Deep Dive
Shownotes Transcript
一個好的系統化的策略還是基於第一是要合理性第二點的話就是一個可持續性然後第三的話我覺得就是有效性
后来我们就回去自己也去读这些散户的帖子以后我们发现实际上机器还是很聪明的它实际上真是看到了一些我们没看到的东西如果说市场情绪或者散户的情绪是非常正面的时候是没有人会在帖子里问为什么的他们都会在讲说我多么多么聪明我的股票多么多么好你一旦看到很多人在问为什么基本上都是在说为什么别人在讲我没在讲为什么我的股票
我的股票老是赔钱所以就已经是一个情绪的转换了然后机器通过学习这个所有的历史数据能把这点学出来在正式开始之前主播提示大家市场有风险投资需谨慎嘉宾观点仅供参考不构成投资建议哦
各位听众朋友们好这里是话中有精欢迎收听我们的频道我是今天的嘉宾主持李庆怡很荣幸我们今天请到了贝莱德系统化主动权益投资团队中国策略负责人赵锐贝莱德系统化主动权益亚太区投资策略主管沈寒宇贝莱德基金量化及多资产投资总监王小金那么有请赵总沈总王总和大家打个招呼吧大家好大家好
大家好那几位领导加入贝莱德集团其实都有超过十年这样的一个时间长度了那其实在金融行业在这个投资啊研究啊然后策略啊领域其实都有着非常丰富的这个工作经验与这个深厚的这种实践积累那正如 Henry 总提到啊那贝莱德他其实在
指数化投资方面其实拥有着业界非常领先的管理规模那其实包括在系统化投资领域其实也是在业界非常受到认可的那指数化投资概念我们屏幕前的小伙伴们可能相对比较熟悉去投资一些 ETF 投资一些这种被动指数但系统化投资这个概念可能大家比较陌生 不太常见
那赵总跟王总可以给我们大概具体讲解一下什么样是系统化投资什么样的这个策略是一个好的这个系统化的这个投资策略吗
好的我觉得每一个人可能会有一点点差异化的理解对于这个问题我个人来讲的话也和我们组的大部分人可能是一样的就是说我们认为至少在目前为止的话一个好的系统化的策略还是基于第一是要合理性我们从来都不会说用一些讯号
完全我们不能理解只是说通过过去一两年的回测好像看起来可以工作我们就会拿来用我们所有的讯号到目前为止的话我们还是尽可能的去理解它为什么要怎么做而且在我们的开始的阶段的话我们之所以去做这方面的研究也是认为是说我们相信找到了这个数据把
把它变成一个讯号就可以帮我们增加我们的收额回报所以说这个合理性或者是基于人来问的问题吧这点是目前我觉得还是很重要的然后第二点的话就是一个可持续性就是你找到的讯号是可以通过回测来证明它在什么样的情况下
是可以达到超额回报在什么样的市场环境中也许它并不能帮你提供超额回报然后我们还有别的模型可以去帮我们来预测或者来判断我们当下的市场是不是适合这个数据本身来使用的
然后第三的话我觉得就是这个有效性所以这也是为什么我们会在 2008 年去找这个数据科学团队来搭建这个系统当时就计划在将来的话数据量在这个市场上实际上是呈指数级增长的所以说我们搭建一个
好的系统可以承载这些指数及增长的量的数据而且是可以让数据之间互相的交流也是在很快的这么一个速度上的话是需要在提前下很大的功夫的这也是为什么我们组实际上会每年花很多的钱在花于买数据花于这个云服务和云计算上就是为了能够建立这么一个系统可以
更加有效更加准确的来帮助我们回答我们每天都要回答的问题这样子我们所有以前已经收集到的数据已经搭建好的讯号我们就可以让他自己每天的自己去做一个更新然后我们作为人就可以去
看我们还没有拿到我们数据库里的数据然后来看去思考说现在的这个市场我们还缺什么样的数据我觉得可以举一个简单的例子比如说咱们中国的市场的话在 2017 年之前
实际上个人投资者或者我觉得俗称散户吧散户投资者在股市中是有决定性的作用的就是他们在最高的时候可以占 93%的这个市场的交易量所以他们实际上就可以来决定说每一只股票的这个走向但是从 2017 年到 2018 年
一开始是保险基金后来是海外投资人在这几年里他们实际上反而是有更大的话语权就是因为这个滬港通开然后还因为这个 MSCI 就是名胜指数要把中国 A 股加入他们的股权所以说
我们提前就会知道在将来两年股市中会有这样的变化所以我们在提前就会已经收集好这个数据可以帮我们去更好的去跟踪和分析这些海外的数据和海外的这些资金的流向所以更好的去达到这个超额的回报然后再到今天的话实际上在过去的两年市场的情绪是极度悲观的交易量实际上是持续下滑然后也会看到很多的海外投资人
因为防风险的原因会有一定的资金的流向但是这些资金流向也许本身和公司本身没有任何的关系只是因为一个风险的一个降仓的这么一个行为所以在这种情况下的话我们也会去看哪一些数据来帮我们更好的来回报在这样的市场情绪中那赵总这边认为呢首先合理性然后可持续性然后以及有效性是评判一个策略是不是一个好的系统化投资策略的一个
三大黃金標準吧那王總這邊您的看法是什麼樣的客戶來說這個客戶的滿意度應該是最終的這個地方第二點的話應該是一個策略從這個機制上來說是越簡單越好如果簡單就可以達到這個投資目的的話就不要做複雜然後第三點的話可能是和這個量化這個策略相關一個策略在什麼情況下
会失效的如果最开始就能想得比较清楚在出现市场危机的时候可能对信号或者对策略的机制还是能有足够的信息然后下一点就是说可能对于整个策略的方法论策略的信号权重之类的这种技术体系
每隔一段时间做一些教研然后最后一点其实刚才瑞就有提过我们对人和机器的关系是一个有变动的关系一个量化策略永远都是有一个人需要去把量化模型出来的东西进行干预可能也有点出问题从这个角度要么是这个人做的这个事是可以变成一个新的量化信号然后把它加在整体的机制里面
要么就是这个策略变化就是我们要尽量是整体的这个系统去做更多的判断然后把人解放出来去做那种模型看不到的那种情况
尽量把人和机器的分工尽量分好用好那么也就是说在合理性可持续性有效性的基础上您这边又提出其实第一也是好的系统化投资策略最重要的是要能满足投资人的他这样的一个投资需求第二也是要不断的实践之中去进行优化去进行迭代第三的话也是非常重要的一点就是它是由机器辅助的
