五、改进神经网络学习方法

理想地，期望我们的神经网络能从自己的错误中快速地进行学习。

神经元通过改变权重和偏差的来进行学习的学习速度由成本函数的偏导数(和)决定，所以学习速度慢的根本原因是：偏导数太小。

1、交叉熵成本函数

交叉熵成本函数定义如下：

对权重w的求导结果为（n为训练样本数）：

根据上面的求导公式，则避免了在二次成本函数中由导致的学习速度慢问题。

2、 推广交叉成本函数

把交叉成本函数推广到具有多个神经元的多层网络中，则交叉成本函数变为：

与二次成本函数相比，唯一不同的是的计算方法，其它计算方法完全相同。

3、交叉熵的含义

粗略地说，交叉熵是“不确定性”的一种度量。特别地，我们的神经元想要计算函数x-> y = y(x)。但是，它用函数x->a = a(x) 进行了替换。假设我们将a 想象成我们神经元估计为y = 1 的概率，而1-a 则是y = 0 的概率。那么交叉熵衡量我们学习到y的正确值的平均起来的不确定性。如果输出我们期望的结果，不确定性就会小一些；反之，不确定性就大一些。

4、Softmax(柔性最大值)

Softmax+log-likelihood(对数似然)成本函数：在现代图像分类网络中最常用。

Softmax为神经网络定义了一个新的输出层，即它的激活函数不再是Sigmoid，而是Softmax函数。

Softmax的每个神经元的输出都为正，且它们的和为1。所以Softmax层的输出可以看作一个概率分布。

与Softmax相比，Sigmoid层的输出不能形成一个概率分布，且没有一个直观、简单的解释。

Softmax如何解决学习速度慢的问题？

从以上梯度公式中可知，对于解决学习速度慢的问题：【Softmax输出层+对数似然成本函数】与【Sigmoid输出层+交叉熵成本函数】效果相当。

在二者间如何做出选择呢？

当你需要把输出当做概率解释时，则需要使用【Softmax输出层+对数似然成本函数】。

六、 过拟合和规范化

1、 过拟合(Overfitting)

在神经网络中，过拟合(Overfitting)是一个主要问题。此问题在现代网络中特别突出，因为现代网络有大量的权重和偏差。为了进行有效的训练，我们需要一个检测是否过拟合的方法，以防止过度训练(Overtraining)，并且我们还需要可以减少过拟合效果的技术。

最直接的检测过拟合的方法是：跟踪测试数据在训练过的网络中的准确性。如测试数据分类的准确性不再改善，我们应当停止训练；或测试数据分类的准确性和训练数据分类的准确性都不再改善，我们应当停止训练。

如果对训练样本过拟合，则其推广能力就差，导致对新的数据的预测或分类的准确性变差。

2、 规范化(Regularization)-减少过拟合

增加训练数据是减少过拟合的方法之一。

规范化(Regularization)也是减少过拟合的方法之一。有时候被称为权重衰减（weight decay）或者L2 规范化。L2 规范化的思想是增加一个额外的项到成本函数中，这个项叫做规范化项。规范化的交叉熵如下：

C0是原来常规的成本函数。 如果较小，我们期望最小化原始成本函数；如果较大，我们期望最小化权重。

则可得：

可进一步得到：

3、 为什么规范化可以减少过拟合

权重越小，复杂度就越低；可以为数据提供更简洁更有力的解释。

当有异常输入时，小的权重意味着网络输出变化不大，即不易学习到数据中的局部噪声。总而言之，规范化网络基于训练数据的主要规律，从而创建一个相对简单的模型，并且拒绝学习训练数据中的噪声（异常数据）。这样强制网络学习数据的本质规律，并把学到的规律进行更好地推广。

七、 权重初始化

可加快学习速度。

假设输入层有1000个神经元，且已经使用归一化的高斯分布初始化了连接第个隐层的权重。如下图所示：

为了简化，设输入层一半神经元值为1，另一半为0。让我们考虑隐层神经元输入的带权和z：

其中500项消去了，因为对应的输xj 为0。所以z 是包含501个归一化的高斯随机变量的和，包含500个权重项和1个偏差项。因此z本身是一个均值为0、标准差为(方差为501)的高斯分布。它是一个非常宽的高斯分布，根本不是非常尖的形状：

注：若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，记为N(μ，σ^2)。

正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。

标准正态分布服从N(0,1)

