当前银行股的认识误区(下)

破局银行SaaS⑤|打造“银行家之选”——未来银行SaaS产品的终极画像与增长飞轮 成为“银行家之-选”,不是靠兜售功能全面的“万能工具”,而是要打造一个以安全合规为基石、以AI+数据为灵魂的赋能平台,并构建一个从灯塔案例到生态共赢的增长飞轮。 阅读详情

 

七,不对称加息,引起银行业盈利能力大幅度下降。

不对称加息,这是近日说的最多的话题,也是银行股下跌的有力利空,上一个星期银行股的破位下跌,就是因为不对称加息的传闻所致。在这里就引出三个问题,肯定会不对称加息(通常人们说的不对称加息是指缩小利差)吗?不对称加息能不能扩大利差呢?不对称加息就肯定会引起银行股业绩下降吗?

不对称加息(缩小利差)是理论基础是,目前物价指数高涨,存款利率不能覆盖物价指数上涨;贷款利率高企,银行业获利丰厚,实体经济痛不欲生。是的,这个没错,有一定的道理,但不一定是不对称加息的理由。

1,首先我们看看存款利率是否必须得覆盖物价指数的问题。我们知道,一般来说长期国债的利率完全可以覆盖物价指数的上涨,但一年期存款利率肯定会低于长期国债的利率。那么就意味着一年期存款利率就不一定必须得覆盖物价指数的上涨。也就是说,从长期的角度来看,一年期存款利率是低于物价指数上涨的。假如说我们必须在物价指数上涨的时候覆盖这个上涨,那么是否意味着在物价指数下跌的时候我们该实现负利率呢?我想,你也不会同意的吧?如此,存款利率低于或者说滞后于物价指数的上涨就是存款利率的应有之义,这是没什么值得大惊小怪的问题。

2,目前的我们还需要防止的是国际热钱的进入,国际热钱进入我国的目的无非就两点,一是利差,二是汇率。假如我们提高存款利率,那么就会引起中美两国的利差扩大,那么是否会引起更多的国际热钱进入呢?这是个本来就非常头疼的事,我们就有必要继续加剧这个头疼?当然,老百姓可以不考虑这一点,但央行不考虑就是他的失职行为。

3,目前银行的贷款利率是否高的企业受不了了呢?依我看并不完全是。否则,为什么目前在贷款额度限制的情况下可以提高实际利率呢?为什么目前的地下资金价格大大的高于银行利率呢?所以,我一直说,目前的我国是一个发展中国家,企业有着资金饥渴症,企业家对于利率是并不敏感的。这是与西方发达国家完全不一样的市场。

4,提高利率基本上就有两个目的,一是对于物价指数的上涨给予老百姓补贴,二是抑制消费欲望平滑物价上涨。提高存款利率的目的是抑制老百姓消费欲望,来平滑物价的上涨;提高贷款利率的目的是控制企业投资需求,从而降低物价;这两个方面的加息对于平抑物价的效果是相同的。那么,我们为什么就不能多提高一点贷款利率,少提高一点存款利率,继续扩大利差呢?当然,我这只不过是在逻辑上进行分析,真的实行扩大利差的加息几乎是不可能的。

5,去年好像进行了六次加息,缩小了利差大概0.54%。但我们银行的盈利能力是下降了还是提高了?这个我们可以从近日的银行股预增公告就可以明白了的,我也没必要多说。就在年初,曾经很多人说起过这个问题,因为利差的缩小,08年的银行股业绩将形成负增长。不知道当他们看见了那么多预增公告以后有什么感想?我估计已经忘记了吧?在这里人们忽略了活期存款这个很重要的因素,因为银行存款中大概有着一半是活期存款,但活期存款并没有同步加息,所以表面上看起来是缩小了利差,其实质却是扩大了利差。

在这里,再说一句题外话,发达国家表面上的利差比较小,但他们的活期存款几乎是没利息的,所以,他们的实际利差并不小。

结论:不对称加息对于银行的影响需要进行具体的分析,对于不同的银行影响是不同的,就因为各银行的存款结构是不同的,不能一概而论。不对称加息不一定就是缩小利差,更可能是扩大利差。

 

八,提高存款准备金率将提高银行业的经营成本,引起银行业绩的大幅度下降。

是的,提高存款准备金率确实会提高银行的经营成本,或者说压缩银行的获利空间,但这个的影响并不大的。因为在贷款额度管理的情况下,准备金率的提高并不会减少银行的贷款,减少的只是营运资金,这个银行的其他营运资金的获利能力并不高的,相对来说,影响的利差收入大概在2%左右,或者说2%不到一点。目前准备金率的利率好像是在1.98%,银行其他营运资金的利率收入大概在4%左右。

我就以民生为例,计算一下假如提高准备金率1%,会影响多少获利能力?

