财务数据和关键指标变化 - 公司上半年等效入院量增长率为23% 低于年初3%-4%的预期 [7] - 上半年总收入增长64% 表现强劲 [15] - 合同劳动力成本占总劳动力成本比例降至43% 接近疫情前41%的水平 [88] - 专业费用(主要为医院医师合同工)在第二季度增长10% 远高于正常通胀水平 [97] - 公司将全年EBITDA指引中点上调3亿美元 其中15亿美元来自州补充支付 1亿美元来自飓风影响市场改善 [55][66][80] 各条业务线数据和关键指标变化 - 医疗补助(Medicaid)业务量上半年同比下降12% 低于原先持平或略增的预期 [8] - 自费患者业务量上半年仅增长15% 远低于通常3%-4%的增速 [11] - 医疗保险(Medicare)业务量增长3% 略低于原先35%-4%的预期 [17][19] - 交易所业务量同比增长15% 虽低于去年但仍保持健康增长 [35] - 除交易所外的商业保险业务量增长略低于1个百分点 处于正常1%-2%的增长范围内 [39][41] 各个市场数据和关键指标变化 - 交易所业务占公司总业务量的8%和总收入的10% [121] - 飓风影响市场预计将为全年贡献1亿美元的业绩改善 [66] - 部分市场表现低于预期 约影响5000万美元业绩 [84] 公司战略和发展方向和行业竞争 - 资本配置策略保持稳定 45%-55%用于现有市场有机增长投资 [193][194] - 今年已完成两家急症护理医院收购 并在门诊方面积极进行并购 [198][200] - 坚持严谨的并购策略 只选择符合公司标准的市场和资产 [209] - 股息政策保持连续性 预计不会发生重大变化 [216] 管理层对经营环境和未来前景的评论 - 劳动力环境趋于稳定 工资通胀符合预期 员工保留率基本恢复到疫情前水平 [88][91] - 交易所补贴政策(EPTCs)存在不确定性 可能影响2400万参保人 公司正在密切关注立法进展 [112][115] - 医疗补助补充支付申请正在审核中 德克萨斯州最近获批是一个积极信号 [136][139] - 费率谈判进展顺利 2025年商业合同已基本完成 2026年超过80%已完成 2027年约三分之一完成 [181] 其他重要信息 - 闰年因素对上半年业务量产生50个基点的影响 [21] - 州补充支付上半年带来18亿美元净收益 但下半年预计将减少13亿美元(包括新田纳西州计划) [57][59] - 公司 resiliency 计划包括四个主要领域:收入完整性 资产利用率 可变成本和固定成本 [145][148] - 正在试点环境AI技术 帮助医生改善文档记录质量 [172][173] 问答环节所有的提问和回答 问题: 交易所患者使用系统的方式特点 - 交易所患者使用模式介于商业保险和医疗补助之间 选择性护理使用率略低 但比医疗补助人群更接近商业保险人群 [123][125] - 从报销角度看 交易所是公司第二大支付方 介于商业保险和医疗保险之间 更接近商业保险 [127][129] 问题: 收入周期管理技术的效果 - 通过技术 流程和人员投入的结合 有效处理拒付和支付不足问题 使支付方拒付趋势未对公司产生负面影响 [156][159] - 正在探索与环境AI技术合作 简化管理流程 降低双方成本 [163][165] 问题: 医疗保险费率更新情况 - 对门诊预期支付系统(OPPS)规则感到失望 特别是340B报销时间和住院only列表取消的建议 [190][191] - 住院预期支付系统(IPPS)规则略有利于公司 鉴于70%医疗保险收入来自住院服务 总体费率更新符合近期趋势 [191] 问题: 资本配置和并购策略 - 核心增长策略仍专注于现有43个市场的有机投资 以捕捉需求增长和获取市场份额 [196][198] - 保持严谨的并购方法 只选择符合公司标准的市场和资产 有些最好的交易就是没有达成的交易 [207][209] 问题: 股息政策考量 - 股息政策保持连续性 在资本投资 并购 股息和股票回购之间保持平衡 目前不考虑重大变化 [212][216]

