报告行业投资评级 未提及 报告的核心观点 - 量化景气投资侧重广度，通过预测股票利润增长排名而非具体数值实现投资收益，理想化测试验证了该方法的可行性 [1][5] - 基于财务信息选当期业绩高增长股票外推下一期延续高增长有较高胜率但有风险，引入加速度可优化模型提高预测准确性并降低风险 [6][7] - 二次趋势外推模型考虑利润增速和加速度，在预测胜率和假阳性率方面优于线性外推和分析师一致预期 [8] - “成长趋势共振选股策略”结合优化后的盈利预测模型等因子选约30支股票，回测和样本外跟踪表现优异 [1] - 引入机器学习方法能处理更多维度数据、捕捉非线性关系，提升盈利预测准确性，胜率可达85%，假阳性率降至4.7% [1] 根据相关目录分别进行总结 量化视角下的景气投资 - 传统景气投资依赖基本面研究，挖掘长期盈利向好个股；量化视角侧重广度，预测一批股票相对排名而非具体某只股票盈利增长幅度 [2][3] - 机器学习模型预测ROE变化方向，通过滚动训练和独立季报模型训练，结合财务和因子信息，用Optuna优化超参数，提高稳定性和泛化能力 [3] - 差距Boots预测因子基于XGBoost和LightGBM模型，筛选ROE改善概率高的股票，结合流动性和机构调研信息构建的选股策略，2024年四季度至2025年上半年年化收益率达25.9% [3] 量化视角下景气投资策略有效性验证 - 理想化测试表明，准确预测未来ROE变化并持仓排名靠前股票，能持续贡献明显超额收益，证明按量化视角预测未来盈利变化排名可行 [5] 利用财务信息进行利润变化预测 - 基于财务信息与未来利润变化匹配关系，选当期业绩高增长股票外推下一期延续高增长有较高胜率，约50%公司能延续，但存在风险 [6] 优化基于业绩外推的方法 - 业绩外推方法胜率不错但有30%业绩变脸风险，可通过加速度方式改善模型，提高预测准确性并降低风险 [7] 通过增速和加速度优化盈利预测模型 - 传统线性外推仅考虑利润增速，引入加速度（增速的变化）可识别业绩加速增长公司，采用两种刻画加速度方法，二次趋势外推在预测胜率和假阳性率方面表现优异，预测胜率达72%，假阳性率仅13% [8] 优化后盈利预测模型的实际应用 - 基于优化后的盈利预测模型构建“成长趋势共振选股策略”，筛选业绩加速增长股票组合，结合分析师预期等因子选约30支股票，自2009年回测及样本外跟踪表现优异，2023年排名前5% [9] 引入机器学习方法的考量及效果 - 引入机器学习方法可丰富信息维度、改善自变量与因变量关联性处理方式，升级后的模型能精准捕捉市场动态，提升投资策略稳健性和整体收益水平 [10] - 机器学习模型输入变量丰富，能利用非线性特征预测，考虑LightGBM、XGBoost等树模型和深度神经网络模型MLP，树模型更适合当前场景 [12] - 预测未来盈利表现选择ROE变化方向或利润变化方向作为目标，选择下一个季度ROE同比变化幅度排名前50%为正样本，否则为负样本 [13] - 结合财报披露节奏在1月底、4月底、8月底和10月底预测下一季度ROE变化方向，输入特征包括财务信息和约1000个财务科目及因子信息 [14] - 采用滚动训练方式外推每个季报，每个季报模型单独训练，用Optuna优化超参数 [15][16] - 机器学习方法预测胜率达85%，假阳性率降至4.7%，优于二次趋势外推等方法 [18] Xgboost和LightGBM模型应用效果 - 基于Xgboost和LightGBM模型的差距Boots预测因子筛选选股效果优于传统方法，在全市场各指数表现均明显占优，稳定性较高 [19][20] - 结合差距Boots预测因子构建选股策略，筛选流动性低且机构调研频繁股票，2024年四季度至2025年上半年年化收益率达25.9%，超额收益率28.5%，2025年上半年YTD收益率22.5%，超额收益18个百分点 [21] 当前景气投资模型实际应用效果 - 2025年上半年表现良好，在偏股型基金指数排名领先，结合流动性与机构调研信息可聚焦盈利改善概率大的股票，实现稳定收益并减少市场风格变化影响 [22]

