来源：雪球 全球顶尖的对冲基金 AQR 最新发了一篇文章《Hold the Dip》，从标题就能看出，对是投资者常见的 "抄底 (Buy the Dip)" 行为的一个化用，兼反 对。在 AQR 看来，在下跌后加仓，无助于夏普比率的改善 —— 这一点 2021 年跌跌不休中买入中概股的投资者，应该是甚有同感。在 AQR 看 来，抄底，本质是在动量向下市场中做价值投资，注定生不逢时。相比之下，直接采用趋势跟踪来降低组合波动，效果更好。我让大模型对这篇文 章做了一个综述，与诸位分享。 ↑点击上面图片 加雪球核心交流群 ↑ 风险提示：本文所提到的观点仅代表个人的意见，所涉及标的不作推荐，据此买卖，风险自负。 作者： 张翼轸 在华尔街的民间传说中，有一种古老而诱人的冲动，就像塞壬女妖的歌声一样，引诱着一代又一代的投资者。这种冲动在 2020 年新冠疫情引发的 市场剧震中达到了顶峰，随后在社交媒体的推波助澜下成为了一种近乎宗教般的信条。这就是 ——"抄底"（Buy the Dip，简称 BTD）。 想象一下：当你在屏幕前看到那根令人心惊肉跳的红色 K 线下坠时，你的大脑边缘系统会发出一声呐喊："打折了！快买！" 这种直 ...

全球亿万富豪投资情绪与区域偏好转向 - 在即将过去的2025年，全球股市整体表现强劲，多国股指创下历史新高[2] - 瑞银2025年亿万富豪调查显示，未来12个月，40%的受访者看好西欧市场投资机会，较2024年的18%大幅提升[2] - 未来12个月，34%的受访者看好大中华市场投资机会，远高于2024年的11%[2] - 以未来5年的视野来看，受访者看好大中华市场的比例从2024年的31%升至2025年的48%[2] - 对北美市场的乐观情绪大幅降温，未来12个月青睐该市场的受访者比例从2024年的80%骤降至2025年的63%[4] - 投资情绪转向源于对多重风险因素的担忧，66%的受访者认为关税是未来12个月最可能对市场环境造成负面影响的因[4] - 其他主要风险因素包括潜在重大地缘政治冲突（63%）、政策不确定性（59%）以及更高的通胀（44%）[4] 亿万富豪计划增持的资产类别 - 未来12个月，私募股权市场、对冲基金、发达市场股市以及新兴市场股市最有可能迎来更多资金流入[4] - 近一半（49%）的受访者计划增加对私募股权市场的敞口[4] - 计划增加对冲基金敞口的受访者比例为43%[4] - 计划增加发达市场股市敞口的受访者比例为43%[4] - 计划增加新兴市场股市敞口的受访者比例为42%[4] 各区域富豪对不同资产类别的增持意愿（基于表格数据） - **固定收益（发达市场）**：美洲地区52%的受访者计划增持，亚太地区39%的受访者计划增持[5] - **固定收益（新兴市场）**：美洲地区66%的受访者计划增持[5] - **股票（发达市场）**：美洲地区50%的受访者计划增持，亚太地区50%的受访者计划增持[5] - **股票（新兴市场）**：美洲地区56%的受访者计划增持，亚太地区41%的受访者计划增持[5] - **私募股权（直接投资）**：美洲地区53%的受访者计划增持，欧洲、中东及非洲地区54%的受访者计划增持[5] - **对冲基金**：亚太地区61%的受访者计划增持[5] - **黄金/贵金属**：美洲地区64%的受访者计划增持，亚太地区48%的受访者计划增持[5]

公司情况 - 一位31岁的对冲基金员工拥有总资产13,067,710.19美元，其中大部分投资于股票，支票账户有239,000美元，储蓄账户为零 [1] - 该员工出身美国南部中产阶级家庭，无遗产继承，18岁时用麦当劳暑期工收入进入股市，后就读顶尖常春藤盟校，进入投行，最终任职于一家对冲基金 [4] - 尽管资产超1300万美元，该员工仍每周工作七天，但周末较为轻松，有时全天休息，有时仅登录一小时阅读资料，并承认工作压力持续存在 [6] 行业与职业观点 - 该员工表示，即使中了10亿美元彩票也会继续工作，因为热爱所做之事，金钱在此阶段已无意义，一次1000万美元的报酬（税后约450万美元）也无法改变其生活，驱动力在于分析数月后判断正确的兴奋感与精通某事的快感 [2][3] - 对冲基金行业对年轻人可能非常有利可图，因为提出好想法并不需要太多，小团队在管理大资金时能获得巨大回报 [5] - 有评论者建议其放缓节奏、休假或完全退休，并以36/40岁退休、资产从800万美元增值至1900万美元并享受六年自由为例，但该员工反驳称会感到无聊，那才是其最糟糕的噩梦 [7]

