导读：
人工智能时代已来，其在高维复杂数据的处理上有显著优势，而以统计学习为代表的有严格统计理论支撑的机器学习方法更适合金融投资实战。范剑青等在“How Much can Machines Learn form Chinese Text Data？”中使用FarmPredict方法，获得了年化收益高达120%的投资组合，一时在业内产生巨大影响。我们试图复制范老师的文章，再现机器学习的威力。人工智能革命已经掀起，机器学习等方法在金融投资中运用的趋势势不可挡。本文着重描述范的FarmPredict框架，该框架尤其适合高维信息的提取、与价格有关信息的筛选、对未来走势的预测，是一个可以取代传统多因子框架的全新机器学习框架。从实战投资上讲，范的策略离实战还有一段距离，但是其处理及运用文本数据的框架、他的预测方法，值得我们大力学习。从中我们可以看到：数据很重要，处理数据的技术更重要，只有数据没有方法是不会取得好的效果的。摘要
1. 文本挖掘与机器学习:传统人工智能方法挖掘文本信息从而构建股票组合效果一般，范剑青老师等人提出了一个通用的和自适应的高维数据机器学习框架FarmPredict，该模型可以从文本数据中提取潜在因子和特质因子，用来输入惩罚回归预测股票未来收益。他们在中国股市的实证结果表面，基于FarmPredict可以提取的情绪主导词汇，并且根据情绪评分指标构建的投资组合收益年化高达116%，这个结果显著优于其它模型。这项研究开辟了非结构数据在金融应用中的全新范式，更是证明了大数据技术无论在数据上还是在方法论上都在“金融投资”中有其核心地位。2. FarmPredict框架 : FarmPredict由三个步骤组成。第一步是从高维文章中使用无监督学习获取隐藏的特征。为此，我们使用主成分分析（PCA）将文章转换为包括多个潜在因子和特质因子组成的隐式成分的向量。潜在因子的数量由调整后特征值阈值方的潜在偏差。第二步，我们通过特质因子与学习目标（关联股票的贝塔调整后收益）的基于因子条件相关性做筛选。此步骤是可选的，但有助于我们将维度降低到更易于管理的级别。最后我们使用LASSO模型基于潜在因子和筛选后的特质因子预测资产价格。在每个分析步骤中FarmPredict也提供了高度的灵活性。3. 组合构建与组合绩效： 每天收盘集合竞价开始计算模型，算完后，按照当天收盘价买入当前交易日预测值最靠前的50条新闻对应的股票，以当前交易日收盘时的总市值为权重，并持有至下一个交易日收盘时，这个是市值加权组合。等权组合则是预测值最靠前的50支股票的权重均为2%，同样持有至下一个交易日收盘时。下图是不同Y变量下的组合累积收益，可以看出收益率比较高。当然这是理论收益，并没有考虑手续费和交易摩擦成本。图：策略累积收益（浅蓝Y变量为明天的收益率）
图：策略累积收益（X变量为词频数）
图：策略累积收益（X变量为（0，1）变量）
正文
1. 引言
文本作为最常见、原始的记录和通信媒介，在研究中作为传统结构化数据的补充起着至关重要的作用。由于媒体、新闻和报道中的文本可以反应经济参与人的态度，例如他们的评论、观点、目标和情绪等，所以文本数据对金融投资也很有作用。但是，从非结构化且复杂的文本信息中提取准确的含义和信息，需要面对其高维特征的统计障碍。一种普遍的方法是将非结构的文本数据转为结构指标，比如通过执行例如单词筛选、语义学习和情绪识别等分析过程。这里情绪度量可用于预测资产价格或股票市场的回报，作为投资组合选择或资产定价的有效工具。随着数据科学方法论和现代计算机算力的发展，我们可以使用统计学习方法从文本中直接提取此类信息。
本文仿照Fan et al. (2021)，使用因子增强正则化预测模型（Factor-Augmented Regularized Model for Prediction，FarmPredict）进行新闻文本预测。不同于传统的字典方法，这种方法能够提取新闻文本的所有词语中提取隐含因子，并考虑了词语之间的相互影响。总体上，FarmPredict框架由三大步骤组成。
