金融工程专题研究：机器学习法选股（2013-10-15）(1).pdf

请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 金融工程研究金融工程研究 Page 1 证券研究报告证券研究报告深度报告深度报告 金融工程金融工程 Table_Title 金融工程专题研究金融工程专题研究 数量化投资数量化投资 2013年年 10月月 15日日 相关研究报告：相关研究报告：多因子模型选股月报：九月市场风格偏成长 多 因 子 选 股 超 额 正 收 益1.72%2013-10-08 结构性产品专题报告之三：可转债的 Delta对冲套利策略 2013-10-08 金融工程专题研究：国债期货的价格形成和运行机制研究 2013-09-09 多因子模型选股月报：八月市场风格偏小盘 多 因 子 选股 超 额 正收 益2.55%2013-09-06 结构性产品专题报告之二：基于二叉树模型的可转债定价 2013-08-15 联系人：联系人：王磊王磊 电话：0755-82130833-791803 E-MAIL： 证券分析师：周琦证券分析师：周琦 电话：0755-82133568 E-MAIL：Z 证券投资咨询执业资格证书编码：S0980510120044 独立性声明：独立性声明：作者保证报告所采用的数据均来自合规渠道，分析逻辑基于本人的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。专题报告专题报告 机器学习法选股机器学习法选股 机器学习方法机器学习方法 机器学习方法通过对数据的学习，对模式进行识别，从而利用该模式对未来进行预测。监督式学习监督式学习 监督式学习是机器学习方法的一个分支，其输出的分类是预先设定好的。根据输入和输出的学习，建立起它们之间的函数是监督式学习的目标 AdaBoost 算法算法 1996 年由 R.Scharpire,Y.Freund 首先提出，属于监督式学习的范畴。它较易实现，分类精细，广泛用于分类问题中。AdaBoost 算法应用于沪深算法应用于沪深 300 指数成份股选股指数成份股选股 我们的模型在沪深 300 指数成份股选股，表现良好，24 个月回报 57%，夏普比率达到 1.9 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 2 内容目录内容目录 机器学习方法简述机器学习方法简述.4 机器学习方法的实现机器学习方法的实现.5 要解决的问题.5 数据的准备.5 AdaBoost 算法.5 一个简单的 AdaBoost 示例.7 沪深沪深 300实证结果实证结果.10 因子的选择.10 回溯测试结果.11 总结以及后续研究方向总结以及后续研究方向.12 国信证券投资评级国信证券投资评级.13 分析师承诺分析师承诺.13 风险提示风险提示.13 证券投资咨询业务的说明证券投资咨询业务的说明.13 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 3 图表目录图表目录 图图 1：监督式学习的流程监督式学习的流程.4 图图 2：AdaBoost 算法示例算法示例-第一步：数据整理第一步：数据整理.7 图图 3：AdaBoost 算法示例算法示例-第二步：第一轮训练第二步：第一轮训练.8 图图 4：AdaBoost 算法示例算法示例-第三步：改变权重及第二轮训练第三步：改变权重及第二轮训练.9 图图 5：AdaBoost 算法示例算法示例-第四步：预测第四步：预测.10 图图 6：组合历史表现（：组合历史表现（2011年年 9月月-2013年年 8月）月）.11 表表 1：因子列表：因子列表.11 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 4 机器学习方法简述机器学习方法简述 机器学习方法是计算机科学的一个分支，它借助于计算机算法，对数据进行分析后，实现模式识别，进而实现对未来数据的预测。机器学习方法可以分为以下几个类别：1.监督学习：训练的输出分类是预先设定好的，根据输入和输出，算法的目标在于寻找其中的对应函数。2.无监督学习：训练的输出分类是预先不知道的。算法的目标在于发现数据中的结构，如聚类分析。3.半监督学习：介于监督学习和无监督学习之间。4.增强学习：算法通过执行一系列的动作，影响环境中的可观察变量，从而得到环境对动作反应的规律。最后根据这个规律，判断该采取何种行动以最大化某种回报。监督式学习是机器学习的一个分支，可以通过训练样本而建立起一个输入和输出之间的函数，并以此对新的事件进行预测。图图 1：监督式学习的流程监督式学习的流程 资料来源：国信证券经济研究所整理 训练样本 输入特征（因子值）输出标识（表现好和表现差）机器学习算法 新数据 输入特征（因子值）训练好的机器学习模型 标识预测（表现好或者表现差）请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 5 常见的选股模型通常是利用历史表现较好的因子进行选股，但是这些模型的样本外表现一般不好。