需要去减少其实人的情绪对于这种决策的干预人跟机器的分工要清晰并且我们要一直能够坚持这样的分工不去互相进行一个干涉其实赵总刚才也举了一些例子举了一些我们这个
系统化投资里面可以用到一些包括这个基本面类的情绪类的然后包括一些偏可能宏观主题方面的一些信息那么也是去利用这些信息去做主动投资那么在此也引发我的一个小问题哈
那么同样都是基于一些公司的财务数据财务报表中发布的信息那么去做主动的投资决策那我们的系统化投资和传统这些看财务报表去做投资的经营经理一些主动管理的团队会有什么样的不同呢
谢谢我觉得你这是一个很好的问题其实我们也经常会思考这个问题然后也会去和我们的投资人有这方面的交流我个人觉得呢可以总结为三点吧第一我们所有的讯号和投资的模型都是基于大数据的然后它是可以回测的可以通过历史数据来做一定的验证然后通过在历史数据的验证过程中也帮助我们更好的理解我们的这个思路
我们认为的这个合理性到底是在什么样的市场环境中是合理的在什么样的市场环境中也许它就并不有效这是第一点我其实觉得对于这个基本面的投资人来讲的话其实很多人这一点他们是在自己的脑海中其实就做完的只是对于我们来讲的话
我们认为数据和这个程序化的这些模型是可以不断地积累的然后也是可以很明确地用模型表达出来所以我们会把它落实到这个数据和模型上然后也可以帮助我们把它更好的迭代和发展在将来
然后第二的话除了我们看这个基本面相关的信息比如像财务报表像公司的有一些很多的披露信息我们还会去看实时的数据比如去买这些信用卡的交易的数据加总了以后的
脱敏了以后的然后也会去各个不同的网站上去看这个在网上的一些销售数据然后如果这个公司的产品是直接针对消费者的我们会很注重地去看消费者对这个产品的感官怎么样大家对它的满意度怎么样因为这是一个很有效的一个数据来
帮我们预测将来的销售的情况然后除了所有的这些报表相关的公司的基本面还有公司的管理层的质量到底公司的管理层是不是真正的以为股东回报为目标的
还是说有一些可能公司的管理层更愿意把钱自己拿走的这方面的数据我们都会去尽量的通过数据来回答这些问题除了基本面和公司的治理相关信息以外我们还有一半的大概的权重是放在这个市场的情绪上所以我们所认为的市场情绪基本上包括两大块第一就是
投资人怎么去看这个公司投资人愿不愿意去给这个公司一个更高的估值这是一块第二的话就是市场的资金面的一个流向因为很多的资金面的流向它是有一些别的原因的并不基于这个公司是不是
一个好公司是不是可以在下一个季度有一个超预期的一个业绩披露可能是有一些别的原因导致资金面的一些流向所以这也是我们很关注的一点我觉得第三点的话可能更是一个有效性就是在我们的投资的模型过程中投资整个的过程中的一个有效性比如说我觉得很多的
基本面投资人他现在真的是非常有经验他非常理解某一个公司的表现但是为了去更好的理解深度理解某一家公司实际上是要花很多很多的时间所以他有可能会就一个投资人可能只能看 10 家 20 家公司就深度的了解他就到头了然后你招一个团队的话 10 个人团队那可能就看 200 家然后这其中还会有很多的
一些误判会有很多的一些个人的情绪导致你可能并不是真正的做到了你以前所预想的或者比如说股价跌的时候你的情绪导致你很难决定到底我到底是减仓还是加仓在这个股票上所以我觉得即使是说每一个人没有情绪的话你作为一个人的投资人你能够看到的股票也是很有限的因为有太多的每天有太多的数据
会出现在你面前其中有可能 90%都是噪音都不是真正有效的但是对于我们的模型的话就像中国现在 A 股我们市场上有流动性的可能有三四千只然后在我们的股票池里的大概一千多只只要是我们可以已经用数据和模型来
解释的这些现象我们都已经把它每天都可以自动的去做一个更新然后我们会去不断的完善这个模型我们可以每天给所有的全市场 2000 多家股票可能都会打一个分在每一个讯号上
谢谢赵总的一个讲解可见也是在我们系统化投资之中其实数据然后可验证其实是一切后续进展的一个这个基石那么同时的话呢系统化投资它所包含的信息广度啊无论是在这种所使用的这样的一个信息的这种类别的这种丰富度不仅是包括基本面还包括这个市场情绪还包括一些偏另类的数据的使用然后以及能够去覆盖到的啊
股票标的这样一个数量其实都是宽于这种传统的只基于基本面信息去进行投资的这样的一些管理人和团队的也非常感谢赵总王总对于系统化投资这个概念的一个专业分享和讲解刚才我们也提到在系统化投资之中数据其实是非常重要的一个基石
也是因为涉及到很多的这种数据和公式那我相信屏幕前的小伙伴们可能也会有类似的刻板印象认为其实系统化投资往往会是一个比较深奥的比较难懂的像解数学题一样的这样的一个这种刻板印象赵总可不可以给我们相对来说比较具体化一些可以比如说给我们举个例子
让我们更加能够直观的清晰的去看到这个贝莱德的这个系统化主动投资平台怎么去运作怎么去做出一个系统认为它是正确的这样的一个投资决策呢我觉得在分享这个例子之前可能先很快的
用一个数学公式吧简单的数学公式理解一下我们为什么把我们所有的讯号归纳成基本面和市场情绪再加宏观主题这三大块就是因为你如果看一只股票的股价的变动假如说我们今天
要预测一只股票的价值在一年以后和今天的这个变化的话它实际上是可以分成三部分的第一部分就是说这个公司的业绩在一年以后怎么样就比如说它现在如果挣一块钱一年以后可以挣两块钱那
其他的变量都不变的情况下这个公司的价值就是应该是两倍今天的价值第二块呢投资人愿意给这家公司的市盈率我们用公式来说就是 PE Ratio 就是这个市盈率的这个 formula 如果投资人认为说今天赚到了一块钱
我愿意给你 20 倍的市盈率那其实这个公司就值 20 块钱假如说这一只股票或这家公司在一年以后投资人愿意给它更高的市盈率就今天比如是 10 倍的市盈率一年以后愿意给 20 倍那么这家公司的价值又翻翻了嘛然后第三的话就是它在这一年中间的分红是什么样的所以这三块放在一起的话