民生07年的存款总额是6700亿元,08年就作为8000亿为计算基础,每增加1%的准备金率,那么就是减少80亿元的营运资金,按照2%的利差计算,那么就是影响利息收入1.60亿元,这个就算全部作为利润吧,那么净利润就是1.20亿元,影响民生的每股净利润为0.0064元,也就是影响民生的净利润1%左右,真的是无所谓的。

结论:提高存款准备金率将提高银行业的经营成本,引起银行业绩的大幅度下降的结论是在夸大其词。有影响,但很小。

 

九,次贷风暴中国外银行显示出的高风险,由于国内银行经营能力的不足,其风险不言而喻。

是的,这一次银行股的下跌,与这个心理因素也是存在着很大关系的,因为眼睁睁的看着那些国际大银行面对着如此风险,他们很多都是百年老店呢。连这些国际知名的银行都难以避免的风险,对于我们那些没什么经验的银行来说,岂不是风险更大嘛。

在此,我们应该明白,发达国家的银行与我们银行的经营性质是不一样的,他们是混业经营,发达国家银行的那些眼花缭乱的创新产品,说实话我是搞也搞不清楚的,他们其中接近一半的利润都是在高风险的其他业务(就是所谓的非息收入)中产生的。那些银行家,为了获得超额的激励,就在那些衍生产品中争取利润。高收益就意味着高风险,这就是国外银行的特征。

你想想,他们在按揭的时候可以全额贷款,而且初期可以贴息,也可以给你加上买汽车的钱(也就是说,市价100万的房子可以按揭110万)。当房子升值以后,你就可以继续把涨价的钱贷出来让你消费。在我们的国家,这个可以吗?

在我们,有关方面为了帮助银行控制风险,原则上是不允许混业经营的,这就有了个天然的抗风险屏障。前一段时间,有些人在说我们银行业盈利模式的单一,抗风险能力不强等等。现在这种声音是不是少了点儿?

呵呵,好了,这个话题我也不愿意展开了,否则是没完没了的。我想大家都不喜欢那些缠脚布式的东东吧。

结论:经营模式的不同,风险自然就不同,这是不能相提并论的。

 

十,国际上给予银行股的估值并不高的,大多数市净率在2倍左右,市盈率在15倍左右,我们的银行股估值太高。

对于这个问题,我们需要从两个方面来说,一个是成长性的问题,一个是净资产的构成问题,所以,不能简单的进行类比。

先从市净率来说吧,我们的银行股市净率高是因为净资产收益率高的原因,因为我们是发展中国家,君不见那些跨国银行在本土的成长性几乎是已经停滞不前,但其在东南亚的业务却蒸蒸日上,这就是不同的发展阶段有着不同的成长性的问题。所以,我们的市净率高一点是很正常的。而且这个问题我曾经专门说过的,今天就不具体展开说了。

对于那个净资产的构成问题,我们的银行净资产构成与发达国家银行的净资产构成是大大不同的。我们的净资产是实实在在的净资产,就是营运资本。但是,发达国家他们是混业经营,因为他们的证券化程度比较高,他们的参股企业就比较多,也就是说手中股权比较多,这些股权是按照证券市场的市价以公允价值进入净资产的,所以,他们的净资产是部分放大了的净资产,并不是实实在在的营运资金。就好比民生银行,在07年报中,那个海通证券的股权,就一下子多出了100个亿的净资产,但这个净资产基本上不是赢利性资产,只不过是账面资产而已。所以,我们的银行股市净率高一点是很正常的事,这是不一样的。

至于说那个市盈率相对比较高的原因,我也不愿意多说了,这个话题我也已经说滥了,归根究底就是因为成长性高的原因。不同的成长性就应该给予不同的市盈率,这个应该在投资界是没有异议的东东,只不过是有人想说而说。

结论:不同的资产结构,不同的成长性,其市净率市盈率是不能一概而论的。

 

总而言之,目前我们的银行股价格,已经包含了业绩或有可能的下降,已经包含了不良资产大幅度提高的预期。如此,我们持有银行股还怕什么呢?我们要知道,那个深发展在熊市底部,在事实上资不抵债的情况下,其最低价也是在5元以上的。我们还怕什么呢?