因子的有效性一般是随着时间的变化而改变。因此，选股过程中因子的时效性是一个重要的考量，而监督式学习可以很好的解决这个问题。机器学习方法的实现机器学习方法的实现 要解决的问题要解决的问题 我们的选股模型可以归结为一个二元的分类问题。我们把股票池里的股票按照未来一个月的预期回报分为表现好和表现差的两类。于是，我们的目标就是要建立一个分类器，来区分一只股票是否在未来一个月表现好或者差。模型的输入部分包括每只股票的各种因子，而输出部分则是依照算法得到的信心指数。信心指数越大，代表该只股票表现好的可能性越大，反之亦然。信心指数的建立包括两步。第一步是训练，对于每一只股票，利用月末的各种因子和一个月后股票的回报作为训练样本来建立分类器。第二步是预测，根据当前的因子值和分类器，得到每只股票的信心指数。数据的数据的准备准备 我们所有的数据都是来源于 WIND 资讯。对于因子（例如 P/E,Current Ratio等）数据，我们利用的是每个股票的因子截面排名，而不是因子值本身。这是因为，大多数因子值波动较大，受整体市场的影响也大。例如对于同一只股票,因子如 P/E,在牛市中较大，而在熊市中则较小。然而在每个月对于每一个因子，各只股票的排名就更加稳定。得到每个因子的截面排名后，我们将这些排名都除以有这个因子的股票的个数，将它们转化为(0,1区间的数值。这样做是因为不同的因子可能有不同的股票数目。例如在某个月，P/E 这个因子对于所有的股票可能都有数值，但是对于某些因子如，则只有部分股票有数值。将数值都转化到(0,1区间使得我们的比较更加稳定。接下来我们利用一个月后的股票回报率，将股票池分为表现最好的和表现最差的两部分。其中前者包括回报率排名前 30%的股票，后者包括回报率排名后 30%的股票。AdaBoost 算法算法 我们利用机器学习方法中的 AdaBoost 算法来建立分类器。这个算法是 1996 年由R.Scharpire,Y.Freund 首先提出来的，其主要思想在于建立一系列的弱分类器，根据每次训练样本之中的每个样本的分类是否正确，来确定下一次训练中每个样本的权值。将修改权值的新数据再送给下层弱分类器进行训练。最后将每次训练得到的弱分类器融合起来构成一个强分类器。在我们的模型中，每一个弱分类器由一个因子决定。最开始，我们将训练样本中的每个数据采取相同的权重，当一个弱分类器找到以后，在下一轮开始之前，我们将数据的权重改变，对于错误分类的股票增加其权重，而对正确分类的股 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 6 票则减少其权重。这样接下来的弱分类器将专注于那些还没有被正确分类的股票。AdaBoost 算法的具体内容如下：对于一个股票集合 S=(x1,y1),(x2,y2),(xN,yN),N 是股票数目,xi 是第i个股票的因子值的向量,yi 是该股票的标识分类,例如，yi=1 表示该股票的未来一个月的回报率在前30%,yi=-1 表示该股票的未来一个月的回报率在后30%。在AdaBoost 算法中,一个弱分类器h 由因子库F中的一个因子ki建立。一个弱分类器是一个从因子空间到分类信心空间的一个函数。对于一个股票xi，因子k的因子值表示为 fk(xi),我们赋予每个股票的权重表示为 w(xi).弱分类器 h 训练为一个 分段函数：如果 f(x)处在第 jth 个分段，那么弱分类器的值表示为：是一个小数值，定为1/N,j=1,2,.,Q 是分类的数目(我们这里定为Q=2),and W j is 是在分类 j 中的权重的和。直觉上来讲，如果一个分类中表现好的权重越多，那么 h(x)的值将更大。将来如果某个股票的因子落在这个分类中，那么该股票将更有可能表现好。反之，如果 h(x)的值越小，落在该分类中的股票的未来表现有可能为差。我们定义一个函数，用来量度弱分类器的好坏：直觉上讲，一个好的弱分类器，应该有一个好的区分能力。在每一个分类中，因为所有的权重和为 1。因此若 和 的区别较大时，函数 Z 的数值则小。在每一轮过后，我们都要更新每个股票的权重：这里 l 代表第 l 层的弱分类器。直觉上来讲，如果当前的弱分类器正确的分类，那么下一轮我们就减少该股票的权重；反之，我们就增加它的权重。利用这个改变权重的方法，在下一轮我们将更加关注之前没有正确分类的股票。最后，我们将所有的弱分类器简单相加，得到最终的强分类器：请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 7 一个简单的一个简单的 AdaBoost 示例示例 如下图，我们有 30只股票，两个因子。首先要做的是数据的预处理。