第十二届金融创新服务论坛：人工智能在量化投资中的应用-20191205-中信证券-25页.pdf

2019年年12月月5日日第十二届金融创新服务论坛第十二届金融创新服务论坛人工智能在量化投资中的应用人工智能在量化投资中的应用量化与配置团队量化与配置团队中信证券研究部中信证券研究部 目录目录CONTENTS11.海外投资机构加大人工智能领域的布局海外投资机构加大人工智能领域的布局2.案例一：基于随机森林的择时套保策略案例一：基于随机森林的择时套保策略3.案列二：基于模式匹配的行业轮动策略案列二：基于模式匹配的行业轮动策略4.案例三：基于案例三：基于TensorFlow的二叉树期权定价模型的二叉树期权定价模型 21.海外投资机构加大人工智能领域的布局海外投资机构加大人工智能领域的布局I.量化型成对冲基金主流，量化型成对冲基金主流，AI参与投资度较高参与投资度较高II.人工智能专家转战投资领域，机构提升人工智能专家转战投资领域，机构提升AI关注度关注度III.近十年近十年AI对冲基金表现不俗对冲基金表现不俗 3 3 3资料来源：Pensions&Investments资料来源：巴克莱对冲基金，中信证券研究部2018全球对冲基金资管规模量化型包揽前六全球对冲基金资管规模量化型包揽前六巴克莱巴克莱2018年调查：年调查：超半数超半数使用使用AI/ML的比例的比例1.1 量化型成对冲基金主流，量化型成对冲基金主流，AI参与投资度较高参与投资度较高资料来源：，中信证券研究部量化型基金包揽对冲基金规模排名前六量化型基金包揽对冲基金规模排名前六2018全球对冲基金资管规模量化型包揽前六，而2004年，前9名都是主动性基金，仅桥水基金排在第十位。AI/ML方法在对冲基金中广泛应用方法在对冲基金中广泛应用巴克莱2018年对冲基金调查显示超半数基金经理使用AI/ML进行投资决策围棋围棋AI击败人类顶尖棋手李世石击败人类顶尖棋手李世石排名公司公司公司分类公司分类资管规模（百万美元）资管规模（百万美元）1Bridgewater Associates量化132,756 2AQR量化83,700 3Man Group量化+主观59,100 4Renaissance Technologies量化57,000 5Two Sigma量化38,800 6Millennium Mgmt量化35,314 7Elliott Management主观35,000 8Marshall Wace量化34,800 9Davidson Kempner主观31,400 10Baupost Group主观31,000 4 4 4资料来源：Man AHLMan AHL的模型里程碑的模型里程碑1.2 人工智能专家转战投资领域，机构提升人工智能专家转战投资领域，机构提升AI关注度关注度近几年很多知名的人工智能专家转战投资领域近几年很多知名的人工智能专家转战投资领域2017年，微软人工智能首席科学家邓力加入对冲基金Citadel 担任首席人工智能官。2018年，摩根大通聘请卡耐基梅隆大学机器学习系主任 Manuela Veloso博士担任人工智能研究院负责人机构持续提升对机构持续提升对AI的关注度的关注度机器学习最顶级的学术会议神经信息处理系统大会（NeurIPS）的赞助商中，越来越多出现了金融机构，特别是知名对冲基金的身影，如Two sigma，D.E.Shaw，Citadel等。从2013年到2015年该会议赞助商中金融机构的数目稳步增长，到2016迅速增长近一倍，并在后续几年保持稳定。5 5 5资料来源：Eurekahedge资料来源：Eurekahedge的的AI对冲基金指数对冲基金指数表现表现使用使用AI/ML投资的投资的ETF1.3 近近十年十年AI对冲基金表现不俗对冲基金表现不俗AI对冲基金业绩表现不俗对冲基金业绩表现不俗国际对冲基金研究机构Eurekahedge针对使用AI/ML的基金编制了一个AI对冲基金指数（Bloomberg代码：EHFI817）。截至2019年10月，年化12.72%，而旗舰对冲基金指数为8.2%。AI对冲基金成立加速对冲基金成立加速2017年有一只使用AI/ML的ETF（AIEQ）成立，到2018年底就增长到9只ETF。当前共10只，其中Blackrock占据了半壁江山。基金代码基金代码基金发行者基金发行者基金规模基金规模成立日期成立日期AIEQETF Managers Group$127.72M2017/10/18IETCBlackrock$13.63M2018/3/21KOINExchange Traded Concepts$10.52M2018/1/30IEMEBlackrock$7.17M2018/3/21MSUSLittle Harbor Advisors$6.08M2018/4/4IEDIBlackrock$6.02M2018/3/21IEFNBlackrock$4.95M2018/3/21IECSBlackrock$4.13M2018/3/21AIIQEquBot$3.82M2018/6/5QRFTExchange Traded Concepts$3.34M2019/5/210.0050.00100.00150.00200.00250.00300.00350.00Dec 2009Apr 2010Aug 2010Dec 2010Apr 2011Aug 2011Dec 2011Apr 2012Aug 2012Dec 2012Apr 2013Aug 2013Dec 2013Apr 2014Aug 2014Dec 2014Apr 2015Aug 2015Dec 2015Apr 2016Aug 2016Dec 2016Apr 2017Aug 2017Dec 2017Apr 2018Aug 2018Dec 2018Apr 2019Aug 2019AI Hedge Fund IndexHedge Fund Index 62.