大巖資本成立以來，已經三獲金鼎獎，其中包括2017中國資管金鼎獎、2018中國私募基金金鼎獎-最具人氣私募基金·對沖型（三年期）。

大巖資本創始合伙人劉啟浩博士出席頒獎典禮，他表示投資者需要有高質量的超額收益基金產品，并且最好與市場有顯著的相關性，且費用友好，大巖資本持續聚焦于此，這也是大巖資本能夠獲得不斷成長的關鍵。

劉啟浩博士認為，金鼎獎代表了高凈值投資者、機構投資者和權威財經媒體的認可，是大巖資本團隊共同努力的結果，也是大巖資本整體實力的體現。同時這也是對大巖資本的鞭策，激勵大巖人勤勉盡責地為投資人提供創造長期、穩健的投資回報。

未來，大巖資本將繼續加大投資研究的投入，堅持技術創新、策略創新和模式創新，在風險可控的前提下，把證券市場的超額收益低成本高效地奉獻給投資者，為客戶提供一流的基金管理服務。

在這次現象級的公益熱潮中，也有大巖人熱情參與的一朵小浪花。通過大巖新生命兒童基金與慈緣基金會共同發起的“愛讓我們挺直脊梁”項目，愛心大巖人一起參與了這次活動。

這是騰訊99公益日的第六個年頭，也是大巖人一塊參與其中的第三年。截止活動結束，“愛讓我們挺直脊梁”項目獲捐贈總額140355.19元，其中，由大巖新生命兒童基金發起的募捐隊伍獲捐贈總額為75749.3元，大巖員工自主捐贈共61600.7元，騰訊基金會配捐6684.7元，小紅花助力捐贈7463.9元。

“愛讓我們挺直脊梁”項目，是一項脊柱健康關愛計劃，為提高脊柱畸形孩子的生存及生活質量。在此特別感謝、感恩參與捐贈的每一位愛心網友，感謝大巖人的積極參與。

汪博士為參會人員深入淺出地解析了何謂投資原理，他說，“投資就是用未來風險交換未來收益的過程。”汪博士表示，“對于一般不會做投資的人而言，做市場投資可以用一個簡單的公式，投股票的錢比例為100減去年齡，假如年齡20歲，那么80%的錢應該用來投股票，如果已經80歲了，那只能20%的錢投股票了。”

關于今年最適合做的投資，汪博士稱，由于今年定增新規的出臺，導致定增的可演繹和可歸納程度都很高。演繹是指通過推理得出結論，歸納指通過大數據找到規律，演繹與歸納程度越高，越接近投資的真理。而定增最大的演繹就在于折扣，這是演繹出來的結果，可以通過最簡單的推理就能得出來的結論；另一方面，有許多往年定增的案例可以用來做數據的研究，所以說，定增的超額收益也將很可觀。

汪博士在演講完后，還與參會人員共同交流了許久。會后，大家均表示受益頗多，對投資的真諦多了一層新的認識和理解。

*股市有風險，入市需謹慎。

先說結論：不要投資黃金。

什么是投資？很簡單，投資就是為了獲得收益。而幾乎任何一種投資品種都有風險，因此，稍微完整的表述就是，投資是用風險交換收益的過程。比如，投資企業債就是分享部分企業創造的利潤同時部分承擔企業經營風險的交易。投資股票更是如此，只不過是承擔的風險更大一些，獲得的收益也更多一些。

大巖資本汪義平：別忽悠我買黃金

黃金不管是否是貨幣，都兼具貨幣和商品兩種特性。也因此，黃金基本上可以視為沒有通脹的貨幣，沒有通脹正是因為它同時是一種商品。但是，不管是它的貨幣特征或商品特征，都不具備產生收益的能力。100年前買的一噸黃金，在交付了巨額的100年的保管費和保險費之后，可它在100年后還是巋然不動的一噸黃金，毫無收益可言。如果不持有100年的話，你還要承擔其價格波動的風險。如果你100年前買了多家公司的股票，100年來這些公司的利潤以及公司的巨大成長就會成為你的收益，這是簡單淺顯的硬道理。

你或許會說，黃金作為一種商品，它的價格上漲不也是收益嗎？空說無憑，我們統計了100年來黃金、十年期美債、道瓊斯工業指數數據發現，黃金在扣除保管費和保險費情況下僅剩少許收益，遠不如美國國債，相較于道瓊斯指數，那就差距更遠了。