完全用数学来表达出来这家公司的价值应该是怎么样去变化的所以我们会通过刚才提到的一些实时的数据去帮我们把这三块单独的预测起来那我刚才提到的宏观主题这块的话实际上同时也会影响这个
公司的基本面的业绩的增长也会影响投资者的情绪的影响我们在用所有的这个数据来帮我们去更好的预测的时候我们去外面找这些数据的时候实际上是基于一个想法就是我们已经认为说假如我们找到某一个数据就真的可以帮我们更好的去
预测其中的方程中间的一项比如说如果说我们可以看到这个公司它的在网上的销售数据非常的好可能达到了 100%的年化的增长然后同时它的用户对它的在网上写的反馈
也非常好那我们其实就完全可以大概率的相信说这个公司在某一支产品上的业绩的增长会持续的超出市场预期然后我们就会其实在这方面给它一个很高的打分这是基本面上的然后另外一方面在市场情绪上我这个可以其实讲一个比较有意思的一个例子
因為我們其實從 2012 年開始就已經在運作我們的 A 股的基金所以也是經歷了 2015 年然後我們是從 2013 年因為我們需要去分析當時的市場上所有的股巴裡頭的訊息當時的數據量 2012 年 2013 年來講的話是蠻大的一個數據量所以我們會用機器去幫我們來分析然後我還記得在 2015 年的時候
我們會去看這個機器通過學習古巴給我們的一個反饋它會去讀這些古巴的所有的帖子然後會告訴我們這個機器來認為哪個詞是正面的 哪個詞是負面的我們會願意去盡量理解機器在幹什麼那當時我還記得很清楚我去看這個機器給我們反饋的這個詞彙的時候有一個詞 為什麼
它是排前五的负面词汇就机器认为它只要出现为什么这个词的话是一件非常负面的一个情绪所以我们当时一开始第一个反应是说认为机器可能会已经是过度拟合了因为在当时我们实际上并不是很相信机器做事的效果后来我们就回去自己也去读这些散户的帖子以后我们发现实际上机器还是很聪明的
他实际上真是看到了一些我们没看到的东西就是你其实去读 2015 年的帖子你会发现如果说这个市场情绪或者散户的情绪是非常正面的时候是没有人会在帖子里问为什么的他们都会是在讲说我多么多么聪明我的股票多么多么好你一旦看到很多人在问为什么基本上都是在说为什么别人在涨我没在涨为什么我
我的股票老是赔钱所以就已经是一个情绪的转换了然后机器通过学习这个所有的历史数据它就其实就能把这一点学出来我觉得这还是蛮有意思的一件事当然这个是很老的一个例子咱们讲最新的我们机器看到另外一点比较有意思的就是在过去的一个月机器会发现说基本上一般都会愿意去跟着这个
市场的情绪一起走如果我们认为市场情绪对于某一只股票是很正面的话我们基本上是认为将来会增加股票价值所以我们其实一般是跟它是趋同的在过去的这一两个月的话机器会发现说这个市场情绪
如果是从一个老用户的帖子来的话那确实是一个正面的但如果是从一个非常新的用户的话实际上机器并不认为正面的是有任何的信息量的所以我觉得这点其实大家也可以理解是为什么机器可以学到这一点但是是一件很有意思的事情谢谢赵总的一个分享那我相信这样一些这个非常具体的一些例子也是让大家能够更加直观的
感受到我们的系统化投资是怎么去利用信息最终去做出这个投资决策的贝莱德其实在这个系统化主动投资领域也是有很多年的这样的一个深耕的经验那一开始的话呢可能是在海外
然後後來的話呢逐步也運用到了我們的這個 A 股市場上啊就像剛才趙總舉的這幾個小例子王總您認為在這個海外市場啊它這個系統化投資去積累的這些經驗那麼怎麼樣去賦能 怎麼樣去幫助我們貝萊德系統化投資在國內的這種本土化的這樣的一種適應呢這種應用呢在國內市場上所應用到的這樣的一些這個系統化主動投資
会和境外的这些相对来说运作比较成熟的这样的一些系统化投资策略有什么特别的不同之处吗我是这么觉得系统化主动投资或者说龙孔说量化投资是收集信息处理信息形成投资信号然后用它去做实际的投资组合从这个角度讲方法论是放在海外也好放在国内也好都是这一以万之的方法
数据级的角度其实有很多东西在海外好使在国内也好使比如说另类数据里面招聘的广告瑞总也提到我们去看这种交易的这种交易量或者是支付的金额这些东西都是可以作为一个公司业务发展的一个表现从数据级上是有很多共通性的
然后另外一点的话投资者的心理其实是非常相似的从普通的投资者大家追涨杀跌的从众心理是非常朴实然后可能说中国市场和海外市场有一点不同的话其实这个可能跟大家的潜意识不太一样我们国内的数字化的发展程度其实远超过海外刚才瑞总有提到海外用信用卡的数据
国内现在都在用这个移动支付用这个数据支付所以在这块是有很多中国特色的一些另类的数据集是可以去挖掘信息的国内的这个市场的运行的这个速度
一旦这个一致预期形成了之后比如说 9 月底这波我们这个速度和海外这个速度是不一样的笼统上来说从债市角度讲国内的债市一般比这个海外要慢一些不太均衡的在股跟债上我想强调一点就是我们系统化主动投资的这个策略在海外也好还是在国内也好都已经有了十几年的这个模型的这个积累然后呢是有丰富经验我们是已经把这个
中国市场的特色已经融入到了我们对信号的打磨以及对整体系统化投资流程的研究怎么说是一个比较成熟的策略也就是说其实我们应用在 A 股市场上的系统化主动投资的这套策略它其实既有在海外市场中已经普遍适用的持续有效的比较成熟的
这样的一些信号那也有一些基于我们国内市场上特有的这种数据去进行构建的这样的一些信号那么这些用于我们比如说我们国内它的这个市场上固件量化信号的这个信息那主要是哪些信息您能不能帮我们总结一下那他们总结的又是一些什么样的这种市场规律呢
我觉得从信息的角度来说的话我们习惯于拿传统数据比如说股票的量价信息这些数据我们都会拿然后从另类数据角度讲我们的方法论是这样如果我们能在另类数据里面找到对传统财务数据有印证然后时效性或者是信息比率比传统数据还要高的这种另类数据我们会优先使用另类数据