两个都服从正太分布的变量,例如X服从N(a,b)，Y服从N(c,d)，且X和Y相互独立，则有：

· X+Y服从N(a+c,b+d)

· X-Y服从N(a-c,b+d)

即两变量相加减时，期望相应加减，方差始终是相加。

从上图上可以看出|z|会变得很大，即z>>1或z<<-1。如果这样，隐层神经元的输出就会接近1或者0，即隐层神经元进入饱和状态了。即隐层神经元的输出将非常接近于0或1。在这种情况下，权重的修改对隐层神经元的输出激活值影响很小，从而对下一层的隐层神经元、直到对输出层的神经元的输出都很小，从而导致学习速度慢的问题。

(注：输出层神经元饱和于错误值也会导致学习速度慢的问题，这可以通过选择成本函数<如交叉熵>来避免，但选择成本函数的方法不能解决隐层神经元饱和的问题)

从以上分析可知，如果隐层神经元的权重服从N(0,1)分布，它将导致隐层神经元的激活值接近于0或1，并且导致学习速度下降，如何解决此问题呢？

通过选择更好的初始化权重和偏差可以解决此问题。

答案是：初始化权重服从N(0，1/)分布，偏差服从N(0,1)。其中表示此层神经元输入权重个数（即此隐层神经元的输入神经元个数，如上例中=1000）。权重之后为：，其服从N(0,3/2)。

方差的计算方法：500*1/1000+1=1500/1000=3/2。其图形非尖，如下图所示：

此神经元饱和的可能性很低，从而导致学习速度慢的可能性也很低。

八、 神经网络可以计算任何函数

“神经网络可以计算任何函数”的真正含义：

· 不是说一个网络可以被用来准确地计算任何函数，而是我们可以获得尽可能好的一个近似。通过增加隐层神经元的数量，可以提升近似的精度。

· 可以按照上面的方式近似的函数类其实是连续函数。如果函数不是连续的，也就是会有突然、极陡的跳跃，那么一般来说无法使用一个神经网络进行近似。

总而言之：包含一个隐层的神经网络可以被用来按照任意给定的精度近似任何连续函数。

九、问题剖析

1、为什么训练深度神经网络比较困难？

对于学习算法，前面使用的是苦力般的学习方法（基于反向传播的随机梯度下降）来训练深度网络，这样产生的问题是：深度神经网络并不比浅层网络性能好太多。

其根据原因是：在深度网络中，不同层的学习速度差异很大。尤其是， 在网络后面层的学习速度很好的时候，前面层在训练时停滞不变，基本上学不到东西；或先前的层学习的比较好，但是后面层却停滞不变。其停滞不前的原因是学习速度下降了，学习速度下降与基于梯度的学习方法有关。

实际上，我们发现在深度神经网络中使用基于梯度下降的学习方法本身存在着内在不稳定性。这种不稳定性使得前面或者后面层的学习速度受到抑制。在真正理解了这些难点之后，我们就能够获得有效训练深度网络的更深洞察力。

在某些深度神经网络中，在我们在隐层BP的时候梯度倾向于变小。这意味着在前面的隐层中的神经元学习速度要慢于后面的隐层。在多数的神经网络中都存在着这个现象，这个现象也被称作是：消失的梯度问题（Vanishing Gradient Problem）。

在前面层中的梯度会变得非常大，这叫做：激增的梯度问题（Exploding Gradient Problem），这也没比消失的梯度问题更好处理。更加一般地说，在深度神经网络中的梯度是不稳定的，在前面层中或会消失，或会激增。这种不稳定性才是深度神经网络中基于梯度学习的根本问题。

2、消失的梯度问题的根本原因？

深度神经网络中的梯度不稳定性。由于梯度的值小于1，在随机梯度下降算法中，前面层的梯度由后面层的梯度参与相乘，所以造成前面层的梯度很小，后面层的梯度依次变大。从而造成了梯度的不均衡性。

十、卷积神经网络(CNN)

CNN(Convolutional neural networks)：使用了一个特殊架构来进行图像分类。

它的三个基本概念为：局部感受野（Local receptive fields），共享权重（Shared weights），和混合（Pooling）。

1、基本概念

（1） 局部感受野

在之前的全连接网络中，输入被描绘成纵向排列的神经元，但在卷积神经网络中，把输入看作28 x 28的方形神经元排列。第一个隐层中的每个神经元只与输入图像的一个小区域(如5x5)连接，这个输入图像的小区域叫做隐层神经元的局部感受野（Local receptive fields）。如下图所示：