案例一：基于随机森林的择时套保策略案例一：基于随机森林的择时套保策略I.集百家之长的随机森林模型集百家之长的随机森林模型II.决策树压力测试进行特征筛选决策树压力测试进行特征筛选III.随机森林择时模型采用滚动训练和预测随机森林择时模型采用滚动训练和预测IV.随机森林择时对冲策略有效防范下行风险随机森林择时对冲策略有效防范下行风险 7 7 7资料来源：中信证券数研究部资料来源：中信证券研究部决策树决策树选瓜逻辑选瓜逻辑示意图示意图Bagging示意图示意图2.1 集百家之长的随机森林模型集百家之长的随机森林模型随机森林通过综合基本模型随机森林通过综合基本模型（决策树决策树）的输出结果提的输出结果提升效果升效果决策树能够自上而下决策树能够自上而下，自动归纳出适合划分节点的特自动归纳出适合划分节点的特征和阈值征和阈值决策树优势：决策树优势：逻辑清晰，便于检验，风险可控容易引入随机性，形成互补Bagging将多个决策树的结果直接平均将多个决策树的结果直接平均随机森林：在随机森林：在Bagging的基础上限制每次节点划分时的基础上限制每次节点划分时考虑的特征数目考虑的特征数目随机森林优势：随机森林优势：不易出现过拟合运算快，易并行处理非线性问题 8 8 8资料来源：中信证券数研究部资料来源：Wind，中信证券研究部坏指标坏指标&好指标好指标RETP指标的表现指标的表现2.2 决策树压力测试进行特征筛选决策树压力测试进行特征筛选将将2005-2019作为样本内筛选特征作为样本内筛选特征好的指标两个标准：好的指标两个标准：好的特征应该尽可能单调或分块好的特征应该能够独立的提供预测性压力测试：压力测试：限制使用单个特征，并限制树的最大深度为3。观察样本内的表现。EMA12指标的表现指标的表现资料来源：Wind，中信证券研究部 9 9 9资料来源：中信证券研究部资料来源：中信证券研究部滚动训练和回测框架示意图滚动训练和回测框架示意图指标测试结果指标测试结果2.3 随机森林择时模型采用滚动训练和预测随机森林择时模型采用滚动训练和预测回测数据：沪深回测数据：沪深300指数指数2010年年1月至月至2019年年10月日月日频数据频数据。回测方式：回测方式：采用第一档指标构建模型采用第一档指标构建模型，预测下一日涨预测下一日涨跌跌，滚动训练和预测滚动训练和预测。参数设置：决策树棵数设为参数设置：决策树棵数设为800，最大可选特征数为最大可选特征数为9。手续费设置：手续费设置：15%保证金保证金，期货期货0.5/万万，现货现货3/千千指标指标描述描述第一档RETP,K,J,TREND,DIFF,DEA,RET20,RET60,VOL20,VOLM能够取得较好收益，能够在很多关键时刻避险。第二档MARANGE,D,VOL60能够取得不错收益，能够在部分时刻避险。第三档EMA12,EMA26,PE_TTM,PB_LF,TURNP,DIFFDEA,MACD,MA5BIAS收益不明显，仅少数时段能够避险，或者不符合模型逻辑。101010资料来源：中信证券研究部资料来源：Wind,中信证券研究部随机森林择时策略随机森林择时策略回测回测结果统计结果统计随机森林择时策略的随机森林择时策略的净值净值2.4 随机森林择时对冲策略有效防范下行风险随机森林择时对冲策略有效防范下行风险有效控制下行风险：有效控制下行风险：最大回撤仅18.5%，远低于沪深3002015年股灾成功避险整体年化整体年化12.3%，夏普比夏普比1.12019年以来年以来，风险收益比高风险收益比高今年以来，策略年化收益为18.7%，最大回撤为7.7%，夏普比率为1.5总收益总收益(%)年化收益年化收益(%)年化波动率年化波动率(%)夏普比率夏普比率索提诺比率索提诺比率卡玛比率卡玛比率相对日胜率相对日胜率(%)上涨市相对上涨市相对日胜率日胜率(%)下跌市相对下跌市相对日胜率日胜率(%)最大回撤最大回撤(%)全部199.312.311.31.11.70.753.646.661.018.5201914.718.712.31.52.42.444.643.571.17.72018-4.4-4.58.1-0.6-0.8-0.544.743.567.49.4201710.711.15.62.03.23.542.742.548.63.2201611.712.29.51.32.12.244.243.263.25.7201539.941.715.62.74.53.843.342.854.711.1 113.案例二：基于模式匹配的行业轮动策略案例二：基于模式匹配的行业轮动策略I.