以及事物在粒子层面上的不确定性(一种量子效应。在社会性研究对象中可以对应于个体/个体事件的随机涨落)本质,这样,即使多元微分方程组具有解的唯一性,但只是演化结果的可预置(我们可以事后诸葛,循着轨迹试图找出动力学解释),却无法改变操作层面的不可预知。这是为何说基本面分析具有信息无限可扩展性的原因,也注定了基本面分析是一种缺陷分析(相对于完备分析)。

  ◇ 外在随机性:在金融市场的例子中,观察者、测量者,同时也是参与者(交易人士)、干预者(媒体人士和监管人士)。在动力学层面上,市场的前一步的结果,透过市场人士的看与做,成为下一步的原因,这个过程循环往复,这就是复杂系统的基本特征之一——自反馈Self-feedback,它的存在,使微扰经过系统演化,被迅速积累和放大,最终导致系统行为发生巨大变化,使得系统的精确的长期预报成为不可能。注意:这种自反馈性要比那种可观察的连锁反应的内涵更广泛。

  高度的初值敏感性,是混沌的最基本性质。混沌现象是复杂系统中被研究最多、被普罗大众了解最多的一个领域,也是复杂性科学中与我们这篇文章的主题关联最大的领域。有些学派甚至直接把复杂系统等同于混沌系统。普罗大众对混沌的了解主要起于“蝴蝶效应”(洛伦兹,1961,天气预报),不过少有非专业人士能简练地概括出“蝴蝶效应”说的是初值敏感性,我经常看到这个词被用错地方。关于随机性和不可预测性我们已经谈了很多,这里到此为止。

  ◇ 拓扑混合性:混沌系统具有拓扑混合性。在此,拓扑结构可以对应为社会性研究对象中一系列个体/要素/事件的关联关系的集合。拓扑混合性指系统会将初始的拓扑性质彻底打乱,使得任何初始拓扑状态可变换到其他任意位置。在金融市场中就表现为这种关联关系的不断变化。

  比如,这次加息市场是上涨,下次加息可能是下跌,再下次可能是高开低走……等等,当然,这是一个非常简单的例子。在金融投机领域的“孢子理论”中,核心涵意就是市场如孢子,具有生命,具有永恒变异性、不可分离性、不可控制性,它的变异发生在被观察被认知的时刻,而它的变异方向是观察者未知的方向、让分析者刚刚总结的规律破产的方向。金融市场的拓扑混合性如此鲜明,是因为它的个体,统统具有充分的主观能动性(自反馈的效率非常高),又有不同的行为反应模式(自反馈的方式非常多样),在自反馈的动力学层面就具备了充分兑现和无限丰富的特性。

  充分兑现:比如看多的人,越相信自己,就越会在市场上做多,持仓也越激进,把自己手上尽可能多的资源都用来做多,所谓人的欲望,在行为中,无论是恐惧还是贪婪,都会被放大到过度的程度,而个性、知识、学习、分析的存在,同样是主观能动性(的区别),会让不同的人的恐惧与贪婪的强度、节奏大相径庭,但目的却都是尽可能在市场机会中利润最大化风险最小化,对每个个体来说,都会在自己的承受限度内把捕捉收益规避风险的动作做到极致。无限丰富:比如,有些人,看多,在还没跌完的时候就进场,有些人,确认跌完再进场,有些人突破再进场,有些人逐步建仓,有些人一次性建仓,有些人一直持有,有些人进进出出……反应模式丰富与多变,与天气系统中的气体分子和空气团相比,不可同日而语。

  拓扑混合性及其在金融投机市场的应用(孢子理论),简练的概括就是“多数人预期/相信的,一定不能实现”,它是鼓动人们做市场少数派的理论基础。举例:如果市场看到上次加息是下跌的,市场一旦相信了这是一种规律,那么这次加息可能在预期阶段就已经提前下跌、或者在突然公布加息的恐慌中把集合竞价打到极低,这些因素都有可能让真实市场的走势不再表现为下跌。

  中石油上市当天的走势是一个经典实例:在那个空前绝后的大牛市中,大机构小散户看了太多新股上市后的走势(不信可以查,中石油上市之前的几个IPO都是上市后伴随一波上涨),他们总结出了规律就是“逢新必炒,(既然这么多人会来炒,我尽早)买新必赚”,加上大牛市的氛围,直上8000点的乐观叫嚣,亚洲最赚钱公司的舆论造势,使绝大多数市场人士相信这条规律在中石油的上市中依然具备有效性,当对某种规律的这种相信已经成了市场共识的时候,愿意参与这个游戏的买单都打在了时间的最早点,如此强大的买盘力量自然会造就价格上的最高点,而这些买入愿望都变成买入行为而兑现充分之后,其后的买盘自然无以为继,价格自然无力创出新高,我们看到孢子摇身一变,真实情况和想像中的规律相反,中石油的开盘首日最高价就成了历史最高价,按照前述规律做进去的人都只有苦头没有甜头。中国人常说一句神秘兮兮的话:“天机不可泄露”“一说就破”。其实就是人类社会作为混沌系统的拓扑混合性的体现,把天机说出来,等于试图分离孢子,有人就会企图用“天机”牟利或其他,就是试图控制孢子,这时候孢子一定会变异,于是事情的结果就要发生变化。

  金融市场既有“预期的总不能实现”的孢子理论,还有“担心的总会发生”的墨菲定理。担心的内容往往和期望、和自己正在相信和执行的方向相反,所以“担心”相当于一种反向预期。反向预期的实现的动力学基础也是自反馈的存在。其实,预期之所以不能实现,实际上往往是因为预期的提前兑现,预期在统一达到共识的程度,就兑现了,完成了拓扑结构在时间和空间上的重构。而自实现之后的演化,就存在初值敏感性。最终,预期的出现,会通过金融投机市场这个人类欲望(主观能动性)的放大器,快速实现结果的任意变换,有效市场理论的信奉者认为基本面和消息面都无法改变市场的随机性,即是这个道理。担心的事情,往往是原先认为不会发生的,还来不及做相应处置的事情。

  比如,如果早上大晴天,现在天边涌起乌云,路上行人中没雨具的人会担心下雨,有雨具的人不会担心。带雨具,就是相应的处置,有了处置,就不会担心下雨。如果起床的时候就在下雨,一直下到现在,那么路上行人都会带雨具,也不会担心下雨,不带雨具一定是不怕被淋雨,或者是个赌徒(赌定雨马上停),这类怪胎没雨具也不会担心下雨,总之就是不会有担心存在。反向预期实现的动力学分析如下:有担心,说明有了某些迹象,而这些迹象原来是没有的。原来没有,那么肯定市场上多数人没有做相应处置,这个多数人的数越大,就说明原先另一个方向上的预期越一致,势能也越大,它构成了一个基数(分母)。一旦新的迹象出现,没处置措施的人中即使只有十分之一的人转而采取处置措施,由于基数很大,这些采取措施的人在市场全体中的比例也很高,他们原来的预期越一致,他们担心的东西也越一致,他们处置措施的时间和动作具有不约而同的默契,结果在市场上形成一股爆发力。

  金融投机市场只有两个方向,这种处置措施的方向一定与原来运行方向相反。而价格的剧烈的反向运动会促使反应迟钝的那十分之九的人最终也被迫有所行动,而他们的操作动作也只会继续加剧价格的反向运动,于是,反向的自我正反馈就迅速发生。由于原来没有处置措施的人太多,所以这个势能太大,市场上有句话:“行情总是朝着阻力最小的方向运动。”有这么多潜在的准备采取处置措施的交易者存在,自然阻力很小喽。

  ◇ 在复杂性科学中有一个重要领域是自组织理论,一个存在随机涨落的远离平衡态的开放的非线性系统,可以自行由无序走向有序。在金融投机市场,至少可以得到以下两个结论,一个是高级层次上的结构,是可以存在的,这是我们在随机性中寻找趋势的可行性的理论基础,这与随机性不矛盾;另一个是这种在远离平衡态的有序,是系统本质决定的,是与生俱来的能力,毋需以庄家的存在为前提,许多人喜欢为某些特定行情编一些关于庄家主观意志的解释,实属多余。这如同简单的基本粒子最终能进化成高级智慧生物,而毋需上帝参与设计。人类的恐惧和贪婪,如同给投机市场行情演化的自我强化机制装了涡轮增压器。往往在市场中造成多次的远远偏离均衡的情况连续发生。如同大灾之后有大疫,大起之后也必有大落。但主流观点认为市场总是正确,偏离均衡是特殊的、暂时的。

  索罗斯关注到了这种自我强化的双向反馈渠道,但他把市场的这种特性视为市场(在反映均衡态上)的错误,并把这种双向反馈机制称之为“反射理论”(Reflexivity,也叫反身理论)。索罗斯反对有效市场理论。有效市场理论本质是均衡态理论,小的偏离均衡会很快回归,这个过程市场表现为随机漫步。索罗斯认为市场参与者对未来(贴现)的判断需要依赖于市场现在如何贴现,而市场现在的行为又是市场参与者对未来的预判的体现,简而言之,就是未来依托现在,现在依托未来,这样就成了一个无限递归,这就使得市场参与者对供需条件等决策内容不可知,无法真正理性。市场参与者实际上是带着偏见(而非理性)进入市场的。

  有些网友把反射理论等同于反馈理论,其实自反馈只是反射理论的递归性质,但索罗斯对市场有独特的定位:既然市场参与者是带着偏见进入市场,这些偏见会影响事态进程,而事态进程又被偏见所反映,偏见最终会自我强化,可见投机市场从本质上是无法反映均衡态了,而不是在特定条件下才偏离均衡态。由反射理论可见,均衡态反而是市场的特殊状态——即如果市场参与者所持有的偏见的方向和强度综合之后,矢量合为零的时候,市场才反映均衡态。索罗斯还详细分析了市场在远离均衡态时的不同演化阶段的特征及其动力学基础,并将反射理论用于实践,在外汇市场上大有斩获。这部分内容在我看到索罗斯论述之前,一直是以预期分析来展开演绎的,当然,预期和偏见并无本质区别,在远离均衡态的情况下,也可以得到相同结论,但我还没能把这种市场特性上升到系统本质的层面,所以具体的举例演绎我就不再在此拾人牙慧了。

  其他更多特征,我认为和基本面分析没有明显对应关系,就不提了。但有些我会在另一篇谈论程序化的文章中提及。

  基本面分析,在现实操作中,主要是对基本面相关的场外信息进行收集、整理,整合成新的信息,这个新的信息以能给未来提供价格走势指引为目标。前一步的成果,是后一步的素材。比如,通常大型期货经纪公司都有自己的研发部门,他们主要就是把研究机构的报告进行收集、整理,他们自己也收集数据,或者查阅政府的、私人的数据。他们的素材来自别人的成果。他们把不同来源的数据进行比对,或者对同一来源的不同时间的数据进行比对,可以得到新的数据(含图形)。客户再根据这些数据,结合自己的经验或自己的统计方式,进行解读。就这么一步步下来,最后客户以自己的解读来指导自己的交易。当然,如果客户能力不足,就需要期货经纪公司的客服来帮助。整个这个过程,都是基本面分析的基本模式。你会发现,基本面分析的手段是数据(或更广义的,信息)处理,目标是得到方向性指引(供应过剩、宽松、平衡、偏紧、紧缺等诸如此类的结论)。

  而基本面交易,如若简单地就是以分析结论来操作,仅仅是解决了开仓方向的问题。其他的,诸如资金分配、加仓策略、再入场、止赢止损等,都是交易者需要思考的。真正的基本面交易,必须对基本面的信息进行动态解读和跟踪,并同步到自己的资金上去。

  如果说基本面分析的好坏,体现在数据处理能力上;那么基本面交易的好坏,体现在解读,或者说行情验证上。比如,同样是一个紧缺的结论,可能是价格已经兑现过了,要回归(如2011年3月的棉花);可能是价格已经兑现了,但可以维持(如2010年11月的棉花);可能是价格还没有全部兑现(如2010年10月的棉花);可能是价格刚刚开始反应(如2010年7月的棉花)。你的操作策略是完全不一样的。对一个以处理数据见长的分析师而言,他可能在此方面毫无优势。

  回归我们的话题,是探讨个人交易者的,所以,我们得承认我们不可能兼顾分析和交易。两者积累的经验不是同一种经验,两者对主体的素质要求也不同。分析和交易的分离,是必要的,也是注定的。现实中常见的是,当交易者花了大把的精力做了分析,得到一个有相当把握的结论,由于投入很认真,他会笃信自己的分析。结果往往不妙。而另一个交易者,灵光一闪,就感知到了市场方向,此时你问他,他拿不出确切的数据,没有平衡表,但往往效果不错。其实这并非偶然。因为我们探讨的前提是个人交易者,你的数据基本都是二手的,你要得到一个有把握的结论,肯定得有人把这些数据整理出来,而且多个角度分析得到同向的结论,才叫有把握。那么你能看到这些数据的时候,肯定已经有很多人过目了。多个角度的结论都同向的时候,别人更加能感知到市场动向。大家都知道的事往往大家都已经采取了行动,结果往往行情已经兑现了。

  在实践中,我们强调灵感的作用,但必要的分析,哪怕事后论证,都是必要的。行情演变无常,我们最先看到的肯定是价格上的变化,我们的灵感帮助我们提出关于行情背后原因的假说。若没有论证,那么这个假说连提出者自己都无法辨真假,其后的跟踪,持仓的增减,价格目标的推定,都会失去根基。

  另外还有非常重要的一点。任何时候分析师都可以写自己的分析文章,平衡表一出来,全年不是松就是紧要么就是均衡。但行情不可能一个年度只跌或只涨或只盘整。诚如市场箴言:“预期的,总不能兑现。”如果基本面分析结论被市场预期到了、预期透了,就没有操作价值了。但是人心是浮动的,预期不可能整个年度维持不变。交易者要能抓住预期从分歧到一致的时候、预期落差形成的时候或回归的时候,才可能用基本面作为依据赚到钱。至于行情持续时间,取决于你找的线性因素本身的周期,通常都是2个月,大体上也不会出1-6个月的范围。这样一来,一个基本面交易者可以操作的市场机会,一年也就是1-2次居多。其他时候价格当然也在波动,甚至还很大,但那些,对基本面交易者来说,才是不具可操作性的真正的随机漫步了。其他时候要么休息、要么使用其他交易系统。就如同一年只有一个夏天。一年中的很多时候,你即使勉强用基本面交易,其绩效也会明显差于用技术分析等方法,那还不如那时就单纯用技术分析来做,是吧?如果在基本面上学了一招半式之后就以为市场机会在勤奋者面前就很慷慨,那是误解,说明还是对基本面赚钱的本质理解不充分。