每个连接学习一个权重，且隐层神经元也学习一个总的偏差。即此隐层神经元正在对输入图像的此区域进行学习、了解。一个隐层神经元与一个局部感受野一一对应，即每个隐层神经元有：5x5个权重和1个偏差。

如上图所示，对于一个28x28的输入图像，如果局部感受野的大小为5x5，则第一个隐层中有24x24个神经元。

（2） 共享权重和偏差

每组24x24个隐层神经元使用相同的权重和偏差。即对于每组中的第（j,k）隐层神经元，其激活值为：

即每组有5x5个权得和1个偏差，其26个需要学习的参数。这表示第一个隐层中的所有神经元在输入图像的不同地方检测相同的特征。(图像具有平移不变性)

· 特征映射：从输入层到隐层的映射。

· 共享权重：定义特征映射的权重。

· 共享偏差：定义特征映射的偏差。

· 卷积核或滤波器：共享权重和偏差。

为了做图像识别，需要多个特征映射，且一个完整的卷积层由多个不同的特征映射组成，如下图包含三个特征映射：

上面20幅图像对应20个不同的特征映射(或滤波器、或卷积核)，每个特征映射用5x5方块图表示，对应局部感受野的5x5个权重。白色表示小权重，黑色表示大权重。

共享权重和偏差最大的优点是：大大减少了网络中参数的数量。如全连接网络的参数是卷积网络参数的30倍左右。(卷积网络20个特征：20x26=520, 全连接20个隐层神经元：20x784=15680)

（3）混合层

卷积神经网络除包含卷积层之外，还包含混合层(Pooling Layers)，混合层在卷积层之后，它的职责是简化（总结）卷积层输出的信息。

混合层根据卷积层输出的所有特征映射，然后提炼出新的特征映射。

（4） 完整的卷积神经网络

最后一层与前面一层是全连接，其连接数为：3x12x12x10。

卷积神经网络与全连接神经网络的架构不一样，但其目标是一样的， 它们的目标为：使用训练数据训练网络的权重和偏差，然后对输入的图像做出正确的分类。

在人工智能深层神经网络一系列惊人的学习中，从识别系统和推理逻辑图像中，随着任务和网络架构变得越来越复杂，神经网络在越来越多的现实世界应用中的使用，了解其原理就越来越重要。

实际上，深度学习（Deep Learning）就是现代人工智能的核心技术。谷歌、微软与百度是现代人工智能领域的“三巨头”。它们拥有海量数据以及DNN技术，比如：2012年11月，微软（中国）在天津的一次会议上公开演示了一个全自动的“同声传译”系统，讲演者用英文演讲，后台的计算机一气呵成，完成语音识别、英中机器翻译，以及中文语音合成，效果非常流畅。微软使用的就是深度神经网络技术。

金准数据将通过两篇连载报告带您了解神经网络和深度学习的关系。

一、感知器与神经元

1、感知器(Perceptrons)

感知器工作原理：接收一系列二进制输入，经过特定的规则计算之后，输出一个简单的二进制。

计算规则：通过引入权重(weights)表示每个输入对于输出的重要性，则有

 记w⋅x=∑jwjxj，b=-threshold，则有

 其w是权重，b是偏差。

2、 Sigmoid神经元(Sigmoid Neurons)

为了使学习变得可能，需要具备的【学习特征】：权重或偏差有较小的变化，导致输出也有较小的变化。如下图所示：

感知器网络存在的缺陷是：某个感知器较小的权重或偏差变化，可能导致输出在0与1之间进行翻转。所以包含感知器的网络不具备【学习特征】。

   幸运的是：Sigmoid神经元具有此【学习特征】，即其较小的权重或偏差变化，导致其输出变化较小。

Sigmoid函数：

Sigmoid神经元输出：

 感知器与sigmoid神经元的差别：

· 感知器只输出0或1

· sigmoid神经元不只输出0或1，而可输出[0,1]之间的任意值

二、神经网络架构

1、 手写数字识别

训练图像大小为28x28，每个训练图像有一个手写数字。

在输出层，如果第一个神经元被激活(即其输出接近1)，则此网络认为此手写数字为0；如果第二个神经元被激活(即其输出接近1)，则此网络认为此手写数字为1；其它以此类推。