核心观点 - AI已成为投研效率的革命性工具，能够快速解析海量信息并辅助决策，但无法独立创造超额收益[2] - AI模型存在历史依赖、数据局限、模型幻觉、黑盒决策等固有局限，难以预判缺乏历史先例的未来结构性拐点[2][4] - “人机结合”是应对模型风险与监管要求的必然模式，人类在定义问题、建立范式和最终决策中不可或缺[2][18] AI赋能投研的效率革命 - AI被定位为投资经理的“超级副驾驶”，核心在于实现极速信息处理与自动化分析支持，正在实现从“算力平权”到“投研平权”的跨越[3] - AI通过深度处理非结构化数据提升宏观与政策分析效率，例如可对央行货币政策文本进行自动化、批量化处理，生成连续、可比的政策力度指数[3] - 在资产配置中，AI能快速解析海量结构化与非结构化数据，挖掘市场规律及资产间隐含关联性，辅助构建量化模型并优化风险平价权重[3] AI的局限：历史依赖与前瞻预判鸿沟 - AI基于历史数据训练，擅长总结过去，但难以预判缺乏历史先例的未来结构性拐点，这是其生成超额收益的核心障碍[2][4] - Citadel创始人Ken Griffin指出，生成式AI无法帮助对冲基金产生超越市场的回报，因为投资优势在于预测未知未来，而AI只能学习过去已知信息[4] - 在处理具有长期趋势性或数据“非收敛”特征的资产（如黄金、部分国债）时，AI的预测能力面临根本挑战，可能错误地将动量驱动行情识别为均值回归拐点[7] AI的局限：模型幻觉、过拟合与数据异化 - AI面临幻觉风险，可能生成缺乏事实依据的逻辑关联，具体表现为“事实捏造”、“逻辑飞跃”和“情感误导”三种高风险形式[8] - 过度依赖有限历史模式的AI可能“过拟合”，在真实市场中表现僵化，将局部噪声误认为普适真理[9] - 模型训练所依赖的“数据地基”可能发生异化（如宏观统计口径调整、行业分类重构），导致建立在之上的所有逻辑坍塌[9] AI的局限：黑盒决策、同质化与监管冲突 - AI的“黑箱”特性与金融监管要求的透明度、可解释性直接冲突，使得完全依赖AI的决策在面临合规审查时存在巨大压力[10] - 策略同质化可能引发共振风险，当市场参与者广泛采用相似的AI模型时，其交易信号与行为会高度趋同，在市场压力时期会急剧放大波动，甚至形成程序化踩踏[11] - 模型在面对未知时可能集体失效，例如2018年“波动率末日”事件中，同质化的量化策略基于相同历史规则被同时触发大规模卖出指令，加剧了市场下跌[11] AI的认知天花板与人类角色 - AI本质是模式复现者而非意义创造者，可能陷入“解决方案主义”陷阱，将复杂问题强行简化为可处理的数据筛选问题，从而“衡量了容易衡量的，却错过了真正重要的”[12][13] - AI无法进行范式转换级别的创造性洞察，它无法想象从未见过的数据模式所代表的新事物，无法像人类那样提出“动物精神”、“护城河”等颠覆性概念或投资叙事[14] - 人类的角色已演进为框架架构师、关键输出校验者与风险兜底者、以及合规与伦理的最终责任主体，确保决策过程可解释、可审计[18] - 未来的投研范式将是人类洞察驾驭AI算力的深度协同，AI是卓越的“副驾驶”，但人类仍需承担最终且不可替代的决策职责[21]