  通常,研究商品的基本面的,是企业、机构。基本面分析通常涉及较长时间尺度,比如月、季、年、两三年的厄尔尼诺/拉尼娜循环、五年的甘蔗宿根更替、甚至更长的康氏周期……交易者没有经历几个周期的积淀,很难谈得上优势。这需要时间和金钱。庞杂的信息来源,需要渠道的构建或购买,又是时间和金钱。信息的科学处理,需要专业人才,寻找和培养人才,需要时间和金钱。企业和机构有时间和金钱的优势,他们需要利用好这优势,在市场上以内行赚外行的钱。企业需要接触现货,他们躲不过基本面分析。机构需要操作数以亿计的资产,没有基本面交易,他们无法面对单纯技术分析系统的冲击成本,流动性、市场适应性、收益平滑性,都催生他们对异质交易系统的高渴求。于是乎,个人交易者既没有优势,又没有强烈的需求,个人交易者在基本面上,往往是看戏听故事的角色。这里面,由于在非专业化的市场参与者结构中,大量外行的存在,内行赚外行的钱是相对容易的事,所以,个人交易者的囚笼,更大程度上是能力和实力不到位的限制,而非欲望。至少,谁都不想成为那个被赚钱的外行吧。

  其实,个人交易者真正用基本面赚到钱,真的不是常见的事。是极少数个人交易者,在交易的某个阶段偶尔实现的事情。很多时候,很多人,张口闭口把一些场外信息挂在嘴上,但他们可能是个彻头彻尾的短线技术交易者。基本面在他们身上不是交易依据,而是茶余饭后的谈资。有些人,也讲基本面与技术面的相互验证,但如果将其复盘,会发现就是一个典型的中线技术交易,关键在于,他是在开仓之后,找基本面依据为自己壮胆。基本面交易是要讲预测的。比如什么样程度的旱情,对应什么样的美豆价格高点。如果价格进入目标区间,就可以逐步平仓反手,但头部可能要半个月甚至一个月之后才形成,大资金如果也等着技术上形态确认再进场,那市场流动性都不够。预测的价格区间,也未必就是直接做空,也可以卖出看涨期权,买入看跌期权,用这样的方式,低成本,高杠杆,精确。因为真实价格完全可能不及或超出目标位。可惜国内未有期权,要这么做,不可行,摸顶是要有赌的胆识的(这里“识”比“胆”更重要一些)。而当技术形态最终确认之后,基本面持仓就可高枕无忧。哪种依据给哪种依据“壮胆”,是个问题。

  在我看来,预期分析、反射理论等,超出了传统基本面的范畴,但都是属于必要基本面或广义基本面的研究范畴,并且也是个人交易者大有可为的方向。而且,应该不难发现,本章的提到的例子,是一种动态分析方法。而以供求关系为核心的传统的商品期货基本面分析框架,是静态分析方法。如果仅仅以静态分析来研究动态系统,是不够的,有时候一犯就是大错,诚如我在第一章举的例子。我碰到或听说的交易者中,以供需平衡表来入门,做交易依据的,通常不用很久(不用一年),就在数据收集的枯燥和交易绩效的恶劣的双重打击下很快放弃了,还会因此对整个基本面交易彻底否定。

  我手中的广义基本面交易,如果按照波涛的分类方法,应属于基本分析流派与心理分析流派的集成。在市场是否正确这个基本问题上,波涛是着眼于市场价格能否有效反映均衡价格。在这个问题上我的回答和心理分析流派一致——有时正确有时错误。但还有与之相关的两个问题:我认为市场参与者是必然错误的,因为偏见与不可预知,所以我们在行情运行中要不停检验自己的观点和策略;站在检验假设的角度上,我认为市场永远是对的,通常我们也只能拿场内信息来检验。对于个人交易者来说,技术形态(包括仓、量分析)是最有效和最直接的检验依据,花费资源最少最具可行性。

  基本面不一定就只能是主观的定性的。有些量化交易者对基本面交易的歧视就是认为它只是拍脑袋交易,赚钱是运气。正如以技术形态为依据的交易可以是主观和客观两种。基于基本面依据的交易同样也有主观和客观两个方向。不过,有句话我得说,正如人类知识的演化历程,往往从主观(哲学)开始,但若要进一步发展,必须要有借助工具的客观化可复制的理论体系——科学。如果只停留在哲学层次,肯定走不远。人类历史上诸多文明,在蒙昧时期,都有各自的哲学体系,但只有希腊文明及其继任者发展出了科学,在全球的竞争中,高下立判。对此,我虽不否认主观判断的价值,但坚持认为,客观化是一种方法论前进的发展方向。

  基本面理论体系的另一个演化方向是量化。从交易的角度出发,基本面量化分析力求通过尽可能完备的历史数据和数据分析工具,将历史和现实还原到“坐标轴”上,或者说,就是建立一套参照系。

  比如,如果同样是期末库存1.5亿蒲式耳,十年前对应的价格和如今,是一样的吗?应该差多少?那么是否把库存绝对量换成库存消费比,将价格扣除通胀影响变成购买力平价之后,就可以直接对应了吗?其他品种是在坐标的哪个位置上呢?

  完备的数据应该是一切可量化的数据,不光是供需平衡表,还有很多其他方面其他层次其他维度的数据。比如仓单、价差等,甚至也可细化到库存分布。这些数据在分析时构成纵向的数据剖面和横向的数据剖面:历史的变化,同比环比以及有相似背景(比如同级别天灾)下的比对;与其他侧向数据的比对,比如交易所库存与社会库存去对应期货价格与现货价格。其中的排列组合提供了丰富的可能性。

  按照一定的评价标准和计算方法,有了这套参照系,品种之间理论与现实价格都可以标定,很容易看出高估和低估以及高估低估的落差。这就为基本面量化对冲的套利策略奠定了基础。这种方法应该是国外商品指数基金的基本方法。

  当然,这种方法应该说比一般的组合策略增加了更多量化依据,更容易实现资金管理与风险控制。又比传统的套利策略增添了更多匹配对象,丰富了可交易的对象,分散了风险。这种方法特别适合机构大资金操作,在这个框架的建立,中间有许多依赖于主导者个人理解的数据处理方式,主导者需要花费大量时间作大量尝试来取得与现实市场的磨合。

  个人是没有条件实现的,可能就连建立一个量化框架,都勉为其难。但个人交易者并非全无施展空间。目前我个人认为,可能也仅有在预期分析上,个人可以不输于机构。因为机构在这方面,难以直接量化。可量化的东西,首推静态数据。动态数据,就有时滞问题,若这个动态还是一种自反馈的,那么现有的量化体系在这种混沌性面前就无能为力了。成功的个人基本面交易者,一定要学会将预期分析结合进基本面数据中,若只求得到一个定性结论,则完全可能跑到机构前面。个人对风险的承受和机构不同——个人可以承受更大的权益波动和回撤,所以虽然个人不能用基本面做精确和全面的量化对冲,但不是可以按照定性结论做个单边投机嘛?

  我个人的体会,如果你没有对市场预期的感知,你就如同瞎子,茫然无措,再多报告摆在你面前,也不会有什么有价值的见解。更多关注市场预期,对基本面个人交易者来说这是补拙之法。但如果机构能够同时解决两头的问题,就可以做更多的事。索罗斯在狙击英镑和泰铢之前,都花了大量人力物力去做调查与数据采集,他有量化的东西,根据他对市场的理解,他认为高估了。然后结合他的主观判断,感知到原有市场预期已经缺少现实支撑,制定具体的战术,只需要有人带头,市场就会向着某个方向倾斜,他如果在这方面的判断是错误的,是不可能四两拨千斤的。这种理解和感知,确实是依附于人脑而非数据的。不过这种定性判断,对于功力有限的人来说,最容易弄巧成拙,搬起石头砸自己的脚。

  有时候,你去开户,你的客户经理会问你,你是做哪个品种的。若你是客户经理,你能听到的主要回答也就是某个或某类。说“什么都做”的人,要么已经有了成熟的客观交易系统,要么就是为数不多的基本面组合交易者。

  股市上有个说法,同时持股最好控制在两三只;大概只有基金才会同时持股十只以上。

  这里的数量有什么意义呢?有很重要的意义!这里的关键是:研究精力和机会成本之间的平衡。如果能把好这个平衡,就可以把教条扔掉。

  在一开始的时候,个人交易者通常对一个品种都是一种陌生的状态,无论是基本面解读,还是行情风格解读,都需要一个过程。我的体会是,如果你有一套相对客观的、基于场内信息的交易系统,那么熟悉一个新品种的上手是比较快的。而基本面的熟悉,跟踪完一个涨落周期,才能检验自己对涨落原因的认识是否合理到位,才谈得上熟悉该品种,那么它的学习周期也就至少是一个涨落周期。取常见线性因素的时间周期的最小公倍数,那么,一年,熟悉一个品种是必要的。当然,如果你够刻苦和聪明,也可以把几个品种并行研究。等到对该品种的基本面熟悉之后,仍需对它们进行跟踪,这个跟踪,一样非常牵扯精力。

  本人是个比较好奇的人,但算不上刻苦。我觉着若依赖个人力量,同一时期,并行跟踪两到三个(类)品种,已经是非常累了。再多,就要改变我的生活方式了。这还是专职做交易的时候,要是再搞点别的,就根本不是个人能长期承受的了。

  基本面研究的知识和经验都是可积累的,而且它的深度和广度都可以超越技术研究。如果能坚持若干年,相对于别人,就可以建立起知识壁垒。可惜的是,即使经验丰富,依然在跟踪时没有捷径可走,因为历史总是无法完全重复。即,基本面研究,不论是用来分析还是交易,都是苦差事。

  行情追溯历史,基本上结构性行情要比系统性行情的持续时间长。即每个品种自身属性的差别,会导致相互之间的走势没有关联。我们利用这一点,就可以在结构性行情中,若其中某个品种缺乏大行情,我们就换一个可能有行情的品种。若对其他品种不熟悉,或对其他品种没有跟踪,那么就无法判断某个时期哪个品种最容易出行情。比如今年春天,棉花没行情,PTA大行情;但在2010年,PTA没行情,棉花大行情。

  为了能提高资金利用率,我们总是期望能尽可能多地捕捉低风险的、明确的市场机会,这迫使我们尽可能多去关注各品种基本面。作为个人,尽管可以在某个选定品种上做精做细,但根据上面的讨论,跨品种最终的收益未必不如单品种。而作为团队或机构,则多品种的研究和跟踪变得可行,且必要——为了平滑整体的风险和收益。

  以上几点讨论了个人做基本面交易的几个基本问题:做什么,怎么做,为什么。以下我将分几点,讨论什么样的人适合做,或者说做好基本面交易需要强化哪些素质。

  和前面的讨论精力问题有关,个人基本面交易者要弥补自己相对于机构的劣势,和机构的基本面分析师比,最好是比他们更聪明,更敏感。机构分析师是这个市场的信息采集者,他们在信息整理过程中就会有自己的观点并尽可能多地传播自己的观点。若你对信息的反应太慢,等你看明白的时候,很可能市场上多半人都已经看明白了,那么无论你是依据平衡表还是依据分析师的建议还是依据别的什么,都很可能赚不到钱。最好,是分析师正在形成观点的时候,你就有了观点。分析师为了让自己的文章言之凿凿,必须花大量的时间求证,这就是他们的本职工作。交易者的本职工作不可能太多分散到求证上。

  于是,我们要有把具体事件抽象化的能力。即使同一品种,不同的季节,其主要矛盾也不同。抽象化,就是在纷繁芜杂的信息中,迅速找到主要矛盾,并找到矛盾的主要方面的能力。把现实中的多方博弈,简化成更加容易的寡头博弈。就像在自然科学研究中通常会做的那样,先建立一个理想模型,再把其他因素以修正量的方式补充进去,这样主次脉络就很清晰。

  在一些数据调用上,个人交易者离不开近似和拟合的处理方式。行情软件能提供给我们的信息对每个人都是等同的。技术派会常说,价格反应一切。但我觉得这话太不够了,价差(包括跨品种、跨市场、跨月价差,还包括升贴水、基差、加工利润等)反映的信息同样是非常重要的,而且在价格上根本看不出来。虽然价差的计算还是以价格为起点,但如果你是看着主力合约做单的交易者,你永远看不到价差,更别提价差反映的信息了。举一个最简单的例子,如果我们知道了美豆基差高于往年,且迟迟不回落,我们就知道美国大豆确实库存很紧,农民家都没余粮了。如果我们看到铜矿加工费低于往年,那么很可能是铜精矿供应紧张或冶炼企业产能过剩。结论,肯定最终还是会出现在分析师的研究报告中,你可以看到美国的歉收有多严重的数据,你可以看到铜精矿的产量数据和冶炼产能数据,但你等着看研究报告的原始数据的话,得到相似结论的时间就滞后了。

  稍微多扯几句。价差分析和价差交易也是两回事。价差交易者又称为套利者,套利也有技术面和基本面两种做法。技术面看重价差的历史变动区间和变动规律,而基本面分析可以发现价差运动突破历史变动区间的机会并提出解释。若套利没有基本面分析作后盾,很容易积小赢成大亏。