第一步是无监督地从高维新闻向量中学习隐含特征。通过主成分分析（PCA）将多篇新闻词向量转换为维的隐含因子以及特质矩阵。其中隐含因子的维可以通过调整后的特征值阈值方法来确定。这是一个纯粹的无监督学习过程，没有来自先验假设(非参数统计)的干扰，所有信息都是从新闻学习的。这种方法也可以避免主观假设和有限数据使用的潜在偏差。第二步是条件相关筛选（conditional correlation screening），筛选与学习目标（即新闻对应的股票收益率或）密切相关的特质矩阵中的列，筛选出来的中的列即为感情词（sentiment-charged words），记作。这一步是可选的，如果实施了这一步，计算量则会大幅下降。第三步是Lasso回归，利用一个简单的LASSO方法，使用隐含因子以及筛选后仅含有的特质矩阵来预测相应的股票收益率。总之，FarmPredict框架的每个步骤都有较高的灵活性。2. FarmPredict机器学习框架2.1 问题设置我们用词级别的统计数据作为n篇文章（词包）中每一篇的总结。设是我们的n篇文章数据中所有可能的中文词的集合，是第i篇文章中每个词的词数向量，其中是第k个词在文章中出现的次数。每篇文章由几个基本主题组成，其中每个主题都有自己的首选词汇。因此，我们假设一篇文章的词数受到少数潜在因素或话题的影响。这些因素或话题可以是简单的积极或消极，也可以是更复杂的因素，包括如文章的态度、相关的行业部门、作者自己的文字偏好等等。第i条文章与目标结果或反应有关。在本文中，将是文章i中的相关股票在新闻发布当日的β-调整后的收益率。目标反应{}主要受一个相对较小的子集的影响。我们把这组词语称为情绪化的词语。这个假设也有助于将维度降低到一个合理的水平。词袋数据是非常高维度的，并且很稀疏地在每篇文章中出现，特别是在中文中。在范的914K篇文章的数据集中，有1,K个独特的词在整个组中，只有71K个词出现在至少50篇文章中。所有的词都被分为两个互不相干的类别：带感情色彩的词集和不带感情色彩的词集，这样。一篇文章的情感分数主要与它的感情色彩的词有关。词数代表了词数限制在中的部分。2.2 FarmPredict方法在大多数传统的文本分析中，如主题模型或基于字典的方法，因为对模型有许多限制，会导致不灵活和可能不准确的对情感的估计。一个自然而然的问题是，我们是否可以直接从高维回归中学习情感？因为金融领域的情感预测从根本上说是一个回归问题。在这里，我们提出了一个直接的回归框架，叫做正则化因子增强预测模型（FarmPredict）。（1） 选择经常使用的词语：在我们数据集里超过110万个不同的词（和短语）中，大部分都很少出现。它们的语义很难被机器学习。因此，我们首先要过滤掉这些只出现在一小部分文章中的不常用的词。这些词也几乎没有用处，因为它们不太可能出现在要打分的新文章中。这种筛选也有助于我们将重点缩小到一个合理的全面的词集，大约10，000个左右。假设是包含单词j的文章数量，对于一个阈值，我们保持词汇：阈值将作为超参数，以便在的全面性和不经常出现的词所带来的噪音之间取得平衡。（2）因子建模：设为特征向量，其中是第i篇文章中j词∈的特征。它可以是原始的字数，也可以是简单的{0，1}，表示词j在第i篇文章中不存在或存在。词与词之间的依存关系被认为是由一些潜在的因素驱动的。也就是说，遵循一个近似的因子模型：（）
其中是k个潜在因子的向量，B是因子载荷矩阵，是不能被解释（与不相关）的特异成分向量。把因子模型放在矩阵形式中，我们有：
其中X和U是的数据和特异成分的矩阵，并且F是n×k的潜在因子的矩阵。这里，只有X是可被观察到的，F,B,U将会被主成分分析估计。这些因子可以被理解为类似于话题得分，而因子载荷B给这些因子（话题）提供了不同的组合。对这些因素（主题）进行不同的组合。例如，简短的市场简报和股票研究文章可能都有自己独特的词汇，因此受到不同因子及其载荷的影响。因子模型通过将中的相关特征分解为因子和特异性成分来分解它们。假设我们想用来预测相关的回报结果想法，我们用潜在的和作为预测因子，建立模型：其中是特异性的噪声。这个模型比的线性模型更广泛，而且(2.3)中的变量相关性更小。我们还将对β施加一个稀疏性约束，因为大多数词都不带有关于文章情绪或股票收益的信号。（3）学习因素和特异性成分：对于一定数量的因子k，我们通过最小二乘法拟合近似的因子模型（2.2），得出主成分分析。解决方案是，估计的潜在因子乘以矩阵最大的k个特征值的特征向量，。