核心观点 - 2024—2025年，全球对冲基金对人工智能的应用正从局部工具化走向流程化重构，关键在于将非结构化信息处理、推理式研究、代码与回测工程化能力整合进一条可迭代的投研链路，以提升研究产能、缩短策略迭代周期，并形成可持续的组织能力[3] - 行业呈现三条相对清晰的落地路径：智能体驱动研究体系、基本面投研增强体系、平台化基础设施体系[3] - 上述路径共同指向的竞争要点是：数据治理与私有语境理解能力、工程化迭代机制、可解释与可审计体系，这些比单一模型性能更重要[3] 行业背景：从结构化预测走向推理与流程化迭代 - 传统的量化金融主要依赖结构化数据和统计模型，面临“数据挖掘”风险和策略空间拥挤的问题[4] - 随着以Transformer架构为核心的AI技术成熟，行业正在经历“Quant 3.0”革命[4] - 2024—2025年的变化源于三类能力模块的工程化成熟：非结构化信息处理、智能体工作流拆解研究流程、以及提升工程效率的代码生成与数据管道自动化[4] 行业分化：三条主流落地路线 - **全自动投研路径**：以Man Group和Bridgewater为代表，致力于构建能独立提出假设、编写代码、验证策略并解释经济原理的AI系统[5] - **基本面投研增强**：以Citadel和Point72为代表，将AI视为人类基金经理的助手，通过自动化信息处理提升基本面选股的覆盖广度与深度[5] - **平台化基础设施**：以Balyasny和Millennium为代表，侧重于构建中心化的AI基础设施，赋能旗下众多独立的交易团队[5] 案例拆解：智能体驱动研究体系 - **Man Group**：通过“AlphaGPT”项目构建多智能体系统模拟人类研究团队分工，在盲测中其生成的Alpha因子代码质量和逻辑完备性平均分达8.16分，高于人类的6.81分，胜率达86.60%[7]；引入反馈机制后，策略有效性显著提升，信息系数从初始的0.58%提升至2.23%[7]；极度强调可解释性，要求每个信号附带清晰的经济学原理解释[8] - **Bridgewater Associates**：推出AIA Forecaster，这是一个模拟投资委员会辩论过程的多智能体系统，具备动态搜索实时信息的能力[9]；系统末端引入统计校准层，将AI的语言输出转化为具有统计意义的置信度概率[9]；建立严格的时间戳管控机制以避免“先知偏差”，并要求AI输出逻辑链条而非单一预测[10] 案例拆解：基本面投研增强体系 - **Citadel**：内部推进统一的AI助手体系，将大模型能力与内部研究材料打通，主要服务两个高频场景：为基金经理生成持仓与关注清单的定向摘要与跟踪要点；解析10-K、10-Q等文件并标注关键信息点[11]；后台工程中，Citadel Securities的工程师已100%采用AI代码辅助工具Cursor，极大缩短了策略开发周期[12] - **Point72**：自研“Canvas”平台，核心是利用AI技术将零散的另类数据拼凑成完整的产业链全景图，包括多模态数据融合、知识图谱构建以及为基金经理合成信息报告[16]；同时通过Academy等项目培养复合型分析师以提高平台能力的吸收与转化效率[16] 案例拆解：平台化基础设施体系 - **Balyasny Asset Management (BAM)**：采取中心化的AI战略，建立公司级的“应用AI”团队，自建专用嵌入模型以提升内部文档检索的准确度与召回质量，重点解决金融行业语境依赖强导致的检索偏差[17]；应用AI团队深入交易台梳理流程痛点，承担技术与投研之间的接口角色[17] - **Millennium Management**：采用去中心化和灵活的架构，提供强大的底层基建让各团队自主构建应用，其云基础设施倾向多云配置以满足差异化需求，同时高度重视数据隔离、权限控制与审计[18]；在应用层面提供标准化工具接口与通信协议以提升跨团队复用效率[19] 案例拆解：其他代表性机构 - **Two Sigma**：利用先进的机器学习技术捕捉市场中微弱且非线性的信号，研究重点包括单核神经元深度学习、深度多任务学习以及Transformer在金融时间序列中的应用[13][14]；其Venn平台是一个面向机构投资者的投资组合分析平台，核心是一个包含18个宏观和风格因子的风险模型，实现了Alpha能力的SaaS化[14]；通过Venn平台收集的投资者行为数据可能为其自营交易提供独特市场洞察[15] 总结：三条路径对比与趋同 - **智能体驱动研究体系**：代表机构为Man