广发银行、深发展、工商银行等等其他银行的曾经告诉我们,银行股,只要不破产清算,只要总资产还在,他的盈利能力是马上可以提升的,这就是银行股与其他行业的根本性不同!

 

以上是我一个外行的观点,欢迎有识之士来进行质疑或探讨,谢谢!

 

 

后记:

进入博客两年多了,曾重点分析过造纸业,煤炭业,钢铁业,银行业。也写过煤炭业的误区,钢铁股的误区,指出在这两个行业景气度上专业人士的认识偏差。特别是那个煤炭业、钢铁行业,呵呵,那时候是与发改委、钢铁协会的首席分析师对着干的。那时候我看好这两个行业,是在几乎是全中国看空的情况下做出的判断。

当然,今天在这里我有必要提醒大家,我是人,是人就免不了判断错误。虽然说曾经的分析预测并没有出现什么问题,但并不证明我这一次对于实体经济与银行业的分析预测肯定不会错。因为我知道,对于未来的预测分析本就是有个不确定的原则,只要是人,那么其观点产生偏差是难免的,我也不能例外。所以,我希望你能自己判断,不要盲目相信我的结论,我的结论只能代表我的一家之言,并不意味着肯定正确。

另外,我个人认为,有色金属的景气度在未来的三年内将不断的走向下坡路。包括目前在相对高位的铜,在绝对高位的锡与钼,我也看空未来的黄金。也许,我的下一个机会就是在有色金属。呵呵,三年以后,我希望我能有机会到时候写一篇《有色金属的误区》。

 

 

Python爬虫实战:5分钟搞定东方财富网股票数据抓取(附完整代码) 本文详细介绍了如何利用Python爬虫技术,快速抓取东方财富网的实时股票数据。通过逆向分析其JSONP数据接口,构建了包含请求处理、数据清洗、分页调度及多格式存储的完整自动化采集系统,并提供了应对反爬策略与生产部署的进阶优化思路,附有可直接运行的完整代码。 阅读详情

相关推荐

104报文解析工具

可选择包含报文的文本文件或日志文件进行解析,可选择按条数范围或时间范围,输出结果可以在报文解析显示区,也可以输出到文件。可以对文本内容的报文文件进行高级分析,包括遥信遥测等通讯数据的具体信息,通讯帧的统计,通讯次数的统计,各种错误的分析,报文的定位功能,传输的文件具体内容等。输入完成后点击工具栏的解析报文按钮或使用右键菜单的解析就可以对报文进行解析。在报文输入区输入待解析报文并解析后,解析结果就显示在报文解析显示区和报文定位展示区及报文定位条目区。当有多条报文解析后,可以通过报文列表树具体定位某条报文。

XZHOUMIN的博客 5952

当前银行股的认识误区(上)

 一,银行业是周期性行业,其业绩波动甚至大于其他典型的周期性行业。在当前,竟然有专业人士把金融业归类于周期性行业,甚至是强周期性行业?我百思不得其解,金融业(银行业)是属于服务性行业,服务性行业怎么可以理解为周期性行业呢?当然,也可以那样说,在国民经济波动范围内,任何的行业都是周期性行业,因为它或多或少得服从于国民经济的波动而波动。商业类、消费品类及白酒类甚至军工类也不能例外,哪怕是性服务行业也

1087

NC65增加自定义参照并且参照数据要根据选择的财务组织过滤

1、首先定义一个参照类 package nc.pub.jzcm.ref; import nc.ui.bd.ref.AbstractRefModel; import nc.ui.bd.ref.IRefDocEdit; import nc.ui.bd.ref.IRefMaintenanceHandler; public class PMPrPayDefaultRefModel extends AbstractRefModel { public PMPrPayDefaultRefModel(){ ...

xyl的博客 3495

当前银行股的认识误区(中)

