7月27日,A股再度大跌,創(chuàng)年內(nèi)最大日跌幅,同時創(chuàng)下8年來最大單日跌幅。股市大起大落,投資者的資金避險需求增加,“寶寶”們備胎效應凸顯。其中,余額寶用戶數(shù)量持續(xù)增加,存量用戶數(shù)每日凈新增10萬以上,據(jù)筆者了解,7月上半月,余額寶規(guī)模持續(xù)出現(xiàn)凈流入;招財寶用戶量也月新增近百萬。
有業(yè)內(nèi)人士分析,股市受挫后,許多投資者會把資金從股市轉(zhuǎn)向具有“避風港”屬性的貨幣基金和固定收益類產(chǎn)品,兩者之間存在“蹺蹺板”效應。
昨日,A股重現(xiàn)“千股齊跌”,截至收盤時,兩市25股漲停,逾1800股跌停。其中,滬指報3725.56點,跌345.35點,跌幅8.48%;深成指報12493.05點,跌1025.47點,跌幅7.59%;創(chuàng)業(yè)板指[-6.51%]報2683.45點,跌214.38點,跌幅7.40%。這創(chuàng)下2007年2月27日以來A股最大單日跌幅,同時也是1996年12月26日漲停板制度實施以后的第四大跌幅。“股票大起大落,心臟實在受不了”,有股民這樣哭訴。6月中旬A股下跌,根據(jù)中登公司公布數(shù)據(jù)顯示,以6月26日期末持倉人數(shù)5076.6萬進行計算,近一個月來人均虧損近41.30萬元,截至7月8日,21.2973萬個持有市值50萬~500萬元的個人賬戶“消失”,500萬元以上賬戶也“消失了”近3萬個。而在本輪反彈的第十三個交易日,股市昨日再度下跌。
不少人難忍股市過山車式的震蕩,開始重回寶寶類和固定收益類產(chǎn)品的懷抱。
據(jù)了解,在股市震蕩期間,投資者用腳投票理性面對投資需求,余額寶用戶數(shù)量持續(xù)增加,存量用戶數(shù)每日凈新增10萬以上,在7月上半月出現(xiàn)凈流入;招財寶用戶量也月新增近百萬。
來自招財寶官方的數(shù)據(jù)顯示,2014年4月,招財寶平臺正式上線運營,到2015年4月,平臺累計成交量超過1000億。此后更是開始高歌猛進,累計成交量于7月17日突破2000億。從1000億到2000億,招財寶只用了兩個多月,從0到1000億招財寶用了一年時間。
而根據(jù)招財寶7月26日最新數(shù)據(jù)顯示,其累計成交額超2156億,這就意味著短短10天,招財寶成交額又增加150多億,整個7月成交額接近500億。
作為余額寶的“兄弟品牌”,二者定位不同。余額寶對接的是貨幣基金產(chǎn)品,定位于現(xiàn)金管理工具;而招財寶的定位是一個服務于金融機構(gòu)和投資者的開放平臺,即“售賣定期理財產(chǎn)品的B2C平臺”。在“招財寶”平臺上,投資者可以購買到由各類金融機構(gòu)或已獲得金融監(jiān)管機構(gòu)認可的機構(gòu)發(fā)布的理財產(chǎn)品,以及中小企業(yè)或個人融資者發(fā)布的借款產(chǎn)品。有分析認為,隨著股市震蕩行情持續(xù),余額寶、招財寶的“備胎”效應或?qū)⑷找嫱癸@。 (文/江南子)
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。