选好基金不能只看净值

border="0" src="http://forum.booye.com/byhtm/10.html" frameborder="0" width="728" height="90">
按照普遍的理解,份额累计净值越高,一般能够说明该基金的历史运作业绩越好。不过,银河证券基金研究中心分析师表示,由于份额折算等原因,大约有40多只的基金存在份额累计净值不能代表历史运作业绩的情况。专家提醒投资者,要考察基金的历史运作业绩,真正应该关注的指标是“累计净值增长率”。

  11只基金“过5”

  根据银河证券基金研究中心的统计,截至上周五收盘,共有5只封闭式基金、5只开放式股票型股票基金、1只开放式偏股型混合基金份额累计净值达到了5元以上,其中,华夏大盘精选净值,资讯的份额累计净值已经位于6元以上。

  5只“过5”的封闭式基金分别是基金科翔行情,资讯、科汇、开元、安信和兴华;5只“过5”的开放式股票型股票基金分别是华夏大盘精选、上投摩根阿尔法、易方达策略成长、上投摩根中国优势和泰达荷银行业精选;唯一一只“过5”的开放式偏股型混合基金是汇添富优势净值,资讯精选。

  除此之外,开放式股票型股票基金景顺长城内需增长的份额累计净值上周五已经达到了4.996元,已经逼近5元基金阵营。

  上述基金均属于投资能力出众、历史业绩突出的产品。不过,并非份额累计净值越高,运作业绩就越好。抛去成立时间不同的因素,目前份额累计净值最高的基金,也未必是“成立以来累计净值增长率”最高的基金。

  份额折算使净值“不准”

  有投资者留意到,在指数型股票基金中,华安上证180ETF净值,资讯上周末的份额累计净值为10.508元,易方达深证100ETF净值,资讯为5.052元。为何不把这两只基金加入5元以上高价基金之列呢?原因是ETF基金存在很典型的份额累计净值不能代表历史运作业绩的情况。

  ETF既可以在一级市场申购赎回,也可以在二级市场交易。ETF成立后、上市前有一个封闭操作阶段,在这一阶段,它的总份额不变,净值和其他开放式基金一样,随着市场的涨跌而变化。等到ETF上市,为了方便投资者在二级市场交易报价时,能够比较直观地根据当天指数的变化推测出基金份额净值的变化,需要做一个份额折算,也叫份额的标准化。

  以上证180ETF为例,上市前,为便于投资者直接从180指数的变化估算180ETF净值的变化,基金份额进行了折算,目标是使上证180ETF的份额净值与上证180指数千分之一的值基本一致。折算日当天,上证180指数收盘值为2919.214点,基金单位净值由折算前的1.088元折算为2.919元,基金份额相应从成立时的10.728亿份减少为3.998亿份,基金资产总额不变。

  可以看出,经过这样的折算,上证180ETF的份额净值已经和其它的开放式基金没有可比性,如果需要比较优劣,必须把净值还原到折算之前。据银河证券基金研究中心计算,还原后,华安上证180ETF上周末的份额累计净值为3.9162元,易方达深证100ETF为4.7968元。

  除了ETF上市的情况,基金出现拆分等情况时也需要进行份额折算。银河证券基金研究中心研究员马永谙表示,目前共有40余只基金存在份额折算情况,它们目前的份额累计净值都不能代表历史运作业绩。要考察一只基金的历史运作情况,累计净值增长率才是更值得关注的指标。(孔维纯)
 

border="0" src="http://forum.booye.com/byhtm/1.html" frameborder="0" width="470" height="60">
标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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