2、算法描述

设x表示训练图像，则x是一个28x28=784维列向量。

表示输入图片x是数字6   。

    需要寻找一个算法来发现w和b，使其输出接近标签值，为了量化接近程序，定义如下成本函数：

此成本函数中，w和b为变量

注：hidden layers和output layer中的每个神经元对应一个组w、b。

（1）学习目标

如何找到满足要求的w和b：答案是梯度下降法(Gradient Descent)：

· 最小化二次成本函数

· 检测分类的准确性

 学习目标：在训练神经网络中，找到使二次成本最小的w和b的集合。

（2） 梯度下降更新规则

此规则用于在神经网络中学习参数w和b

（3）算法推导（梯度下降法： gradient descent）

要求极小值，先讨论具有2个变量的简单情况，然后再推广：

 为梯度向量，则有：

总之，梯度下降法是：重复计算梯度，然后向相反的方向移动（即下坡最快最陡的方向），如下图所示：

上面讨论了只有两个变量的情况，现在推广到m个变量的情况，对应公式如下：

（4） 随机梯度下降法(Stochastic Gradient Descent)

为不减少计算量，把n个学习样本分成很多组，每组有m个学习样本，每次只计算一个组，则有如下推导：

则w和b的更新规则为：

注：如果m=1，则为在线学习。

（5） w和b的数量

对于hidden layers和输出层的神经元，每个神经元对应一个w向量和一个b，w向量的维数是其输入神经元的数量。第一层神经元没有w和b，其值直接输出。

第一层就表示原始图像数据，这些数据不经任何处理，直接作为Xj参与第二层的运算，第二层首先基于每个Xj，计算其z(z=wx+b)，然后计算出sigmoid(z)，以此类推。直到最后一层，利用BP算法，先计算最后一层w和b的梯度，然后以此向前，直到计算出第二层的梯度为止。

三、BP算法(反向传播算法)

BP(Backpropagation Algorithm) ：是一个计算成本函数梯度的算法。

需要基于每个训练样本计算每一层的w和b的梯度，从而更新每一层的w和b。

BP的真正目标：是计算每个样本的偏导数：

（1） 定义标记符号

则有激活值的如下公式：

函数向量化有如下形式：

即函数对向量的每个元素分别计算，然后生成对应的向量。

则上面的函数向量表示为：

2、 公式推导过程

（1） 计算激活值

（2）最后一层(L层)的二次成本函数

（3） 单个训练样本(x)的二次成本函数

（4）定义误差

（5） 定义输出层误差

（6）求最后一层(L层)激活值的偏导数

（7）根据最后一层的误差计算前一层的误差

（8） 计算目标值

（9）BP的四个基本方程式

3、 证明四个基本议程式

（1）证明BP1

（2） 证明BP2

4、 BP计算过程

四、 SGD(随机梯度下降)计算过程

9月22、23日，西安、重庆、南昌、南宁、长沙、武汉等城市先后出台楼市新政。此前没有出台限购限贷限售政策的城市，或政策力度未及其它城市的，在此次进行了相应的加码。多数城市均将限售作为本次政策的核心聚焦点。也有评论人士指出，包括限售限价在内的措施已经使得商品房炒房的属性大大降低，无形中起到使商品房经济适用房化的功效，限购、限售和限贷等措施正成为历史选择的中国大城市楼市新长效机制。

金准数据透过全国住宅市场数据，剖析上半年住宅市场的发展情况，并结合政策及市场内部因素对下半年住宅市场的运行环境及走势作出预测。

一、上半年市场分析

2017年上半年，持续收紧的楼市调控令市场热度有所降温，开发投资增速也于2季度出现环比回落。上半年全国房地产开发投资同比增长8.5%，增速虽比去年同期增长2.4个百分点，不过与一季度相比回落0.6个百分点；其中住宅投资增速比去年同期增长5.6个百分点，但较上季度回落1个百分点。