**行业与公司** RXO公司 从XPO Logistics分拆出来 于2022年11月完成分拆 目前处于货运衰退周期中 公司业务包括三大板块 卡车经纪业务（第三大） 托管运输业务 以及最后一英里业务（市场领导者）[3][4][6] **核心观点与论据** **1 货运周期与市场状况** * 当前处于三年货运衰退期 是行业历史上最长的下行周期之一 需求端是主要问题 需求低于2019年水平（剔除COVID影响） 而运力供应与2019年持平[9][10][13] * 关键指标 tender rejections（拒收率）目前约为6% 同比和两年复合均上升 但未达到双位数的市场波动阈值 load to truck ratio（货卡车比）需达到6-7:1才与10%拒收率相关[11][12] * 零售和电子商务是业务主要驱动力 汽车和住宅建筑供应业务受冲击最严重[14][15] **2 技术投资与竞争优势** * 每年技术投资约1亿美元 技术结合人员运营是核心策略 过去两年员工生产率（每人每日处理货物量）提升45%[21][22][46] * 97%的货物创建或覆盖通过数字化完成（分拆前数据） 承运人平台RXO Go有超过125,000家承运人 70%的承运人下周会返回平台[23][24][68] * 技术差异化体现在自研系统（客户、承运人、员工端） 以及机器学习定价算法（每分钟更新）和AI应用（如路由调度、呼叫中心自动化）[22][28][72] **3 业务增长与战略重点** * LTL（零担运输）业务增长强劲 第二季度量同比增长45% 占卡车运输量32% 长期目标占比超过50% LTL毛利率更高且更稳定[40][41][43] * 最后一英里业务连续四个季度实现双位数增长 第二季度站点数同比增长17% 受益于现有客户份额增益和新客户 onboarding[44][45] * 通过Coyote收购获得协同效应 总计7,000万美元现金协同效益（6,000万美元运营费用节约和1,000万美元资本支出减少） 技术整合（迁移至RXO Connect平台）带来额外成本优化[29][30] **4 市场整合与未来机会** * 经纪业务渗透率目前为低20% 预计短期内将达到30% 长期达到40% 前十大经纪商占市场50% 预计未来前三四家将占60-70%[34][35][57] * 战略性扩展至冷藏、平板车、跨境、危险品运输等垂直领域 并购（如Coyote）是资本配置策略的一部分 但门槛很高（需战略和文化契合）[58][59][60] * 自由现金流强劲 第二季度调整后自由现金流转换率为58% 预计第三季度继续强劲 长期自由现金流生成能力强（固定成本约8,000万美元 超出部分税后转化率75%）[62][63] **其他重要内容** * 关税政策带来托运人不确定性 但近期贸易政策清晰度提高 客户信心逐步建立[16][17] * 公司强调周期底部构建基础的重要性 注重长期跨周期盈利能力而非短期股价波动[64][65] * 数字覆盖率（created or covered）分拆前为97% 收购Coyote后略有下降（因Coyote承运人端更强） 长期目标为60-70%[68][69][70] **数据与单位引用** * 拒收率：6%[12] * 技术投资：1亿美元/年[21] * 生产率提升：45%[22][46] * 承运人数量：125,000[24] * LTL量增长：45%[40] * 站点增长：17%[44] * 协同效益：7,000万美元[29] * 