相似数据的定位和组合优化相似数据的定位和组合优化II.子策略综合：胜者为王子策略综合：胜者为王III.数据观察：基于相似性的模式能够重现数据观察：基于相似性的模式能够重现IV.模式匹配策略历史业绩优异，稳定战胜基准模式匹配策略历史业绩优异，稳定战胜基准V.一定范围内参数敏感性不强一定范围内参数敏感性不强VI.参数时序稳定性较强参数时序稳定性较强 12资料来源：中信证券研究部模式匹配运行逻辑框架模式匹配运行逻辑框架市场在市场状态相似的条件下市场在市场状态相似的条件下，认为市场行为认为市场行为是目标期市场行为是目标期市场行为的可能状态的可能状态。通过计算相似度来检索相似的历史状态通过计算相似度来检索相似的历史状态，从而定位相似的市场行为从而定位相似的市场行为。选取所有相似的市场行为选取所有相似的市场行为组成相似集合组成相似集合C。在在C上根据上根据Kelly准则进行优化准则进行优化，输出各资产的组合比例：输出各资产的组合比例：3.1 相似数据的定位和组合优化相似数据的定位和组合优化 133.2 子策略综合：胜者为王子策略综合：胜者为王资料来源：中信证券研究部 14资料来源：Wind，中信证券研究部市场状态相似的条件下市场行为也相似的概率更大市场状态相似的条件下市场行为也相似的概率更大观察基于相似性的模式观察基于相似性的模式检索市场状态相关性大于0的时期。横坐标：历史平均市场状态与当期市场状态的相关性纵坐标：历史平均市场行为与当期市场行为的相关性实证结果：数据点更多的分布在零轴上方实证结果：数据点更多的分布在零轴上方，表示市场行为相似的概率更大表示市场行为相似的概率更大数据点的横坐标在0.5至0.9之间数据点的纵坐标大多在零轴上方3.3 数据观察：基于相似性的模式能够重现数据观察：基于相似性的模式能够重现资料来源：中信证券研究部 15资料来源：Wind，中信证券研究部模式匹配策略的净值走势模式匹配策略的净值走势测试时间：测试时间：2016年年1月至月至2019年年10月月测试空间：中信测试空间：中信28个一级行业个一级行业（去掉综合去掉综合）对比基准：中证全指对比基准：中证全指换仓频率：月度换仓频率：月度手续费：双边千三手续费：双边千三3.4 模式匹配策略历史业绩优异，稳定战胜基准模式匹配策略历史业绩优异，稳定战胜基准 16资料来源：Wind，中信证券研究部模式匹配策略分年度历史业绩模式匹配策略分年度历史业绩2016至至2019共实现年化收益共实现年化收益22.2%，年化超额收益年化超额收益10.6%最近最近10年连续战胜基准年连续战胜基准，今年以来已经实现今年以来已经实现63%的收益的收益。3.5 模式匹配策略连续模式匹配策略连续10年战胜基准年战胜基准总收益总收益(%)年化收益年化收益(%)年化超额收益年化超额收益(%)年化波动率年化波动率(%)夏普比率夏普比率信息率信息率月胜率月胜率(%)最大回撤最大回撤(%)最大回撤月数最大回撤月数全部1470.922.210.636.70.40.759.471.413201962.879.539.321.82.63.880.06.822018-21.2-21.212.318.4-1.51.141.721.61220176.36.33.910.60.20.650.07.652016-2.8-2.813.632.7-0.21.750.025.23201539.239.28.649.90.60.558.340.25201464.164.113.633.61.40.583.311.93201323.923.919.029.00.61.750.015.72201215.015.09.926.80.41.050.014.372011-27.5-27.50.521.2-1.70.041.727.513201028.628.632.830.20.71.550.018.64200997.197.1-0.246.21.40.083.331.522008-59.3-59.311.742.1-2.20.833.366.692007165.0165.01.053.01.80.083.322.12200683.594.0-6.027.02.4-0.581.88.72 17资料来源：Wind，中信证券研究部各种参数配置下的累计净值（行：窗口大小，列：相似度阈值）各种参数配置下的累计净值（行：窗口大小，列：相似度阈值）参数测试范围参数测试范围市场状态的窗口取1-5，步长为1相似状态的阈值取0-0.9，步长为0.1窗长取窗长取1-2，阈值取阈值取0到到0.3策略表现较好策略表现较好最佳子策略参数配置：窗口取1，阈值取0.2最终模型结果强于每一个子策略3.6 一定范围内参数敏感性不强一定范围内参数敏感性不强00.10.20.30.40.50.60.70.80.914.315.8014.259.667.572.582.141.193.175.73213.8013.069.0913.483.223.903.862.6310.964.9630.851.172.002.972.512.642.116.076.714.9941.821.563.242.481.373.928.335.994.615.7952.061.392.103.045.781.913.292.973.145.72 18资料来源：Wind，中信证券研究部。