就成交情况来看，上半年全国住宅新房成交面积64,791万平方米，同比增长13.5%；成交均价为7,609元/平方米，同比上涨3.9%，涨幅明显回落。

今年以来，热点城市在房地产调控方面进一步加码收紧，史上最严、覆盖最广的“限购、限贷、限售、限价、限商”等政策充分表明政府调控决心，使得热点城市住宅市场热度迅速下降，成交量明显回落，价格逐渐走稳或回调；与此同时，热点城市严格的调控政策也使得资金或需求向非热点城市转移，包括环热点城市在内的三四线城市库存去化加快，为上半年全国住宅成交量的增长作出贡献，而上半年表现突出的地区或因此面临局部调控的压力。

1、对一线城市的影响

从聚焦一二线城市的24城数据来看，2017年上半年销售面积较批准上市面积高出2,293万平方米，供销比为0.79，供不应求的局面凸显。一方面由于市场上依然存在一定的看涨情绪，更重要的原因则是供应端管控带来的影响——政府通过预售阶段的价格管控令新房价格处于相对合理区间，影响开发企业推盘积极性，也进一步减缓供应。结合月均成交量分析，上半年月均成交量与过去两年相比明显回落，一线城市月均成交量达五年来最低点，发达和普通二线城市也均低于过去2年水平。

从价格走势来看，在房价已然位于高位的一线城市，大量备案的低价盘平抑全市住宅价格，新房成交均价呈现平稳回落迹象；而多数二线城市在供需矛盾突出的情况下仍然存在价格上探预期，即便伴随成交热度逐渐退却的情况，价格依然稳定且小幅上涨。

2、对二三四城市的影响

此轮以二线城市为主的密集调控出台前，楼市调控已经向三、四线城市蔓延。其中，限售成为本轮调控有别于以往调控周期的一大特征。

三四线城市市场升温，令一直以来较大的库存压力得以缓解，待售面积被快速去化，截至上半年末，全国住宅待售面积较去年年末减少5,088万平方米，仅为35,169万平方米。张晓端女士认为，从长远来看，随着调控效果的深化及预期的日益明朗，资金流动回归理性，三四线城市成交热度亦将回落，预计去划速度也将因此放缓。

从当前限售城市来看分为全面限制和分类限制，此轮限售政策具有精准化的特点。例如，从时间期限来看，有2年限售的、有3年限售的、有5年限售的，有从2年升级到3年的，甚至有特定项目5年、10年限售的；从范围来看，有针对户籍性质进行限售规定的，有针对城市内部不同区域进行限售规定的，有针对新建商品房和二手住宅进行规定的。

限售政策对需求端口最大的影响就是改变此前“急买急卖”的短期持有心理，通过降低交易频次、消除短期获利心理，达到抑制市场不理性需求。其中全面限制城市中，石家庄限售期限最长，新购住房（含新建商品住房和二手房）的，五年内不得上市交易，购房时间以交易合同网签备案时间为准。

各线城市环比均有不同程度上升，一二三线城市同比均降。环比来看，一二三线城市均有所上升。同比来看，二三线城市降幅相近，一线城市降幅明显高于二三线城市。

二、下半年发展分析预测

在坚持‘去杠杆’、资金‘脱虚向实’的背景下，房贷利率提高、房企融资渠道收窄，针对房地产市场的金融环境将持续收紧。而考虑到调控效力初显，为深化巩固调控成果，年内多维度、广覆盖的房地产调控难以放松。

1、从城市的角度

进入下半年，一线城市房价全面止涨。据数据显示,8月一线城市新建商品住宅和二手住宅价格环比均下降0.3%。期中，北京、上海、广州、深圳新建商品房价格同比降幅分别为4%、5.2%、3.6%、1.5%。二手房价中，一线城市呈现稳中有降态势。广州指数环比持平，而7月广州指数环比仍上涨，北京、上海、深圳环比分别下跌0.9%、0.2%和0.2%。

结合当下调控对于楼市降温的效果已经呈现，下半年随着调控效力的进一步深化，预计价格走向会趋于平稳，甚至不排除局部回调的可能。

随着政策及市场走向更加明朗，三四线城市热潮将逐渐消退，市场回归理性。长远来看，短期调控与长效机制相结合，平稳的市场环境有利于长效机制的介入与作用。诸如热点城市加大土地供应、建设发展特色小镇、大力推动租赁住房市场等一系列房地产长效机制和基础性制度建设将引导房地产市场逐渐走向长期稳定。