商业分析与商业智能的定义 - 商业分析(BA)通过收集分析历史和当前数据预测未来趋势，植根于统计学并识别数据模式[2] - 商业智能(BI)分析历史和当前数据以支持当前业务运营，通过报告历史绩效指标实现目标[2] 商业分析的核心目标 - 前瞻性预测未来趋势，运用预测性和规范性数据分析销售额、成本、库存等业务指标[7] - 识别增长机会包括未开发市场、产品改进、供应链优化等[9] - 通过数据分析优化业务流程效率，发现瓶颈并提出改进方案[10] - 实现流程自动化是优化的重要手段[11] 商业智能的核心目标 - 采用描述性数据分析历史表现，识别销售高峰、客户留存等模式[13] - 通过系统化报告呈现业务运营全景，支持决策制定[14] - 数据可视化技术(如交互式仪表板)直观展示KPI和异常值[15][18][19] 商业分析关键技术组件 - 预测模型通过五步骤(数据准备→特征工程→模型构建→验证→部署)实现趋势预测[23][25][26][27][28][29] - 机器学习算法分为监督学习(线性回归/SVM)、无监督学习(聚类/PCA)和强化学习(Q-learning)[35][37][40][43] - 数据挖掘技术包括关联规则学习、分类聚类、文本挖掘等[45] 商业智能关键技术组件 - 仪表板整合图表和KPI实现实时监控与自定义数据过滤[48][49] - 记分卡采用平衡计分卡方法衡量部门目标达成度[50][51] - 数据仓库集中存储多源历史数据确保分析质量[52][53] 两类技术工具对比 - 共同工具：SQL、Python(pandas)、R、Apache Spark用于数据收集与清理[55] - BA专用工具：Scikit-learn、TensorFlow、SAS、MATLAB支持统计建模[57][58][59] - BI专用工具：Tableau、Power BI、QlikView专注可视化与交互式报告[62] 协同效应分析 - BI提供数据基础与描述性分析，BA在此基础上进行预测性与规范性分析[65] - BI优化实时运营效率，BA增强长期战略规划能力[66] - BI测量绩效结果，BA通过模拟测试优化策略[67] 行业应用总结 - BA与BI差异本质在于时间视角(未来vs过去)，但技术工具(SQL/Python)存在重叠[68] - 两类技术协同可提供完整决策信息链，从历史解释到未来预判形成闭环[63][65]

神经科学领域研究进展 - 人类大脑海马体中是否存在成年神经发生是神经科学领域最具争议的问题之一 研究评估了从神经干细胞到新生神经元不同阶段的神经发生相关蛋白的存在 但不同研究结果存在矛盾 [1] - 2025年7月3日瑞典卡罗林斯卡学院Jonas Frisen团队在Science发表研究 提供了人类海马体神经元在成年后持续生成的新证据 这一发现为长期争论的问题提供了"盖棺定论"的答案 [2] - 海马体是对于学习和记忆至关重要且参与情绪调节的大脑区域 2013年Jonas Frisen团队已表明成年人大脑海马体中可以形成新神经元 通过测量大脑组织DNA中碳-14水平确定神经元形成时间 [4] 研究方法与技术应用 - 研究采用RNAscope和Xenium技术 证实新生成的神经细胞位于海马体齿状回区域 该区域对记忆形成 学习和认知灵活性十分重要 [7] - 通过snRNA-seq测序技术对0-78岁人类海马体进行分析 儿童早期发现所有神经祖细胞阶段 成年人中通过Ki67抗体和机器学习算法发现增殖的神经祖细胞 [10] - 转录组学数据表明神经祖细胞位于海马体齿状回区域 这些发现支持成年人类大脑海马体中存在神经发生的观点 [10] 研究意义与潜在影响 - 研究识别出成年人大脑海马体中神经元的起源细胞 证实神经元生成持续进行 [6] - 人类成年神经元祖细胞与小鼠 猪和猴子相似 但在基因活跃状态方面存在差异 个体间差异也很大 有些成年人有许多神经祖细胞 有些几乎没有 [8] - 这些发现为理解人类大脑在生命过程中如何运作和变化提供重要线索 可能对开发刺激神经退行性疾病和精神疾病患者神经发生的再生疗法产生影响 [9]