可是，黃金不也有快速上漲的時候嗎？是的，那叫波動，有上漲，有下跌，疊加之后所剩無幾。所以黃金，特別是黃金期貨市場，除了防通脹之外，主要就是一個博弈和賭博的市場。

最近一兩年，黃金不是漲了很多嗎？在黃金的牛市里不就可以投資黃金嗎？牛市只是過去一段時間的市場，說的不是現在，更不是未來。同樣，我們來看數據，以倫敦現貨黃金為例，從1970年至今，每年的金價與前一年價格相關性僅為0.297。換言之，黃金價格變化的過去和未來關系并不大。

所以，更精確的結論是，只有當你愿意承擔價格波動的風險，并支付保管和保險費來獲得保值的功能時才有理由買黃金。總體上講，黃金基本上不是投資的選項。

站立在平安金融大廈88樓，有哥大的校友不禁感嘆“讓人感覺大家站在（紐約）Central Park South的大樓上看Central Park”。

本次活動以線上直播加線下參與形式展開。擁有超過20年投資經驗的汪博士生動地分享了其通過多年對投資的思考和觀察后所獲的心得、理解和感悟，將其總結成投資原理進行分享。

“投資是一個用未來風險交換未來收益的過程，評判投資業績的唯一標準，就是交換的過程是否劃算，而對未來的預測，是投資中唯一要做，也是必須做的事情。怎么面對未來預測呢？優先要進行邏輯演繹，然后再結合歷史的大數據，以提高我們預測正確的概率。

我們具體要預測的東西，包括風險和收益兩件事情。風險方面，有好的風險和壞的風險，管理風險的手段包括回避風險、對沖風險、分散風險等；收益方面，主要有市場收益和超額收益，其中權益類投資的市場收益是最大的，而黃金是不產生市場收益的，超額收益主要是由于投資者的心理誤區和思考誤區導致的市場的無效性而產生的。

最好的投資是通過邏輯推理和數據歸納相結合的辦法，預測未來的風險和收益，最后通過回避、對沖和分散等手段來降低風險，同時將市場收益和超額收益加起來增加收益，從而實現我們的目標函數 -- 收益風險比最大化。”

汪博士分享結束后，邀請校友們移步至大巖資本公司的活動區，在美麗的夕陽日落下品嘗大巖資本精心準備的歡樂時光酒水和小吃，在以深圳美麗風光為背景的拍照留念，三五成群繼續探討投資的想法、回味紐約的美好校園時光。

哥大深圳校友會部分核心成員與汪義平博士合影

在離開活動現場前，汪博士還為每位哥大校友準備了一份小禮物，其中包含一本寫上祝福校友的書。

從實際生活中最基礎的應用切入，黃鉑博士將抽象的算法概念生動化，解釋了什么叫最優化問題、凸優化及算法分類、機器學習與人工智能應用。

黃博士的分享內容較長，我們將分上、中、下三篇連載推出，本文為下篇。

最優化算法的高級應用

隨著這些年大數據與人工智能的發展，最優化的算法也隨之進一步發展，接下來幾個應用可能更有意思。

第一個應用叫壓縮感知，首先我們把一個圖去掉80%、90%的像素點，然后如何還原到原有的圖片，這個問題看起來非常困難，但是在實際應用中，壓縮感知的算法就有非常好的效果。與這個問題相關的，還有很多很優美的優化算法，比如稀疏優化，對偶加速算法、Lasso。

這個算法還有另外一個應用，人臉識別。看下圖，這個圖上是同一個人在做各種表情，甚至戴上墨鏡，人臉識別通常會用在海關、捉拿罪犯。當我們原始輸入的人臉有很多噪音時，它會通過最優化算法，將人臉畫像出來，比如當輸入的是戴有墨鏡的人臉，算法會將墨鏡和人臉分離開來。同樣的算法可以應用在背景分離，比如我們想要一張非常美的海景，但是又不想要太多人在這個照片上，那么就可以通過這個算法將人物和背景分離開。

看下圖右側，這是一個電梯口的監控錄像，背景是靜止的，而來來往往的人是動態的，通過最優化算法就可以將前景和背景分離出來。這項研究是在2009年由微軟研究員的幾名學者一起研究出來的。