接昨天那个房地产风险的问题。政.府为什么要打压股市?为什么要控制投资过热?为什么要控制房价的上涨?为什么要实行从紧的货币政策?这一切都是为了争取平稳的发展,为了我们的国民经济能够平稳快速长期的发展,为了避免经济发展的大起大落,为了社会发展的和谐,为了方方面面的和谐。所以,我们完全可以那样说,股市的下跌,房价的下跌,从紧的货币政策,人民币对外升值对内贬值,都是政.府故意的行为,是政.府故意在踩刹车

519

OSNet代码解析(普通卷积,分组卷积,深度可分离卷积,OSblock组成)

文章目录普通卷积和分组卷积普通卷积和深度可分离卷积用深度可分离卷积(LightConv3x3)代替普通卷积(Conv3x3)减少参数OSBlock (bottleneck)OSNet OSNet之所以轻量(2.2M)在于网络浅,使用深度可分离卷积代替传统卷积,但是很有效 普通卷积和分组卷积 所谓分组卷积,就是右图的input features分成一组一组,如上图groups=3,那么输入的特征分成3组,每组有12/3=4的通道的特征参与输出。然后根据输出通道的维度,得到每组的输入特征要计算两次(6/3=2

Mr_DaYang的博客 9802

激光雷达接收芯片选型指南:APD、SiPM、SPAD阵列的优缺点对比

本文深入对比了激光雷达接收芯片APD、SiPM和SPAD阵列的核心技术原理与性能差异。APD作为线性模式工作的稳健选择,动态范围大;SiPM具备单光子探测和高增益优势;而SPAD阵列凭借像素级数字读出和集成TDC,在时间分辨率与系统集成度上领先。文章从灵敏度、时间精度、动态范围及系统成本等多维度剖析,为不同应用场景(如车载雷达、Flash LiDAR、消费电子)的芯片选型提供实战指南。

ik6789012的博客 660

震荡市分化加剧,恐慌过后机会浮现!

跟着趋势走右侧交易,进场就能吃到收益,这是今天一定要刻在心里的教训。股市万变不离其宗,除去长期走牛和持续亏损衰败的企业,所有板块都逃不开涨久必跌、跌久必涨的规律,古人早就说过低价惜售、高价抛售的道理。但要留意,一旦科技股止跌企稳,资金又会来回切换,重现科技、红利此消彼长的跷跷板行情。当下大盘正在走 “时间换空间” 的磨底行情,持续震荡消化场内借钱炒股的杠杆资金,等杠杆资金逐步离场,盘面压力才会真正缓解。看今天盘中行情就能发现,科创板跌得很猛,但上证指数整体稳住没大跌,全靠银行、消费这类红利板块扛住盘面。

qiquanhui88的博客 223

Shader Graph入门

Shader Graph 简介

zaizai1007的博客 1万+

银行存款都有哪些误区,你都有踩坑吗?

银行存款有哪些误区? 第一,只要有存款保险的标识,那么就都可以存!而不是说小银行不敢存,一定要存在大银行里。 不管是四大行、商业银行、地方银行……只要利率高,出行较为方便,就都可以存。 不要怕银行倒闭,钱没了。就算银行倒闭了,不超过五十万的存款,银行依然会赔付给你的。 所以,一样存定期,干嘛不选利率高的存呢? 第二,电子存单和纸质存单是一样的。不会说钱存了,因为没有纸头凭证而钱没了。 什么害怕银行不承认,没单子不放心的。都是想多了。 退一万步来说,如果银行真的要“黑”了你的钱,你有单子也一样。

地推 412

手把手教你编写PCIe设备驱动:基于Linux内核的实战教程

本文详细介绍了基于Linux内核的PCIe设备驱动开发全流程,包括环境准备、设备探测、中断处理、DMA配置等核心内容。通过实战代码示例和Makefile编写指南,帮助开发者快速掌握PCIe驱动开发技术,实现高性能设备驱动开发与优化。

weixin_30687051的博客 194

AIGC算法工程师面试八股文深度解析与进阶指南:揭秘Diffusion Models核心原理与实战技巧

总结来说,Cosine Noise Scheduler 的核心优势在于它能够更巧妙地平衡信号和噪声的比例,在扩散过程的早期阶段更长时间地保留原始图像的细节信息,从而为去噪模型提供一个更友好的学习环境,最终带来更优异的生成质量。🚀