图图 2：AdaBoost 算法示例算法示例-第一步：数据整理第一步：数据整理 资料来源：国信证券经济研究所整理 接下来，开始进行第一轮弱分离器的生成：因子 1 因子 2 回报 3.621 12.32 22.9 5.594 15.311 21.1 6.641 9.49 19.6 4.391 6.022 14.2 8.1 6.23 12.2 6.392 11.407 10.2 12.124 11.768 8.1 10.67 13.491 7.8 12.95 8.255 6.9 14.25 5.543 5.1 5.82 10.977 4.2 6.39 2.072 2.4 9.11 2.275 1.8 2.273 5.079 0.9 3.862 6.574 0.5 10.1 8.943 0.4 12.011 4.573 0.3 11.43 2.411 0.1 4.62 9.683-0.2 10.2 10.182-0.5 8.16 12.493-1.2 7.582 3.077-2.4 12.27 4.982-3.3 4.489 5.416-6.2 11.97 3.529-8 13.93 6.221-10.2 12.09 4.332-12.2 7.923 2.08-13.6 8.223 8.415-16.3 10.53 4.319-19.2 因子 1 因子 2 回报 0.967 0.133 22.9 0.800 0.033 21.1 0.667 0.333 19.6 0.900 0.567 14.2 0.567 0.500 12.2 0.700 0.200 10.2 0.167 0.167 8.1 0.333 0.067 7.8 0.100 0.433 6.9 0.033 0.600 5.1 0.767 0.233 4.2 0.733 1.000 2.4 0.467 0.933 1.8 1.000 0.667 0.9 0.933 0.467 0.5 0.433 0.367 0.4 0.233 0.733 0.3 0.300 0.900 0.1 0.833 0.300-0.2 0.400 0.267-0.5 0.533 0.100-1.2 0.633 0.867-2.4 0.133 0.700-3.3 0.867 0.633-6.2 0.267 0.833-8 0.067 0.533-10.2 0.200 0.767-12.2 0.600 0.967-13.6 0.500 0.400-16.3 0.367 0.800-19.2 根据排名，重整因子值 6.392 在 30个 股 票 中 排名 21，重整后 的 因 子 值为 21/30=0.7 因子 1 因子 2 标识 0.967 0.133 1 0.800 0.033 1 0.667 0.333 1 0.900 0.567 1 0.567 0.500 1 0.700 0.200 1 0.167 0.167 1 0.333 0.067 1 0.100 0.433 1 0.633 0.867-1 0.133 0.700-1 0.867 0.633-1 0.267 0.833-1 0.067 0.533-1 0.200 0.767-1 0.600 0.967-1 0.500 0.400-1 0.367 0.800-1 根 据 回 报 排名，选 取 前30%和后 30%的股票 回 报 排 名 前30%的 股 票标识为 1 回 报 排 名 后30%的 股 票标识为-1 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 8 图图 3：AdaBoost 算法示例算法示例-第二步：第一轮训练第二步：第一轮训练 资料来源：国信证券经济研究所整理 生成第一个弱分离器后，我们对数据权重重新分配，对于已经正确分类的数据，我们减小其权重，而对于尚未正确分类的数据，则增加其权重。因子 1 因子 2 权重 标识 0.967 0.133 0.0556 1 0.800 0.033 0.0556 1 0.667 0.333 0.0556 1 0.900 0.567 0.0556 1 0.567 0.500 0.0556 1 0.700 0.200 0.0556 1 0.167 0.167 0.0556 1 0.333 0.067 0.0556 1 0.100 0.433 0.0556 1 0.633 0.867 0.0556-1 0.133 0.700 0.0556-1 0.867 0.633 0.0556-1 0.267 0.833 0.0556-1 0.067 0.533 0.0556-1 0.200 0.767 0.0556-1 0.600 0.967 0.0556-1 0.500 0.400 0.0556-1 0.367 0.800 0.0556-1 因子 1 因子 2 权重 标识 2 1 0.0556 1 2 1 0.0556 1 2 1 0.0556 1 2 2 0.0556 1 2 1 0.0556 1 2 1 0.0556 1 1 1 0.0556 1 1 1 0.0556 1 1 1 0.0556 1 2 2 0.0556-1 1 2 0.0556-1 2 2 