  在盘中不但要看同个品种多个合约,而且还要关注交割月合约。尤其是我们做回归行情的时候。如果你觉着期货价格超出合理范围,未来要向现货回归。那么从头计算法是先找到交割标的对应的现货报价,在把各种升贴水、交割费用、持仓费用、物流费用、税费等调整进去之后,算出一个所谓合理的期货价格。这些调整值的清晰计算是一篇专业分析报告可以展开的。但算这些数据的时间我完全可以去看更多的品种更多的观点,何况这里的很多量很难通过常规渠道获得的,比如天津的豆粕出厂价和张家港的豆粕出厂价,分别对期货价格应该升贴多少算合理?既然有个调整量X,那么交割月合约价格不就是即将完成回归的合约价格吗?交割月合约的合理价格就是现货价+X。目前主力合约相对现货价的回归空间,其实就是主力合约与交割月合约的价差了。而X也可以直接通过现货与期货交割月价格做比较估算出。当然这个回归空间要最后实现,还需要现货价格的稳定和主力合约标的与现货标的的连续性。很多品种的交割规则规定了某些月份合约的货是不能转为下个月份合约的,比如塑料的3月到5月。还比如有些时候现货的价格是不可能几个月不变的,如明年5月的豆粕肯定不是现在这个价。但一个熟练的基本面交易者不会抛弃这些信息。不确定的、歪曲的、捏造的信息都是信息,关键看你怎么利用。真的很琐碎、很累人,不过要是这事很简单,也轮不到你来赚这钱。基本面分析和交易,确实不适合那种喜欢答案胜于喜欢解答过程的人,因为这种人最终也难以学会自己解答;也确实不适合那种看什么问题都喜欢简单化思维的人,其背后是对自己未知知识领域的恐惧和逃避,以及心理防御机制对自己的无知与无能的一种合理化解释外加寻求捷径的惰性,这同样也很难最终获得提升。

  有一天,一朋友跟我说,他在和讯上看到一个高人,似乎很有一手。他自己倒不用基本面交易,但是看这高人分析得一套一套的,让我看看靠不靠谱。我跑去一看,其中一篇说是看豆粕和螺纹钢主力底牌的小技巧,这位高人是个老期货,比我老,市场生存期如此长,应该算是个成功者吧。不过老期货总是喜欢把事情当故事讲。

  等我浏览一遍之后,我觉着他能在市场上生存多年,不无道理,因为他确实掌握了个人基本面交易者的一条重要的补拙法门——替代。哦,也许他未必把自己当基本面交易者来看,但绝对是个场外信息交易者,符合我对广义基本面的定义。且看他是如何利用场外信息的。

  他查阅了阿根廷MARVAL指数,并认为阿根廷金融指数减去牛肉的影响就是大豆的影响,牛肉的价格用芝加哥活牛的走势来代替。理由是阿根廷是农业出口大国,主要出口大豆和牛肉。不选巴西的原因是因为巴西出口品种太杂。这个,如果把这看成是他建立的模型,那这个模型确实有点糙,简化再简化,替代再替代。比如他完全把阿根廷的其他出口给忽略了,阿根廷出口的玉米也很多,是否应该被忽略?阿根廷的经济是否是出口导向?阿根廷市场是否是个开放市场(市场开放程度低,关税、补贴、配额对价格的影响大,会导致同种商品国际市场价格和国内价格相差很大)?芝加哥活牛代替阿根廷牛肉价格,离得有点远。

  他提到的四大国际用豆企业的股票价格和根茎类农产品打包指数,来作为豆类的价格指引。我觉得这是靠谱的。这种替代有效性的前提:一个企业的主要原料的价格变化可以直接影响它的采购成本进而影响它的市盈率,这种关联够直接、够明确。所以这种替代是靠谱的。同时他也是高明的。首先,和国内一样,国外的证券市场盘子大,玩证券的、研究证券的,人才的数量、资本的投入、历史的积淀,都要超过大宗商品期货。并且,证券研究也不是只盯着某家企业,他们照样要研究产业链,甚至因此而获得宏观微观的双重视角。总之是说,同样的事情,证券圈就可以拿出很漂亮的研究报告,而期货圈的报告就少,也晚,还不一定深刻。其次,证券盘子大,即使出于对冲未来商品价格变动的目的,投资机构也会主动在相关股票和ETF上布局,而不一定会直接选择买卖该大宗商品。比如国内的诺安黄金基金和诺安油气基金,就是通过买卖相关的国外的ETF、股票、基金产品来实现理财,而非直接买卖黄金和油气的期货和实物。所以股票价格变动完全有可能先于商品价格变动。

  他还提到使用中的要点:一个是看背离,比如股票价格的涨跌,得以当时大盘的走势为参照,如果大盘涨它也涨就不算真涨,大盘涨它已经走平了就相当于已经跌了。另一个是相互印证,正反向多个指标叠加后相互印证,避免单个指标不靠谱导致的误判。

  螺纹钢上他拿与中国关联最紧密的日本的股市来做指引,拿有色类、矿山类、钢铁类分类指数与当时的其他分类指数做对比。这个同样是靠谱的,理由同上面对豆类的分析。

  他找到的指引有效,用国外机构对某类股票的研究直接替代了我们对某种商品的研究,真所谓借力打力的高招。其本质就好比我们看着美元指数做黄金,看着A股来做螺纹钢,或看着日胶做沪胶,看着铜做锌等这种方法。而这位和讯高手则把这种寻找交易指引的触角进一步拓展到海外证券市场上。他的方式更明确、有针对性,信息来源多,就有利于作立体验证。我不敢说总能有效,但参考价值绝对是很大的。这做法,依赖于网络,对我们个人投资者也是完全有可行性的。我们唯一要做的就是建立看这些股票的走势和看行情一样的习惯,每天或经常查看。

  其实你只要能找到两种标的资产的关联(包括关联强度的演化规律),你就可以用一种效率更高的市场的走势来指引效率低的市场的走势,或者相互验证。同理也可用于债券市场、汇率市场上。其实以前文华财经还提供很多类似的可参照的外部市场走势的。比如南美的大豆市场、美国的国债市场、广西的白糖现货市场、大连和吉林的玉米市场等,后来陆续不再提供数据了。所以我们要自己来寻找这类信息来源。

  前面提到,基本面信息有无限可扩展性,它总归是一种缺陷分析,但往往呈现给分析者的信息还是太多太杂甚至不同向。不同时期,起主导影响的信息是不同的,且往往也不是单一的。交易者应该对此有充分认识,并且具备对这些信息的影响力度、方向、持续性进行评估的能力。在每个特定时期,关注主导因素的变化和轮换。

  在现货圈里打拼的老板们,也有喜欢做期货的(这里不包括转移风险为目的的套保),但却不是每个都能做好。照理说他们掌握着供需基本面的第一手信息,多且及时。他们中,做不好的原因,很大一个就是过于相信自己圈子的基本面数据,有时候他们因此而走到了市场多数人的前面而大赚,但他们没有意识到因素的影响力是动态变化的。比如,忽视了其他区域市场的信息,忽视了上下游其他环节的信息,还有就是过于关注产品具体的信息,忽视了可能几年或十几年才有的超级因素,忽视了宏观环境变化导致的系统性变化,等等。由于他们浸淫现货市场多年,本身就是现货信息的制造者,所以他们中很多人会形成在信息面前的自负,他们自负的底气是几年十几年的经验,若某品种的基本面属性近期发生大的本质性变化,他们的惯性思维和自负会给他们带来巨大的亏损。所谓“只见树木,不见森林”。这样的例子,我身边就有。

  比如2010年上半年的塑料,从供应紧张到宽松的转变,有位塑料老板就认定LLDPE是好东西,用途广泛,于是每跌一段就加仓买入,这种策略以前很好使,但在2010年他加了半年的仓,最后在10000点面前绝望了,倒在黎明前。他因为居于产业链的消费端,LLDPE的用途看得多,LLDPE的产能看得少。

  再比如2010年年中的棉花,有位做黏胶纤维贸易的老板,他是贸易商,倒不至于拘泥于消费或生产,但他的经验告诉他,棉花的价格和黏胶的价格差别不应该这么大,这么大是有问题的,在2007-08年的棉花上涨行情中,他因此而做到了棉花的顶部。这次他看到价差越拉越大,他一开始是在黏胶上大量采购补库,被他兜了个底,然后他在棉花上开始建空单,算是对现货头寸进行套保。但是棉花涨得太快,当黏胶也开始涨的时候,一些关系户向他拿货,现货头寸开始减少,而他在棉花上浮亏扩大的时候,正好那段时间棉花在25000关口下方震荡,他就继续加空,以为又能抓到个顶。这样,他的期货空头头寸就超过了套保所需要的合理规模。棉花在2010年适逢品种和宏观两个超级因素,突破之前几十年的震荡区间是必然的。

  去年下半年,很多论坛就有很多宣扬农产品牛市的帖子,后来又有什么蛋白质革命。其实这样的观点已经说了好几年,你说它错嘛,也没错,但在2011年秋冬做多农产品的人应该能体会这个季节的寒冷。这也是没搞清楚影响价格的因素,在某个阶段,其影响力排序是不一样的。而宣扬土地有限人口增长无限粮食必然涨价,这理由,这因素,过去没错,未来也没错,就是不能做,呵呵。农产品产量潜能的逐渐减少,这是几十年的大趋势,但我们的期货合约通常持有都不会超过4个月。用几十年大趋势的影响因素作为4个月的交易依据,多可笑?试想若有人跟你说他是看日线做一分钟线. 找出关联

  基本面研究强调信息尽可能全面的收集与相互验证,在不同事物间找出关联的能力决定了其整合信息利用信息的能力。比如一场雨和棉花的价格之间的关联。如果是新疆早春的雨,那是有助于棉花生长,但对产量影响太遥远;如果是国庆期间华北平原的一场雨,恰逢市场对供给短缺非常敏感的那年(2010年),那下雨对价格绝对是火上浇油,即使华北棉区的产量比重不高。这是两件基本面事件之间的关联。再比如,V型底(如2010年1-2月、2010年11-12月、2011年7-8月等),往往在前期单边上涨中突然因为产业链以外因素(宏观的、政治的、政策的等)导致急跌,但市场预期的变化方向未被扭转,急跌是因为投机力量从一致做多到集中离场,但产业链环节的采购并未吃饱,反而因为前期上涨时间过长导致很多需求被高价抑制,一旦价格下跌后这些被抑制的需求就会爆发,形成急涨。这是行情走势的形态与背后现实世界的关联。但如果基本功不够,对事物的理解不够,而又有浮躁之心,则容易在众多可能性中迷失。

  中国传统社会是一个关系型社会,作为中国人,打小就被中国传统文化要素中认定的各种既定的关联所熏陶。中国的五行学说就是认为万物皆有关联的典范。所以,这个环境下成长起来的人群的首要问题,是关联太多,要在众多关联中找到真正有意义的,这种能力反而更迫切。

  前段时间有朋友就跟我说了一个事,他说某人做空豆粕被套许久,那人信耶稣,他说自己亏钱是上帝为了令其财富让更有需要的人享用,所以为了这份高尚的使命,他愿意坚守自己的空单。说的是舍生取义的话,挂的是如丧考妣的表情。我听了故事以后哈哈大笑——有才啊,能把自己做错的单子和如此神圣的使命联系起来。以上帝的名义来为自己的失误开脱;我要是上帝,我肯定说:且慢,我没说过要你送钱给别人,要送你学学标哥的法子。

  信息爆炸的时代里,什么新说法没见过?有人就能把共济会和战争联系起来。神秘主义的话题特别能吸引那些为生活工作所劳累的小白们的眼球。因为在众多转移注意力让自己短暂忘却烦恼的方法里,别的方法小白们吃不落。但在生活中更多的瞎关联的例子是随意在两种现象间建立因果关系。比如吃酱油伤口会黑,这事如果没有实验证明,我不敢信。因为酱油是黑的吗?那黑芝麻也是黑的,黑木耳也是黑的,是不是吃番茄酱伤口就变红?那吃沙茶酱呢?要是今天吃了酱油,明天喝了牛奶,敢情伤口还能订制成斑马线喽?问这么说的人,都是一问就瘪的,也许事实没错,因为我也没有去做实验。但为何大多数人对这种似是而非的事是先信了再说?不过我偏偏是先怀疑了再说?其实我也不是生来就这样。回头看,发现其实也是自己懂的越多,就越敢怀疑。因为人对事物的客观规律的了解越少,人在未知面前就越没有安全感,在各种坏的可能性中就越可能抱着宁信其有不信其无的态度。这是一种情况。

  在交易中,在基本面研究中,很多时候我们很容易为自己的某个既有行为找理由,这时候会很随意地找个关联,但本质上还是个借口。

  比如豆粕做空被套的,能找到的理由有:粮食关系国计民生,国家一定会管;美国佬的农业部报告数据是为美帝服务的,如果要跌,一定先标得很高;养猪的都亏了,都不愿买饲料了。因为这些关联看似有道理,有时候也能应验,却因让自己满足于眼前的答案(借口),白白失去了进一步探索真相的契机。下文我要专门讲一下正确建立关联或在关联中辨识真伪所需要的思维方式。

  我觉着,想赚钱的不乏天资聪颖之士,但最终的结果却多有不同,其中很大原因就是思考用错了方向。东方式的思维,往往喜欢自上而下,这从语法中就可以看出:先大的地点或时间,再小的地点或时间;姓名也是,先是姓,是一族之标识,再是名,是一人之标识。这种思维传统下,观点往往充满形而上的论断。比如:因为大旱,所以就要涨;因为品种联动,所以美豆涨连豆也要涨或者美元跌有色就要涨;还有诸如因为吃的是肝所以能补肝;因为黄色和心脏同属火,所以吃黄色的补心;因为食品添加剂是人工合成的,所以食品添加剂就不好……

  不胜枚举。从另个角度的思维应该是先分析后综合。在学有机化学的时候,常喜欢对反应机理穷根究底,因为都知道,只有知道了反应机理,才能举一反三有的放矢。什么是反应机理?就是对客观存在的每一步都确认其真实存在与前提条件。其他领域也一样,在经济与金融领域,可以用传导机制代替反应机理,寻找真正靠谱的因果链。涨真的是大旱这个原因可导致的吗?价格上涨,只能是因为买盘主动提价,主动性买盘数量超过主动性卖盘才可能,大量主动的买入开仓或买入平仓都可以。这类交易动作与价格上涨之间才存在明确的必然性因果,我们只有循着这种必然性、确然性因果,而非或然性、概然性因果,才可能找到价格背后的靠谱动因。我认为这是用演绎法探寻事实真相的唯一有效前提。如果你的因果链或证据链中的某一环是或然性因果,比如那些阴谋论,那结论完全可能是扯淡!