新品种研发成果 - 南京农业大学梨工程技术研究中心推出"宁梨早露"等新品种，获得专家和种植企业高度评价[1] - "宁梨早露"具有翠绿端正外形，单果重280-320克，果心小，口感清甜，糖度高[1] - 该品种6月下旬成熟，比传统早熟梨提前半个月，从开花到成熟仅需90天，是发育期最短的品种[1] - 新品种还包括"宁早金""宁晚翠"和红皮梨系列，均为近年培育的优质品种[1] 育种技术创新 - 传统梨树育种周期需12-15年，团队通过技术创新显著缩短育种时间[2] - 应用图像识别、机器学习技术进行梨表型性状评价，开发"云上后稷"育种信息平台提高效率[2] - 采用杂交育种结合芽变、诱变育种，分子标记筛选结合表型评价的技术路线[2] - 构建完善梨杂交育种流程及配套技术，结合表型组和基因组选择技术加快选育效率[2] 产业应用价值 - 新品种覆盖极早熟、中晚熟等不同成熟期，在江苏地区6月下旬至9月上旬持续上市[4] - 新品种满足市场对鲜梨供应期的需求，有助于解决我国梨产业品种结构不合理问题[2][4] - 培育目标为"好吃、好看、好种"，实现消费者、果农和市场三方共赢[1]

车联网行业现状与挑战 - 车联网(IoV)作为智能交通系统的重要组成部分 其数据交换需求呈现爆炸式增长 [1] - 传统集中式云架构面临实时数据交换能力不足 单点故障风险高 依赖可信第三方(TTP)身份管理等痛点 [1][2] - 区块链技术以其去中心化 不可篡改和高透明度特性 为IoV系统提供全新解决方案 [2] 微云全息的分层资源调度方案 - 方案通过多层次资源调度机制 动态分配计算资源 实现最优配置 显著提升区块链IoV系统性能 [2][3][5] - 采用机器学习算法实时预测系统资源需求 优化算法参数和模型结构提高预测准确性 [3][5] - 应用区块链智能合约和共识机制 实现去中心化身份管理和数据交换 优化网络结构提升安全性 [3][6] 技术创新与系统优化 - 开发基于机器学习的资源评估算法 解决传统方法无法应对IoV系统动态性和复杂性的问题 [3] - 通过优化系统架构和算法设计 在有限资源下实现高效数据交换和身份管理 [3][5] - 利用计算机仿真技术进行多轮模拟测试验证方案有效性 [3] 行业影响与标杆意义 - 该方案为车联网系统发展开辟新道路 解决传统架构痛点 提升系统性能和稳定性 [1][6] - 引入区块链等先进技术 为行业树立新标杆 [6]