自由现金流转换率：58%[62]

人工智能在金融行业的应用现状 - 人工智能和机器学习正成为金融行业的重要推动力 应用场景从量化交易扩展到风险管理[1] - 算法模型从学术研究走向华尔街实际应用时暴露出一系列现实挑战[1] 金融AI实践中的核心问题 - 金融机构更关注支持"What-if"分析的决策工具 而非单纯预测模型 例如利率变动影响分析[5] - 金融数据中存在相关性不等于因果关系的统计误区 需避免对撞机问题等建模陷阱[5] - 金融数据结构复杂 包括收益率曲线(函数时间序列) 支付网络(动态图)和多频率宏观数据[5] - 传统LSTM模型在处理复杂金融数据结构时存在先天不足[5] 技术实施与人才挑战 - Jupyter Notebook在快速迭代环境中可能成为工程管理障碍[5] - TensorFlow与PyTorch的兼容性问题增加了可复用组件建设的难度[5] - 行业急需兼顾金融 机器学习与系统工程的复合型人才[5] JPMorgan的AI实践与招聘 - MLCOE团队构建可复用AI组件库 分享五年实践经验与教训[2][11] - 全球招聘涵盖博士 博士后和金融科技求职者 工作地点可选香港 伦敦或纽约[11] - TSRL团队正在开展前沿项目 招聘链接已公开[12] - 王泽基教授将系统解析AI/ML在金融机构的全流程应用 包括模型工程 数据处理 特征构建 决策分析 因果推断和风险管理[10] 嘉宾背景 - 王泽基现任JPMorgan机器学习卓越中心MD兼全球TSRL负责人 香港科技大学数学系实践教授[12] - 曾任平安资管量化投资负责人 法国兴业银行亚洲金融机构与主权业务主管[12] - 在香港中文大学 香港中文大学(深圳)担任金融科技教授 并在高盛 瑞银 巴克莱资本担任过高管职务[12]

活动概况 - 二十国集团研究与创新工作组黑客马拉松大赛于9月2日开幕，为期4天 [1] - 活动由G20轮值主席国南非的科技创新部主办，以线上方式进行 [1] - 参赛者包括来自中国、加拿大、新加坡、意大利、西班牙、肯尼亚、尼日利亚、沙特阿拉伯等国的数据科学、城市研究和灾害风险管理专家 [1] 活动主题与目标 - 大赛主题为“通过开放创新减少灾害风险”，旨在协力应对气候变化加速时代的灾害风险 [1] - 目标是通过数字技术、开放数据系统和跨国合作，增强气候脆弱和水资源紧张地区的抗灾能力 [1] 技术应用与解决方案 - 参赛团队将运用人工智能、机器学习和地理空间分析技术开发创新数字解决方案 [1] - 解决方案重点预测非正规城市扩张及其对洪灾风险的影响 [1] - 活动作为一个动态试验场，提供基于证据的解决方案，为城市政策制定和规划提供依据 [1] 成果展示与影响 - 最终成果将在9月23日举行的G20研究与创新部长级会议上展示 [1] - 成果将为气候适应、城市韧性等相关高级别讨论提供参考 [1]

公司概况 * 公司为Alumis Inc (ALMS) 一家精准免疫学公司 拥有三项临床阶段资产和一个强大的研究组织 并运用机器学习发现生物标志物[2] 核心临床项目与关键数据 * 主要焦点为银屑病和狼疮项目[3] * 核心资产Envutucitinib (Envu) 为TYK2抑制剂 用于治疗银屑病和系统性红斑狼疮(SLE)[2][8] * 银屑病项目处于3期临床 顶线数据读出时间为明年第一季度初[2] * 狼疮项目处于2b期关键性试验 顶线数据读出时间为明年第三季度[2] * 银屑病2期长期扩展数据显示高疗效水平 PASI-75应答率约80% PASI-90约60% PASI-100约40% 目标是3期重复此数据[11] * 公司认为其分子是唯一一个在进入2期和3期时无需因安全性问题而降低剂量的TYK2抑制剂 实现了最大靶点抑制且具有清洁的安全性[6][8] 作用机制与靶点验证 * 