  继续……那么为何主动性买盘数量会超过卖盘?因为现货不足,供不应求。一边是货少导致卖盘减少,一边是刚性需求加上投机性需求导致买盘增加,买卖力量对比严重失衡。继续……那么这些刚性需求和投机性需求的原因是什么?是因为采购者库存低位,是因为担心粮食危机和通胀的人手上急需对冲筹码,是因为担心价格要上涨的投机者担心踏空。

  另一方面,卖盘少的原因是当下和中短期的供应都无法放大,这原因才是大旱。随着时间的推移。采购商终于买足了他们认为必需的货,基本面投机者建立了足够的可对冲粮食危机和通胀的筹码,短线投机者终于都建好了仓位不再担心踏空,他们准备好的保证金都已经兑现成了多单,主动性买盘无力再增加。此时,确实货和往年比起来还是缺,但还能涨吗?要让天平再次失衡,直接有效的方式就是让主动性买盘重新增加,那除非有新的理由,让那些原来圈子外面的资金也进来炒大豆,就像当年温州商人进疆炒棉花一样。如果没有新的理由,所有多头都拿好了令自己满意的仓位,此时新增买盘就耗竭了,即使此时卖盘还是很少,但买盘的衰竭最终会扭转原先的买卖力量对比。往往这就是预期高度一致的时候,所以,预期高度一致往往对应着顶部和底部。

  至于其后,价格滞涨,没耐心的短线投机多头就会平仓,多头平仓就是一个卖出动作,之前的多头越多,平仓的需求越大,卖出的力量也越大,头部出现的头一波快速下跌往往就是这股力量,趋利避害是人的本能,根本不需要幕后黑手统一指挥。在价格的变动因素中,是预期重要还是那个所谓的“旱情”抑或供需平衡表重要?这不需要人来教,如果你习惯于自下而上的分析,你就不会满足于类似大旱就要上涨这样的粗糙解释,你会去想大旱是如何导致上涨的背后机制,你就迟早会发现其中真正的奥妙,并且新的情况出现,一样可以举一反三。否则,别人教一招就炼一招,没教到就永远也无法自己发现。

  需要提醒的是,演绎法的局限性。如果对逻辑链的关联强度(确然性、必然性)没有要求的话,演绎法就无法得到有意义的结果。但如果对逻辑链的确然性和必然性强调的话,又与现实世界总体上的混沌本质相悖?精确逻辑之所以适用于混沌系统,是因为混沌运动在动力学上是确定的,而上面展示的因果链,就属于事物演化的动力学范畴。但涉及效果评价及预测,是量度事物的某个时间截面上的整体状态,是对微扰高度敏感的,是混沌的。我们在使用确定性逻辑展开演绎的过程中,需要注意什么呢?用一个晶体学术语来描述的话,就是“远程无序,近程有序”。在承认在时间和空间的局部上可以表现出有序性的前提下,我们可以获得寻找确然性和必然性的意义。在使用时,我们会体验到,通常这个链条的每次延伸,都需要设定繁杂的条件,超过三环,往往就会出现不可回避的支链,若继续强行延伸,则推导会受信息不足的制约,个人通常难以破解。何况,可能性一多,确定性自然不付存在。而且,在时间上,这次是这样,下次就不一定,就必须每次都是具体问题具体分析。总之,有序,在时空分布上,总是近程的、局部的!演绎法是在整体混沌的系统中,用动力学确定性,获得微观的局部的解读与预测。即使微观与局部,仍然意义深远。一是,这对资源的要求低,是资源有限的个人投资者容易掌握的;二是,这种演绎的反复进行,是对逻辑思维的最好训练,任何类型的研究,都离不开这种能力;即便是混沌研究,一样要关注动力学因素。

  为了探求关联,特别是暂时还没被特别关注或者你没有能发现前人的尝试的时候,能否勇敢提出一些新颖的设想?我们既要有能力大胆质疑看似天经地义的关联,也要有能力去捕捉新的关联,因为每个关联之后都是一条因果链,都可能总结出一种规律。我碰到有个仅有不到一年历史的交易者,提出了“假阳线”概念,问他,说是没从别人地方看到过,就是自己凭空想出来的。就是收盘价比开盘价高但比前日收盘价低的K线。对一个新人来说,我觉得这是值得肯定的事,因为这是走在正确的探索发现道路上。

  在认知心理学上,有著名的人工概念形成实验(81卡片问题)和证真证伪实验(四卡片问题)。概念并不都是来自书本或老师,那种知识不是你的,有段时间不用,就会“还”给老师。概念的形成是人利用现有和已知的信息来主动提出一些可能的假设,并对每个假设经历“失败-更换”或“成功-继续”的考验的过程,这么来的知识才是你的。自然概念的形成高度依赖原型的存在,但在虚拟和抽象的金融投机界,新的发现则需要更多依赖用人工概念建立基础,诸如艾略特波浪等。创设人工概念的能力是在无规律中抽象提炼出规律的能力,而找到证真证伪方法的能力则是对既有规律进行筛选的能力。这两种能力的反复使用,其实就构成了人类探索发现客观世界的基本过程——猜想与反驳。可能某个人工概念甫一形成,是幼稚的,抑或其实前人早就提出过的,这无需在意。以这种方式获得对客观规律的认识,绝对是非常自觉主动和非常高效的。

  其实我们看书学习,就是用别人的间接经验,来检验自己的人工概念的过程。为什么有些人只要看到书上的一小部分内容就可以大体获得书的思想精髓?就是因为在他脑中进行的是创设-验证(或猜想-反驳)的过程。而另一些人,则是看完整本书都可能没能感觉学到什么(创设出了问题)或看完整本书“学到”的却是令作者都意想不到的念头(验证出了问题)。验证很重要。索罗斯推崇卡尔·波普为自己的精神导师,尤其是卡尔·波普的《开放社会及其敌人》《猜想与反驳》这两部作品的重要概念在索罗斯的著作中多次出现。在《金融炼金术》中他就提到了提出假设和检验假设的方式来纠正投资决策过程中的偏离,反对无法验证的断言式解读。

  对应于基本面(这里不是传统意义上的基本面)信息的开放性和无限可扩展性,也为了能实现多品种研究和多品种组合交易。从效用角度,那种以点带面的、牵一发动全身的对世界的理解,是个人交易者应该具备的。这不是那种看豆粕是豆粕,看螺纹是螺纹的境界。有个词叫“融会贯通”。

  作为能量和精力有限的个人交易者,追求多快好省是挥之不去的冲动。如果时时纠结于投入和效用之间,估计也搞不好。所以如果他的思维方式本身就已经习惯于充分整合大脑中已有的信息和技能,那他在与其他交易者的竞争中就很有优势。这能力也不是靠勤奋能补。也许你愿意用别人喝咖啡的时间去看书或百度,但问题是你首先要知道需要搜索什么?最怕找不到问题。记得中学有什么数学建模竞赛。套用这个概念,你得有能力把复杂的现实世界抽象成一个有结构、有开关、能提出问题、能付诸解决的模型。

  发现、概括、归纳问题的能力决定了成长的速度。不过悲催的是,90后的成长环境就是家长代写作业。他们从小已经被培养成只关注答案。我也很奇怪为何有些人对于那些“制造”问题的方法避而远之。科学研究总是在解决一个问题的同时制造更多问题,总对那么多未知(暂时)无计可施。中国的知识体系倒是很少提问题,它们总是苦口婆心地告诉你世界是怎样的,你应该怎样做。中国人天然对问题多答案少的状态缺少安全感。所以两千年也就这样,先秦的理论现在还非常有用,我们其实不是说这些知识有多前位、古人多聪明,而是证明了所谓中国传统文化是一个静态的、封闭的、无力进取更无法自我超越的文化,如同活化石。后人只是在不停地批注、校勘、训诂、考据、整理、补充,就是不能超越!我们学西医,根本没有必要再看维萨里的《人体的构造》(近代解剖学奠基),并且即使这本书当年就失传了,也不怕(当时很多人已经在做类似的事情,比如达芬奇)。但我们学中医,不能不看《黄帝内经》《伤寒杂病论》,并且据说《黄帝外经》失传了、麻沸散也失传了,我们整个外科居然就消亡了,敢情几千年不但没超越,很多领域还在做减法!

  发现问题的速度决定了进步的速度,对一个文明如此,对一个人也如此。可能言辞多有偏颇。但可教与不可教,其实就听听他所思所想所关注的,是不是符合正确的“格物致知”之路。或有很多人,他们脑子里也是一堆的问题,但其中多数是困扰、纠结。困难是不怕的,如果你的问题可以分析,可以验证,可以有可操作的处理与应对,可以有可重现的效果检验,那么才存在在不断解决问题的过程中获得前进的可能。

  在中国的马路上,有一种人的行为方式我觉得迟早要付出代价。这种人当横穿马路的时候,先看右前方,直接抬脚往前走,匀速直线运动,很淡定;走到快车道以内了才偶尔看一下左侧,或者一直就不看左侧,过中心线的时候,倒开始看左侧了(没看明白吗?想像一下车流来向)。不论是一个人过马路,还是边打手机边过马路,还是结伴过马路,甚至怀抱婴儿过马路,都是这种行为方式。我从做骑车人到做开车人,对此类路人烦不胜烦。如果统计一下,估计这样的路人占总数的3/4以上。这类行为的本质是以自己的欲望(需要、目标)为中心的思维方式,而忽视了环境和条件。我本人穿马路基本不走斑马线,但我绝对是先看左侧,过中心线之后看右侧,时而停时而跑,很不淡定,无论是停下来还是快速通过,都是为了抄近路时减少对车流的影响。这是以环境为中心的思维方式,把自己的欲望建立在环境条件的具备基础上。

  大多数人过马路的行为方式放到投机市场中,就是放错了贪婪和恐惧的位置,在应该自信的时候自省,在应该自省的时候自信。

  比如假若眼下是价格滞涨的时候,头部随时可能形成,如果有多单,自然要考虑如何减仓出场;如果想进空单,自然要考虑如何逐步开空。哪怕这次回调可能只是几天或几周。君子不立危墙之下,你赶紧备点应急预案吧。但有些人会纠结于几个月之后的是继续上涨还是漫漫长熊。

  有些人暂时还没有令自己满意的系统,还处在摸索阶段,就开始想万一我这种做法碰到逼仓行情怎么办?碰到黑天鹅怎么办?长期资本管理公司都一命呜呼了,我这行吗?呵呵,先想想脚下这条沟怎么过再想下座山怎么爬好不好?

  另外还有一种非常有害的误区是:我是学这个的,所以我只需要研究这个就行了,其他的东西学了是浪费时间。真的没用吗?

  不要割裂客观世界。人类中最初的学者,是那些对所有事情都感兴趣,对所有事物都研究的人,比如亚里士多徳。学科的分野,是在学问本身不断庞杂的情况下,个体精力所限,才走向专业化分工。但另一方面,无论是自然科学还是社会科学还是人文艺术领域,交叉学科依然是最容易找到新突破的热点,说明这种人为割裂,并非人类知识演化的真实方向,人类知识一直处于从分析到综合(不是从综合到分析)的循环前进过程之中。在创新竞争中,谁拥有跨学科的思维、视野、资源整合能力,谁就最容易胜出。我觉着只有精力所限,才可能在深度和广度之间择其利大者为之,用深度去换广度或用广度去换深度。否则,如果现成的机会来了,你不去学,那是浪费。很多学习并不是只有抱着书本啃一种方式。记得国外有人提出一种新的衡量生命长度的方式,就是思维时间。在走路、开车、吃饭、上厕所、排队、开会、睡前等等这些时间里,你可以选择想一些探究事物规律的事情,也可以想一些好笑的故事,也可以想哪个人的八卦,也可以想下一步应该怎么怎么去整另一个人。这些时间用好了,就是学习。没有电脑没有笔,可以用爱因斯坦那种思想实验的方式来研究事物规律,用我前面说的,穷究机理,避开或然性,肯定有用。现在有pad有phone,其实随路查个资料也不难。最好的学习过程,就是在解释一个个现象,解决一个个问题中完成的。我相信每个人在日常生活和工作中都有机会接触到各种领域的现象,碰到各种领域的问题,所以如果你愿意,当然可以对各种领域都有相对专业的认识。只要你一生一直如此学习,那种深度和广度的冲突也不会如此强烈。只有那些临阵磨枪的人才会觉得深度和广度实在无法兼顾。如果你对现象没有好奇心求知欲或选择没专业含量的解释,对问题能避则避选择没技术含量的解决方式,那再多吃几年盐再多过几座桥,依然对客观规律不甚了了。脑袋里客观规律少了,主观臆测自然就多了。

  还有一种认识:那些不能考证不能帮我赚钱的书都是无用的,来点实际的吧——就是讲怎么赚钱的方法的书。我觉着理念的东西是提纲挈领的,具体的技巧的东西,应该是发挥各人创造力。理念的东西,错了就可能走弯路或永远走不到目标上。而且,这种认识的还有一层潜台词就是:学习是为了考试,学习是为了给别人看,那么不考试的时候,没有老师或领导要求的时候,没有赚钱养家压力的时候,就不用学习,就不用看书,就不用穷究客观规律了。但是人人的时间都是一样多的,如果他学习的少了,什么会多起来?也许那些勾心斗角或攀比耍酷的念头就会多起来。

  人类的知识那么多,价值观与方法论也很丰富,但并不是所有的知识都能帮你到达彼岸。如果你选择把自己的生命投入无价值的方向上,也许背后的本质是你对另一些知识无法消化,但你的心理防御机制会给自己一个合理化解释,而避免承认自己的无能与愚蠢。走在错误道路上的人一般都是心理状态良好的。自负为表自卑为里,往往如此。本章节的意思表明有些东西就是不好,或者还不够好,思维方式就是有高下之分。探究基本面和探究事物客观规律对主体的要求是一致的。我们要有良好的探究事物客观规律的习惯和思维方式,对一切事物保持好奇心和求知欲是一种好的学习状态,但还要善于归纳问题,还要有正确的思考方向。

