Berkshire Hathaway's (BRK.A 1.25%) (BRK.B 1.35%) portfolio has changed significantly over the past year, even though billionaire investor and company CEO Warren Buffett hasn't exactly been loading the company's portfolio with stocks. Investors have been taking note of Buffett's seemingly conservative investment strategy and what it might mean. Here are some of the most notable changes in Berkshire's portfolio this past year, and what, if anything, investors should read into these moves. Apple's presence in ...

文章核心观点 景顺长城联合多家机构发布2024年《ETF客户投资行为洞察报告》，从多方面呈现ETF市场发展态势，为投资者与从业者提供指引，助力ETF生态高质量发展及投资者投资优化 [1][9] 投资者画像 - 2024年ETF市场规模和投资者数量爆发式增长，全市场ETF年内规模激增1.67万亿，同比增幅81.57%，总规模达3.72万亿，非货币类ETF份额持有人总数达2095万户，较2019年中期增长10.8倍 [2] - ETF有赚钱效应，近一年盈利2%以上客户占比约55%，大幅亏损占比低，大部分客户期望收益在10%-30%，实际盈利10%-30%客户占比超27% [2] - 30 - 40岁投资者是中坚力量，25岁以下年轻客群增速最高，年增速达212% [3] - 男性投资者占比约58%，较股票市场女性投资者比例高出1.4个百分点 [3] - ETF客户在一线、新一线城市分布更集中，如上海人口占比1.7%，ETF客户数占比近10% [3] - 不选择ETF投资的首要原因是“还不太了解ETF，不敢去买”，占比51.6%，其次是“感觉ETF收益率太低”和“不知道如何筛选” [4] 投资偏好 - 成长风格高弹性赛道受青睐，科创50、半导体芯片赛道新增交易户数合计占比近15%，还有境内宽基和跨境品种获大量新增客户 [5] - ETF客户平均持仓金额从2020年的8.5万元升至2024年的11.2万元，超44%客户平均持有时长在1个月以内，近27%客户持有时长超1年，1.6%客户持有时长超五年 [5] - 操作频率和收益率相关性不强，高频交易胜率49.29%，每5 - 20个交易日操作一次胜率略高于50% [6] - 近90%用户关注KOL，偏好定期解读、晒实盘操作和教投资方法的KOL，视频和社交媒体成重要信息传播媒介 [6] 投资策略 - 定投在宽基指数“定投、网格、一笔投”策略回测中表现突出，拉长久期、科学定投可提升投资胜率 [7] - 科学配置与理性理财重要，选择低相关资产构建组合分散风险，避免追涨，亏损时定投摊薄成本，设定止盈止损目标 [7] - 景顺长城构建多元化投资组合，截至2025年3月28日，管理ETF规模增长至551亿，产品20只，涵盖多类产品 [8]

易峯EquitiesFirst前瞻：长远的投资眼光，投资者 迎新机遇 在当今瞬息万变的金融环境中,精明的投资者正在积极探索新的投资策略,以期在持续的市场挑战和波动 下增强其投资组合。易峯(EquitiesFirst)以其前瞻性的思维方式,为投资者提供战略解决方案,帮助他们在 应对短期挑战的同时,优先考虑持续增长和发展。 作为非传统资本提供商,易峯(EquitiesFirst)拥有逾二十年经验,为投资者提供累进式资本解决方案。在不 影响长期投资目标的情况下,借助独特的解决方案,投资者可以释放其投资组合的潜在价值,确保在流动性 需求与持续财务增长之间取得战略平衡。 易峯(EquitiesFirst)采用私有制模式,旨在提供一定程度的稳定性和投资者保护。 免责声明: 过去的业绩表现并不保证未来回报,个人回报将不受保证或担保。本文件仅供认证投资者、成 熟投资者、专业投资者或其他符合法律或其他方面要求的合格投资者使用,不适用于不符合相关要求的 人士,也不应由其使用。本文件提供的内容仅供参考,是一般性的,并不针对任何具体的目标或财务需求。 本文件中表达的观点和意见由第三方根据媒体报道和行业走势分析编写,未必反映Equit ...

文章核心观点 不同资金量级的投资者在投资策略、对手盘和面临的挑战上存在差异，需根据自身情况选择合适的投资方式并做好风险控制以实现资产进阶 [2][4] 不同资金量级投资策略 A7 - A8 - 资金量小可盯着中小票（中证2000成分股）做，研究游资、私募规律赚钱不难 [4] - 可通过打新、长期重仓权益且分散配置优质股等方式实现进阶 [5][7] A8 - A8.7 - 资金易被对手盘紧盯，需分散到几十个类似票上，但收益率会下降 [4] A8 - A9 - 需要开始研究行业、大势，对手盘变为公募基金、外资、国家队等 [4] - 可采用中大盘股策略容纳资金，或小微市值与中大盘股策略结合 [10] A9以上 - 对手盘主要是散户、大户和同体量游资，需其他方法进阶 [4] A10 - 单打独斗在当前环境下很难，账户易被关注 [4] 投资心态与风险控制 - 优先在控制回撤条件下做收益，避免单吊、大比例杠杆等方式 [2] - 等适合自己的行情，允许踏空但不允许大回撤 [2] - 随着资金增大需改变投资框架，跨过心理关，承受一定亏损以构筑心理防线 [12] 具体投资建议 - 可转债水位下降时，低价位转债摊大饼，20 - 30万一张饼，摊100个 [14] - 拿小部分仓位买股指期货吃贴水，进行期现套利 [15] - 留小部分现金作为后手，用于货币基金、打新 [16] - A8级别注重回撤控制，目标跑赢银行利息 [16] - 多元化投资，包括高股息、美股、指数etf、黄金、大饼、国债等 [18] 不同账户资金量投资者特点 - 账户内10万以下喜欢天天骂人 [6] - 账户20 - 50万专心研究市场行情 [6] - 账户100万以上喜欢分享操作经验 [6]