给一个比较具体的例子我刚才其实有说招聘广告这个东西招聘广告有一点门槛的一个事一个公司要发一个招聘广告他首先要花人力去写这个广告然后他把它放在一个招聘广站上招聘广站通常是要一点钱的这个是有一点点门槛第二传统财报一般都是每个季度之后季度完了这个数字才会出来是有点滞后性的
但是你如果一个公司要发展一个新业务可能前置性的一上来就要招人然后在你这个业务发展过程中你要不断地去招人从这个角度这个时效性招聘总裁是比传统台胞是要好
然后从同一个行业的不同公司的对比这个角度来说如果一个行业里面两个公司一个公司一直在招人招人的频率也比较高招人的层级以及要求的技能都是比较复杂比较丰富的
那这个公司就会比招人招的比较少招的比较没那么频繁或者说招人招的不是那么层级复杂的那么一个公司这个业务发展可能是能看出差别了从这个角度招聘的信息其实是有
一定的信息优势是有一定的这个信息比率是能够看出来公司的业务发展的一样的然后另类数据还有很多比如说我们这种 app 的访问量啊比如说这个
像我们刚才讲到移动支付的支付量有很多这种信息是我们可以搜集然后可以从中挖掘挖掘数据的对整体的文字流其实是可以用机器来做数据的采集数据的辨识以及去看一些情绪方面的变化刚才瑞总也提到
我们会去看网上的帖子或者是哪个券商 APP 里面大家以这个形式我们去收集对某一个股票它的情绪上的变化这个变化有的时候可能是一个很小的差值比如说有些金融媒体或者是有些券商对某一个股票
一直是长度那我们就会去看它这个季度和上个季度对同一只股票它的长度的程度是怎么样是不是有变化就从这些东西上我们是可以利用这个机器学习去挖掘一些这种变量然后
然后去达到对另类数据进行进行信息发掘然后来补充传统数据上面我们可能拿不到的时效性或者是信息比率以这个形式我觉得我们的整体的信息源是会更丰富投资最开始就是要基于信息你没有信息的话你是没有办法有一个
优势的从收集信息的广度收集信息的类别来说我觉得系统化主动投资是有一定的优势我们用于构建信号的信息就像您说的既有这种传统形式的信息那么又有在现在特别前沿的这种机器学习技术下辅助的可以帮助我们进一步去挖掘到更多这个
所谓说这个收益来源的吧这样的一些这个另类上面的这种信息确实在我们贝莱德的这个系统化的主动投资策略之中呢其实我们可能比如说包括基本面的信息包括像这个市场情绪的信息甚至这个宏观主题的然后这种另类的这样的一些信息其实都是我们都可以用来去把它做成信号然后去帮助我们去预测未来这个股票收益的这样的一些情况
那我们具体是怎么样去生产一个这个信号或者我们在这个我们系统化投资或者我们量化投资的这个术语啊叫它这个因子我们怎么样去生产一个因子的那 Henry 总这边是不是可以给我们具体讲解一下一个因子生产这样的一个流程呢
因子开发的流程跟学术界发表论文的过程其实十分相似那刚刚也听到这个 Ray 总跟 John 这边有提到几个范例那其实所有的范例都会经过这个所谓我们强调一个 SPCA 的标准流程那 S 的意思就是合理性 P 是预测性
C 是稳定性然后 A 是所谓的附加性那这个所有讯号的开发其实任何人在这个量化团队里面都可以采取那我们团队有许多不同受过不同严格学术训练研究的成员
如果你看我们过去将近 40 年的历史已经有超过 250 篇以上的学术界论文的发表那其实也有跨学科领域的专业合作确保其实我们不同投资见解不管你是比较传统基本面金融会计方面的因子或者
或者是跟所谓这个比较机器学习机器阅读方面有关的因子都可以合在一起确保整个模型投资见解的独特性跟一个相对低的这个关联性那整体来说这个合理性的要求赵锐也有提到就是你今天有一个想法
有一个数据这个数据与其要直接去预测这个回报股价的一个走动一定会有一个所谓的中间那个转换机制这个转换机制是什么如果是个基本面的讯号那刚刚提到有一些产品评分评级客户评级的一个这个水准那如果评级越好就表示说诶
它可能销售量会越来越好未来的销售量会越来越好那你今天公司要成长你可能就要聘请更多的人你可能就预计的成长也会变得更强劲所以这个所谓的转换机制是你所有讯号都需要有的一个合理性
刚提到一些帖子跟散户情绪方面有关的一些讯号那情绪方面的讯号它的合理性跟这个所谓的转换机制通常就会跟这个流量会比较有正面的一个相关性质所在所以你合理性这个是我们贝尔德系统化团队里面非常非常强调跟严谨要求的一点
那除了这之外呢刚刚提到的所谓的预测性质跟稳定性质这些都是一个统计概念的一个角度出发计算出来你所运算出来的一个因子通常是某种所谓的 algorithm 某种这个数理的一个处理一定要有一个预测性质那预测性质就是说它一定要以每分为的风险承担下有一个正面这个业绩表现在一个历史验证的过程中可以达到一定的一个预测性质所在
这个预测性质不单只需要正面它也要需要有所谓的一个稳定性稳定性的意思是说你不是在你回测的五年或十年的历史上或刚好压到工业产业表现好的一些产业或表现好的某一两个股票跟某一两个公司它这个稳定性一定要有一个所谓的交易的水平适当的交易水平所在才能够符合我们的一个投赢流程
那最后一点所谓这个附加性质是我觉得因为我们这个投研过程已经将近 40 年的历史这个附加性质是门槛跟水准相对最高的一点今天你有一个新的想法有一个新的因子跟信号想要提到我们的审核单位这边一定要比你既有的一个信号库里面的想法有所谓的一个附加性质所在
所以這個附加性質就表示說你今天要帶來新的一個想法它跟既有的想法跟既有的因子跟既有的一些信號
它的相關係數是不是適定的低或是負這樣你才可以介紹到你的模型介紹到你的投資流程裡面它才會有一個所謂的附加效應所在所以這個所謂的 SPCA 流程在我們整個 40 年因子開發的歷史以來超過 1000 個以上的因子開發出來每一個信號每一個因子都一定要通過這個所謂的標準流程那你標準流程