注：以2006-2009作为样本内各种参数配置下的年度收益（各种参数配置下的年度收益（%）3.7 参数时序稳定性较强参数时序稳定性较强窗口-阈值2006200620072007200820082009200920062006-2009200920102010201120112012201220132013201420142015201520162016201720172018201820192019全部全部1 1-0 082128-666713843-299123346-137-33213281 1-0.10.190165-657721240-2611203633-163-27194831 1-0.20.286226-6012845234-2712216231-112-182313251 1-0.30.3112181-667525027-30152182260-2-21258661 1-0.40.4107171-697019534-31-4206831-6-4-27656571 1-0.50.5111137-7212621221-29-143639-3-205-42261602 2-0 052154-537622024-376266056-524-279312792 2-0.10.166140-47943093-449326348-621-289312052 2-0.20.26594-466518618-4424136754-62-29998092 2-0.30.390108-487125145-338185656-3-5-289412482 2-0.40.48892-605912713-41320648-9-14-29742152 2-0.50.584103-669414711-401743015-713-24622903 3-0 08273-7157444-46100536-22-3-4444-123 3-0.10.182138-72631002-48805315-24-5-4346223 3-0.20.297140-696614211-441307321-23-13-40411013 3-0.30.399161-727315626-412096612-24-6-37482073 3-0.40.455120-68647827-362233933-200-40531453 3-0.50.563117-60951748-32185-120-174-36611644 4-0 070179-641302921-3715-211610-8-8-3723874 4-0.10.161130-651402108-3712-22269-8-13-3624604 4-0.20.288181-6614133512-3713-71227-8-6-34262324 4-0.30.355114-6312116717-341722025-11-15-33351584 4-0.40.44377-7066263-3317-223753-155-2937434 4-0.50.547104-60931301-2816-27533-20-2-2858291 194.案例三：基于案例三：基于TensorFlow的二叉树的二叉树期权定价期权定价I.二叉树期权定价基本理论二叉树期权定价基本理论II.为什么选择为什么选择TensorFlow？III.前向传播可以定价，反向传播可以求隐含波动率前向传播可以定价，反向传播可以求隐含波动率 202020资料来源：Wind，中信证券研究部二叉树期权定价示意图二叉树期权定价示意图4.1 二叉树期权定价基本理论二叉树期权定价基本理论S0S0*uS1=S0*u*uRelu(S1-S)S2=S0*u*dRelu(S2-S)S0*dS3=S0*d*uRelu(S3-S)S4=S0*d*dRelu(S4-S)DiscountedOption valueDiscountedOption valueDiscountedOption value假设股票价格服从随机游走假设股票价格服从随机游走以概率p上涨变动为S0*u以概率1-p下跌变动为S0*d任何价格的上涨下跌的概率及涨跌幅都相同根据股票和期权组合的价值在上涨下跌中相等可推导出股票的单位数根据股票和期权组合的价值在上涨下跌中相等可推导出股票的单位数根据无风险组合的收益率等于无风险利率可推导出期权价格根据无风险组合的收益率等于无风险利率可推导出期权价格ppp1-p1-p1-p 212121资料来源：https:/资料来源：https:/神经网络示意图神经网络示意图TensorFlow图计算示意图图计算示意图4.2 为什么选择为什么选择TensorFlow？TensorFlow将计算抽象为一个个张量流将计算抽象为一个个张量流，只需要编只需要编写出计算过程写出计算过程，就能利用自动求导的优化工具进行优就能利用自动求导的优化工具进行优化化。支持支持GPU加速加速，计算可并行计算可并行。TensorFlow被广泛用于构建网络模型被广泛用于构建网络模型，二叉树也是二叉树也是一种图结构一种图结构，因此可以很容易的采用因此可以很容易的采用TensorFlow实实现二叉树的计算过程现二叉树的计算过程。