见Bai和Ng有许多数据驱动的方法来选择因子k的数量，可见Fan等人和其中的参考文献。这里，我们使用调整后的特征值阈值法(。其中是数据矩阵X的协方差矩阵的第j个最大特征值的偏差校正估计值。Fan建议C=1，但这对我们的应用而言太小了。最大的特征值们都是有偏大的偏差的。矫正如下：使作为实证的特征值并且作为维度。对于一个给定的j，定义：其中=/（n-1）。被修正的特征值被定义为。（4）学习有条件的带感情色彩的词S：有了学习到的因子，我们可以使用条件性相关筛选法进一步筛选出预测性词语（感情色彩的词语）。让为在对进行带截距项的线性回归之后的残差向量。这就取出了中可以由因子解释的部分。我们寻求的成分来进一步预测。条件性筛选是寻找与有高相关性的词（Fan和Lv,2008），更确切地说，与词j的特异性成分之间的相关性，也就是的第j列。这个相关性是和与单词j相关的特征向量之间的偏相关性，以潜在因素F为条件。给定一个阈值alpha，有条件的带情感色彩的词的定义如下：\alpha \right\}\cap \left\{ j:{{k}_{j}}\ge \kappa \right\}（2.5） ” data-formula-type=”block-equation” style=” text-align: center; overflow: auto; “>阈值α将被定为选择1000个左右的词。这一步是可选的（对应于α=0），但有助于我们加快计算速度。（5）FarmPredict拟合：有了每一个估计后的变量，我们就可以训练我们的回归模型。在有条件的带情感色彩的词中，FarmPredict解决了惩罚性的最小二乘法。其中是指限制在带情感色彩的的词中的成分。惩罚λ，将由交叉验证选择，控制模型的偏差-方差tragel, 2021）。（6）给新文章打分：对一篇新文章的评分包括两个步骤。对于一个给定的新特征，让我们把它分解为因素和特异性成分。用给定的，将最小二乘法应用于模型（2.2），我们可以得到潜在的因子以及与特征相关的特异性成分：因此，它的情绪得分如下：2.3 FarmPredict的变种FarmPredict在金融文本分析方面具有高度的适应性和灵活性。这这使得我们的方法更加灵活，能够适应不同的任务。首先，响应变量变量Y可以是超额收益或二分法的收益（正或负）。在后一种情况下，我们可以使用(2.6)中的惩罚性最小二乘法或惩罚性Logistic Regression，类似于下面的(2.14)。在应用Lo其次，特征向量可以是原始计数或其修改版本，如二分法（不存在和存在）。在后一种情况下，也可以从原始计数中获得潜在因子，而因子在二分法特征上的负荷可以从最小二乘法或Logistic回归中得知。第三，可以从其他方法中获得带感情色彩的词，如下一小节将介绍的边际筛选方法。它们也可以通过这些边缘筛选的词来得到增强。最后，线性预测模型（2.3）可以被非线性模型所取代：总之，FarmPredict是以一种高度可私人定制的方式设计的，允许对输入、词语筛选和拟合技术进行特别的修改。2.4 特别主题模型SESTM，由Ke等人（2019）提出，是一个特别的的双主题模型，用于学习基于股票收益的新文章的情绪。它假设每篇文章都是两个主题的混合物–积极和消极，并使用混合概率p_i来表示对第i篇文章的积极情绪。因此，p_i表示第i篇文章的积极情绪程度，1为最积极，0为最消极。当然，p_i被期望与的回报率呈正相关。假设句子中性词汇与分数或回报无关，给定带情绪色彩的词。所以我们可以把注意力放在上。我们假设字数遵循一个多项式分布其中和是两个维度为的参数向量，指的是在纯粹的积极或消极文章中出现带感情色彩的词S的概率。从一组训练数据中学习情感包括两个主要步骤：学习带有感情色彩的词汇和学习这些词的语义和. 前者使用Fan和Lv（2008）中的确定（边际）筛选技术，后者则在训练集中回报的百分位排名的帮助下使用监督学习。一旦学会了带感情色彩的词和它们的语义，一篇新的文章的感情分数就可以用基于模型的最大似然估计(MLE)来估计。学习带感情色彩的词 一个词在S中被选择是基于两个条件。首先。它需要出现得足够频繁。第二，该词需要与有足够的相关性，这是由它与回报率的符号的边际相关性（Fan和Lv，2008）来衡量的。