通过之后呢通常会撰写一个至少 15 页以上的一个投研报告那投研报告你要呈上去给我们的审核会审核会通常就是一些比较资深的研究员投研员或者是资深的一些投组经理像赵瑞总之前也有一段时间有当这个审核会的成员之一那最后如果被批 OK 幸好就可以走到下一个阶段下一个阶段就会透过被爱的
比较算中后台做一些数据处理跟这个数据申购的一些流程然后再把这些数据定理化然后转换成所谓的这个因子然后被我们的系统整体的收纳起来这个流程
整体来说最快可能一个月两个月比较慢的话可能有一些流程有些技术譬如说我们第一代的语言探勘自然语言模型它这个信号要开发个两三年才会开发出来对整个投资跟整个投研是以策略的长期的时间去看待的我们要求高品质的信号跟投资研究的发表
謝謝沈總的一個講解 那其實也讓我們看到包括像之前這個趙總包括像王總這邊他舉的很多很有意思的這些信號的背後其實是有很多人然後需要經過非常嚴密的流程付出很多努力可能才能達到我們的這個 SPCA 這樣子這個兼具這種
预测性 合理性 稳定性 附加性这样的一个黄金标准的我们刚才也聊了很多关于系统化投资这样的一些内容其实我们说成功的这样的一个投资策略来说可能除了需要有好的这样的一些信号去帮助我们去进行预测那么对于风险的管控也是非常重要的
那反映到我們貝萊德的這個系統化主動投資之中的話呢那信號的預測效力固然是非常重要的但是同時呢我們也需要有相應的這種風險度量和這個成本控制這樣的一個能力那在貝萊德的這個系統化主動投資平臺它去構建投資組合的過程之中那 Henry 總能不能再幫我們講解一下它怎麼樣這個平臺能夠在這種量化的信號
和这个风险和这个交易成本之间去寻求一个平衡能够做到继续兼顾这些信号的有效性那么同时的话呢又能去考虑这个风险和我们的这个成本我们的投资流程是
含全方位的考量所以除了报酬面的考量这个报酬面考量就是透过刚刚的各种不同因子的一个介绍所以我们的投资模型会有数十个不同的因子横跨基本面市场情绪跟宏观主体那这些会汇集在一起成立每一个股票每一天报酬面的一个预测那除了报酬的考量之外呢我们同时间也需要谨慎的管理
风险以及交易成本我先从交易成本开始讲那身为全球最大的资产管理公司以及世界交易量最大的交易对手呃
在贝莱德我们有非常完善的所谓这个交易成本模型当然就看所有的历史交易成本模型不管你是看中国 A 股或者是这个海外的其他股票这个模型都有一个非常完善的一个成本模型那这个成本模型同时间纳入我们的这个报酬面的一个报酬模型
所以这代表什么我们在送出买卖单之前会需要精准的去了解跟计算这个交易成本是多少再去做结算那你在做结算之前呢是第二点
我们贝埃德其实是一个风险管理起家的公司我们非常强调什么风险分析我们的投资策略基本上呢都会以小额分散投入那并且每天会透过多样的风险模型进行不同的压力测试确保什么确保我们投资组合有适当的市场产业以及因子方面的普遍
那所以这个刚刚提到的交易成本试算跟风险模型的纳入会同时间被订入到这个所谓的一个股价预测的报酬模型同时间进行所谓的一个优化过程来取决每个股票建仓的额度到底是多少
所以这是整体的一个流程这个流程每天都会被重复因为你每天报酬面的考量对每个股票可能会多多少少有改变那可是你今天跟明天的报酬面的考量如果今天你报酬面的预测没有高于或甚于适当的交易成本我其实投资组合就不会去做进行去进行交易所以整体来说呢我们可能
一般的市场情况下一个礼拜可能平均交易两次到三次左右谢谢 Hansel 的一个分享那我们贝莱德的这个系统化主动投资那会在这个因子生产的时候去打磨它的这个预测能力打磨它的这个有效性那么在风险控制和成本控制上也会建立这个严密的分析与测试系统
那么在此之外的话呢我们认为其实可能在市场上具有一些自己独特的这个优势和竞争力其实对于我们的这个贝莱德的系统化投资来说其实也是非常重要的那同样是基于这个大数据那同样是基于这个机器可能特别是一些前沿技术去辅助决策那王总您认为贝莱德的目前的这一套这个系统化主动投资的这个策略和目前
国内的很多量化管理人无论是我们的量化私募量化公募其实现在也都有非常蓬勃的策略上的发展和进步您认为贝莱德目前的系统化主动投资和国内管理人的这些策略相比的话有什么样的特色与优势国内的量化私募比的话首先私募可以用野生物私募可以加很高的钢板这些是我们作为一个公募基金是做不了的
但是我们的优势是我们的监管非常严重我们的方法论非常的历史长久并且非常的稳定
我们的信息非常透明我们不会去做分隔飘移这些东西从这个角度我们是有一定优势的并且我们在 A 股市场上是有十多年的历史从和国内的量化供应的话我们最大的优势可能是我们的数据采集我们的方法论以及人工智能的加成这些东西是不太一样的
我们不会出现这个人主观选股然后加进这个投资组合这么一个事然后我们的风格上也不会做特别大的票运基本上就这几点吧感谢王总分享布莱德的这个信用化主动投资和目前这个国内管理人的特别是量化管理人的这样一些不同之处那您也是多次强调了这种我们
在风险上面这种严控的这样的一个优势除了可能我们刚才其实聊了很多这个布莱德的新化投资它的这样的一些流程它怎么去构建因子怎么去管理它的这样的一个风险和它的这个交易成本
那我们接下来也讨论讨论在面对着这种我们技术环境的这样的一些浪潮和这样的一些改变的时候呢我们整个这个布莱德的新化投资它会受到一些什么样的影响那其实 2023 年的话呢是被称作这种人工智能 AI 的这样一个元年那这一年呢也是这个 XGPT 区有了一个这个面试并且在短短的时间内呢也是颠覆了整个
互联网行业的这样一个逻辑那我们在系统化投资中离不开机器的辅助像之前包括赵总也分享就是说我们的策略里其实也离不开这样的一些机器学习大模型这样的一些非常前沿的这种技术的加成那据您这边看来的话人工智能的浪潮对于我们未来系统化投资的发展
会产生一些什么样的影响呢像我们刚才之前提到的我们组的话因为是在硅谷的所以我们其实在很早的时候就已经看到了人工智能其实是可以越来越多的被应用到投资的这个领域的其实并不仅限于这个 2023 年的 ChaiGPT 的问世吧在过去的十几年里头我们都是一直是在做这件事情了 ChaiGPT