222222资料来源：中信证券研究部二叉树正向和反向分别实现定价和求解隐含波动率二叉树正向和反向分别实现定价和求解隐含波动率4.3 前向传播可以定价，反向传播可以求隐含波动率前向传播可以定价，反向传播可以求隐含波动率当给定市场参数和已知波动率时当给定市场参数和已知波动率时，可在一定精度条件下计算出期权价格可在一定精度条件下计算出期权价格网络前向计算，数据从左端流向右端，输出期权价格当给定市场参数和已知期权价格时当给定市场参数和已知期权价格时，可以求出隐含波动率可以求出隐含波动率将网络定出的期权价格与真实期权价格作差，并作为错误信号（error signal）反向传播，优化隐含波动率Real option valueFit定价求隐含波动率S0S0*uS1=S0*u*uRelu(S1-S)S2=S0*u*dRelu(S2-S)S0*dS3=S0*d*uRelu(S3-S)S4=S0*d*dRelu(S4-S)DiscountedOption valueDiscountedOption valueDiscountedOption valueppp1-p1-p1-p 感谢您的信任与支持！感谢您的信任与支持！THANK YOU赵文荣赵文荣（首席量化与配置分析师首席量化与配置分析师）电话：010-60836759邮件：执业证书编号：S1010512070002王兆宇王兆宇（首席量化策略分析师首席量化策略分析师）电话：021-20262110邮件：执业证书编号：S1010514080008张依文张依文（量化策略分析师量化策略分析师）电话：021-20262149邮件：执业证书编号：S101051708000厉海强厉海强（首席金融产品分析师首席金融产品分析师）电话：0755-23835401邮件：执业证书编号：S1010512010001刘刘 方方（首席组合配置分析师首席组合配置分析师）电话：010-60836736邮件：执业证书编号：S1010513080004张若海张若海（首席数据科技分析师首席数据科技分析师）电话：021-20262114邮件：执业证书编号：S1010516090001 免责声明免责声明分析师声明分析师声明主要负责撰写本研究报告全部或部分内容的分析师在此声明：（i）本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法；（ii）该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系。评级说明评级说明其他声明其他声明本研究报告由中信证券股份有限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构（仅就本研究报告免责条款而言，不含CLSA group of companies），统称为“中信证券”。法律主体声明法律主体声明本研究报告在中华人民共和国（香港、澳门、台湾除外）由中信证券股份有限公司（受中国证券监督管理委员会监管，经营证券业务许可证编号：Z20374000）分发。本研究报告由下列机构代表中信证券在相应地区分发：在中国香港由CLSA Limited分发；在中国台湾由CL Securities Taiwan Co.,Ltd.分发；在澳大利亚由CLSA Australia Pty Ltd.分发；在美国由CLSA group of companies（CLSA Americas,LLC（下称“CLSA Americas”）除外）分发；在新加坡由CLSA Singapore Pte Ltd.（公司注册编号：198703750W）分发；在欧盟由 CLSA（UK）分发；在印度由CLSA India Private Limited分发（地址：孟买（400021）Nariman Point的Dalamal House 8层；电话号码：+91-22-66505050；传真号码：+91-22-22840271；公司识别号：U67120MH1994PLC083118；印度证券交易委员会注册编号：作为证券经纪商的INZ000001735，作为商人银行的INM000010619，作为研究分析商的INH000001113）；在印度尼西亚由PT CLSA Sekuritas Indonesia分发；在日本由CLSA Securities Japan Co.,Ltd.分发；在韩国由CLSA Securities Korea Ltd.分发；在马来西亚由CLSA Securities Malaysia Sdn Bhd分发；在菲律宾由CLSA Philippines Inc.（菲律宾证券交易所及证券投资者保护基金会员）分发；在泰国由CLSA Securities(Thailand)Limited分发。针对不同司法管辖区的声明针对不同司法管辖区的声明中国中国：根据中国证券监督管理委员会核发的经营证券业务许可，中信证券股份有限公司的经营范围包括证券投资咨询业务。美国：美国：本研究报告由中信证券制作。本研究报告在美国由CLSA group of companies（CLSA Americas除外）仅向符合美国1934年证券交易法下15a-6规则定义且CLSA Americas提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。