2、从投资的角度

（1）三类投资客将离场

新建商品房从购房到拿到不动产证一般需要一两年的时间，如果限售使得该房产获得不动产证后两年才能上市交易，那么这套房产从购买到出售需要等上好几年，这对短线投资者来说，无疑是个巨大的打击。一般投资客都会找周转得比较快的物业来投资的，限售之后，这些房子失去流动性，投资客入市的概率就小了很多。

对此，金准数据认为，从个人投资投机者来看，当市场调整期与风险来临之后，资金在各个城市间的轮动效应也结束，房价上涨预期打破，有三类投资投机客将退场：

· “加杠杆”入市的散户

· 运营状况不佳的私营企业主

· 置换、移民海龟等特定需求的群体

这一轮楼市“全民炒房”局面的出现和“散户”入市密不可分。他们拿出压箱底的资金入市，不顾一切投资买房，甚至有部分“散户”加杠杆操作投资。毫无疑问，当2017年下半年市场调整期来临之时，也是这部分“散户”无法承受房价止涨甚至下跌、加杠杆的资金成本等压力之时（加杠杆资金的期限一般为12个月左右，少部分24个月，今年下半年刚好是去年上半年加杠杆入市资金到期的日子），届时，去年上半年以来加杠杆入市的“散户”开始面临资产贬值的压力，下半年将会出现抛售资产的状况。

此外，运营状况不佳的私营企业主可能舍卒保车，抛售一部分前期投资的房产，缓解企业运营压力。另外一些换房、海外移民等特定人群可能会通过抛售置换资产配置。

值得关注的是，限售一来，对上述“加杠杆”投资投机客来讲，即使遭遇资产缩水的状况也不能用“快进快出”的方法解决资金需求问题，房产成为真正意义的“不动产”。而对于银行来说，锁定2016年下半年以来处于高位的房贷资产，不让它交易，不让它出现贬值，防止由于房价下降而带来的银行系统性金融风险，这样银行这端因为“限售”暂时处于安全地位。

稳定房价之后，接下来则是房地产调控的长效机制上台，届时，高房价、高地价、炒房、蜗居，买不起房等市场痛点或许会得到缓解。

（3）刚需置业者迎来利好

对于北京、广州这些大城市来说，限售直接影响到二手房的买卖，使得市场上可售的二手房房源减少。然而虽然房源少了，但保证了市场的稳定发展，对刚需置业者来说也是一种利好。

但是，没有任何人知道什么时候房价到底，刚需客可以先观望一段时间，无需急着入市。

金准数据建议，刚需者需要建立一个自己的底线，可以先花2-5个月的时间来观察行情以及选房，一旦发现达到这个底线的房源出现的时候，迅速出手。

3、从市场的角度

（1）住宅限售扩容

楼市限售起源于今年，并在半年多的时间内迅速铺开，直达三、四线城市。第一轮楼市限售有保定白沟、青岛、福建长乐等多城跟进；第二轮楼市限售则来自于上周的重庆等8个城市。

综合限售的内容来看，在个人购房端方面，一般新购买住宅需要取得不动产证满两年后方可转让或办理析产手续；在企事业单位、社会组织等法人端方面，一般需要取得不动产证满3年后方可转让。当然，各个城市会根据自身情况制定具体政策，包括限售长达10年之久的政策。

简言之，如果你买到了新房，大约两年时间才能拿到现房，拿到房产证后两年才能上市交易，一笔购房起码要冻结3年或者4年以上时间。如果一旦遇上房产证下发时间拖延，导致无法最快拿到房产证，可能则需要更长时间。

44个城市限售，意味着中国70个大中城市一半以上的房地产市场活跃性将快速降低，留下来的则是套在房产里动弹不得的，还有看好某座城市发展，又有大笔闲钱的人。而对于投资客来说，交易时间的拉长意味着不确定性和风险的增加，如此一来，敏感的资金一定会离开。

除此之外，楼市“限售”时间长度的界定与楼市调控政策执行的时间、市场周期的时间、银行个人按揭资产风险的压力、投资渠道等等诸多因素密切相关，“限售”时间并非任意制定。待楼市长效调控机制相关措施，比如不动产登记、房地产税立法等在未来2年-3年（限售期限基本匹配）完成之际，对于存量房的相关交易环节、持有环节的税收政策也会来临。