T 的问事的话它确实是有一个质变在于它可以非常有效地去通过机器然后来有效地去分析这些数据然后回答问题也是可能更像人一点
我们在这个 Changeability 问世以后的话其实已经在我们的研究过程中尽量的去试着使用这个最先进的这个科技这也是我们一直以来的一个理念只要有一个先进的科技问世我们都会
愿意尝试去试着看能不能把它应用到我们的投资的过程中比如说以前的话一些的研究报告或者是说网上的新闻在全球各种不同语言的新闻里我们以前会自己去有自己的模型当时是叫做 NLPSo Natural Language Processing 的 model 就是说自然语言处理的模型我们其实已经一直在用这个然后可以
通过我们自己对于这个模型的一个设计可以去让这个模型帮我们去分析各种不同语言像日文当然英文德文西班牙文的提炼一些信息吧从不同的研报和这个和这个新闻中间但是像现在的话比如有了 CHPT 以后的话
我们就会愿意尝试在我们自己的模型基础上我们会也把这个新的模型拿进来然后让他帮我们去做分析然后 CHPT 有一个好处就是你可能不需要自己再去训练这个模型你就是直接去问他你把文字给他你直接去问他你读了这篇文章以后你告诉我这家公司的业绩增长怎么样或者帮我写一个简短的摘要他就可以直接帮你回答这个问题我觉得这个是比较好的一点
可能也会更加使得更多的人可以尝试用这个 CHAT GPT 或用更先进的模型去处理这些文字但是对于我们在这个投资领域去更好的去预测这个股票的价值上来看我们实际上一直都是在
在比较说不同的市场上有的模型和我们自己已经有的模型去比较他们的预测的这个效果这个很大的区别是 Chad GPT 的这个模型它的建造是并不以金融为它的一个导向它实际上是更多的在于去贴近于人去做一个表达然后去做一个更迷人的一个运用但我们的模型所有的模型的
唯一的目的就是更好的去预测这个股票的变化所以我们在比较我们自己模型和所有的新的迭代的这个 GPT3 啊 3 啊和 4 的版本的时候我们都会发现尤其是在那个 CHAT GPT3 版本 3 出来的时候我们的模型是比它好非常多的就是在我们的预测在公司的下一个业绩的这个业绩的预洗或者是预亏上我们的模型是更加准确的但是
另外一方面呢 CHI GPT 确实是在自我成长所以我们在它第四个版本出来的时候我们发现它第四个版本已经比第三个版本的预测的准确性已经增加了一倍的已经增加一倍所以说确实它自己是在成长可能这个会导致更多的人愿意尝试去用 CHI GPT 去帮助有研究员来提高他自己的一个工作效率比如像我自己的话我其实用很多的 CHI GPT 来帮我去改我写的这个程序
而且我真的觉得它对于提高我的效率是有很大的帮助的所以我觉得它这个工具的好处在于真的是可以提高你的工作效率只要你把它用在一个对的地方所以有可能我觉得对于我们整个投资行业来讲的话也许它会真的帮助更多的人可以
更好的更快的去做这个编程然后去用程序来做一些数据的分析我这边补充说明一下好了除了这个研究或编程效率的提升我们刚刚提到我们信号的这个投源过程如果我们再往回看一下我们今年 2024 年目前大概会有 50 到 60 个新的信号开放出来透过这个投资流程
那这个 50 到 60 个不同的信号开发出来有将近四分之一都是跟应用不同的这个大型元模型或者是生成 AI 人工智能代理的一个建造那刚刚赵瑞总提到的就是怎么应用 AI 我们基本上我们不是用 ChatGPT 我们不是用这个所谓的商业用的大型元模型我们是应用一个
开放式的大型语言模型其实在湾区硅谷这边有很多就是这种开放式的模型你可以直接拿来用然后你可以再进一步的去做什么去客制化那我们客制化的这个概念是什么基本上这个开放式的大型语言模型它有大概七八亿的层次那大部分的层次就是要了解语言的一个形成语言概率的一个这个预测
我们把最上面的那个一两层把它改变改变它的这个预测参数我们去让它重新训练去让它去训练去阅读中国 A 股的券商报告
去阅读古巴的各种不同帖子再让它目标参数去让训练成能够去预测未来的股价走动所以这个就可以比商业用的一个一般公众用的这种 TRACKGPT 诸如此类的大型语言模型更精准所以我们很多不同的所谓的信号今天就是把不同的非结构式的数据不同的文本数据在训练一个生成 AI 建立一个
这个人工智能代理的信号出来你可以想象我们这个大型人模型这个 AI 它基本上就是一个高中生刚毕业可是它是有完美的这个记忆力然后你把它送去大学你送去什么大学呢你送去大学主修券商报告主修这个基底法说会或主修这个古巴帖子
所以不同的大学就等于不同的这个生成 AI 代理的一个信号当然不止应用在中国一股这边我们全球的市场各种不同语言不同的一个文本文本的一个来源我们都开始去做这个人工智能这个应用谢谢赵总跟沈总的这样一个讲解那我们也看到就是这样的一种 AI 的这个浪潮确实是深刻的改变和影响着我们整个在
包括在投资包括在个人的工作上面这样的一种这个模式那我们可以去像刚才沈总说的我们利用这种定制化的这样的一些这个开放性的这种大的模型我们可以去让他们像高中生去做学习一样然后在某一个方面去展开自己的这样的一些这个学习然后去做出更好的预测
那么同时我们也可以看到像赵总说的这样那不断的其实包括很多外界的一些这个模型它的这种不断迭代预测能力的提高肯定也在鞭策着我们在这个内部的这样的一些这个模型的这种迭代与升级那么同时的话呢其实 GETCHYGBT 也是深入到我们个人的生活之中然后极大的可以帮助我们提高了这样我们的一些这个工作效率啊
那这些都是这种人工智能浪潮所带给我们的很多的这种好处我们策略的升级迭代我们个人这个工作效率的一个提升但其实面对着这样的一些 AI 的浪潮也好技术学习也好大模型也好很多的质疑声也随之而来那么特别是一些特别复杂的模型其实在包括学习规律包括去做出推断的时候都很有可能会出现一些