Group、Bridgewater，目标是把假设生成、实现、回测、归因解释做成可规模化的流程化研发管线，核心能力包括非结构化信息摄取、多智能体分工、代码生成与回测工程化等，主要收益是策略研发周期缩短、研究产能提升[20] - **基本面投研增强体系**：代表机构为Citadel、Point72，目标是把AI作为研究助理与信息引擎，提升覆盖广度、深度与跟踪频率，核心能力包括持仓定向摘要、另类数据融合、知识图谱构建等，主要收益是覆盖面扩大、阅读与整理成本下降[20] - **平台化基础设施体系**：代表机构为Balyasny、Millennium，目标是构建统一数据、权限、检索、安全与审计框架，对多团队交易组织输出通用AI能力底座，核心能力包括统一数据治理、检索增强、沙箱化运行等，主要收益是产生规模效应、降低重复造轮子成本、提升开发与迭代工程效率[20] - 三条路径在终局上趋同于同一套竞争要点：数据治理与私有语境理解、工程化迭代机制、可解释与可审计体系[20]

核心观点 - 2024—2025年，全球对冲基金对人工智能的应用正从局部工具化走向流程化重构，关键在于将非结构化信息处理、推理式研究、代码与回测工程化能力整合进一条可迭代的投研链路，以提升研究产能、缩短策略迭代周期，并形成可持续的组织能力[3] - 行业呈现三条相对清晰的落地路径：智能体驱动研究体系、基本面投研增强体系、平台化基础设施体系[3] - 上述路径共同指向的竞争要点是：数据治理与私有语境理解能力、工程化迭代机制、可解释与可审计体系，这些比单一模型性能更重要[3] 行业背景：从结构化预测走向推理与流程化迭代 - 传统的量化金融主要依赖结构化数据和统计模型，但面临“数据挖掘”风险和策略空间拥挤的问题[4] - 随着以Transformer架构为核心的AI技术成熟，行业正在经历“Quant 3.0”革命[4] - 2024—2025年的变化源于三类能力模块的工程化成熟：非结构化信息处理、智能体工作流、以及提升工程效率的代码生成与数据管道自动化[4] 行业分化：三条主流落地路线 - **全自动投研路径**：以Man Group和Bridgewater为代表，致力于构建能独立提出假设、编写代码、验证策略并解释经济原理的AI系统[5] - **基本面投研增强**：以Citadel和Point72为代表，将AI视为人类基金经理的助手，通过自动化信息处理提升基本面选股的覆盖广度与深度[5] - **平台化基础设施**：以Balyasny和Millennium为代表，侧重于构建中心化的AI基础设施，赋能旗下众多独立的交易团队[5] 案例拆解：智能体驱动研究体系 - **Man Group**：通过“AlphaGPT”项目构建多智能体系统，模拟人类量化研究团队分工，在盲测中其生成的Alpha因子在代码质量和逻辑完备性上获得8.16分（人类研究员为6.81分），胜率达86.60%[7]，引入反馈机制后，策略有效性显著提升（IC从0.58%提升至2.23%）[7]，并极度强调可解释性，要求每个信号附带清晰的经济学原理解释[8] - **Bridgewater Associates**：推出AIA Forecaster，这是一个模拟投资委员会辩论过程的多智能体系统，具备动态搜索实时信息的能力，并通过多视角辩论、监督和统计校准来避免模型“幻觉”，输出具有统计意义的置信度概率[9]，同时建立严格的时间戳管控机制，防止“先知偏差”[10] 案例拆解：基本面投研增强体系 - **Citadel**：内部推进统一的AI助手体系，将大模型能力与内部研究材料打通，主要服务两个高频场景：为基金经理生成定向摘要与跟踪要点；解析10-K、10-Q等文件以提升研究覆盖效率[11]，其工程师已100%采用AI代码辅助工具Cursor，极大缩短了策略开发周期[12] - **Point72**：自研“Canvas”平台，核心是利用AI进行多模态数据融合和知识图谱构建，将零散的另类数据拼凑成完整的产业链全景图，并利用生成式AI合成行业概览报告辅助决策[16]，同时通过Academy等项目培养复合型分析师以提高平台能力转化效率[16] 案例拆解：平台化基础设施体系 - **Balyasny