最后一部分是深度學習。深度學習有很多層神經網絡，這個算法在97年就已經被提出來了，但是之所以最近才會有非常大規模的應用，因為在算法上會有非常大的提高，我們可以通過GPU來進行加速運算。另外，我們在優化算法上也有了非常好的進展。其相關的優化算法是隨機優化，顧名思義，它不會優化所有的變量、所有的樣本，而是隨機挑選一個或者幾個樣本進行優化，然后在不需要看完整樣本的情況下就可以有非常好的效果，可以大規模的提高模型訓練速度。

最優化算法，源于生活高于生活，很多應用其實出現在我們每天的日常生活中，希望今天的演講對大家有所幫助。謝謝大家。（完）

從實際生活中最基礎的應用切入，黃鉑博士將抽象的算法概念生動化，解釋了什么叫最優化問題、凸優化及算法分類、機器學習與人工智能應用。

黃博士的分享內容較長，我們將分上、中、下三篇連載推出，本文為中篇。

凸優化問題中的最優值

凸優化的關鍵字在“凸”，我們要定義什么樣的東西是凸的呢？看上圖，藍色區域代表優化問題里變量可以取值的空間，當取值空間是凸的時候，這是凸優化的一個必要條件。那么什么樣的集合是凸的集合？我們在集合里任意選兩點X、Y，我們將這兩點連成線，從X到Y的這條線上所有的點都必須在集合里，只有這樣的集合才叫做凸的集合。相反，如果有任意一個點在集合之外，那就不是凸的集合。而對于一個凸優化的問題而言，它所有的變量取值必須來自于凸的集合。

所以說，對于所有的離散優化而言，它都不是凸優化的，因為它的取值其實不是一個空間，而是一個洞一個洞的，它是很多洞的集合。所以，通常求解這類問題時很困難，很多時候我們求解的都是一個局部最優值。在實際生活中，我們求解的都是局部優化的問題，而這類問題在所有問題中所占比例是非常非常低的。

如果把整個集合看作一個優化問題的集合，那么相對來講，比較小的一部分是屬于連續優化的問題，其他更大的區域屬于離散優化的問題，而在連續優化的空間里只有很小的一部分屬于凸優化的問題。所以說，在最優化的領域里，我們真正解決的只是實際問題中的冰山一角。

凸優化問題的經典算法

對于凸優化的問題，黃鉑博士給大家介紹幾個最經典的算法。

第一個算法，最速下降法。首先，我們看下圖，這是一個等高線，我們可以把它理解為我們的高樓，每一個圈代表一層，最中心是最高的位置，我們最終目標是用最快的方式上到中心位置。那么，最速下降法是怎么做的呢？比如從一樓上二樓可以有多種方法，很明顯我們從垂直方向往上跳，在局部來看是最快的，然后以這樣的方法上到最高層。

最速下降法有哪些特點呢？每一步都做到了最優化，但很遺憾的是，對于整個算法而言，它并不是非常好的算法。因為它的收斂速度是線性收斂，線性收斂對于最優化算法而言是一種比較慢的算法，但也是凸優化里最自然的一個算法，最早被應用。

第二個算法，共軛梯度法。與最速下降法相比較（看下圖），綠色的線是最速下降法的迭代，從最外層到中心點可能需要五步迭代，但是共軛梯度法可能只需兩步迭代（紅色線）。

共軛梯度法最大特點是汲取前面的經驗再做下一步的動作，比如從四樓上五樓，我們會考慮方向是否最佳，汲取之前跳過的四步經驗，再探索新的方向往上跳。從數學的角度來講，每一步前進的方向和之前所有走過的路徑都是垂直的，因為這樣的性質，共軛梯度法的收斂速度遠遠高于最速下降法。

第三個算法，牛頓法。前面兩種算法，從數學的角度講，他們只用到了一階導數的信息，對于牛頓法而言，它不僅僅用到了局部一階導的信息，還用到了二階導的信息。相比前面兩種算法，牛頓法的每一步，它在決定下一步怎么走時，不僅考慮當前的下降速度是否足夠快，還會考慮走完這一步后，下一步坡度是否更陡，下一步是否更難走。可見，牛頓法所看到的區間會更遠，收斂速度更快，屬于二階收斂速度。如果最速下降法需要100步的話，牛頓法就只需要10步，但也正因為牛頓法使用了二階導的信息，所以它需要更多的運算量。