过拟合的问题也就是说这个模型可能只在某一些场景下是比较适用的但实际上推广到一个比较普通的场景下它可能就并不适用了那也想请教一下赵总怎么去看待这种啊
量化模型系统化投资的模型之中的这种过拟合的这种问题那我们贝莱德的这种系统化主动投资在应用这种像记忆学习包括像这种大模型这样比较前沿的技术的时候我们如何去尽量规避或者说尽量去降低这种过拟合问题对我们的这个投资决策的一些影响呢
好的你这个实际上是一个非常好的问题而且这也是我们其实每天都要面对的一个问题我觉得有两方面的回答吧对于你的这个问题第一就是还是回到我们的这个所有的研究的合理性上我们所有的研究的最首要的一点就是我们研究的合理性这一点实际上是导致我们
在后面所做的研究的整个的过程的一些设计和我们对于数据的一些处理都是基于这个合理性所以它在这一点上的话它就会自然而然会降低一些这个过渡米核出现的概率可能有一些对冲基金或者是我们的同行的话可能会直接拿到某一个讯号然后就去
做一个回测然后如果是一条直线的话他们就会很高兴的来用那对我们来讲的话第一我们不太会使用第三方的数据商直接来卖给我们或者来跟我们说这个数据很好你来试一试我们大部分的数据的取得都是基于是说
我们认为这个数据现在在我们的模型里还是一个属于缺失的状态所以我们需要去把我们这个缺失的这一块补齐所以我们会主动的去找很多的公司然后看能不能购买他们的这方面的数据然后来帮我们更好去理解一些公司的比如增长或者是用户的一些行为所以说我们在拿到任何的数据的时候大部分时间都是说我们
已经很努力地去试图拿这个数据很长时间然后终于拿到了我们已经有一个很强的一个合理性在我们还没有做任何的回测之前然后在我们做回测的时候我们也会除了在新的数据和这个新的讯号可以去帮我们预测股价我们还会去看说它到底是可以帮我们去更好的预测这个工资
这个业绩增长还是说可以帮我们去更好的预测这个投资人的情绪或者资金的流向所以这一点的这个中间的这个途径我们是需要做一个验证的这是第一点我们注重于合理性然后第二点的话其实这个过度拟合的这个问题在 CS 计算机行业的话是一个非常常见的一个问题大家有很多的办法
来试图规避这个问题比如是说在我们的投资行业过渡拟合很大一个原因是因为你的所有的数据点可能都是来自某一个市场的一个周期比如说有可能你的这个数据完全是在一个市场的一个涨的周期或者完全是在一个市场的一个熊市的周期这样子的话如果你直接去做一个测试
或者是说有可能咱们不说这个市场的股市的涨和跌就说是动量的一些讯号的涨和跌或者是这个价值红利讯号涨和跌比如在过去的一年半左右红利可能是一个非常有效的一个讯号在市场里面但假如是说你拿到了某一个数据然后
碰巧在这段时间也拟合出来一个很好的一条线但也许你的这个结果完全在于你的数据是来自于在红利非常有效的这么一个区间那如果有一天我们不可能会期待说任何的讯号可以永远地帮你赚钱那么在它转向的时候那你的这个就变成了一个
过度拟合因为你的样本量是来自一个不是一个正台分布的这么一个市场环境中间所以我们可以通过技术角度然后把你的这个样本量重新去做一个规划比如说你会把它重新分配一下假如说我大部分的样本是来自于牛市的样本那我就
三分之一的量本是来自于一个形式那我就把我的这个量本量重新的重新平衡一下这是一个就很简单的一个办法这一点上我们实际上一直都是有一个很严格的一个投资的一个程序来帮我们去做相对于讯号的研究的一个工作
那一方面的话呢我们还是要保证鲜艳的这样的一个合理性啊这一直以来也是我们无论去设计信号还是去运用这些前沿技术的一个这个初心和原则那么第二方面的话呢也是尽可能的去使用这个比较多的比较丰富多样的啊这样的一些这个数据去进行训练那么去帮助前沿技术能够更好的去适应不同的这样的一个市场环境
那这也是非常不错的这个建议如果这个屏幕前大家有针对这种特别是机器学习的这类模型在这个投资中比较感兴趣的小伙伴赶紧速速地记下来吧那我们刚才聊了很多未来得的系统化投资可能相对来说还是一个比较
我们说比较高位的这样的一些内容我们聊了这个我们策略的一些构建我们接下来可以聊一聊在这个市场上的应用如果我们确实观测到当我们的这个策略出现一些这个比如说回撤比如说一些亏损显示出它并不适合这种市场环境的时候表现可能并不是太好的时候
那我们怎么去检视我们的策略比如说它究竟是由于这种外部的市场冲击还是由于它本身部分因子的这种不确定性所导致的这样的一个表现不是很好的这样一个情况那么同时我们怎么去应对怎么去更好的去迭代我们的策略然后让它尽快脱离这样的一个状态那赵总能不能和我们分享一下策略表现不佳阶段那我们会做些什么样的工作
对我觉得还是回答你的那个问题可能是分两方面第一的话是说可能不是我们的策略表现不佳而是说某一类的讯号表现不佳这个是经常会发生的就是可能策略其实有很多的讯号在一起
互相协作以后其实整个策略还是表现很好但是你会发现有一部分的讯号可能在过去的一两年比较长的一段时间好像都无效那你该怎么去做这个其实就回到了为什么我们会这么重视这个合理性然后还是重视这个可以检验性还有就是我们会一定要去理解我们每一个讯号它之所以我们
把它放在我们的模型里我们去用它到底是因为它帮我们去更好的预测基本面还是更好去预测情绪还是资金流类似这个就变得很重要就如果说我们会发现某一个讯号它还是能够帮我们去很好的预测这个公司的下一个季度的业绩的超预期的增长
但是他就是不帮我们去有这个超额的回报其实就是在过去几年在这样市场的情况下其实投资人的资金流向变成了主导他已经并不是真的是去选好的公司来投资而是说可能很多投资人已经买了一些好的公司但是有别的风险的原因他不得不去卖出他的股票所以在这种情况下的话
这公司的是不是业绩增长是不是高质量公司都已经变得不重要了所以在这种情况下的话我们就会理解说我们的这个讯号本身没有任何问题而是说这个市场的行情导致说这一类讯号并不是会提高超额回报的但是我们的模型一般都是