人工智能驱动的热辐射超材料设计突破 - 上海交通大学团队在《Nature》发表重大原创成果，构建热辐射超材料逆向设计AI模型，突破传统设计方法的性能上限，能批量生成并筛选最优设计方案[1][3] - AI模型从5万组数据样本中筛选出1500组接近理论极限性能的方案，并实验验证4种典型材料在航天器热控、建筑节能等场景的优异表现[4][5] - 该技术将传统设计周期从数年缩短至三个月，且材料制备采用低成本溶液法，可像涂料般应用于砖墙、金属等多种基底表面[3][4] 超材料应用场景与产业化潜力 - 双波段选择性超材料具备零能耗辐射冷却特性，可应用于建筑外墙、电子产品、户外设施及随身衣物，实测显示其自降温效果显著[3][5] - 已验证的4类材料包括宽带/单双波段选择性热辐射超材料，应用形式涵盖柔性薄膜、涂料、贴片等，适配不同环境需求[5] - AI设计的新材料结构机理均为首次报道，为材料产业带来井喷式创新机会，已申请发明专利并获得软件著作权[5][7] 技术突破的行业影响 - 该AI模型能自主发明自然界不存在的超材料，并优先筛选适合大规模量产的低成本方案，推动高科技降温技术普及化[3][5] - 审稿人评价该研究标志着机器学习驱动超材料设计取得重大进展，实验数据扎实且具备重要产业影响力[7] - 跨国合作团队包括中美新三国院士专家，获得国家自然科学基金等多项资助，凸显技术的前沿性与战略价值[7]

大会概况 - 第45届国际预测大会（ISF 2025）在北京举办，规模创历史新高，吸引全球35个国家和地区的580位顶尖学者、行业领袖及政策制定者参会 [1] - 大会主题为"预测科学的前沿与创新"，聚焦人工智能、大数据、经济管理、能源环境、气候变化等领域 [1] - 设置13场主旨报告、5场工作坊、12个平行论坛及106个专题分论坛，累计开展348场学术报告 [1] - 国际预测者协会主席Laurent Ferrara评价本次大会为"ISF历史上参会人数最多、规模最大、组织程度空前的盛会" [1] 学术交流内容 - 专家学者围绕贝叶斯预测、机器学习、大语言模型、预测不确定性、预测组合等热点议题展开讨论 [1] - 探讨预测科学在宏观经济、金融、供应链、能源、医疗、灾害防控等领域的应用 [1] - 大会促进全球预测科学前沿成果分享，推动国际科研合作与交流 [1] 承办单位与组织 - 大会由国际预测者协会组织，中国科学院数学与系统科学研究院预测科学研究中心联合国内顶尖学术机构共同承办 [2] - 大会主席由中国科学院数学与系统科学研究院预测科学研究中心主任洪永淼教授担任 [2] - 中国科学院数学与系统科学研究院预测科学研究中心在预测科学理论创新及应用方面取得显著成就，国际影响力获认可 [2] 未来安排 - 下一届国际预测大会（ISF 2026）将于明年在加拿大举行 [3]

从有形价值到无形价值的转变 - 企业实力衡量标准从实体资产（工厂规模、机车数量、原材料加工量）转变为数据管道、数字生态系统和算法控制回路 [2] - 无形资产成为新资本 初创公司通过SaaS平台无需房地产即可在一年内颠覆传统行业 [2] - 典型案例：Uber无汽车主宰交通 Airbnb非酒店改变酒店业 Netflix无DVD商店重塑娱乐业 [3][4][5] 数字孪生与能力重构 - 物理世界被数字孪生实时映射 包括建筑物、发动机和业务流程 [6] - 数字时代能力体现为：机器学习模型、自动化脚本、实时供应商平台 [6] - 企业战略从"拥有"转向"协调" 董事会关注API可扩展性而非工厂数量 [7] 数字化核心要素 - 数字化本质是将感知、记忆和智能嵌入价值链 包括传感器实时监控（物流、制造、零售） [9][10] - 第二波浪潮引入AI/ML决策 动态定价模型、AI医疗诊断、自适应聊天机器人 [12][13][14][15] - 数字化增强企业认知 通过反馈循环和数字线程实现端到端可追溯性 [16][17][19] 数字化四大力量 - 新颖性：数字系统自我生成新事物 如金融科技应用3周开发获百万用户 [22] - 波动性：技术环境变化快于组织适应 TikTok趋势和供应链数小时内改变 [23][24] - 颠覆性：遗留优势成负担 柯达坚持胶片 Netflix改写交付模式 [26][27] - 范围性：数字化影响全部门 HR行为分析、财务实时预测、合规AI审计 [28] 企业治理与架构转型 - 战略架构需实时更新、分层桥接策略与技术、易于跨层级沟通 [31][32] - 以能力为中心规划 跟踪客户洞察等持久能力 避免跨部门重复 [33][34][35][37] - 治理转向支持性措施：策略即代码、AI可观察性、联邦治理 [38][39][40] 数字神经系统应用 - 组织数字孪生(DTO)实现情景规划、实时可见性和决策预演 [43] - 治理成为无形过滤层 每个决策实时验证调整 [43]