Asset Management (BAM)**：采取中心化的AI战略，建立公司级的“应用AI”团队，自建专用嵌入模型以提升内部文档检索的准确度与召回质量，重点解决金融行业语境依赖强导致的检索偏差[17]，该团队深入交易台梳理流程痛点，推动AI能力从可用走向常用[17] - **Millennium Management**：采用去中心化和灵活的架构，提供强大的底层基建（如多云配置）让各团队自主构建应用，同时优先保障数据隔离、权限控制与审计[18]，平台提供标准化工具接口与通信协议，以提升跨团队复用效率和开发迭代效率[19] 案例拆解：其他代表性机构 - **Two Sigma**：利用先进的机器学习技术捕捉市场中微弱且非线性的信号，研究重点包括单核神经元深度学习、深度多任务学习以及Transformer在金融时间序列中的应用[13][14]，其Venn平台是一个面向机构投资者的投资组合分析平台，核心是一个包含18个宏观和风格因子的风险模型，将Alpha能力SaaS化[14][15] 总结：三条路径对比 - **智能体驱动研究体系**：代表机构为Man Group、Bridgewater，目标是把假设生成、实现、回测、归因解释做成可规模化的流程化研发管线，核心能力包括非结构化信息摄取、多智能体分工、代码生成与回测工程化等，主要收益是策略研发周期缩短、研究产能提升[20] - **基本面投研增强体系**：代表机构为Citadel、Point72，目标是把AI作为研究助理与信息引擎，提升覆盖广度、深度与跟踪频率，核心能力包括定向摘要生成、另类数据融合、知识图谱构建等，主要收益是覆盖面扩大、阅读与整理成本下降[20] - **平台化基础设施体系**：代表机构为Balyasny、Millennium，目标是统一数据、权限、检索、安全与审计框架，对多团队交易组织输出通用AI能力底座，核心能力包括统一数据治理、检索增强、沙箱化运行等，主要收益是规模效应更强、降低重复造轮子成本[20] - 三条路径最终趋同于同一套竞争要点：数据治理与私有语境理解、工程化迭代机制、可解释与可审计体系[20]

文章核心观点 - 对冲基金Balyasny Asset Management管理合伙人Dmitry Balyasny认为，人工智能将成为明年最大的尾部风险，其发展速度无论超预期还是低于预期，都可能对市场造成冲击 [1] - 更可能出现的结果是AI继续保持当前的增长轨迹 [1] AI作为市场尾部风险 - 下行风险：AI需求下滑，特别是超大规模云服务商若因未能实现预期的商业变现而改变支出计划，将构成下行风险 [1] - 上行风险：AI产业发展速度若快于预期，可能在员工完成再培训前就造成失业潮，这是关注的另一个极端情景 [1] - 这两种情景都可能引发市场不稳定 [1] AI商业化进程与投资回报 - AI的商业变现能力被视为影响市场走向的核心变量 [2] - 超大规模云服务商在AI基础设施上投入了巨额资本开支，若投资未能转化为相应的收入增长，可能导致企业大幅削减支出计划，进而冲击整个AI产业链 [2] - 当前科技巨头在AI领域的投资规模已达到前所未有的水平，但相应的收入贡献尚未完全兑现，市场对AI投资回报率的质疑声渐起 [2] 技术发展过快的潜在影响 - AI技术发展过快同样值得警惕，如果自动化替代人力的速度超过劳动力市场的调整能力，可能在短期内造成大规模失业 [2] - 受影响的员工可能尚未来得及为其他工作机会完成必要的技能培训 [2] - 这种情景虽被视为小概率事件，但一旦发生将对经济和社会稳定产生深远影响，进而波及金融市场 [2] 公司背景与业绩 - Balyasny Asset Management管理着310亿美元资产 [1] - 该公司今年11月录得2.5%的回报，年初至今涨幅达15.3% [1] 阿布扎比金融中心发展 - 阿布扎比作为金融中心的发展阶段早于纽约或伦敦，但正在快速成长 [2] - 大量资金正在流入该地区，阿布扎比的生活方式吸引了人才 [2] - 该城市对AI和技术的承诺也值得关注 [2]