0.0556-1 1 2 0.0556-1 1 2 0.0556-1 1 2 0.0556-1 2 2 0.0556-1 1 1 0.0556-1 1 2 0.0556-1 初始，等权重分配样本 将每个因子等分 为 n份（这里 n=2）因子 1 因子 2 第一个弱分离器为：，if f2(x)属于 第 2 等份 ，,if fw(x)属于第 1 等份 因子 2 的 Z 值小，因此我们用因子 2建 立第 一个 弱分离器 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 9 图图 4：AdaBoost 算法示例算法示例-第三步：改变权重及第二轮训练第三步：改变权重及第二轮训练 资料来源：国信证券经济研究所整理 得到了强分离器以后，我们就可以根据新的因子数据，对未来的股票回报进行预测。第二个弱分离器为：，if f1(x)属于第 2 等份 ,if f1(x)属于第 1 等份 因子 1 因子 2 权重 标识 2 1 0.0556 1 2 1 0.0556 1 2 1 0.0556 1 2 2 0.0556 1 2 1 0.0556 1 2 1 0.0556 1 1 1 0.0556 1 1 1 0.0556 1 1 1 0.0556 1 2 2 0.0556-1 1 2 0.0556-1 2 2 0.0556-1 1 2 0.0556-1 1 2 0.0556-1 1 2 0.0556-1 2 2 0.0556-1 1 1 0.0556-1 1 2 0.0556-1 正确分类，减少权重至：0.0556*exp(-0.75)=0.0263 因子 1 因子 2 初始权重 最终权重 标识 2 1 0.0263 0.0400 1 2 1 0.0263 0.0400 1 2 1 0.0263 0.0400 1 2 2 0.1177 0.1800 1 2 1 0.0263 0.0400 1 2 1 0.0263 0.0400 1 1 1 0.0263 0.0400 1 1 1 0.0263 0.0400 1 1 1 0.0263 0.0400 1 2 2 0.0263 0.0400 -1 1 2 0.0263 0.0400 -1 2 2 0.0263 0.0400 -1 1 2 0.0263 0.0400 -1 1 2 0.0263 0.0400 -1 1 2 0.0263 0.0400 -1 2 2 0.0263 0.0400 -1 1 1 0.1177 0.1800 -1 1 2 0.0263 0.0400 -1 重整化，使得权重相加为 1 利用因子 1 建立第二个弱分离器 强分离器：请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 10 图图 5：AdaBoost 算法示例算法示例-第四步：预测第四步：预测 资料来源：国信证券经济研究所整理 沪深沪深 300 实证结果实证结果 我们的机器选股模型选取参数 l=10,Q=2，以沪深 300 指数成份股作为股票池，我们选择模型信心指数排名前 10%的股票做多，排名后 10%的股票做空。另外为了避免所选股票行业扎堆的情况，我们还限制每个行业在多（空）头组合的比例不得超过 30%。因子的选择因子的选择 我们的因子大部分为财务数据，包括成长性，流动性，规模性，财务杠杆等方面的数据，另外我们也加入了一些统计数据如 5 天，一个月，一年的股价变化，过去一个月的换手率，股价波动范围等；最后，我们还加入了一些技术分析的指标，如 14 日 RSI和 20 日乖离率。以下是我们的因子列表：因子 1 因子 2 2.188 1.234 3.13 5.369 5.809 2.068 5.164 5.612 0.266 0.539 1.19 5.611 1.491 4.283 4.961 0.376 6.683 5.811 6.928 5.247 6.088 5.668 4.839 3.971 1.66 3.707 4.949 3.912 3.932 9.668 3.563 4.149 7.05 2.529 6.45 1.379 1.487 1.109 5.725 8.251 因子 1 因子 2 2 2 2 1 1 2 1 1 2 2 2 1 2 1 1 2 1 1 1 1 1 1 2 2 2 2 1 2 2 1 2 1 1 2 1 2 2 2 1 1 h1(x)h2(x)H(x)0.45-0.75-0.3 0.45 0.75 1.2-0.45-0.75-1.2-0.45 0.75 0.3 0.45-0.75-0.3 0.45 0.75 1.2 0.45 0.75 1.2-0.45-0.75-1.2-0.45 0.75 0.3-0.45 0.75 0.3-0.45 0.75 0.3 0.45-0.75-0.3 0.45-0.75-0.3-0.45-0.75-1.2 0.45 0.75 1.2 0.45 0.75 1.2-0.45-0.75-1.2-0.45-0.75-1.2 