在目前的情况下，这种关联性是：我们来选择带有情感色彩的词：阈值α+和α-是在调适时先验选择的超参数。在SESTM中，感情变化的词被视为。在下一小节中，我们将用一些其他的提议来补充这一点。学习词语的语义 设，其中第i行为（，1-），并且为||×2矩阵。设是一个n×||的矩阵，其第i行是第i篇文章中带感情色彩的词的比例。那么，从多项式假设来看，我们有期望值 这意味着可以被近似地表示为两个秩为2的矩阵的乘积。给定可以通过最小二乘法估计为：（）给定同样可以通过最小平方回归得到。在合适的可识别性约束条件下进行迭代，可以得到一个具有最佳rank-2近似值的问题解决方案。在技术上来说，和可以通过最佳rank-2近似和可识别性条件从数据矩阵中学习到。在这个特设的主题模型中，SESTM使用信息Y来指导用（2.11）对的学习。对于每一篇文章i，将的值分配为归一化秩（normalized rank）这种估计在直觉上是合理的，但这种分配可能包含许多错误。用代替，语义被估计为给新文章打分有了在（2.10）中定义的估计量，，我们已经准备好了为新文章分配情感。对于一篇新文章的字数为的新文章，其情感分数是通过惩罚性最大似然法（PMLE）估计的。SESTM使用对于一个给定的调整参数。2.5 FarmSelect与SESTM的比较FarmSelect和SESTM都使用单词特征和其相关的结果来学习情感评分。FarmSelect考虑到了情感分配中词与词之间的依赖性和相互作用。和相互作用，而SESTM则主要使用单个词来计算情感分数。而SESTM主要使用单个词来得出情感分数。在选择情感变化的词时，FarmSelect从一个全面的词汇集开始，选择一个词的子集以通过（2.6）对结果进行最佳预测。相比之下，SESTM依靠边际筛选（2.10）来选择，这就忽略了词语之间的相互作用。这一步骤可以通过使用惩罚性逻辑回归（2.14）来改善，代价是更高的计算成本，这使得它与FarmSelect更相似。让，表示回报是负的还是正的，是二元特征的向量，表示一个词是否出现在文章i中。我们仅仅局限于至少出现在κ篇文章中的词，然后拟合惩罚性逻辑回归。带情感色彩的词可以被选为对应于中非零entry的词。将所得的词集表示为。惩罚可以沿Lasso路径选择，以控制所选词语的数量。这就导致了三种选择带有感情色彩的词用于主题建模的可能性：1. 通过边际相关筛选出的词2. 通过惩罚性逻辑回归选择的词3. 两种方法选择的词的并集在实证研究中，我们会测试每一个。FarmPredict和SESTM都依赖于一些模型假设。FarmPredict意在找到一组因素和带感情色彩的词来直接预测结果。然而。SESTM主要依靠两个模型（2.11）和（2.13）以及情感分数分配（2.12）。因此，它对模型假设的稳健性不如FarmPredict。正如（2.11）中所指出的。虽然P的估计在直觉上是合理的，但也存在一些问题。这也是我们开发新模型的另一个原因。3. 数据获取与定义3.1 数据获取不同于Fan et al. (2021)使用网上公开.shtml 上即可查看。而Fan et al. (2021)以广度优先的方式从网上公开主页开始抓取，这种方法依赖于网上公开主页的状态，不同时间抓取的结果可能会有差异，而且抓取的结果不一定完整。通过金融界抓取，每次的抓取结果都是一样的，而且是完整的。第二，在数据更新的及时性上，金融界按照日期对新闻进行归类，可以在当天日期下看到当天全部最新的新闻数据。而按照以广度优先的方式从网上公开主页爬取，更新当天的新闻比较耗费时间，而且如果当天新闻不能通过主页上的新闻进行跳转，则有可能获取的当天新闻是不全的。基于这两方面的原因，我们选择了金融界作为新闻数据源。对于已经抓取到本地的新闻，我们首先移除重复和高度相似的文章。其次，将新闻和股票进行匹配，舍弃无法匹配或不满足唯一匹配的文章。匹配方法是搜索新闻标题和正文中是否含有股票代码或者股票简称，如果含有且唯一含有相关股票代码和股票简称，则将其视为相关股票的新闻。3.2 变量定义在后续的训练和预测中，每一条新闻都会被转换成相对应的词向量，每一个也都会有对应的收益率。对于词向量，有两种形式，分别是二进制词向量（x_dichotomized，记为xd）和词频向量（x_count，记为xc）。二进制词向量表示新闻的分词结果是否出现在当期词袋中（会在后续给出定义）。词频向量表示新闻的分词结果出现在当期词袋中的次数。表1也给出了词向量的解释。表 1：词向量定义