投资心态与策略 - 投资中不应盲目跟随市场热点或他人选择 频繁切换投资主题可能导致收益不佳 [1] - 投资目标应以绝对收益为导向 而非与他人比较收益 高置信度是可靠支撑 [2] - 需做好买入后短期被套准备 市场波动不可避免 需提前制定应对预案 [3] 投资决策依据 - 买入理由需明确且一致 避免因不同观点而频繁改变操作策略 [4] - 不同投资逻辑对应不同操作要求 技术面买入需遵循动量策略 基本面买入需承受短期波动 [4] - 应在熟悉领域按自身节奏投资 而非盲目进入陌生领域跟随他人 [4] 长期投资理念 - 投资需坚持长期主义 认可"慢慢变富"的价值积累理念 [5]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：DeepSeek-R1** - **模型构建思路**：通过混合专家（MoE）架构与动态路由技术，结合强化学习提升推理能力，实现低成本高性能的模型训练[16][38] - **模型具体构建过程**： 1. 采用MoE架构，通过门控网络动态分配任务给专家模型，实现稀疏激活[28] 2. 引入GRPO（Group Relative Policy Optimization）算法，舍弃Critic模型降低训练成本[31] 3. 使用FP8混合精度训练框架提升计算效率，减少内存占用[36] 4. 通过多令牌预测（MTP）技术增强模型预测能力[34] 5. 结合冷启动数据（高质量长思维链数据）提升训练初期稳定性[42] - **模型评价**：在极低训练成本下实现与主流大模型相当的性能，推理成本仅为GPT-4 Turbo的17%[16][43] 2. **模型名称：DeepSeek-V3** - **模型构建思路**：基于6710亿参数的混合专家模型，优化架构与训练方法以提升开源模型性能[33] - **模型具体构建过程**： 1. 延续DeepSeek-V2的MLA（多头潜在注意力）机制，减少KV缓存数量[25] 2. 扩展MoE架构至更大参数量级，结合动态路由技术[33] 3. 引入FP8混合精度训练框架[36] 3. **模型名称：DeepSeek-V2** - **模型构建思路**：设计经济高效的混合专家语言模型，平衡性能与成本[23] - **模型具体构建过程**： 1. 创新提出MLA（Multi-head Latent Attention）替代传统MHA，降低KV缓存[25] 2. 采用MoE架构实现模型容量扩展[28] 3. 使用GRPO算法优化强化学习流程[31] 4. **模型名称：DeepSeek LLM** - **模型构建思路**：基于扩展法则（Scaling Laws）研究模型规模、数据与计算资源的优化分配[21] - **模型具体构建过程**： 1. 通过小规模实验预测大规模模型性能，指导资源分配[22] 2. 验证高质量数据对模型扩展的倾斜效应[22] 量化因子与构建方式 （注：研报中未明确提及传统量化因子，主要聚焦AI模型技术） 模型的回测效果 1. **DeepSeek-R1** - 推理成本：GPT-4 Turbo的17%[16] - 训练成本：显著低于传统大模型（未披露具体数值）[43] - 日活跃用户：上线10天突破2000万[15] 2. **DeepSeek-V3** - 参数量：6710亿[33] - 支持FP8混合精度训练[36] 3. **DeepSeek-V2** - MLA机制：KV缓存减少50%以上（对比MHA）[25] - MoE架构：激活参数量仅为全模型的1/4[28] 关键公式与技术 1. **扩展法则（Scaling Laws）** $$ \text{模型性能} = f(\text{模型规模}, \text{数据规模}, \text{计算资源}) $$ 指导资源分配时需优先考虑数据质量[21][22] 2. **GRPO算法** 舍弃Critic模型，通过群体分数估计基线： $$ \text{优势函数} = \text{奖励值} - \text{群体基线} $$ 降低RL训练成本[31] 3. **多令牌预测（MTP）** 同时预测未来多个令牌： $$ P(y_{t+1}, y_{t+2}, ..., y_{t+k} | x) $$ 增强训练信号密度[34] 4. **FP8混合精度框架** 将部分计算精度降至8位浮点，内存占用仅为FP32的1/4[36]