  回到主题。当具备这种能力或习惯的时候,作为经常宅的个人交易者,我们也不会在品种面前茫然,我们自己就知道研究框架是什么。

  看豆粕,我们可以看到大豆和豆油,我们可以看到杂粕,我们可以看到油菜籽 、花生、葵花籽、棕榈油,我们可以看到食品工业和餐厨用油的区别,我们可以看到三聚氰胺是如何进入饲料替代高蛋白粕的(而不是像普罗大众想的那样被掺到奶里),我们可以看到日本在二战后为了寻找蛋白质来源不远万里来到巴西让大豆适应了热带种植,我们可以看到养猪是如何从地瓜泔水的农户饲养过渡到配方饲料的规模化饲养,我们可以看到国产豆和转基因豆的替代与竞争,我们可以看到大豆蛋白和玉米蛋白以及小麦蛋白中氨基酸比例的不同导致的配方修改的门槛,我们可以看到豆粕的蛋白质是上好的微生物培养基怎么可能长期贮存?我们可以看到巴西的田野大多是缺乏灌溉系统的缓丘,我们可以看到当化肥成本提高的时候能与根瘤菌共生的大豆比玉米更能吸引农民,我们可以看到厄尔尼诺-拉尼娜现象对热带季风气候影响之大及不确定性……这涉及到上游、下游、相邻行业的竞争与替代、潜在新供给、潜在新需求……这涉及到植物学、农学、气候学、营养学、生物化学、历史、经济、以及一些产业链中的操作实务知识……研究框架的建立是否完备,基本就是由主体的知识结构的完备程度决定了的,但更重要的是,若你是个人作战,你不可能在每个时刻面面俱到,你还要有能力在不同的时点上把你的研究重点做个转换和取舍。即使你是看研究报告来获得信息和灵感,那么公开的研究报告,为何不同人看了会有不同的应对?消化利用的深度,还是依赖于主体的知识结构。

  每个人在与外部世界的互动中,关注的侧重点是不同的,他的内在动机是不同的,最担心(恐惧)的事情也是不同的。在这方面,九型人格的分类体系比较有参考价值。

  一个基本面分析者的最佳状态是,他是关注事物本身的本质、结构、信息、因果。这方面他掌握地越多,他越淡定越踏实越平和。我认为这是在研究中一种最纯粹的状态。与之不同的是,有些人可能更关注事情的结果,他收集信息是为了解决某个特定的问题或完成某个特定的任务。还有些人可能更在乎自己关注的东西是不是能在与他人的交流中获得一种优越感。其实在打基础的时候,是不应该对了解事物的动机有太多功利主义的。这会让学习者在精力投入选择上斤斤计较。这可能有助于解释,为何生命的绝对长度相同的情况下,知识的积累和对事物的理解,最终人和人之间会有天壤之别。

  如果碰到一个现实问题,我们一开始能想到的总是问题相关的事情,我们通过熟人、网络、书本等多种方式收集信息。比如高原反应。

  可能多数人他只需要知道高原反应是怎么回事,有什么症状,怎么预防和处置。网上这种信息不少。但有些人会对同一个问题作多次搜索,从不同的角度。他可能就因此看到了更多人的讨论。但这可能还不够,他对于看到的一些还不够明白的事情继续搜索,于是他有机会接触一些和问题无关的知识,他只为把这事搞得更通透。这还不够,他会因为这次搜索,建立一个局部的知识框架,在以后的经历中,他会把有些事情对此做关联;并且在以后的经历中,如果遇到别人的反驳或者自己的反省,都会担心自己的知识是不是又不够了,而不是懊恼别人怎么超过了我。这部分更重要,因为他的知识的积累在时间上可以持续很久。

  这种对了解事物真相的渴求,我称之为信息饥渴。基本面研究,或者说所有研究,都是对事物本质和真相的一种接近,只有以这种纯粹的动机,才能在生命长河中,不怕孤独寂寞、不以之为枯燥无聊,持续积累,最终获得厚度。

  在九型人格分型中,5号拥有最强烈的信息短缺恐惧症。不过5号在这个国家属于非常稀缺的一类。当然,我不认为别的类型就无所作为,强烈的成就动机驱动下,依然可以通过勤奋和刻苦,而在知识的积累上超越别人。

  心理学家有时会做一种事情,就是把一张图给你,过会儿让你复述看到的东西。或者给你两张内容很多的图,让你说出它们中有哪些区别。这就是一种观察力,反映大脑对信息的记忆、整理、比对的能力。这对基本面研究很重要,能找出越多的区别,说明大脑能发现越多的特征。就好像,在同样的时间内,有些人看到一个人,会说这人长得太漂亮了,但是再多也说不上来了;另一个人,会说她是鼻子长得漂亮,或眼睛长得漂亮。显然后者能看到内部结构,能在细节中归纳特征。职业训练能造就这种差距,比如整形医生眼里,甚至能看出骨骼长得是否恰到好处。如果某个人从小就对细节和结构漠不关心,他的观察力肯定会逐渐下降。

  青蛙对静止不动的食物是看不到的,哪怕它快要饿死了。但它却对飞行中的食物非常敏感。人类看不清飞虫的飞行轨迹,青蛙却可以迅速发现、准确命中。

  这是一种有明显缺陷的能力,但对青蛙来说,这种能力比人类这种什么都能看到的能力,更有利于它们的生存繁衍。在基本面交易中,我们需要什么样的观察能力才能帮到自己?

  基本面信息往往知道的又不是你一个人,如果只能从表面提取信息,得不到多少对交易有价值的内容。所以我们不但要有起码的观察力和好的观察习惯,更需要有一种洞察力——透过现象看本质的能力。

  面对基本面交易,我认为个人交易者需要的洞察力最重要的是动态洞察力和逻辑洞察力。

  动态洞察力其实就是一种“蛙眼”,是对事物的变化的敏感性。青蛙对静止物体完全视而不见,而我们对基本面的静态部分,比如供求关系,不能一无所知,但一定要明白:供求关系的总量(或绝对量),往往是年度或季度确定的,而且是公之于众的,在一个短的时间跨度内,可近似认为不变,若市场对这样的供求数据有反映,则一定老早已经反映过了。市场其后的动作,一定只会对变化部分有反应,而对存量就是视而不见!对于精力和资源有限的个人交易者,若具备如青蛙般的敏感的捕捉变化的动态洞察力,他就很容易在纷繁复杂的信息中直接以变量提前找出有价值的交易指引,跳过基本面研究所需要的全面求证步骤,获得和机构或技术分析者相似的交易效果。这不是偷懒,而是把注意力放到最需要的地方。此时交易者对存量数据的“视而不见”,其实是以对该品种的历史的持续(不错过关键时间窗口)追踪为前提的,哪怕这种追踪是断续(平静期可以搁置)的。试想,如果该年度或季度一直都没有过追踪,那么一个数据的出现,你又怎么确定它依旧在原来的市场预期之内,还是已经和原来有了明显且出人意料的变化?变量和存量都是相对概念,是需要相互参照的!失败的基本面交易者,往往分不清轻重,即使他是追踪的,很勤奋,但当一个数据或事件出现,他对变化部分和对原来的情况给予同等程度的关照,纠结于存量的性质,或纠结于原来的经验。这次豆类的收割行情就是个很好的例子。减产是确定的,供需缺口基本没有变化,但收割带来的新增供给就是9月不同以往的变化。若迂腐地认定极低的库存消费比就能拉动行情继续向上,或认为豆类会像2010年棉花那样是个超级行情,新棉上市也无法阻止上涨,这都是看不到事物的变化和区别。

  人和人就是有这么多不同。这种能力也反映在学习中。比如,看到别人做演示。有些人,听不了几句,就会急着下结论,说,“哦,这不就是我以前知道的那个方法嘛”。若是这种想法,他必然不会继续专心看别人的演示,最终在这次经历中学不到东西。另一些人,即使看着很像之前看到过的某种方法,他依然会继续耐心看下去,因为他关注的是这次这个人做的和自己之前知道的方法有什么区别。这就是关注变化。多少总是有所区别的,他耐心看下去并关注到了,那么他就没有浪费这次经历,学习到了新东西。看书也是这个道理。我觉得,人际交往,宜求同存异;而学习研究,宜求异存同。这是一种能把生活经历变成学习和积累过程的一种能力,也是会在最终决定他与别人的人生厚度的不同。

  逻辑洞察力,是一种透视眼,是看到事物相互关联的能力,是看到事物内部结构及其逻辑关系的能力。

  比如,2010年9月,橡胶市场在高位出现了大跌,当时传言证监会对某期货公司的客户进行了处罚,大概意思是其实际控制的关联帐户的持仓超过了限额,罚款并限制其交易。相关媒体对此事进行了确认。当时橡胶的位置正处于26000的强的历史压力位下,市场也有分歧,但奇怪的是,这次大跌之后,橡胶并没有继续按头部形态演化,反而稳住后上涨了,而且这还是国庆长假之前。形态、事件、时间点,中短期因素综合来看,似乎下跌是行情阻力最小的方向,那么一定是一个更本质更强大的因素阻止了它的发生,于是,各因素的强弱排序就暴露出来了。在所有品种中,橡胶因为有这次处罚事件,我觉得让我看清了它的面目,所以我愿意用剩余不多的可用资金继续买它,即使帐户的隔夜风险敞口超过60%,我也依然淡定(这也和当时的大环境有关,但不选别的而选橡胶则和这个事件有关)。

  最怕没有事情,有突发事件是分析行情的最好契机。在2009年初原油、2009年尾迪拜债务危机、2010年中的棉花、去年夏末的油脂、今年豆粕在8月美国农业部报告出炉时的表现,都是关键位置上事件考验行情的例子。总结起来就是该跌不跌必涨,该涨不涨必跌。

  以上的例子并未涵盖逻辑洞察力的全部涵意。全面找到事物的影响因素,并能理解它们影响事物的方式。前者可谓是胸中有大棋局,但后面一句更是关键。在主观判断中,人脑可以把各种影响因素综合考虑,这个过程可能非常迅速,在潜意识层面完成,最后以一种直觉的方式呈现出来。就好比见到某人就感觉这人心怀叵测,可以最初的时候先有了感。

pc蛋蛋预测神测网下载:21世纪福斯明年1月并入迪士尼 5000人或被裁

  “唔。”又来了,这家伙总是这么随兴而粗蛮!她的小手抵着他的胸膛,不想再让他燃烧另一次的激情,更不想再沉溺在那浑然忘我的情欲狂潮里,但她的身体比她的理智沦陷得更快,在他灼热的索吻下,两人气息相融,终成缠绵。

  晚到的索先跟亚克在得知端熙跳下湖水后,也跟着跳了下来,谙水性的两人很快的找到主子跟苏丹凝,他们先割断绑在苏丹凝身上及石头上的绳子,想先分开两人好救人,却发现他们无法扳开端熙环抱她的双手。

  “想什么?”端熙走到哥哥身边,他们之间没有君臣称谓,自然也没有尊卑的距离。

  感觉上,那是好久好久以前的事了,而这个男人,她对他的观感却是一变再变,甚至连心都陷落了。

  经过近十天的休养,端熙的身子大致康复,一直被拒于门外的和肃亲王终于被请进了南天园的侧厅,自是怒不可遏的批判了他那两个傲慢的手下一番,但他说得满肚子火,却见端熙的表情不见任何波动,他明白自己是白费唇舌了,干脆话锋一转― “你对苏丹凝是认真的?”

  “唔。”又来了,这家伙总是这么随兴而粗蛮!她的小手抵着他的胸膛,不想再让他燃烧另一次的激情,更不想再沉溺在那浑然忘我的情欲狂潮里,但她的身体比她的理智沦陷得更快,在他灼热的索吻下,两人气息相融,终成缠绵。

  2018-10-21他发冷的大手慢慢的从她的肩胛往下,拉掉她颤抖发冷的小手,再用力的扯掉她的肚兜,她惊惶的倒喘口气,泪如雨下的别开了脸,不想看到他眸中对自己的轻鄙之光。

  “我是,但不在我受宠时提出,你会理我?”这话一样尖锐,不过她尴尬涨红的粉脸却让这句话柔弱了几分。

运山镇“三无”模式打造“美哉花果乡

  原标题:运山镇三无模式打造美哉花果乡 ⑴无地不产业。依托双龙万亩现代农业综合园区,引进四川华朴等龙头企业通过业主承包、入股分红、返租倒包等形式分片打造标准化园区29个,带动园区周边农户户建1至5亩小水果庭院400余个,全镇10个行政村联建成户成园、组成片、村

  原标题:运山镇“三无”模式打造“美哉花果乡”⑴无地不产业。依托双龙万亩现代农业综合园区,引进四川华朴等龙头企业通过业主承包、入股分红、返租倒包等形式分片打造标准化园区29个,带动园区周边农户户建1至5亩小水果庭院400余个,全镇10个行政村联建成“户成园、组成片、村成带”全域园区。⑵无时不产业。按照“传统产业保底、骨干产业助推、特色产业补短”思路,发展脆红李、葡萄等夏季特色小水果1000余亩,生态苍溪梨、猕猴桃秋季水果1.13万亩,椪柑、柚子等冬季特色水果300余亩,实现“一季赏花、三季采果”全时产业。⑶无人不产业。推行“1名专职农技员+1名特色产业专技员+高校技术专家+新型职业农民+科技示范户”产业发展团队,通过“运山大讲堂”“农民夜校”等形式对农户开展农业生产技术培训,同时,每月以“田间现场会”手把手指导解决具体困难,确保人人懂技术、会管理。目前,全镇特色水果年产量达1.75万吨、产值9825万元,带动年人均增收近9000元。

  ②本站所载之信息仅为网民提供参考之用,不构成任何投资建议,文章观点不代表本站立场,其真实性由作者或稿源方负责,本站信息接受广大网民的监督、投诉、批评。

九寨沟连续3天达最大承载量 调整观光车辆运行和分布模式

  10月4日,九寨沟景区再次迎来客流高峰。早上8时39分,景区官方网站和微博平台发布公告,景区游客已达最大承载量4.1万人,停售当日门票,当天景区共接待游客40851人。

  在停售当日门票的同时,7时30分,景区开始预售5日门票,并在官方微博滚动播报门票预售情况。不少网友跟帖赞同滚动播报的措施:“看到景区随时更新门票情况,心里踏实了很多。”记者从九寨沟管理局获悉,6日、7日门票较充裕,按往年国庆大假经验看,大假后期游客将比前期少一些,因此建议游客选择大假后期错峰出行。

  针对因2日滞留事件未游玩景区的游客实行全额退票事宜,九寨沟管理局相关负责人称目前共退票13251张。后续解决方案,景区管理方正和有关部门共同制定,将尽快拿出解决方案,并向游客公布。

  从10月2日开始,九寨沟连续三天达到游客最大承载量4.1万人。针对游客满载压力,景区管理部门调整观光车辆运行和分布模式,400辆旅游观光车全部分点运转,并从早上6时开始,通过不间断循环运行的方式,在沟口至箭竹海、沟口至长海沿途各大景点处提供乘车服务。同时,景区实行流量控制,在确保不超过最大承载量的同时,实行游客远端管控,合理分流游客。