0.45-0.75-0.3-0.45 0.75 0.3 负的强分离器代表未来表现差，做空 正的强分离器代表未来表现好，做多 因 子等分 分离器+=请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 11 表表 1：因子列表因子列表 PE_TTM ASSETSTOEQUITY CASHTOCURRENTDEBT PS_TTM DEBTSTOASSETS EBIDTATOINTERESTDEBT ROE_TTM NETPROFITMARGIN_TTM TURNDAYS ROA_TTM GROSSPROFITMARGIN_TTM INVTURNDAYS MKT_CAP OPERATEINCOMETODEBT ARTURNDAYS EV TAXTOEBT APTURNDAYS EV2_TO_EBITDA DEDUCTEDPROFITTOPROFIT PCT_CHG_5D YOYOCF NCATOASSETS PCT_CHG_1M YOY_TR CURRENT PCT_CHG_1Y YOYEBT QUICK RSI(14)SWING_PER TURN_FREE_PER BIAS(20)资料来源：WIND资讯、国信证券经济研究所整理 回溯测试结果回溯测试结果 我们的回溯测试从 2011 年 9 月底开始一直到 2013 年 8 月底，总共 24 个月的结果，在没有考虑交易成本的情况下，总回报为 57%，夏普比率 1.90，最大月回撤 3.75%。下图为测试结果：图图 6：组合历史表现（组合历史表现（2011 年年 9月月-2013年年 8月）月）资料来源：WIND资讯、国信证券经济研究所整理 80 90 100 110 120 130 140 150 160 170 请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 12 总结以及总结以及后续研究方向后续研究方向 初步结果显示我们的机器学习方法选股模型表现良好。该方法避免了一般选股模型中过度拟和的弊端，选股结果更加稳定。在接下来的研究中，首先我们要更加完善因子库，包括增加因子个数从而泛盖股票的更多方面，以及将因子库扩大到更大的股票范围等。另外对于训练样本，可以扩大范围到历史上的 N 个月，而不仅仅是局限于过去一个月。增加训练样本可以使模型更加稳定。但是从另外一个角度来讲，过多的历史数据也会使得模型对当前市场的敏感度钝化，因此 N 的选择也应该是一个综合的考量。值得欣慰的是，即使是 N=1 的情况，我们的结果也表现不错。最后，随着训练样本的增多，我们还可以考虑增加因子等分的数目。目前 Q=2，随着 Q 的增加，分类更加精细，选股的效果也会更好。请务必阅读正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 Page 13 国信证券投资评级国信证券投资评级 类别类别 级别级别 定义定义 股票 投资评级 推荐 预计 6 个月内，股价表现优于市场指数 20%以上 谨慎推荐 预计 6 个月内，股价表现优于市场指数 10%-20%之间 中性 预计 6 个月内，股价表现介于市场指数10%之间 回避 预计 6 个月内，股价表现弱于市场指数 10%以上 行业 投资评级 推荐 预计 6 个月内，行业指数表现优于市场指数 10%以上 谨慎推荐 预计 6 个月内，行业指数表现优于市场指数 5%-10%之间 中性 预计 6 个月内，行业指数表现介于市场指数5%之间 回避 预计 6 个月内，行业指数表现弱于市场指数 5%以上 分析师承诺分析师承诺 作者保证报告所采用的数据均来自合规渠道，分析逻辑基于本人的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。风险提示风险提示 本报告版权归国信证券股份有限公司（以下简称“我公司”）所有，仅供我公司客户使用。未经书面许可任何机构和个人不得以任何形式使用、复制或传播。任何有关本报告的摘要或节选都不代表本报告正式完整的观点，一切须以我公司向客户发布的本报告完整版本为准。本报告基于已公开的资料或信息撰写，但我公司不保证该资料及信息的完整性、准确性。本报告所载的信息、资料、建议及推测仅反映我公司于本报告公开发布当日的判断，在不同时期，我公司可能撰写并发布与本报告所载资料、建议及推测不一致的报告。我公司或关联机构可能会持有本报告中所提到的公司所发行的证券头寸并进行交易，还可能为这些公司提供或争取提供投资银行业务服务。我公司不保证本报告所含信息及资料处于最新状态；我公司将随时补充、更新和修订有关信息及资料，但不保证及时公开发布。证券投资咨询业务的说明证券投资咨询业务的说明 证券投资咨询业务是指取得监管部门颁发的相关资格的机构及其咨询人员为证券投资者或客户提供证券投资的相关信息、分析、预测或建议，并直接或间接收取服务费用的活动。