任何从中信证券与CLSA group of companies获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSA Americas。新加坡：新加坡：本研究报告在新加坡由CLSA Singapore Pte Ltd.（资本市场经营许可持有人及受豁免的财务顾问），仅向新加坡证券及期货法s.4A（1）定义下的“机构投资者、认可投资者及专业投资者”分发。根据新加坡财务顾问法下财务顾问（修正）规例（2005）中关于机构投资者、认可投资者、专业投资者及海外投资者的第33、34、35及36条的规定，财务顾问法第25、27及36条不适用于CLSA Singapore Pte Ltd.。如对本报告存有疑问，还请联系CLSA Singapore Pte Ltd.（电话：+65 6416 7888）。MCI(P)071/10/2018。加拿大：加拿大：本研究报告由中信证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。英国：英国：本段“英国”声明受英国法律监管并依据英国法律解释。本研究报告在英国须被归为营销文件，它不按英国金融行为管理手册所界定、旨在提升投资研究报告独立性的法律要件而撰写，亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在欧盟由 CLSA（UK）发布，该公司由金融行为管理局授权并接受其管理。本研究报告针对2000年金融服务和市场法2005年（金融推介）令第19条所界定的在投资方面具有专业经验的人士，且涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业经验，请勿依赖本研究报告的內容。一般性声明一般性声明本研究报告对于收件人而言属高度机密，只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用，在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具，本报告的收件人须保持自身的独立判断。本报告所载资料的来源被认为是可靠的，但中信证券不保证其准确性或完整性。中信证券并不对使用本报告所包含的材料产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险，可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可能会受汇率影响而波动。过往的业绩并不能代表未来的表现。本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断，可以在不发出通知的情况下做出更改，亦可因使用不同假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。中信证券并不承担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定，但是，分析师的薪酬可能与投行整体收入有关，其中包括投资银行、销售与交易业务。若中信证券以外的金融机构发送本报告，则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议，中信证券以及中信证券的各个高级职员、董事和员工亦不为（前述金融机构之客户）因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。中信证券未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。中信证券2019版权所有。保留一切权利。版权所有。保留一切权利。投资建议的评级标准投资建议的评级标准报告中投资建议所涉及的评级分为股票评级和行业评级（另有说明的除外）。评级标准为报告发布日后6到12个月内的相对市场表现，也即：以报告发布日后的6到12个月内的公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：A股市场以沪深300指数为基准，新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市转让标的）为基准；香港市场以摩根士丹利中国指数为基准；美国市场以纳斯达克综合指数或标普500指数为基准；韩国市场以科斯达克指数或韩国综合股价指数为基准。评级评级说明说明股票评级股票评级买入相对同期相关证券市场代表性指数涨幅20%以上增持相对同期相关证券市场代表性指数涨幅介于5%20%之间持有相对同期相关证券市场代表性指数涨幅介于-10%5%之间卖出相对同期相关证券市场代表性指数跌幅10%以上行业评级行业评级强于大市相对同期相关证券市场代表性指数涨幅10%以上中性相对同期相关证券市场代表性指数涨幅介于-10%10%之间弱于大市相对同期相关证券市场代表性指数跌幅10%以上证券研究报告 2019年12月5日 扫码关注：金融干货精选获取更多干货资料