  据阿坝州旅游局相关负责人介绍,为合理引导游客,避免游客大量涌入九寨沟等热门景区,有关方面在汶川、理县、松潘等地设置了9处客流引导点,合理分流,并提醒未购当日九寨沟景区门票的游客前往阿坝州其他景点。

  此外,由于大假期间九寨沟门票紧张,出现了一些制造假票和倒卖门票的现象。对此,九寨沟管理局专门发布公告说,只有九寨沟景区票务中心和九网公司是九寨沟景区指定的售票点,切勿在他处购买。

  大假期间,九寨沟景区连续3日游客井喷并非个案,我国大部分景区淡旺季十分明显,淡季景区冷冷清清,旺季游客人山人海。如何在旅游旺季引导游客合理出行,避免造成景区拥堵?知名旅游营销战略专家陈一越给出建议,针对目前自驾游成为游客主要出行方式的现状,景区可借鉴酒店预定管理系统,采取景区门票预约制,进行疏导,从而在游客到达之前就做好准备,游客在未订票的情况下,不应贸然前往景区。同时,景区应联合主管部门建立完善的公共服务平台,可利用高速公路信息发布平台,及时公布景区游客人数、交通住宿条件等信息。(李欣忆记者阳帆)

  相关链接

  如果您在本页面发现错误,请先用鼠标选择出错的内容,然后同时按下CTRL与ENTER键,以便将错误及时通知我们,谢谢您对网站的大力支持。

损失小、作业快、剥净率高 多款中农博远玉米机闪亮登场

  本报讯7月29日,来自河南、河北、山东、山西、陕西、江苏、东北、内蒙古、安徽、宁夏、青海等十余个省区的农机用户、种粮大户齐聚一堂,共享中农博远召开的“2018年中农博远玉米收获机与秸秆综合利用”现场演示会。

  中农博远已专注玉米收获机研发制造20余年,多年来,公司始终围绕着玉米产业链做文章,深入研究玉米全程机械化,提前两年在玉米收获机上装配国三发动机。2017年,全年销售国三玉米收获机2000余台,今年公司又加大了籽粒收获机、青饲料收获机的研发力度,进一步优化了现有的系列玉米收获机,其作业效果、作业速度有了明显提升,可靠性更高,操作更智能。在做好主机销售的同时,中农博远将2018年定义为“服务年”,不断加大服务及配件供应力度,努力提升保姆式服务理念,在全国主销地区建立多家配件中心库及服务站,配备多台流动服务车,彻底解决往年服务难、配件供应难、跨区作业服务跟不上等一系列问题。

  在演示会上,伴随着中农博远技术部副部长张立波的现场讲解,中农博远系列玉米收获机在轰鸣声中像离弦的箭冲进玉米田开始收割演示。损失小、作业快、剥净率高显然是中农博远玉米收获机的亮点。在每一台机具现场演示后,观众都迫不及待地查看作业效果,分享中农博远玉米收获机带来的惊喜与震撼。尤其是在收获青贮玉米时,参会者在看到中农博远玉米收获机仍能保证极高的剥净率后,无不充满惊叹。

  中农博远4YZ-4F/4L玉米收获机作为2018年最新款,聚集了中农博远玉米机系列一直以来的优良传统与创新科技,无论是在现场演示会还是在试乘试驾活动中,一直备受用户关注。相比于老款机型,4YZ-4F/4L玉米收获机配备了175马力国三发动机,一键切换转场模式与作业模式,匹配最佳传动比,节省油耗,动力强劲,作业速度可达7公里/小时,收割效率每小时15亩左右;全胶剥皮辊,多种排列组合,适合收获各种成熟度玉米;割台部位优化,采用加长型浮动式分禾器,收获倒伏玉米效果极佳。

  中农博远4YL-5多功能联合收获机是公司近些年来的研发重点,此款机型在更换不同割台及专用附件,做相应调整后即可实现小麦、玉米、高粱、大豆、谷子等多种作物的收获作业。直径610mm的单纵轴流纹杆滚筒是该机的核心部件,可实现不同农作物和不同收获条件下的高质量脱粒,纹杆块还可使籽粒间相互揉搓脱粒,在收获较高含水率的玉米时仍可保证极低的籽粒破损率。

  除了适用于绝大部分地区玉米收获外,中农博远还根据不同民情以及地貌特征“私人订制”了两款玉米收获机。一款是4YZ-4CH/4J穗茎兼收型玉米收获机,它是近年来公司专门针对玉米种植效益低下,为提高种植户收益而研发,可一次性完成玉米的摘穗、剥皮、升运集箱、秸秆粉碎回收等联合作业。该机与其他机型相比,其果穗箱采用了先升后翻的结构,提升了卸粮高度,卸粮更加方便。另外,中农博远专为西北及东北地区研制了大行距收玉米获机4YZ-4D。该机采用了六缸大马力发动机,双侧动力输出,动力分配合理,油耗更低;五组全新剥皮机,采用了全新设计的小螺旋缓冲室剥皮辊,剥皮效率高,籽粒损失低;该机还可选配6行多通道割台,收获小行距及宽窄行种植模式的玉米。

  除玉米收获机外,此次参与演示的还有9YFQF-2.6捡拾压捆机,该机可完成田间各种农作物秸秆(如玉米、棉花、麦秆)的站立秸秆、放铺秸秆、散状碎秆的捡拾喂入、粉碎揉搓、压缩成形、打结捆扎、自动卸料等作业。

  2018年,中农博远紧跟国家政策指引,国三型玉米收获机在产品销量和用户口碑两方面都取得了令人瞩目的成绩,并成功跻身《农机装备智能工厂制造运行管理系统标准》项目,承担了国家智能农机装备制造重点科技专项。(郭向栋)

暗黑3五赛季天梯总结 4大模式职业分布一览

  暗黑3五赛季天梯总结 4大模式职业分布一览。上个赛季结束时,来自Reddit的社区的Monster为我们带来了前四个赛季的天梯职业分布图。在本赛季结束后有热心玩家及时为我们跟进了第5赛季的情况。在第五赛季中,强大的魔法师有着与上赛季武僧相同的统治战况。从整个榜单看过来玩家也可以看出职业平衡的变迁,当然图中最“亮”的当然第四赛季的双人榜单了,被武僧完全霸榜也是统计中唯一一次出现的情况。

版纳植物园揭示亚热带山地森林附生地衣生物量及其垂直分布模式

  地衣生物量相对较低,却为许多脊椎和无脊椎动物提供重要的食物来源、筑巢材料以及庇护场所。以往相关研究中,人们对地衣物种组成与多样性做过较多研究,但有关亚热带森林附生地衣的生物量及其垂直分布模式则鲜有研究。

  中国科学院西双版纳热带植物园恢复生态组副研究员李苏等在研究员刘文耀的指导下,采取新近倒木和林冠攀爬采样相结合的方法,对云南哀牢山徐家坝地区5种不同类型森林群落内附生地衣生物量及其垂直分布模式进行调查研究。研究发现,该地区5种森林群落的附生地衣现存生物量存在较大差异,其变幅为71-1180kg/ha,次生林具有相对较高的生物量;其中60%以上的地衣生物量主要分布于树枝;附生地衣的生物量及其垂直分布均受到森林类型和树种的显著影响;不同地衣功能团的生物量的分布模式差异显著,且与森林类型密切相关。总的来看,附生地衣的生物量垂直模式明显不同于其物种多样性的分布模式。以上研究结果为深入研究亚热带山地森林生态系统中附生地衣的空间分布特征,促进我国亚热带森林的有效保护与管理提供科学依据。

  号外号外,特朗普又出行政命令啦!行政命令有多强,买不了吃亏,买不了上当,是XX你就坚持60秒!

2016:AI改变的不仅仅是谷歌翻译还有程序员的饭碗

  雷锋网按:将近年关,这个于1956年被正式提出的学科——人工智能,在60年后终于迎来了真正意义上的爆发期,雷锋网也一直在关注AI的最新进展。这个听起来很高大上的名词其实已经在慢慢渗入我们的日常生活,比如谷歌的神经翻译系统,除此之外,人工智能也在重塑着各个领域,对我们的职业技能也提出了新的要求。未来,会是AI的世界吗?

  在澳大利亚的西海岸,Amanda Hodgson正在用无人机从高空俯拍印度洋的海面。拍摄的照片将会用来寻找柏斯(澳大利亚城市)附近海湾的儒艮(海牛),以防止这种濒危的海洋哺乳动物灭绝。麻烦的是,Hodgson和她的团队没有时间来一一检查这些航拍照片。总共有45000张照片,在这些照片中找出儒艮对于没有训练过的人来说太困难了,因此她将这份工作交给了深度神经网络。

  神经网络是一种机器学习模型,比如可以用来识别你的Facebook信息流中照片的面孔。它也可以识别你对你的安卓手机提出的问题,或者帮助运行谷歌的搜索引擎。类似人类大脑中的神经元网络,这种广泛的数学模型通过分析海量的数字数据来学习这些技能。如今,珀斯默多克大学的海洋生物学家Hodgson,使用相同的技术来在成千上万张开放水域的照片中寻找儒艮,并且都利用了相同的开源软件——谷歌的TensorFlow。

  正如Hodgson所说,探测儒艮是一种对精确度要求很高的任务,主要是因为这些动物在海洋的表面下进食。“它们看起来像水面上的浪花或者眩光,”她说,但是神经网络目前已经能够识别分布在海湾的80%的儒艮。

  该项目仍然处于早期阶段,但是它说明了深度学习在过去一年中的广泛影响。2016年,这种古老但又被赋予了新的生命力的技术帮助谷歌的机器打败世界顶尖的围棋手。作为最古老的游戏之一,在几个月之前,机器在围棋领域打败人类还被认为是不可能的。将近年关,深度学习既不是什么聪明的把戏,也不是小众的研究项目。它正在由里而外地重塑像谷歌、Facebook、微软、亚马逊这样的科技公司,而且正火遍全球,这很大程度上要归功于这些互联网巨头的开源软件和云计算。

  在过去的几年中,神经网络通过Google Photos之类的App改造了图像识别功能,并通过Google Now和微软的Cortana这样的数字助手将语音识别提升到了新高度。今年,他们又实现了机器翻译的大飞跃,具备了自动将一种语言翻译成另一门语言的能力。9月份的时候,谷歌推出了一项名为谷歌神经机器翻译(Google Neural Machine Translation)的服务,这项服务是完完全全运行在神经网络上的。根据谷歌所说,这种新引擎在翻译特定的语言的时候能够将错误率降低55%到85%。

  谷歌通过大量的现有翻译的合集来训练这些神经网络。其中一些数据有瑕疵,包括旧版谷歌翻译低质量的翻译,但同时也有人类专家的翻译,这提升了训练数据的整体质量。克服缺陷是深度学习比较明显的优势:只要有足够的数据,就算有缺陷,也能够通过训练达到远远超出那些缺陷的水平。

  谷歌服务部门的首席工程师Mike Schuster并不羞于承认谷歌翻译远未达到完美的水平,但它仍然算得上是巨大的突破。因为这项服务也是依靠深度学习来完成的。由于谷歌可以将精力集中在优化整体系统上,而不是像以前一样到处修修补补,这样使得谷歌更容易提升翻译质量。

  于此同时,微软也在朝着同一个方向发展。这个月,微软发布了名为Microsoft Translator的App,它可以在线实时翻译九种不同语言的对话。负责微软的AI和研发团队的副总裁沈向洋说,这个新系统几乎完全运行在神经网络上。这非常重要,因为这意味着微软的机器翻译的水平也能够快速提高。

  2016年,深度学习也被引入了聊天机器人,最引人瞩目的当属新版的Google Allo。Allo于秋季发布,它能够分析你收到的文字和图片,并及时给出回复建议。这个功能是在早期的谷歌技术Smart Reply的基础上发展而来的,之前被用来自动回复邮件信息。这项技术在Allo上表现的非常好,很大程度上是因为事先考虑到了当今机器学习技术的局限性。通常回复建议都很简短,而且常常不止一条,因为今天的AI还不能做到完全正确。

  在Allo的背后,神经网络也帮助谷歌来回答你在搜索引擎上提出的问题。它们帮助谷歌的搜索助手理解你的问题,然后给出答案。根据谷歌研究产品经理David Orr所说,如果没有深度学习,这个App不会有给出答案的能力。“你需要使用神经网络,至少这是我们找到的唯一方法。”他说,“我们必须使用我们现有的所有最先进的技术。”

  这个夏天,在构建了一个破解了围棋游戏的AI后,Demis Hassabis和他所在的DeepMind实验室创建了一个帮助谷歌管理全球数据中心网络的AI。运用深度加强学习的技术,这个AI可以决定什么时候打开这些数据中心里成千上万台服务器中的冷却风扇,什么时候需要打开数据中心的窗户来进行额外的冷却,以及什么时候打开昂贵的空调。总之,它控制每个数据中心里的120项功能。

  据彭博社报道,这项AI技术非常有效,谷歌因此节省了数亿美元。换句线年谷歌为收购DeepMind花的6.5亿美元已经赚回来了。如今,DeepMind打算在这些计算设备里安装额外的传感器,让它能够收集额外的数据,以此来训练这个AI让其达到更高的水平。

  当这些互联网巨头把这项技术应用他们自己的产品中的时候,他们也将这项技术普及大众。2015年末,谷歌开源了TensorFlow,在过去的一年,这个谷歌专有的软件已经“走入寻常百姓家”。同时,谷歌、微软、以及亚马逊都开始通过云计算服务来提供他们的深度学习技术,任何程序员或者公司都可以通过这项服务来创建自己的App。Aaas(AI as a service)或许将成为这三个巨头未来的最大业务。

  在过去的12个月中,这个新兴市场引发了一场AI人才争夺战。谷歌聘请了斯坦福教授李飞飞来监管一个专门负责AI的云计算团队,她是AI研究领域最响亮的名字之一。亚马逊则聘请了卡耐基梅隆大学的教授Alex Smolna来负责AI业务。这些大玩家正在迅速地抢占世界上的顶级AI人才,好消息是这些人才正在努力与他人分享自己的一部分科研成果。

  随着AI的发展,计算机科学家的角色正在改变。当然,这个世界仍然需要能够编写软件的人,但是未来将需要更多的人来训练神经网络,这更多的是从一堆数据中诱导出一个结果,而不是自己建立一些东西。像谷歌和Facebook这样的公司不仅仅只雇佣AI人才,还为他们现有的员工提供再教育来应对未来。可以预想,未来AI将会每个人生活中的一部分。

