量化模型与构建方式 1. **模型名称：条件选股模型**[48] * **模型构建思路**：基于给定的财务指标（总市值、市盈率）对A股全市场股票进行筛选，构建符合条件的投资组合，并进行历史回测[48]。 * **模型具体构建过程**： 1. 从数据库（如Wind）获取全部A股的最新数据[48]。 2. 设定筛选条件：总市值小于500亿元，市盈率（TTM）大于0且小于300倍[48]。 3. 对满足筛选条件的股票，构建等权重投资组合[48]。 4. 以筛选日（例如2026-03-06）为起点，回测该等权组合在过去10个交易日的收益率表现[48]。 2. **模型名称：形态学量化策略（黄包车夫形态）**[52] * **模型构建思路**：基于特定的K线形态（黄包车夫形态）识别交易信号，以形态出现后的第二天开盘价作为买入价，统计不同持有期后的收益情况，以验证该形态的有效性[52]。 * **模型具体构建过程**： 1. 从数据库获取目标股票（如寒武纪，688256.SH）的全部历史日K线数据[52]。 2. 定义并识别“黄包车夫”（Rickshaw Man）K线形态。该形态需满足以下条件[52]： * 实体极小：$$ \frac{|收盘价 - 开盘价|}{开盘价} < 0.58 $$ * 上下影线都较长：上影线长度 > 实体长度 × 2，且下影线长度 > 实体长度 × 2。 * 上下影线接近：$$ 0.5 \leq \frac{上影线长度}{下影线长度} \leq 2.0 $$ * 当日有足够振幅：$$ \frac{最高价 - 最低价}{最低价} > 2\% $$ 3. 每当识别到该形态，即以形态出现日的下一个交易日的开盘价作为模拟买入价[52]。 4. 分别计算买入后持有1天、3天、5天、8天、10天、20天的收益率[52]。 5. 对所有识别到的形态进行统计，计算各持有期的平均收益率、胜率、最大收益和最小收益[52]。 3. **模型名称：指数仿制策略（南华综合指数模拟）**[53] * **模型构建思路**：通过筛选A股中与大宗商品相关的股票，并按照南华综合指数的品类权重分配板块及个股权重，构建一个股票组合来模拟南华综合指数的走势[53]。 * **模型具体构建过程**： 1. **确定选股范围**：根据申万行业分类，筛选出与大宗商品相关的A股，涵盖煤炭、石油、有色金属、钢铁、化工、农产品加工等行业，共得到397只股票[53]。 2. **设定板块权重**：参照南华综合指数的构成，为不同板块分配目标权重。例如：能源30%、工业金属25%、黑色系20%、贵金属10%、化工10%、农产品5%[53]。 3. **构建组合**：在每个板块内部，按照成分股的流通市值进行加权，计算各股票在板块内的权重。再将板块权重分配到板块内各股票，得到股票在模拟组合中的最终权重[53]。 4. **回测与评估**：在回测区间（例如2025-03-06至2026-03-06）内，计算模拟组合的净值曲线，并评估其相对于基准（南华综合指数）的表现，计算各项绩效指标[53]。 模型的回测效果 1. **条件选股模型**[48] * 选股日期：2026-03-06 * 筛选结果：共筛选出3,197只符合条件的A股[48] * （注：报告未提供该等权组合在过去10个交易日的具体收益率数值）[48] 2. **形态学量化策略（黄包车夫形态）**[52] * 测试标的：寒武纪 (688256.SH) * 数据区间：2020-07-20 至 2026-03-06 (共1364个交易日) * 形态出现次数：65次 * 各持有期表现统计[52]： | 持有天数 | 平均收益率 | 胜率 | 最大收益率 | 最小收益率 | |:--------:|:----------:|:------:|:----------:|:----------:| | 1日 | +1.45% | 53.85% | +17.81% | -7.21% | | 3日 | +3.21% | 58.46% | +32.40% | -11.08% | | 5日 | +3.88% | 55.38% | +45.74% | -18.47% | | 8日 | +5.00% | 55.38% | +67.10% | -20.13% | | 10日 | +4.81% | 49.23% | +85.35% | -23.64% | | 20日 | +6.10% | 36.92% | +150.28% | -25.84% | 3. **指数仿制策略（南华综合指数模拟）**[53] * 回测区间：2025-03-06 至 2026-03-06 (共243个交易日) * 累计收益率：+61.79%[53] * 年化收益率：+64.70%[53] * 年化波动率：19.11%[53] * 夏普比率：3.281[53] * 最大回撤：-10.37%[53] * 前五大持仓：中国石油(11.59%)、中国神华(5.48%)、宝钢股份(4.47%)、中国石化(3.13%)、紫金矿业(2.71%)[53] 量化因子与构建方式 （注：本篇研报核心内容在于介绍AI工具（Skills）的安装使用和在金融场景下的应用案例，并展示了利用这些工具构建和回测量化策略的过程。报告本身并未独立提出或详细定义新的量化因子。所涉及的选股条件（如市值、市盈率）和形态识别（黄包车夫形态）是作为策略模型的组成部分进行应用的，并非报告重点阐述的独立因子构建方法。[48][52]）

政府AI技能培训计划 - 英国政府与亚马逊 BT 谷歌 IBM 微软 Sage等科技公司合作 计划培训750万名英国工人掌握基本AI技能[3] - 微软承诺在2025年底前提升100万名工人的技能 另有一项1.87亿英镑(2.53亿美元)的TechFirst计划旨在为所有年龄和背景的人提供AI技能培训[2] AI技能短缺现状 - 超过四分之三的公司面临AI技能短缺 AI暴露行业的技能要求变化速度比其他行业快66%[6] - 斯坦福大学研究发现 ChatGPT推出后(2022年底至2025年中) AI暴露行业的入门级职位在美国减少了16%[12] AI素养定义与挑战 - AI素养核心包括理解聊天机器人的潜在益处和局限性 以及模型偏差 数据来源和准确性验证能力[1][7] - 消费者层面的AI素养与构建模型者的AI素养存在显著差异[7] 企业培训框架 - 企业AI采用策略中需区分三类人员培训：需要理解AI商业潜力的高管层 使用AI驱动成果的普通员工 以及精通大语言模型技术的技术人员[8] - 95%的生成式AI试点项目未能推动收入增长 主要原因是工具和组织的"学习差距"[21] 劳动力市场影响 - 世界经济论坛估计到2030年AI将创造1.7亿个新工作岗位 同时消除9200万个工作岗位 全球就业净增7800万个(增长7%)[14] - 英国51%的成年人担心AI对其工作的影响 年轻求职者因AI面临更严峻的劳动力市场[11][12] 培训成功要素 - 最成功的AI技能提升计划以业务成果为导向 反向设计培训内容 而非泛泛地要求"更多人使用AI"[22] - 国家培训计划需明确目标 否则可能陷入通用化采用陷阱 无法吸引外国投资者[24] 持续学习必要性 - AI技术快速演进意味着技能培训必须是持续终身的过程 而非一次性活动[9][10][25] - 代理式AI等新兴技术可能在未来几年彻底改变AI素养的定义[9] 人口结构因素 - 英格兰和威尔士生育率处于历史低位 长期来看工作年龄人口减少 AI可能帮助提高效率应对劳动力短缺[15] - 如果企业未来几年自动化大多数入门级工作 可能造成年轻工人职业发展断层[16][17] 技术部署方式 - AI对工人的赋能或约束更多取决于雇主部署方式而非工具本身 亚马逊仓库案例显示AI可能加强监控而非提升决策自由度[19][20] - 全球税收协调变得必要 因为大多数AI赢家企业位于英国境外 限制了英国通过企业税获得的收益[21]