资料来源：中泰证券研究所
对于收益率，有三个分类，分别是①新闻对应的当期收益和下期收益，②原始收益和beta收益；③连续收益和零一收益。一共8个收益率，表2给出了收益率的详细解释。表 2：收益率定义
资料来源：中泰证券研究所
我们在训练和预测时，使用了不同形式的和，在标识模型结果时也使用了不同的符号。比如，xd_yrawret表示训练时使用xd（二进制词向量），使用yrawret（包含新闻发布时间的两个相邻收盘价计算出来的收益率），预测时同样使用xd（二进制词向量）带入训练模型进行预测。4. 模型训练与预测计算在本文中，模型使用滚动的方法进行训练和预测，每半年更新一次训练参数，供下一个半年预测使用。比如6月30日更新的训练模型供当年7月1日至12月31日使用，12月31日更新的训练模型供次年1月1日至6月30日使用。4.1 具体训练过程（1）在每次训练时，使用最近1年的所有新闻数据，对其利用Jieba分词，去除常见停用词和纯数字分词结果，得到所有分词结果中，选择出现频率最高的前%作为词袋，为后续构建词向量做准备。兼顾到运算速度，我们选择了本期频数最高的前500个词构建词袋。（2）考虑到为提高运算速度，我们从最近1年的所有新闻中随机抽样5000篇新闻，并对这些抽样出来的新闻构建词向量。我们构建的词向量包括二进制词向量（分词结果是否出现在当期词袋中）和词频向量（分词结果出现在当期词袋中的次数）。（3）对词向量进行分解降维。按照Fan et al. (2021)的文章，对词向量进行下列建模：其中是维的隐含因子向量，是因子载荷矩阵，是无法用的可以使用公式(3)进行估计：若将公式(2)写为向量形式，则是：按照Fan et al. (2021)的方法，估计出和后，可以计算出估计的：（4） 中并非所有的词都与新闻相对应的收益有很高的相关性，因此根据Fan et al. (2021)对进行条件相关筛选（conditional correlation screening）。是对线性回归后的残差。筛选过程如下：\alpha \right\}\cap \left\{ j:{{k}_{j}}\ge \kappa \right\} (6) ” data-formula-type=”block-equation” style=” text-align: center; overflow: auto; “>为和的相关性阈值。考虑到计算速度，我们将筛选为与相关性最高的100个词。（5）至此，我们得到了和。将和作为输入值，将新闻所对应的收益作为输出值，进行Lasso估计：得到估计参数。将FARM中估计的因子载荷矩阵和保存起来，供预测期使用。4.2 预测预测训练完成后，随后半年预测时则使用训练时的参数，具体过程如下：（1） 每个交易日收盘前，将上个交易日收盘结束后至本交易日收盘结束前的所有与股票相关联的新闻进行分词，利用和训练期相同的词袋构建词向量（二进制词向量和词频向量），得到本交易日的。（2） 利用训练期估计的因子载荷矩阵，计算本交易日新的隐含因子和特质矩阵。再结合训练期筛选出的，将和带入训练期已经估计好的Lasso模型，得到预测的。（3）在本交易日收盘前，买入预测值最靠前的50条新闻对应的股票，并持有至下一个交易日收盘时。每次计算是收盘集合竞价开始的时候开始计算。为更明确地解释滚动训练和预测，我们举例说明。比如，在2021年12月31日对模型进行更新时，使用的时间段为2021年1月1日至2021年12月31日，在2022年1月1日至2022年6月30日预测时，使用2021年1月1日至2021年12月31日时段训练出来的模型参数，具体步骤如图1所示。在2022年6月30日更新模型时，使用2021年7月1日至2022年6月30日的数据进行更新，在2022年6月30日至2022年12月31日预测时，使用该区间的训练参数结果。依次滚动。图1：FARMPredict训练和预测过程示例
资料来源：中泰证券研究所