  标签:谷歌 微软 神经网络 深度学习 谷歌翻译 云计算 程序员 2016

谷歌将推实时传译功能 用户录音后程序会自动翻译

  据香港《文汇报》1月14日报道,谷歌翻译程序目前支持多达90种语言,公司近日透露正在改良程序,未来将支持语音实时传译,打破语言隔阂,促进人与人之间的沟通。

  微软旗下通讯程序Skype上月率先试行语音传译功能,程序会把用户的说话实时翻译成另一种语言的发声和文字版本。虽然目前仅支持英语和西班牙语,但未来将会支持多达40种语言。用户初步评价不俗,但也指出,计算机分析及翻译速度有限,使用时需放慢语速及减少使用助语词。

  谷歌翻译的新功能将类似Skype,用户录下说话后,程序便会自行辨认其所属语言,并翻译成接收方的母语。暂未知新服务何时推出,谷歌则称新功能将支持绝大部分的Android装置。

达沃斯经济论坛报告独家翻译丨10大新技术将彻底改变医疗

  达沃斯世界经济论坛(World Economic Forum)发布了2018十大新兴技术报告:增强现实、个性化医疗、人工智能分子设计、数字助手、可植入细胞药物、实验室培育肉、电子疗法、基因驱动、等离子体材料和量子计算机算法。

  动脉网翻译了相关报告,对于一系列医疗相关问题——比如机器学习算法如何帮助研发新药、可植入细胞药物如何改变长期病症的治疗方法、电子疗法如何减少药物依赖、光控纳米颗粒如何用于治疗癌症,这篇文章将会给出答案。

  虚拟现实(VR)让人沉浸在一个单独的虚构世界中。相比之下,增强现实(AR)则是将计算机生成的信息实时叠加在现实世界上。

  当你看着或戴着装备有增强现实软件和摄像头的设备时——无论是智能手机、平板电脑、耳机或智能眼镜——相关程序会分析输入的视频流,下载大量关于场景的信息,并叠加相关数据、图像或动画,这些通常都是在三维空间中完成。

  比如:帮助安全倒车的显示器以及热门游戏《精灵宝可梦GO》。许多消费者应用程序——包括为外国游客翻译路牌的应用程序,能够让学生解剖虚拟青蛙,让购物者在把椅子带回家之前,先看看它在客厅里的样子——这其中也涉及VR技术。

  未来,通过这项技术,参观博物馆的人能够想象出模拟全息图的博物馆导图,外科医生能够在三维场景中可视化患者的皮下组织,建筑师和设计师能够通过一种新颖的方式展开合作,无人机操作员能够通过增强图像控制远程机器人,新手能够快速学习从医药研发到工厂维护等任务。

  未来几年,用于设计应用程序的软件应该更多地考虑消费者产品。不过,目前AR作为第四次工业革命或工业4.0的一个重要组成部分,在这一领域的影响很大:通过物理和数字系统的结合,实现制造业的系统转型,从而提高质量和效率并降低成本。

  例如,许多公司正在其生产线上进行测试。AR可以在需要的时候提供正确的信息(例如工人对于零件的选择),从而降低错误率,提高效率和生产力。它还能够可视化设备中出现的问题,并创建问题所在的实时图像。

  ABI Research、IDC和Digi- Capital等企业的市场分析师认为,AR正处于走向主流的风口浪尖。他们预计到2020年,AR市场的价值(目前约为15亿美元)将增长至1000亿美元。

  包括苹果、谷歌和微软在内的主要科技公司都将投入大量财力和人力资源,用于研发AR和VR产品以及相关应用程序。

  2017年,AR和VR领域的投资额达到了30亿美元,仅第四季度就占其中的一半。哈佛商业评论强调,“增强现实”是一项革命性技术,将对所有的行业产生重大影响。

  然而,硬件和通信带宽的限制给消费者的日常使用带来了障碍。例如,许多现有的博物馆和旅行应用程序必须提前下载,才能通过AR来增强体验。此外,图像的质量也可能达不到用户的要求。

  然而,随着价格更便宜、速度更快的AR移动芯片出现,更多的多功能智能眼镜进入市场,以及带宽的增加,这一领域将得到快速发展。然后,通过互联网和实时通讯,AR将会成为我们日常生活中的一部分。

  在20世纪时,所有患乳腺癌的女性都接受相同的治疗。但现在,治疗变得更加个性化:乳腺癌被分为不同的亚型,并进行相应的治疗。例如,针对肿瘤导致雌激素受体表达异常的情况,患者可以服用专门针对这些受体的药物,并接受标准的术后化疗。2018年,研究人员向更加个性化的治疗又迈进了一步。他们发现,有相当一部分患者的肿瘤具有某种特征,这表明他们可以安全地放弃化疗,并避免严重的副作用。

  诊断工具的进步加速了许多疾病个性化或精确治疗的发展。这些技术可以帮助医生检测和量化多种生物标志物(标志疾病存在的信号分子),根据患者对疾病的易感性,以及对特定治疗可能会出现的反应,将他们分成不同的亚组。

  早期的分子诊断工具只着眼于单个分子。比如,糖尿病只注重对葡萄糖的检测。然而,在过去十年里,“组学”技术不断发展,帮助研究人员快速、可靠地进行全基因组测序,或者测量体液或组织样本中所有蛋白质(蛋白质组)、代谢副产物(代谢组)或微生物(微生物组)的含量。该技术的常规应用能够产生大量数据集,人工智能可以挖掘这些数据集,以发现对临床有用的新的生物标志物。

  高通量组学技术与人工智能的结合,正在引领一个先进诊断技术的新时代,这将改变人们对许多疾病的理解和治疗,使医生能够根据患者的分子特征定制治疗方法。

  一些先进的诊断技术已经应用于癌症。一种叫做Oncotype DX的技术可以检测21种基因,帮助许多患有乳腺癌的女性避免化疗。另一种被称为“FoundationOne CDx”的技术,可以检测出实体瘤中300多种基因突变,并指出对患者可能有用的特定的基因靶向药物。

  除了癌症,一些技术还应用于子宫内膜异位症,这是子宫内膜不在其正常部位的一种女性常见妇科疾病,通常需要进行手术才能诊断。DotLabs的一项无创唾液检测可以通过测量一组名为microRNAs的小分子来识别子宫内膜异位症。

  此外,血液检测也可以帮助识别大脑紊乱,例如自闭症、帕金森综合症和阿尔茨海默症。目前这些疾病的诊断都是通过临床医生对症状的主观评估。研究人员也在探索是否能够通过全基因组的测序,分析微生物群落,测量健康人体内数百种蛋白质和代谢物的水平,对预防疾病提供个性化的指导。

  需要注意的是,使用这些诊断工具的医疗机构和研究人员必须严格保护患者隐私。此外,对于生物标志物作为诊断工具,还需要明确的管理规定和标准,以帮助新的生物标志物进入临床阶段。

  尽管如此,先进的诊断技术已经开始挑战疾病诊疗的标准方法。通过引导患者采用最有效的治疗方法,相关机构和人员可以减少医疗支出。未来,我们也许会拥有一个生物标记数据的云档案。随着时间的推移,这些数据将累积起来,随时随地告知患者和医生治疗情况。

  如果想要设计一种新的太阳能材料、抗癌药物或者阻止作物感染病毒的化合物,首先必须应对两个挑战:找到有关物质正确的化学结构;并确定哪些化学反应会把正确的原子连接成所需的分子或分子组合。

  一般来说,解决以上问题靠的是复杂的猜测和意外的发现。然而整个过程非常耗时,可能会有许多失败的尝试。例如,一个综合计划有数百个单独的步骤,其中许多步骤会产生不想要的副反应或副产品,或者根本不起作用。

  然而,利用人工智能(AI)可以提高设计和合成的效率,使整个过程更快、更容易、更经济,同时减少化学废物。

  在人工智能中,机器学习算法可以分析所有的已知实验,这些实验试图发现和合成相关的有效物质,但都以失败告终。基于所识别的模式,这些算法可以预测潜在新分子的结构以及合成方法。然而,单一的机器学习工具不可能完成所有的工作,但是人工智能技术正在加速药物分子和材料的设计。

  例如,德国明斯特大学的研究人员开发了一种AI工具,可以反复模拟1240万个已知的单步化学反应,并形成一个多步合成路线——比人类进行这一工作快30倍。

  在制药领域,基于人工智能的生成机器学习技术也得到了快速发展。大多数制药公司对上百万的化合物进行筛选,发掘其作为新药的潜力。

  但是,即使有机器人技术和实验室自动化工具,这种筛选过程也是非常缓慢的,而且产生的结果也相对较少,只包含1030个理论上可能的分子中的一小部分。通过学习已知药物(和候选药物)的化学结构及其特性的数据集,机器学习工具可以构建相似且更实用、更具特性的新化合物的虚拟数据库,帮助药物先导物的识别。

  近100家初创企业通过人工智能来研发药物,包括Insilico Medicine、 Kebotix 和BenevolentAI。其中,BenevolentAI已经筹集了1.15亿美元,计划将其人工智能技术应用于运动神经元疾病、帕金森综合症和其他疾病的药物研发——从新分子的发现到临床试验的设计和分析,旨在证明药物的安全性和有效性。

  在材料领域,Citrine Informatics等企业正在采用与制药公司类似的方法,并与BASF 和Panasonic等大公司合作,以加速创新。美国政府也在支持人工智能设计的研究,自2011年以来,它已在材料基因组计划(Materials Genome Initiative)上投资超过2.5亿美元,用于建设包括人工智能和其他计算方法在内的基础设施,以加速先进材料的开发。

  过去的经验告诉我们,新材料和化学物可能对健康和安全造成不可预见的风险。幸运的是,人工智能方法能够预测并减少这些不良结果。这些技术似乎可以显著提高新分子和新材料的研发速度和效率,并帮助将其推向市场,改善医疗和农业、加强资源保护以及可再生能源的生产和储存。

  如今,Siri、Alexa等智能助手使用复杂的语音识别软件来响应用户的要求,并生成自然的语音,针对具体问题提供相关信息。这些系统首先必须经过“训练”——接收人类可能发出的大量请求——研究人员必须设计合适的答案并组织成高度结构化的数据格式。

  这项工作非常耗时,而且会导致数字助手在执行任务时受到限制。这些系统可以“学习”——它们的机器学习能力使它们能够改进输入问题与现有答案之间的匹配——但其范围是有限的。即便如此,这一技术仍然产生了重大影响。

  AI技术正在不断发展,向更高层次的复杂性迈进。下一代系统可以接收和处理来源广泛的非结构化数据(原始文本、视频、图片、音频、电子邮件等),在一个未被训练过的主题中,自动形成合理的建议。

  我们已经在提供聊天机器人的网站上看到了这种功能,这些机器人可以回答自然语言问题,这一过程涉及他们训练过的各种数据集。它们在特定问题或请求方面需要相对较少的训练,甚至根本不需要培训。这些机器人结合了预先配置的数据和“读取”相关背景材料的能力。然而,在做出高度准确的反应之前,他们确实需要一些识别语言和意图的训练。

  今年6月,IBM推出了一种更为先进的技术:一种无需事先准备就能与人类专家进行实时辩论的系统。通过非结构化数据(包括来自维基百科的内容,其中一些内容为了准确度被进行了编辑),该系统必须确定信息的相关性和准确性,并将其重组为可用信息,形成条理清楚的论点,它还可以对人类对手的论点作出反应。该系统在发布会上进行了两场辩论,在其中一场辩论中,很多观众认为该系统的辩论更具说服力。

  这项技术的开发历时超过五年,并且目前仍处于研发阶段。其中包括一种软件,它不仅能理解自然语言,还能检测积极和消极情绪。然而,非脚本的人工智能系统在与公认的人类专家的比赛中取得了胜利,为无数相关的应用程序奠定了基础。在未来三到五年甚至更短的时间内,这些应用程序可能会不断地出现。

  例如,智能系统可以帮助医生迅速找到与复杂病例相关的研究,然后讨论给定治疗方案的优点。

  这些智能系统将只对学习现有知识有用,而不是像实验室科学家或专家那样创造知识。尽管如此,随着机器变得越来越智能,它们可能会导致大量失业的情况。这些问题需要人类的智慧才能解决,而社会理应向下一代提供所需的技能。

  许多糖尿病患者每天会多次测量血糖水平,并决定他们需要的胰岛素剂量。通过移植制造胰岛素的胰脏细胞——也就是所谓的胰岛细胞——可以简化这个繁琐的过程。

  同样,细胞植入可以改善其他疾病的治疗,包括癌症、心力衰竭、血友病、青光眼和帕金森综合征。但是细胞植入有一个主要的缺点:接受者必须无限期地服用免疫抑制剂来防止免疫系统的排斥反应。而这类药物会导致严重的副作用,还会增加感染或患恶性肿瘤的风险。

  经过几十年的研究,科学家们发明了一种方法,用半透性的保护膜包裹细胞,防止免疫系统攻击植入的细胞。这些类似胶囊的结构仍然允许营养物质和其他小分子流入,以及必要的激素或其他治疗蛋白流出。

  然而,仅仅让植入细胞不受到伤害是不够的:如果免疫系统认为这种保护性物质本身是外来的,它将导致疤痕组织在“胶囊”上生长。这种“纤维化”会阻止营养物质进入细胞,从而导致细胞死亡。

  目前,研究人员正在致力于解决纤维化带来的的挑战。例如,2016年,麻省理工学院的一个研究小组发布了一种方法,可以使植入物对免疫系统不可见。在生产和筛选了上百种材料后,研究人员确定了一种名为藻酸盐的化学凝胶,而且这种物质对人体无害。

  研究人员将胰岛细胞封装在该凝胶中,然后植入糖尿病小鼠体内。这些细胞立即产生改变血糖含量的胰岛素,并在6个月的研究过程中持续控制血糖水平,而且没有出现纤维化的情况。

  在另一项实验中,研究小组发现,在巨噬细胞上阻断一种特定分子(集落刺激因子-1)可以抑制瘢痕形成,而对于纤维化来说,巨噬细胞是重要的免疫细胞。添加这种阻滞剂可以进一步提高移植物的存活率。