证券研究报告是证券投资咨询业务的一种基本形式，指证券公司、证券投资咨询机构对证券及证券相关产品的价值、市场走势或者相关影响因素进行分析，形成证券估值、投资评级等投资分析意见，制作证券研究报告，并向客户发布的行为。请务必参阅正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 国信证券经济研究所团队成员国信证券经济研究所团队成员 固定收益固定收益 赵赵 婧婧 021-60875174 交通运输交通运输 郑郑 武武 0755-82130422 岳岳 鑫鑫 0755-82130432 糜怀清糜怀清 021-60933167 机械机械 郑郑 武武 0755-82130422 陈陈 玲玲 021-60875162 杨杨 森森 0755-82133343 基础化工及石化基础化工及石化 朱振坤朱振坤 010-88005317 医药医药 贺平鸽贺平鸽 0755-82133396 丁丁 丹丹 0755-82139908 杜佐远杜佐远 0755-82130473 胡博新胡博新 0755-82133263 刘刘 勍勍 0755-82133400 电子电子 刘刘 翔翔 021-60875160 陈陈 平平 021-60933151 卢文汉卢文汉 021-60933164 计算机计算机 高耀华高耀华 010-88005321 传媒传媒 陈财茂陈财茂 010-88005322 刘刘 明明 010-88005319 零售、纺织服装及快销品零售、纺织服装及快销品 朱朱 元元 021-60933162 电力及公共事业电力及公共事业 陈青青陈青青 0755-22940855 非银行金融非银行金融 邵子钦邵子钦 0755-82130468 童成墩童成墩 0755-82130513 银行银行 王王 婧婧 轻工轻工 邵邵 达达 0755-82130706 建筑工程及建材建筑工程及建材 邱邱 波波 0755-82133390 刘刘 萍萍 0755-82130678 家电家电 王念春王念春 0755-82130407 通信通信 程程 成成 0755-22940300 电力设备电力设备 杨敬梅杨敬梅 021-60933160 新能源新能源 张张 弢弢 010-88005311 食品饮料食品饮料 龙龙 飞飞 0755-82133920 旅游旅游 曾曾 光光 0755-82150809 钟钟 潇潇 0755-82132098 农业农业 杨天明杨天明 021-60875165 赵赵 钦钦 021-60933163 金融工程金融工程 戴戴 军军 0755-82133129 林晓明林晓明 021-60875168 秦国文秦国文 0755-82133528 张璐楠张璐楠 0755-82130833-1379 陈志岗陈志岗 0755-82136165 马瑛清马瑛清 0755-22940643 吴子昱吴子昱 0755-22940607 周周 琦琦 0755-82133568 肖小风肖小风 0755-22940094 基金评价与研究基金评价与研究 李李 腾腾 010-88005310 钱钱 晶晶 021-60875163 潘小果潘小果 0755-82130843 请务必参阅正文之后的免责条款部分 全球视野全球视野 本土智慧本土智慧 国信证券机构销售团队国信证券机构销售团队 华北区（机构销售一部）华北区（机构销售一部）华东区（机构销售二部）华东区（机构销售二部）华南区（机构销售三部）华南区（机构销售三部）王立法王立法 010-66026352 13910524551 郑郑 毅毅 021-60875171 13795229060 魏魏 宁宁 0755-82133492 13823515980 王晓健王晓健 010-66026342 13701099132 叶琳菲叶琳菲 021-60875178 13817758288 邵燕芳邵燕芳 0755-82133148 13480668226 李文英李文英 010-88005334 13910793700 刘刘 塑塑 021-60875177 13817906789 段莉娟段莉娟 0755-82130509 18675575010 赵海英赵海英 010-66025249 13810917275 崔鸿杰崔鸿杰 021-60933166 13817738250 郑郑 灿灿 0755-82133043 13421837630 原原 祎祎 010-88005332 15910551936 李李 佩佩 021-60875173 13651693363 徐徐 冉冉 0755-82130655 13923458266 甄甄 艺艺 010-66020272 18611847166 汤静文汤静文 021-60875164 13636399097 颜小燕颜小燕 0755-82133147 13590436977 杨杨 柳柳 18601241651 梁轶聪梁轶聪 021-60873149 18601679992 赵晓曦赵晓曦 0755-82134356 15999667170 王耀宇王耀宇 18601123617 陈孜陈孜譞譞 18901140709