选择TYK2作为靶点基于自然遗传突变证据 约5%人群携带功能下调的TYK2突变 这些人群对自身免疫性疾病有高保护作用 纯合子携带者对银屑病或狼疮的保护效果高达约80%[4] * 公司认为此前尚无分子能在3期试验中实现24小时内高于IC90的完全靶点抑制 因此未能展现TYK2的全部潜力[5] * 除了干扰素通路 其作用机制可能还涉及对细胞类型的影响 但具体细节尚未完全明晰[38] 竞争格局与差异化 * 主要口服竞争对手为TAK-279(武田) 其3期数据将于今年下半年公布(16周主要终点) 但公司认为医生更看重24周和52周的长期数据[9][10] * 公司认为最重要的基准是口服IL-23抑制剂 这将是市场中的主要竞争对象[10] * 与百时美施贵宝(Bristol Myers Squibb)已上市的TYK2抑制剂相比 公司认为其分子的风险效益profile略有改善 具有临床相关性[6] 市场机会与商业化策略 * 银屑病市场存在巨大机会 在所有确诊患者中 使用生物制剂的患者不足10% 口服药物与生物制剂的患者份额相当[18] * 市场调研显示患者仍偏好口服药物而非注射剂 其简便性结合高效力有望改变市场格局[19][20] * 公司认为有机会不仅争夺系统性治疗市场 还能通过更耐受、更简便、更有效的药物扩大整个系统性治疗市场 吸引轻中度患者[21] * 不太可能完全依靠自身进行全球上市 正在考虑合作与伙伴关系 直接面向消费者(DTC)广告是资源规划中的关键挑战[26][27] * 定价与市场定位至关重要 公司正在进行大量工作 未来6-12个月随着竞争对手数据和自身狼疮试验结果出炉 将更清晰[22][23] 临床开发与试验设计 * 银屑病3期试验为全球性试验 相比主要在美加的2期试验扩大了范围 2期试验中超过35%患者有生物制剂经验 预计3期中该比例可能会略有下降[14] * 进行跨试验比较时 生物制剂经验、BMI(体重指数)、疾病水平和病程是关键因素 BMI可能影响口服药物的疗效 但公司认为其2期试验已在较高BMI水平中表现极佳[15][16] * 狼疮2b期LUMIS试验入组408名患者 设三个活性剂量组(20mg每日一次 20mg每日两次 40mg每日两次)和一个安慰剂组 预计40mg BID可能是最佳剂量[35] * 试验设计旨在最大限度减少安慰剂效应 设有裁定小组确认患者为活动性SLE 减少合并用药 并使用数据监控工具确保数据一致性[35][36] * 狼疮试验选择BICLA作为主要终点 因其能更细致地捕捉皮肤表现 SRI-4作为次要终点[37] 财务与现金状况 * 公司第二季度(6月季度)末拥有4.86亿美元现金及现金等价物 预计现金跑道可持续至2027年[46] * 随着3期试验入组加速 近期研发支出会出现峰值 但预计今年下半年将显著减少[46][47] 其他研发资产与计划 * 资产A-005是一种能入脑的TIK2抑制剂(脑内浓度与血浆浓度约为1:1) 正在评估其开发路径[2] * 计划用于脑部炎症性疾病 如多发性硬化症(MS) 以及神经退行性疾病(如帕金森、阿尔茨海默病) 因其炎症成分发挥作用[41] * 计划明年上半年启动一项MS的2期剂量探索试验 进行为期三个月的影像学研究[41][42] * 资产Lonigutamab 正在评估如何推进[2] 其他重要信息 * 公司拥有Envutucitinib的每日一次(QD)制剂 计划在上市第一年内推出[28] * 银屑病3期数据若在2026年初读出 公司目标是在2026年内提交上市申请[29] * 狼疮项目除SLE外 还有潜力用于其他干扰素驱动的疾病 如干燥综合征(Sjogren's)或皮肤红斑狼疮(CLE)[32][33]