热纳米光子学与机器学习结合的研究突破 - 热纳米光子学在能源技术和信息处理等领域实现了根本性突破 但光谱工程长期受限于反复试验的方法 而机器学习在纳米光子学和超材料设计中展现出强大能力 [2] - 开发通用设计方法面临重大挑战 包括预定义几何形状和材料的限制 局部优化陷阱以及传统算法的局限性 [3] 研究团队与论文发表 - 上海交通大学周涵教授、张荻教授 新加坡国立大学仇成伟教授 德克萨斯大学奥斯汀分校郑跃兵教授作为通讯作者 上海交通大学Chengyu Xiao为第一作者 于2025年7月2日在《Nature》发表相关研究论文 [3] - 论文标题为《Ultrabroadband and band-selective thermal meta-emitters by machine learning》 提出基于机器学习的通用框架设计超宽带和带选择性热元辐射源 [3] 机器学习框架的创新性 - 研究团队提出非传统机器学习范式 利用稀疏数据覆盖三维结构复杂性和材料多样性 实现多参数优化 [5] - 框架具备双重设计能力：1）自动逆向设计超结构和材料组合以实现光谱定制 2）通过三平面建模方法设计三维元辐射源 突破传统平面二维结构限制 [6] - 展示了七种概念验证型元辐射源 在光学和辐射冷却性能上超越当前最先进设计 [6] 研究意义与通用框架 - 提供了设计制造三维纳米光子材料的通用框架 通过扩展几何自由度和维度以及全面材料数据库促进全局优化 [7] - 论文链接：https://www.nature.com/articles/s41586-025-09102-y [8]

量化投资哲学与方法论 - 量化投资本质是用科学方法对证券市场建模，寻求可证伪且未来可复现的规律[6] - 遵循波普尔"猜想-反驳"科学发现方式，在不确定世界中寻找规律并规则化[7][16] - 将量化视为思维方式而非工具，适用于各类资产投资[16] - 通过机器学习捕捉非线性规律，突破人类线性思维局限[3][30] 投资策略与业绩表现 - 微盘股策略超额收益源自"注意力价值"而非小市值因子，诺安多策略混合A类过去一年收益率达100.74%[3][26][34] - 沪深300指数增强策略严控跟踪误差，过去一年收益率15.42%，跑赢基准2.06%[3] - 采用端到端神经网络构建模型，在沪深300增强产品中实现行业领先信息比率[33] - 淡化业绩增速预期，严格衡量风格因子性价比以提高收益稳定性[19] 模型构建与技术应用 - 从多因子策略迭代至机器学习，利用AI捕捉非线性规律[3][30] - 模型注重超额收益来源本质，避免对历史规律的简单归纳[45][46] - 在微盘股投资中通过选股产生超额收益，弥补公募交易限制[28] - 神经网络模型已超越主观判断能力，投资决策完全交由模型执行[43] 市场认知与差异化优势 - A股市场存在投资者注意力轮换特征，形成显著统计规律[26][27] - 科学化系统化思维方式能发现不拥挤的超额收益领域[11][45] - 微盘股长期超额收益不会收敛，与市值因子无关[34][35] - 坚持客观规律认知，避免"思想钢印"和预设历史终局[47] 团队管理与持续进步 - 团队核心方向是深度学习模型架构改进，基金经理需参与研究[49] - 通过记录和验证保持科学态度，聚焦重要问题[52][53] - 学习人类学心理学知识，克服大脑天然不客观性[61][62] - 坚持概率正确决策，在压力下保持清醒判断[50][51]