比较平衡的嘛所以是大概是一般是在这个基本面的预测上然后包括质量包括增长然后另外一方面是在这个市场情绪上包括情绪和这个资金面的流向所以基本上有可能会有比如说四分之一的讯号它就
没有在很好的工作或者没有很好的贡献这个 alpha 但另外四分之三它还是 OK 的所以这个是我们会去理解但是我们其实并不会去太去动这个模型只要这个讯号本身
还是可以帮我们去预测我们认为它提供超额回报的这个渠道我们就不太去动它那第二的话就是说在我们整个模型如果都有一些风险有一些问题的时候这个也是在历史上发生过几次的刚才张也提到了如果说市场上的这个价值定价是有很多的外部冲击来主导而且是快速的外部的冲击来主导的话比如说战争比如说假如说
很突发的贸易战市场都完全没有预知的在这种情况下的话前你看它是一个很好的公司但大家的预期完全的转向但是大家不愿意去给它一个很高的这个市盈率了比如说以前我认为
你这个公司我给你 20 倍使用率因为这件事情发生了我只会比如对中国的资产我只愿意给 15 倍的当然它会导致一个资金的外流或者是一个卖压它就会导致我们的模型其实会受压因为我们的模型最终还是通过数据来看哪个公司可以在将来的两个季度或者一年可以提供增长
还有哪些公司大家其实还是喜欢的嘛如果但是有这种市场的外部的这些冲击的话这些东西就变得都没有都不影响这个股价了但这种情况下的话第一肯定会去理解它第二的话我们实际上在历史上会发现它实际上永远是会伴随一个反弹它会导致
叫做错配导致这个价格和这个资金面的一个错配很快的一个错配然后它可能短期中你会看到一个业绩的一个负面的业绩但是它永远都是有一个反弹这个在历史上我们是其实经常看到不光是中国就全球市场都会看到然后第二的话个人其实在模型服务
不工作在不赚钱的时候我实际上是还是蛮激动的因为是给你一个机会让你去更好的理解说也许有一些东西我们是可以提前去预知的也许有一些数据我们提前可能如果看到的话就可以帮我们去做一个更有效的一个预测但是这个数据我们可能还没有拿到所以这个永远都是一个非常好的契机帮我们去更加完善我们的模型所以
我觉得还是回到刚才就可能提前之前提到的一点就是我们的模型是一个完全可以可以被理解的而且因为我们最终的目的也是说通过这个模型或者说通过机器的学习或者通过大数据来帮助我们的人可以更好地回答我们对于某一个公司的这些各种各样的问题无非是它的增长怎么样然后你到底有没有被投资人所认可
然后你到底有没有照顾股东的利益大概这就是选这些好公司的一些标准所以我们这些所有的讯号在一起都是来帮助我们回答这个问题
我们的节目也来到尾声了节目的最后的话呢其实也想和三位领导聊一聊这个投资以外的一些事情那我这里呢也提出一个这个开放性的问题啊然后也请三位领导可以分享一下自己的一些这个观点和想法那如果有一个机会大家这个穿越了然后遇到了这个 22 岁的自己
那么有什么样的道理是您认为您想要告诉 22 岁的自己然后让 22 岁的自己能够更早知道的这样的一个道理呢如果真的可以穿越的话有太多的话要对当年的自己说第一的话是说要真正去做自己感性的事情
但这点我实际上已经做到了然后第二点是要有一个长期的一个理念要找到因为你自己感兴趣的事情也许就真的就是你愿意去忍住寂寞在它不管是好还是不好的时候你都愿意去继续去做这件事情然后把它做到最好如果对
有一些同学来讲他可能现在还不知道自己对什么感兴趣我觉得这也是挺常见的那在这种情况下的话这个机遇把你带到了什么地方不管你在做什么你都尽量把它做到最好做到最好并不是只是说工作很长的时间而是说你会真正的去有一个独立思考去思考说怎么样可以把这件事做得最好然后也包括说更加有效率
而且会比以前的做法也许是一个更好的一个解决方案,就是还有很多的这些一些独立的思考在里头,而不光只是说就是工作很长的时间的这一点,还有我觉得如果第三点的话就是在培养下一代的话,其实你会发现真正有意义的人生的话,一定是说要看你可以帮助到你周围的人多少,
就是别人可以通过你把自己变得更好我觉得这个才是真正有意义的人生也跟我们所要求的这个团队精神实际上也是一个互通的就是说如果在你自己的工作过程中尽量地通过你自己做的事情可以
提高你所有周围人的能力或者提高整个团队的水平或者即使不是你的团队在你所接触的人中都通过你可以对别的人有帮助的话我觉得这个才是人生的意义谢谢赵总的分享做自己喜欢做的事情坚持长期主义并且能够让别人通过自己
然后一起变得更好那是赵总希望告诉 22 岁的自己的这样的三个道理那沈总这边有什么想分享两点吧第一个是要多有耐心好事多磨第二个是这个复利效应不单只是应用在你的银行账户或者是你的资产上面如果你每天用工精进个 0.1 个百分比
这个日积累月也是可以达到非常惊人的成效那这个其实是不论是任何领域你不管说是打网球也好或者是编程也好或者是学习投资投资组合管理投研这些都是可以每天精进就可以得到这个累积出来的一个成效谢谢沈总的分享那保持耐心相亲互利时间不仅是投资的朋友也是个人成本
王总这边最后压轴分享一下我的对自己的建议可能也跟大家分享一下如果是一个年轻的我学海无涯我觉得读书这个事是没止境的然后工作和事业其实也是一样无论你有多忙即使再没时间也要多陪陪家人尤其是父母因为人到中年之后会变得越来越忙会越来越没时间
持续学习但是也不要忘记这个陪伴家人陪伴父母陪伴自己的下一代那其实都是我相信这些都是非常好的给我们这个很多年轻投资人很多这个启迪的这样的一些这个人生建议那也非常感谢孙薇的一个这个分享
以上就是我们节目的所有内容感谢收听节目之外更多精彩内容请关注我们的视频号中金公司财富管理欢迎大家关注点赞转发您的支持是我们更新的动力我们下期再见
中金财富及嘉宾提供的任何信息和观点均不构成投资建议中金财富不以任何形式对用户承诺投资收益或保证本金不受损失市场有风险投资需谨慎本集播客中的内容及演示材料版权归中金财富所有
未经中金财富书面许可第三方不得以任何形式摘影编辑截取以及其他不恰当方式传播感谢大家的收听