生态环境监测是生态环境保护的重要基础 也是支撑持续深入打好污染防治攻坚战的重要力量 在全面推进美丽中国建设的新形势下 需要更加坚持精准治污 科学治污 依法治污 以提高污染防治的针对性 科学性和有效性[1] 提升监测数据质量 - 着力提高监测数据“真准全快新”以支撑精准治污 近年来中国生态环境监测数据质量已有明显提升[1] - 积极推动生态环境监测行业实验室信息管理系统（LIMS）的普及和应用 完善对监测机构内部质量管理全过程的追溯能力[1] - 推动统一联网 统一抽查 统一监管 为实现对监测机构监测活动进行全要素 全方位 全过程的常态化动态监管打下基础[1] - 生态环境监测机构应当更加注重深化监测数据应用 提升监测数据对生态环境管理工作的支撑能力[1] - 监测技术人员需要转型 从过去主要关注监测数据质量转向监测数据质量与监测数据应用并重 更加注重监测数据的深度挖掘和深化应用[1] 监测体系数智化转型 - 大力加快监测体系数智化转型以引领科学治污 数智化转型是实现生态环境监测体系与监测能力现代化的重要手段[2] - 应按照《关于加快建立现代化生态环境监测体系的实施意见》有关要求 加速推进生态环境监测数智化转型 进一步推动现代化监测体系建设[2] - 依托人工智能 监测信息云平台 感知技术等推进生态环境监测技术装备信息化 有效提高智能化监测运行效率[2] - 加速推进具有自主知识产权的监测技术装备研发和应用 不断提升生态环境监测的自动化 智能化和信息化水平[2] - 进一步完善生态环境监测网络 构建全面覆盖生态质量 环境质量和污染源监测的高水平生态环境智慧监测体系[2] - 加快推进由污染源现状监测向污染物排放精准溯源监测的转变 提升生态环境质量预报预警水平和污染成因分析能力[2] - 充分应用大数据 人工智能 机器学习等前沿技术 建立与生态环境管理工作深度融合的业务化信息系统[2] - 推动实现生态环境灵活感知 提前预警 综合研判 智慧决策 全面提升生态环境监测在科学治污中的引领能力[2] 法律法规基础建设 - 不断夯实法律法规基础以服务依法治污 生态环境监测工作的开展离不开法律法规的坚实保障[3] - 应尽快明确排污单位自动监测数据的法律效力 目前国家层面仅有生活垃圾焚烧发电厂自动监测数据可直接用于行政执法[3] - 加快推进非现场执法 提升自动监测数据在排污单位排污监管中的效能[3] - 社会监测机构是生态环境监测领域的重要监测力量 从业人员众多且承担了大量服务于生态环境管理的委托监测任务[3] - 应尽快通过法律法规明确社会监测机构产生的监测数据在生态环境执法中的作用 切实发挥好社会监测力量在生态环境管理中的支撑作用[3]

人工智能教育课程选择趋势 - 核心观点：对于未来计划从事AI职业的学生，建议优先选择机器学习导论而非人工智能导论作为第一门AI课程，因为前者更贴近当前技术主流 [2][3] - 过去15年人工智能技术因深度神经网络而爆炸式发展，但许多学校的人工智能导论课程大纲仍停留在2010年前后，仅用几节课讲解机器学习 [3] - 课程选择不应仅依据名称，而应仔细查看课程大纲，理想课程应涵盖线性回归、梯度下降、反向传播和强化学习等内容 [3] 传统与现代AI课程内容对比 - 人工智能导论课程内容传统，涵盖搜索策略、约束满足问题、专家系统等，而机器学习导论聚焦线性回归、逻辑回归、神经网络、深度学习等现代主流技术 [6][10] - 有案例显示部分大学的人工智能导论课程完全未提及神经网络，教学内容与当前工业界和学术界热点脱节 [8][10] - 当前大多数技术突破源自机器学习和深度学习，而非传统人工智能导论课程中的主题 [11] 行业人才需求与培养 - 公司算法类岗位聚焦大模型、机器学习基础理论、多模态、强化学习、AI for Science等方向 [16] - 公司研发类岗位聚焦大规模分布式训练框架、高性能计算、AI系统与架构等方向 [16] - 行业为人才提供超大规模算力集群、跨团队重大项目协作机会以及清晰的职业发展通道，以支持具备规模化潜力和长期价值的研究 [22]