  目前,已有几家公司在开发封装细胞疗法。其中,Sigilon Therapeutics正在推进麻省理工学院开发的技术,用于设计糖尿病、血友病和一种名为溶酶体储存疾病的代谢紊乱的治疗方法;制药公司Eli Lilly正与Sigilon合作开展糖尿病研究;Semma Therapeutics也有针对糖尿病的相关技术;Neurotech Pharmaceuticals针对青光眼和各种以视网膜变性为特征的眼部疾病,在临床试验中进行了植入手术;Living Cell Technologies正在进行帕金森综合征移植物的临床试验,并开发其他神经退行性疾病的治疗方法。

  目前,被整合到“胶囊”中的细胞一般是从动物、人类尸体或人类干细胞中提取的。未来,植入式细胞疗法可能会包括更广泛的细胞类型,包括一些通过合成生物学改造的细胞。

  合成生物学通过重组细胞的基因,赋予其新的功能,比如控制特定药物分子按需释放到组织中。而这些研究目前还处于早期阶段,封装细胞疗法的安全性和有效性都没有在大型临床试验中得到证实,但现有的成果都表明这一领域具有巨大潜力。

  Mosa Meat、Memphis Meats、SuperMeat 和Finless Foods等初创企业正在开发实验室培育的牛肉、猪肉、家禽和海鲜。而这个领域的投资情况也相当可观。比如在2017年,Memphis Meats获得了1700万美元的投资,投资方包括比尔·盖茨以及农业公司Cargill。

  如果这一技术得到推广,实验室培育的人造肉,可以避免许多残忍的对待和屠宰。它还可以大幅度降低肉类生产的环境成本,并且整个过程只需要生产和培养细胞,而不需要一个完整的生物体。

  技术人员先从动物身上提取肌肉样本,再从组织中收集干细胞,让它们大量增殖,然后分化成原始的纤维,并形成肌肉组织。Mosa Meat公司表示,从一头牛身上提取的一份组织样本可以产生足够多的肌肉组织,生产出8万份四分之一磅重的牛肉。

  一些初创企业表示,它们预计未来几年相关产品将会上市。然而,这种“人造肉”想要变得商业化,就必须克服一些困难,比如成本和口味。在2013年,记者们就发现一个用实验室培育肉制作的汉堡,其肉饼的制作成本超过30万美元。而且这种肉脂肪太少,肉质过于干燥。

  此后,费用开始下降,Memphis Meats今年发布的报告显示,四分之一磅的绞碎牛肉价格约为600美元。考虑到这一趋势,人造肉可能在未来几年内成为传统肉类的有力竞争对手。对于肉质的注意和其他成分的适当添加可以有效解决口感问题。

  为了获得市场的认可,人造肉必须能够安全食用。虽然目前还没有证据证明实验室生产的肉类会对健康造成危害,但美国食品和药物管理局(FDA)已经开始考虑如何对其进行监管。

  同时,传统肉类的生产商也作出了回应,他们认为,实验室生产的产品根本不是肉类,所以不应该被贴上这样的标签。有关调查显示,公众对于食用实验室培育肉的兴趣不大。尽管面临着这些挑战,生产“人造肉”的公司仍在致力于研发产品。如果他们能成功地制造出价格实惠、口味纯正的产品,“人造肉”就能使我们的日常饮食习惯更加符合道德标准和环境可持续发展的要求。

  电子疗法——通过电脉冲治疗疾病——在医学上有着悠久的历史,比如心脏起搏器,人工耳蜗以及针对帕金森综合症的脑深部刺激器。其中涉及向迷走神经传递信号,而迷走神经负责在脑干和大多数器官之间传递脉冲。

  例如,脾脏中某个神经递质的释放会使与炎症相关的免疫细胞停止工作。这些发现表明,对于电信号紊乱类疾病,比如自身免疫性疾病和炎症,VNS可能会是一个有效的治疗方法,因为现有的药物常常会失效或导致严重的副作用。

  而VNS的耐受性更强,因为它作用于一种特定的神经,而药物通常在全身传播,会潜在地扰乱治疗目标以外的组织。

  到目前为止,有关炎症应用的研究成果显著。由SetPoint Medical开发的VNS设备在早期的人体试验中已经被证明是安全有效的,其中涉及类风湿性关节炎(关节炎症)和克罗恩病(肠道炎症)。

  目前,SetPoint Medical正在对这两类疾病进行更多的试验。电子疗法也被用于与炎症相关的其他疾病,如心血管疾病、代谢失调和痴呆症以及自身免疫性疾病,如迷走神经不活跃的红斑性狼疮。而防止移植组织的免疫排斥是另一个潜在的应用。

  大多数迷走神经刺激器,包括SetPoint的设备和用于治疗癫痫以及抑郁症的设备,都属于移植物。医生通常把这些装置植入到锁骨的皮肤内。植入物的导线缠绕在迷走神经的一个分支上,并以预先设定的时间间隔向它传送电脉冲;而频率和其他性能都是通过一个外部的电磁器设定的。目前一般的植入物直径大约是1.5英寸,这一尺寸预计会更小,其可编程性也会更强。

  尽管我们对于迷走神经刺激如何帮助这些症状尚不清楚,但缓解丛集性头痛和偏头痛的非侵入式手持迷走神经刺激器最近获得了FDA的批准,表明相关机构对于这一技术的肯定。手持设备可以通过颈部皮肤或耳朵向神经传递温和的电刺激。

  新型电子疗法并不是只集中于迷走神经。在2017年底,FDA批准了一种非植入式装置,它可以通过耳后皮肤向颅神经和枕神经的分支发送信号,从而缓解阿片类戒断综合征。在73名阿片类戒断综合征患者的症状严重程度降低31%以上后,该设备获得了FDA的认可。

  植入物和手术的成本可能会阻碍VNS疗法的广泛应用,尽管随着该技术的侵入性降低,这一问题会得到缓解。但成本并不是唯一的挑战,研究人员仍然需要了解更多的相关信息,包括迷走神经刺激在每种情况下如何产生效果,以及如何确定每位患者的最佳刺激模式。此外,针对迷走神经的脉冲也可能会对周围神经产生负面影响。

  然而,随着更多研究和试验的开展,VNS等电子疗法有望使大多数慢性疾病得到更好的管理,减少数百万患者的用药需求。

  一项基因工程技术的研究正在迅速进行,这项技术可以永久性地改变一个种群甚至整个物种的特征。这种方法利用基因驱动,以及在种群中传播迅速的异常遗传因素。基因驱动的过程是自然发生的,但也可以通过基因工程来实现,这在很多方面都对人类有益。

  这项技术可以阻止昆虫传播疾病;通过改变攻击植物的害虫来提高作物产量;使珊瑚可以承受环境压力;阻止入侵的植物和动物破坏生态系统。然而,研究人员意识到,改变甚至消灭一个物种可能会产生深远的后果。

  所以,从实验室到临床试验以及更广泛的应用,他们都在制定规则来管理基因驱动。

  几十年来,研究人员一直在考虑如何利用基因驱动来对抗疾病和其他问题。近年来,CRISPR基因编辑技术的引入推动了这项研究,使得将遗传物质插入染色体的特定部位这一过程变得更加容易。

  2015年,几篇论文报道了CRISPR基因驱动技术在酵母菌、果蝇和蚊子中的成功试验。其中一项实验通过蚊子种群驱动了针对疟原虫的抗性基因,这在理论上应该会限制寄生虫的传播。而另一项研究成功改变了另一种蚊子的雌性生殖能力。

  2018年,研究人员在老鼠身上对一种CRISPR基因驱动系统进行了试验,试图操纵老鼠的皮毛颜色。但发现该系统只对雌性有效。即便如此,研究结果也支持了这样一种可能性,即这项技术可能有助于消灭或改变侵入性小鼠或其他哺乳动物种群,这些种群会威胁到农作物、野生动物或者传播疾病。

  美国国防高级研究计划局(DARPA)投入了1亿美元用于基因驱动研究,旨在对抗通过蚊子传播的疾病以及侵入性啮齿动物。The Bill & Melinda Gates Foundation向一个机构投资了7500万美元,用于研究针对疟疾的基因驱动。

  尽管目前这一领域的形势较好,但基因驱动还是引起了很多担忧。它们会无意中伤害或者破环其他的野生物种吗?从生态系统中淘汰选定物种的风险是什么?凶狠的一方会不会把基因驱动当作一种武器,从而对农业产生影响?

  为了避免这些可怕的设想发生,一个研究小组发明了一种“开关”,在基因驱动起作用之前,必须通过传递某种特定物质来开启开关。与此同时,多位科学家正在研究方案,来指导基因驱动测试每一阶段的进展。

  例如,2016年,美国国家科学院、工程院和医学院审查了这项研究,并对具体实施提出了建议。在2018年,一个大型的国际工作小组制定了一份方案,来管理从实验室研究到成果发布的全过程。该组织还特别提出了基因驱动在非洲控制疟疾的应用,并表示,如果这项技术得以实施,那么非洲地区的人们将会获益匪浅。

  除了限制这项技术本身的风险,许多调查人员还希望避免可能导致公众或政策反对的事故或失误。

  2017年,在一篇关于通过基因驱动消灭有害哺乳动物的论文中,麻省理工学院的Kevin M. Esvelt和新西兰奥塔哥大学的Neil J. Gemmell表示,这样的反对事件可能会让研究工作倒退10年甚至更长的时间。光是针对疟疾,研究的推迟可能导致数百万起本来可以避免的死亡事件。

  2007年,加州理工学院的Harry a . Atwater在Scientific American上预测,他所谓的“表面等离子体光子学”(plasmonics)技术可能会产生一系列的应用,从高度敏感的生物探测器到隐形斗篷。十年后,各种等离子体技术已经成为商业现实,其他技术也正在从实验室向市场过渡。

  这些技术的原理主要是控制电磁场和金属(通常是金或银)中的自由电子之间的相互作用,自由电子决定了金属的导电性和光学性能。金属表面的自由电子在受到光线照射时产生集体振动,形成所谓的表面等离子体。当一块金属面积很大时,自由电子会反射击中它们的光线,使材料发光。

  但是当金属只有纳米大小时,它的自由电子就被限制在一个非常小的空间里。而振动的具体频率取决于金属纳米颗粒的大小,所以它的振动频率也是有限的。在共振现象中,等离子体只吸收与等离子体振动频率相同的入射光,并反射其余部分。这种表面等离子体共振可用于制造纳米天线、高效太阳能电池等设备。

  等离子体材料的最佳应用之一是用于检测化学和生物试剂的传感器。研究人员将等离子体纳米材料涂上某种物质,这种物质可以与有关分子(比如细菌毒素)结合。在没有毒素的情况下,照射在材料上的光线会以特定的角度反射。但如果毒素存在,它会改变表面等离子体的频率,从而改变反射光的角度。这些变化可以被精确测量,甚至可以检测到微量的毒素。

  有几家初创公司正在开发基于这一技术的相关产品,其中包括一种电池内部传感器,它可以监测电池的工作情况,以帮助提高功率密度和充电率。还有一种设备能区分病毒感染和细菌感染。等离子体学也应用于磁盘上的磁存储器。例如,热辅助磁记录设备通过在写入瞬间加热磁盘上的小点来增加内存。

  在医学领域,研究人员正在临床试验中测试光激活纳米颗粒治疗癌症的能力。纳米颗粒被注入血液,然后进入肿瘤。用与表面等离子体频率相同的光照射肿瘤,使粒子通过共振产生热量。该热量可以杀死肿瘤中的癌细胞而不伤害周围的健康组织。

  越来越多的新公司开始关注等离子体技术,他们将需要确保其产品价格合理、可靠耐用,可以大量生产并与其他产品结合。尽管仍面临这些挑战,但其前景还是十分广阔的。

  超材料的出现——等离子体产生不寻常的光学效应的合成纳米材料——使等离子体研究人员能够使用除金和银以外的材料,如石墨烯和半导体。来自Future Market Insights的研究预测等离子体传感器的北美市场价值将从2017年的近2.5亿美元增至2027年的近4.7亿美元。

  在接下来的几年,由于相关硬件和算法领域的发展,量子计算机有望超过传统计算机。

  量子计算机利用量子力学进行计算。其计算基本单位——量子位,类似于标准位(0或1)。但它是在两个计算量子态之间的量子叠加:它可以同时是一个0和一个1。这种特性,以及其特殊的量子纠缠,可以使量子计算机比任何传统计算机更有效地解决某些类型的问题。

  这项技术虽然令人兴奋,但却很容易受到影响。例如,退相干(Decoherence)可以对其功能造成破坏。研究人员发现,拥有几千个量子位元的量子计算机可以量子误差修正技术来解决退相干的问题。

  但迄今为止,最大的量子计算机——比如,来自IBM、Google、Rigetti Computing和IonQ等实验室的计算机——只包含了几十个量子比特。

  加州理工学院的JohnPreskill 将其命名为“嘈杂中型量子(NISQ)”计算机,目前还没有校正错误的功能。然而,大量专门为NISQ编写算法的研究可能使这些设备能够比传统计算机更有效地执行某些计算任务。

  世界各地用户对NISQ机器访问的增加,极大地促进了这一技术的发展,使越来越多的研究人员能够为这类机器开发和测试小型程序。一个专注于量子软件的初创公司生态系统正在逐渐形成。

  1982年,著名理论物理学家Richard Feynman提出,量子计算机最强大的应用之一就是模拟自然过程:原子、分子和物质。许多研究人员已经开发出算法来模拟NISQ设备上的分子和物质(以及可以完全纠正错误的量子计算机)。这些算法可以改善新材料的设计,应用于能源和健康科学等领域。

  开发人员还在评估量子计算机是否更擅长机器学习任务。在机器学习任务中,计算机学习大量数据集。针对NISQ设备的算法测试已经表明,量子计算机确实可以改善机器学习、信息分类等任务,并生成新的统计样本。至少有三个研究小组都提到了生成式对抗性网络(GAN)这一方法,在过去几年里,它对机器学习领域产生了重大影响。

  尽管许多算法在现有的NISQ机器上运行正常,但还没有人能给出正式的证明,证明它们比在传统计算机上执行的算法更强大。这样的证明过程非常困难,可能需要几年的时间才能完成。

  在接下来的几年里,研究人员很可能会开发出更大、更可控的NISQ设备,以及具有数千个物理量子位元的错误校正机器。相关算法的研究人员认为NISQ的算法足够有效,有望超越最先进的传统计算机算法,尽管仍需要错误校正的机器,但这一领域的前景十分广阔。