FJN110的博客 346

银行敏捷转型中的四个误区

近几年,敏捷转型成为了银行转型的标配,从起初的IT敏捷转型,到现在的战略转型为敏捷银行,敏捷在银行转型中的优先级和影响范围在持续提升与扩大。 作为敏捷咨询顾问,看到这一现象既欢喜又担忧。欢喜的是越来越多的银行敢于迈出转型的一步,并且找到了相对正确的转型方向(敏捷转型)。担忧的是“敏捷”一词被炒得过热,业界标榜出太多的敏捷成功案例,导致银行开始盲目的遵循标准化的敏捷实践,敏捷转型渐渐地变成了一场形式...

ipmc2017的博客 595

31、摩擦学中的材料选择

本博文深入探讨了摩擦学应用中材料选择的重要性,分析了材料的机械、物理和化学属性对摩擦学性能的影响。同时介绍了材料匹配原则、处理方法及表面涂层技术,以优化耐磨性和抗腐蚀性。通过实际案例和评估方法,为读者提供了系统化的材料选择流程和决策依据。

juice的博客 249

银行系统日终结算要多久_生财之道 !一位捂股建设银行的老股民直言:10年前买入5万元建设银行股票,持有到现在赚多少了?真正的价值投资...

一位捂股建设银行的老股民直言:10年前买入5万元建设银行股票,持有到现在赚多少了?真正的价值投资当部位出现利润时,就让利润自行发展,只要自己设定个出场时机,决定在何种情况下获利出场;那这笔交易就算成功,并不需要一定要将如空头部位在最低点出场才算对,多赚少赚都是赚;相反地,当部位出现亏损,此时,我认为并不是要证明自己看法一定对的时候,将亏损部位做出正确的处理才是当务之急;越坚定自己一定对,...

weixin_35698091的博客 1376

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

银行股预增公告分析

 刚才我看这四家银行股的走势,我发现一个有趣的现象,兴业走的很软,浦发相对强一点。我估计就是因为今天兴业的这个预增公告的原因,因为兴业的预增公告是最低的,只有增长70%以上。所以,有人认为兴业的成长性不行,应该抛售兴业去追浦发。事实上真的是如此吗?兴业是不是今年中期报告的成长性最低呢?浦发是不是最高呢?我遗憾的告诉你,实际上兴业今年中报的利润增长率高于浦发。当然,这个预增公告的数据并不能说明实际

1023

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

关于我能否持有银行股十年的问题

A12341234(猪八戒的哥哥)(第16楼)听说最近老股民大哥上了报纸,我估计看报纸的人一定就记住了两件事:1,这个人14年赚了100倍。2,他是因为始终满仓才做到的。老股民大哥最近有写了个文章:银行10年10倍的文章。这就形成了误区,为了避免误区。谈谈我的理解。在中国市场很少有巴菲特持有股票那样的标的,他的业绩可以十年都算得清楚。老股民大哥的精髓是——没有一个可以计算清楚10年的股票,我就在

1090

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

银行卡被冻结 应该怎么处理?

本文就银行卡被冻结的常见原因、处理方式等相关问题进行分析,以便大家在遇到上述情况时能及时有效的进行处理解决。 一、银行卡被冻结的常见原因及处理方式 (一)自行冻结 自己在使用银行卡过程中让银行卡被冻结,无法进行交易的情况。 1、在自动取款机/网银/手机银行上故意打错密码3次,卡即可被冻结 冻结时间:一般是24小时。 处理方式:基本是在24小时后自动解锁,或者拿身份证去银行网点柜台解锁,或者进行补卡或重置密码等操作。 2、自己电话联系银行口头挂失 冻结时间:一般是5天,具体看各银行的情况...

tqknight1984的博客 5792

st庞大股票股吧_ST股*ST股是什么?他们值得投资吗?