第四個算法，擬牛頓法。1970年，Broyden、Fletcher、Goldfarb、Shanno四人幾乎同一時間發表了論文，對于傳統的牛頓法進行了非常好的改進，這個算法叫擬牛頓法，它的收斂速度與牛頓法相似，但是它不再需要計算二階導數，所以每一步的迭代速度大大增加。它是通過當前一階導數的信息去近似二階導數的信息，因此整個運算速度大幅度增加。由于這個算法是四個人幾乎同一時間發現的，所以也叫BFGS算法。下圖中的照片是他們四個人聚在普林斯頓時拍的，很幸運的是，Goldfarb是我博士時期的導師。

實際生活中，被應用最廣的兩種算法，一個是BFGS，另一個就是共軛梯度法。這兩種算法經常會出現在很多的程序包里或者開源代碼里，如果使用在大規模的優化問題或者成千上萬個變量的問題中，也會有非常好的效果。（待續下篇）

從實際生活中最基礎的應用切入，黃鉑博士將抽象的算法概念生動化，解釋了什么叫最優化問題、凸優化及算法分類、機器學習與人工智能應用。

黃博士的分享內容較長，我們將分上、中、下三篇連載推出，本文為上篇。

最優化問題及基礎應用

人生不如意之事十之八九，想達到我們想要達到的目標時，通常都有各種各樣的限制。那么所謂最優化問題，就是指用最優的方式去平衡理想與現實之間的關系。以簡單的郵差送信問題為例，郵差從A出發，送信到BCD，最后回到A。郵差每天必須經過BCD，而且每個點每天只能經過一次，在這樣的約束條件下，他的目標函數是盡可能以最短的時間完成送信。這個問題非常簡單，只要把所有的路徑枚舉出來，然后取最短時間的方式即可。

根據前面的例子，我們嚴格的將目標函數分為兩大類。第一類是最大化，包括最大化盈利，最大化效率。另一類是最小化，包括最小化費用、時間和錯誤率。在金融行業，我們可以最大化預測股價的正確率，也可以最小化費用、最小化時間和錯誤率。當然，我們可以同時最大化盈利，最小化費用和時間。所以通常在很多的優化問題中，這兩種任務可以組合起來出現在同一個問題框架下，這就是對于目標函數的定義。

最優化問題的兩大類：連續優化與離散優化

關于約束條件，理想很美好，現實很骨感，在現實生活中，我們會遇到比如預算有限、時間有限、外部強制性條件等各種各樣的問題，與目標函數一樣，這些限制條件不是單一存在的，也可能同時存在同一個問題里，對于某一個優化問題來講，限制條件越復雜，求解就越困難。基于此，我們簡單根據它的約束條件以及目標函數變量類型將最優化問題分成兩大類，連續優化和離散優化。

連續優化正如圖上所畫，線中間沒有斷點，而離散優化的變量取值，是一個不連續的記錄，就如同一開始講的郵差送信問題。兩類相較而言，離散優化會更難解決，因為離散優化多了一條限制條件 -- 不連續的集合。很多時候，我們要求我們的變量是一個整數，或者來自一個給定的區間，所以說離散優化會比連續優化更難解，而兩種算法也會有非常大的不一樣。

從學術角度而言，連續優化與離散優化對應的是兩個比較獨立的學科，離散優化可能更多的應用于統計、大數據相關的場景，連續優化則會跟計算機密碼學相關，更多的與我們現實生活中的運籌優化應用相關。

從目標函數出發，它的最優值也分為兩類，局部最優和全局最優。我們看圖中黃色的點，在局部區域內是最低的，我們管這個值叫做局部最優值，但是當我們看整個圖時，紅色的點才是最低的，所以這個點我們叫全局最優值。通常來說，取局部最優值是相較容易的，因為基本上你只需要看它臨近一小部分的信息就可以準確判斷是否局部最優，而在現實應用中，其實僅僅知道局部最優值就足以解決很多問題。而更難的問題在于全局最優值，因為前提是你需要看到整個畫面。

所以，對于這一類問題，我們目前沒有一個特別好的解決方法。現實生活中，我們會有比較多的方法去求局部最優值，而往往我們找到的幾乎跟實際上的全局最優值不一樣。但有一個問題是例外，這類問題它具有比較好的性質，只要找到局部最優值，它就肯定是全局最優值，這類問題就叫凸優化。（未完待續）