文章核心观点 - 2025年AI科技革命继续引领资本开支与消费周期，全球股市呈现AI主题主导的慢牛，但市场估值抬升、波动加大，且全球宏观政策存在不确定性 [1] - 在此环境下，除配置中美科技资产外，寻找与股市低相关的优质回报流以应对潜在波动是合理配置思路 [1] - 全球对冲策略作为一种有效的配置工具，在当前复杂投资环境下展现出较高的配置价值，因其具备多市场机会搜寻、对冲系统性风险及合理运用杠杆的特点 [3][7][9] 全球对冲策略业绩复盘 - 全球对冲策略指资产管理人在全球范围内利用多种金融工具和复杂交易策略（如多空、相对价值、宏观策略等）捕捉投资机会，其交易资产涵盖股票、债券、证券化信贷及衍生品等 [3] - 截至2025年10月末，年内各类对冲策略普遍实现正收益，多种策略收益在10%以上 [5] - 具体策略年初至今收益（截至10.31）：股票多空为16.22%，事件驱动为15.33%，波动率为12.48%，宏观为11.16%，多策略为10.73%，相对价值为7.78% [6] - 近三年年化收益均超过9%，其中股票多空为14.12%，事件驱动为12.19%，波动率为11.87%，宏观为9.18%，多策略为10.34%，相对价值为9.29% [6] - 近三年夏普比率显示风险收益性价比高，相对价值策略夏普比率达4.45，股票多空为1.90，事件驱动为1.95，波动率为2.40，宏观为2.34，多策略为2.16 [6] 全球对冲策略配置意义 - 全球对冲策略能提供较好长期收益与风险收益性价比的原因有三：1) 在全球范围内跨市场广泛搜寻机会，覆盖成熟与新兴市场，提供丰富盈利机会和风险分散效果 [7][8]；2) 利用对冲手段（如相对价值、股票多空策略的双向交易）高效管理系统性风险，在可控波动内实现回报 [8]；3) 在控制波动与回撤后，合理且低成本地运用杠杆以增厚收益 [9] - 当前投资环境面临逆全球化导致的各区域市场分化，以及高估值加剧的市场系统性波动 [9] - 多市场布局且能合理对冲系统性风险的全球对冲策略，正展现出较高的配置价值，是值得重点关注的配置工具 [9]

核心观点 - 对冲基金巴利亚斯尼资产管理公司联席总裁认为，未来一年最大的尾部风险在于人工智能可能出现超预期向好或不及预期的突发状况 [1][2] 风险情景分析 - **不及预期的风险**：若人工智能领域需求下滑，且人工智能企业（尤其是超大规模科技公司）因未能实现所需变现目标而调整支出计划，将构成不及预期的意外风险 [1][2] - **超预期向好的风险**：若人工智能行业发展速度远超预期，可能会在员工完成再培训、获得其他就业机会之前就引发失业潮 [1][2] 市场影响与基本判断 - 上述两种情景中的任何一种都可能引发一定的市场动荡 [1][2] - 更大概率的结果是，人工智能行业会延续当前的发展态势 [1][2] 公司背景 - 巴利亚斯尼资产管理公司目前管理着310亿美元的资产 [1][3]

文章核心观点 - 英仕曼集团首席市场策略师Kristina Hooper表示，若市场质疑下一任美联储主席的独立性，美联储可能被迫转向量化宽松以降低长期借贷成本 [1] - 该观点基于对2022年英国国债因对政府政策缺乏信心而遭抛售的历史类比，强调公职部门官员信誉对市场至关重要 [1] - 美国总统特朗普已表示将于明年初提名下任美联储主席，并提及潜在人选为支持其低利率政策的白宫国家经济委员会主任哈塞特 [1] 市场分析与历史参照 - 2022年英国国债遭遇抛售，原因是市场对时任英国首相的经济政策缺乏信心 [1] - 此后英国的借贷成本一直高于其他许多G7国家，这突显了官员信誉的重要性 [1] - 债券投资者更关注财政可持续性和央行独立性，而股票投资者的理由可能更简单，例如宽松的货币政策 [1] 货币政策与潜在路径 - 仅降低联邦基金利率并不能保证长期利率下降，甚至可能产生相反效果 [1] - 如果一位被认为不够独立且专注于长期降低利率的人士被选为美联储主席，其可能不得不诉诸量化宽松才能最大限度地实现降低长期利率的目标 [1] - 量化宽松被视为在债券市场质疑央行独立性时，用以降低长期借贷成本的潜在工具 [1]