2019年,康美药业的近300亿财务造假案,震惊了整个中国资本市场。曾经的A股大白马,变成了ST康美,股票名称前面的ST是什么意思呢?下面我给大家科普一下,ST股是什么,以及*ST股是什么。一 ST股的定义ST是Special treatment的简写,意为特殊处理,本意是对财务状况或者公司经营出现问题的公司进行特别处理,这里指的异常通常情况下是指上市公司连续两年净利润为负 或者交易所认为你的公司...

weixin_42491664的博客 1090

道听途说驳斥银行业的误区

道听途说驳斥银行业的误区作者:道听途说※这几天对于银行业似是而非的观点实在是太多太多了,我真不知道那些所谓的“专业人士”是怎么样的专业人士?我都懒得去说去解释。红字先生的这些似是而非的观点其实是代表了大多数专业人士的观点,所以,道听途说先生就忍不住了。 红字先生,可能我说你不懂金融业,你会有些心里不舒服。但是,从你回复给我的所谓三个方面的解释看来你确实并不真的懂得银行业的经营。坏账问题我就不和你

617

银行数字化转型,无尽的前沿

关注ITValue,看企业级最新鲜、最价值报道!本文来源@苏宁金融研究院 |图片来源@视觉中国 |不谋全局者,不足谋一隅;不谋万世者,不足谋一时。龙生九子,各有不同。数字化转型是银行之间...

ITValue的专栏 593

保弘实业|个人理财四大误区你知道哪些

个人理财四大误区 你知道哪些?在理财时我们经常听到有人说到个人理财可能存在的四大误区,那我们个人在进行投资理财操作时都有哪些误区需了解并懂得防范呢?现在让我们来了解一下相关的知识吧! 保弘实业是一家为用户提供多元化投资等交易服务的理财公司,为客户提供安全可靠、优质便捷的交易服务,拥有极其丰富的国际化金融市场经验,并为客户提供个人化多种投资方案,助客户实现财富目标。 1、、东边不“赚“,西边”赚“ 东边不“赚“,西边”赚“,指的是此投资方向没赚到钱,还可以在其他投资方向上能赚到钱。话是没错的,我们注重分

ipertiyu的博客 519

银行业的长期估值,预测更正

首先想大家说明一下,我在《银行业的长期估值(中)》中对于民生的预测数据是错误的,是不客观的推算,其主要问题在于总资产收益率这个指标上面。由于07下半年,08年贷款指标的紧张,引起贷款的供不应求,所以,大多数银行对于贷款利率进行了上浮,那么就加大的实际利差。相对来说,08年第二季度的上浮利率我估计达到了顶峰,未来随着有关方面的放松银根,这部分上浮的利率将随之下降。如此,银行的实际利差将随之下降,毛

460

A 股二级市场「YYDS 板块」全景深度解析

所有 YYDS 都是阶段性共识 任何赛道经历持续大涨后,一旦产业景气下行、估值透支,「永远的神」标签会快速失效。涨出来的是风险,跌出来的是性价比,顺应周期、不信仰单一赛道,才是二级市场长期生存的核心。

kuaixue2026的博客 196

【思考】大模型在银行业务中的落地实践:五大高频误区深度拆解与避坑指南

摘要 本文针对银行大模型应用落地中的五大典型误区进行剖析,提出轻量化规则与大模型混合架构的解决方案。文章指出银行项目常陷入"过度设计容错系统"、"采用重型规则引擎"、"忽视用户体验"等困境,导致开发周期延长、成本增加且效果不佳。通过对比错误与正确实践代码示例,作者建议采用"前置轻规则过滤+中间大模型理解+后置安全校验"的架构,仅覆盖80%核心场景即可快速上线,后续基于真实数据迭代优化。该方案平衡了合规性、成本与体验,尤其适合银行业对高可用、高合规的特殊要求,帮助技术团队避免资源错配,实现敏捷落地。

海兰 456

如果我有100w想存进银行,什么样的存储方式才是收益最大化的

计划存钱

xinxinaitoutou的博客 1万+

智能运维避坑指南:指标预测在银行跑批业务中的5个典型应用误区

本文深入剖析了智能运维(AIOps)在银行跑批业务指标预测中的五个典型应用误区。针对忽视业务日历、盲目追求算法复杂度、割裂预测与检测、预测粒度粗放以及缺乏模型持续监控等问题,提供了结合业务特征工程、模型选型策略、预测驱动异常检测等可落地的解决方案,旨在帮助金融运维团队有效避坑,提升预测准确性与运维效率。

weixin_29188997的博客 209
上一篇: 党报刊文析经济走势:今年GDP增长率将在10%左右
下一篇: 中银国际民生分析,立此存照
Labber
博客等级 码龄19年 26粉丝 1976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值