5. 计算结果组合构建规则就是每天收盘集合竞价开始计算模型，算完后，按照当天收盘价买入当前交易日预测值最靠前的50条新闻对应的股票，以当前交易日收盘时的总市值为权重，并持有至下一个交易日收盘时，这个是市值加权组合。等权组合则是预测值最靠前的50支股票的权重均为2%，同样持有至下一个交易日收盘时。我们首先看最常见的数据格式下的组合结果，下图X向量是词语频数，Y向量是股票当天或者下一天的收益，从图上看，用股票当天收益效果更好，但用下一天的收益做Y，更符合预测的直观逻辑，在没有考虑手续费和交易冲击成本的情况下，收益率高达8000%。当然模型是理论值，实际操作中没有这么高的收益，但是范的模型给我们实战投资提出了新框架，还是值得研究学习的。图2：词频数 X 向量下的组合表现（当天股票收益做 Y 为深蓝）
资料来源：Wind，中泰证券研究所
上图，如果把X换成（0，1）输入值，效果更好。图3：（0，1） X 向量下的组合表现（当天股票收益做 Y 为深蓝）
资料来源：Wind，中泰证券研究所
下面两个图，分别用（0，1）的X矩阵和词频数的矩阵作为输入变量，可以看出，X矩阵取（0，1）总体效果更好。图中不同的曲线代表的是不同的Y变量形式，具体含义见前文。图4：X向量为（0，1）下的组合
资料来源：Wind，中泰证券研究所
图5：X向量为词频数下的各种组合
资料来源：Wind，中泰证券研究所
6. 附录参考文献
Estimating number of factors by adjusted eigenvalues thresholding. Journal of the American Statistical Association, 117(538), 1-10.[2] Fan, J., Xue, L., & Zhou, Y., 2021. How Much Can Machines Learn Finance From Chinese Text Data? Available at SSRN 3765862.风险提示：本报告结论完全基于公开的历史数据进行统计、测算，文中部分数据有一定滞后性，同时存在第三方数据提供不准确风险；模型均基于历史数据得到的统计结论且模型自身具有一定局限性并不能完全准确地刻画现实环境以及预测未来；模型根据历史规律总结，历史规律可能失效；模型结论基于统计工具得到，在极端情形下或存在解释力不足的风险，因此其结果仅做分析参考。
以往深度报告链接经济周期
经济周期与股票收益
周期股还能涨？—— 股票和商品的相关性指标暗含规律
实证资产定价与多因子
技术分析
选股策略
行业轮动
“纯洁alpha”动量下的行业轮动策略——资产定价 + 统计学习
人工智能 大盘择时 量化宏观用债券数据预测股市下跌——一种“信息熵利率曲线”建模
风格轮动 大类资产配置Mean-CVaR大类资产配置框架与实战
基金研究有效挑选优秀基金，通过辨别“运气”“实力”“运气”还是“实力”？——探秘基金经理Alpha
主动量化高Beta股如何演化?——中美高Beta股票定价特征对比分析
把握“抱团”规律——对“抱团”的一种合理解释
投研漫谈
中泰证券金融工程研究与产品体系免责声明
市场有风险，投资需谨慎。本平台所载内容和意见仅供参考，不构成对任何人的投资建议，亦不构成任何保证，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主做出投资决策并自行承担风险。根据《证券期货投资者适当性管理办法》，本平台内容仅供中泰证券股份有限公司客户中的专业投资者使用，若您并非专业投资者，为保证服务质量、控制投资风险，请勿订阅或转载本平台中的信息，本资料难以设置访问权限，若给您造成不便，还请见谅。
本平台旨在沟通研究信息，交流研究经验，不是中泰证券股份有限公司研究报告的发布平台，所发布观点不代表中泰证券股份有限公司观点。任何完整的研究观点应以中泰证券股份有限公司正式发布的报告为准。本平台所载内容仅反映作者于发出完整报告当日或发布本平台内容当日的判断，可随时更改且不予通告。
本平台所载内容不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见。
重要声明
版权所有，未经事先书面授权，不得以任何方式修改、发送或者复制本资料中的内容。