全球森林恢复固碳潜力研究 - 森林作为天然吸碳器 是调节气候不可或缺的绿色空调 植树造林被视为极具成本效益的自然气候解决方案[3] - 研究团队开发机器学习模型量化造林后土壤碳变化 首次整合生态气候和政策三大因素重新定义造林缓解气候变化潜力[4][6] - 森林化会导致表层土0-30厘米碳增加与流失共存现象 若限定避免反照率变化且保障水资源与生物多样性的区域全球约3.89亿公顷土地[6] 土地可用性与政策约束 - 在限定土地条件下到2050年可封存39.9 Pg碳约合399亿吨 显著低于既往估算值[6] - 若进一步限制于现有政策承诺的1.2亿公顷土地 固碳量将降至12.5 Pg约合125亿吨[6] - 需扩大专用造林区域并增强国家承诺力度以实现更大规模气候缓解[6] 区域分布与实施路径 - 全球和区域尺度造林固碳潜力因情景而异 研究绘制了全球生态系统碳封存率土壤和生物量图谱[6][8] - 研究结果为优化土地利用政策和造林策略提供新见解 可实现最大气候效益[8]

量化模型与构建方式 1 GAN_GRU 模型 - **模型名称**：GAN_GRU 模型[4][13] - **模型构建思路**：利用生成式对抗神经网络（GAN）进行量价时序特征处理，再通过 GRU 模型进行时序特征编码，最终输出选股因子[4][13] - **模型具体构建过程**： （1）**输入特征**：包括收盘价、开盘价、成交量、换手率等 18 个量价特征，频次包括日频和月频特征[14][17][19] （2）**训练数据设定**：使用所有个股过去 400 天内的 18 个量价特征，每 5 个交易日做一次特征采样，采样形状为 40×18（过去 40 天的量价特征），预测未来 20 个交易日的累计收益[18] （3）**数据处理**：每个特征在时序上去极值+标准化，每个特征在个股层面上截面标准化[18] （4）**训练方式**：半年滚动训练（每年 6 月 30 日和 12 月 31 日），训练集与验证集比例 80%:20%，batch_size 为截面股票数量，优化器为 Adam，学习速率 1e-4，损失函数为 IC，早停轮数 10，最大训练轮数 50[18] （5）**GAN 部分构建**： - 生成器（G）：使用 LSTM 模型，输入原始量价时序特征（形状 40×18），输出处理后的量价时序特征（形状 40×18）[33][37] 生成器损失函数： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中 z 为随机噪声（高斯分布），G(z) 为生成数据，D(G(z)) 为判别器对生成数据的输出概率[24][25] - 判别器（D）：使用 CNN 模型，输入真实数据或生成数据，输出为真实数据的概率[33] 判别器损失函数： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中 x 为真实数据，D(x) 为判别器对真实数据的输出概率[27] - 训练过程：生成器和判别器交替训练，首先生成噪声数据并生成假数据，计算损失并更新生成器参数；然后采样真实数据，计算判别器损失并更新判别器参数[28][29][34] （6）**GRU 部分构建**：使用两层 GRU 层（GRU(128,128)）和 MLP(256,64,64)，输出预测收益 pRet 作为选股因子[22] （7）**因子处理**：对因子做行业市值中性化+标准化处理[22] - **模型评价**：该模型通过 GAN 增强量价时序特征生成能力，结合 GRU 捕捉时序依赖关系，提升选股因子的预测效果[4][13][30] --- 量化因子与构建方式 1 GAN_GRU 因子 - **因子名称**：GAN_GRU 因子[4][13] - **因子构建思路**：基于 GAN_GRU 模型输出的预测收益 pRet 作为选股因子[4][13][22] - **因子具体构建过程**： （1）使用 GAN_GRU 模型对全 A 股进行预测，输出每只股票的预测收益 pRet[22] （2）对 pRet 进行行业市值中性化+标准化处理，得到最终因子值[22] （3）每月末调仓，选取因子值排名前 10% 的股票作为多头组合[4][48] --- 模型与因子的回测效果 1 GAN_GRU 因子全市场表现（2019 年 1 月至 2025 年 8 月，月频调仓）[41][42] - IC：11.36% - ICIR（未年化）：0.88 - 换手率：0.83 - 年化收益率：38.09% - 年化波动率：23.68% - 信息比率（IR）：1.61 - 最大回撤率：27.29% - 年化超额收益率：23.52% 2 GAN_GRU 因子近期表现（截至 2025 年 8 月 28 日）[41][42] - 最新一期 IC：-2.56% - 近一年 IC 均值：8.94% 3 GAN_GRU 因子行业表现（截至 2025 年 8 月）[42][44] - **当期 IC 排名前五行业**： - 食品饮料：22.17% - 煤炭：18.28% - 建筑材料：13.48% - 公用事业：13.20% - 社会服务：12.23% - **近一年 IC 均值排名前五行业**： - 公用事业：15.87% - 钢铁：13.95% - 商贸零售：13.51% - 非银金融：12.78% - 建筑材料：12.44% 4 GAN_GRU 因子多头组合行业超额收益（截至 2025 年 8 月）[2][44][45] - **当期超额收益排名前五行业**： - 纺织服饰：5.19% - 公用事业：3.62% - 汽车：3.29% - 非银金融：2.56% - 医药生物：1.47% - **近一年月平均超额收益排名前五行业**： - 家用电器：4.97% - 建筑材料：4.11% - 公用事业：3.94% - 食品饮料：3.86% - 纺织服饰：3.35% 5 最新多头组合（2025 年 8 月末因子值排名前十个股）[5][49] 1. 神火股份（有色金属） 2. 广州港（交通运输） 3. 中谷物流（交通运输） 4. 中国外运（交通运输） 5. 汉缆股份（电力设备） 6. 民生银行（银行） 7. 兴发集团（基础化工） 8. 驰宏锌锗（有色金属） 9. 中信特钢（钢铁） 10. 中直股份（国防军工）

德国耐驰结合传感器、材料科学和AI 云计算，为聚合物、聚合物基复合材料领域加工提供独特的解决方案。本文重点介绍如何 将NETZSCH - sensXPERT 方案应用于空客公司的实际工艺流程。 许多行业面临类似问题： 汽车业和航空业可能使用不同的制造过程，但是它们在生产中 面临相同的问题：缩短生产节拍、提高成品率、动态控制每一个产品等等 。热固性塑 料和热固性复合材料越来越广泛地应用于生产高机械强度的高性能部件。针 对不同应用场景需要量身定制不同的树脂及配方材料 ，而材料的 多样性 给实际生产带来了许多挑战。 多年来，耐驰与客户一起观察和分析了行业痛点，目的是帮助企业发挥复材的全部潜力。复合材料部件生产工艺中，最缺乏的是所谓"数据透明性"。 也就是说，在部件固化的关键过程中，无法获得该个体的实时固化过程数据。 没有实时固化数据支撑，工艺优化、产品改进、效率提升……都无法真 正实现。 显然，为了获得材料的最优固化过程、改善生产过程，材料实时固化历程的数据是关键。 介电树脂固化监测仪DEA 德国耐驰仪器公司被空客公司选中为研发项目提供智能传感器解决方案： 著名的飞机制造商空客公司选择德国耐驰仪器公司提供的智能传感 ...