（2）各地信贷管理监控紧随

房地产金融端口持续收紧，继北京、深圳、江苏后，广州也发文要求加强个人消费贷款管理，防范信贷资金违规流入房地产市场。9月广州发布《关于消费贷管理、防范信贷资金违规流入房地产市场》的通知，强调收紧个人消费贷、严禁违规流入房地产市场。此前江苏、北京等地也发文要求加强消费贷管理。同时针对北京地区多家银行近期相继上调首套房贷款利率，人民银行营业管理部回应称，房贷利率调整符合政策要求和导向并积极支持。

8月以来，北京、深圳等地监管部门也发出通知或情况通报，对消费贷流入地产开展调查。北京银监局要求对单笔贷款金额20万元以上的个人消费贷款、单笔贷款金额100万元以上的个人经营性贷款等开展重点自查。

9月26日，为配合南昌市政府出台的限购限售等调控政策，切实发挥信贷调控作用，遏制房地产泡沫和投机投资需求，促进房地产市场健康发展，江西银监局联合人民银行南昌中心支行紧急下发《关于加强个人非按揭类贷款管理防范信贷资金违规进入房地产市场的通知》，督促辖内银行业严格执行房地产调控政策，进一步加强个人非按揭类贷款管理，严防借款人通过非按揭渠道违规融资用于购房，严禁发放以住房为抵押且无明确用途的贷款。同时，紧急部署开展个人非按揭类贷款违规进入房地产市场检查。

房地产平稳健康发展基调之下，就政策力度而言，限售明显宽于限购、限贷，不会对真实的自住型需求造成影响。在短期内，限售或许会造成成交量回落，但成交量不会断崖式下跌。去库存任务艰巨的三四线城市出台限售政策，保证市场仍有一定的成交量。信贷方面相对严格控制，合理把握个人消费贷款的投放规模、投向、结构、节奏、切实加强风险管控。商业银行要合理把握个人消费贷款的投放规模、投向、结构、节奏、切实加强风险管控。

2017年上半年经济回暖推动发电量平稳增长。1-6月，全国累计发电量29598亿千瓦时，同比增长6.3%，增速较去年同期提高5.3个百分点。由于来水偏枯，水电发电量仅为4613亿千瓦时，同比下降4.2%。2017年1-6月，水电行业营业收入582.7亿元，同比增长3.9%。

2017年上半年降水偏少，水电公司盈利能力较近几年偏低。2017年1-6月，水电行业综合毛利率为40.7%，较去年同期下滑7.8个百分点;二季度水电毛利率42.8%，同比下降6.1个百分点。2017年1-6月，水电行业净利率为27%，与去年持平;二季度28.1%，同比下降2.2个百分点，环比提高5.1个百分点。

一、基本概念

1、水电行业的定义

水力发电是指利用河流、湖泊等位于高处具有位能的水流至低处，将其中所含之位能转换成水轮机之动能，再借水轮机为原动力，推动发电机产生电能。利用水力（具有水头）推动水力机械（水轮机）转动，将水能转变为机械能，如果在水轮机上接上另一种机械（发电机）随着水轮机转动便可发出电来，这时机械能又转变为电能。水力发电在某种意义上讲是水的位能转变成机械能，再转变成电能的过程。

2、行业分类及领域

（1）分类

水力发电主要产品为电力，各种发电方式产生的电力基本上都没有无差别性。而从水电建设产品方面来看，我国水电站按照各种分类方式的不同，呈现出较大差别性。

水电站按照水电站利用水源的性质，主要包括以下三种：

· 常规水电站：利用天然河流、湖泊等水源发电；

· 抽水蓄能电站：利用电网中负荷低谷时多余的电力，将低处下水库的水抽到高处上水库存蓄，待电网负荷高峰时放水发电，尾水至下水库，从而满足电网调峰等电力负荷的需要；

· 潮汐电站：利用海潮涨落所形成的潮汐能发电。

按照水电站对天然水流的利用方式和调节能力，主要包括以下两种：

· 径流式水电站：没有水库或水库库容很小，对天然水量无调节能力或调节能力很小的水电站；

· 蓄水式水电站：设有一定库容的水库，对天然水流具有不同调节能力的水电站。

在水电站工程建设中，还常采用以下分类方法：

· 按水电站的开发方式，即按集中水头的手段和水电站的工程布置，可分为坝式水电站、引水式水电站和坝-引水混合式水电站三种基本类型。这是工程建设中最通用的分类方法。

· 按水电站利用水头的大小，可分为高水头、中水头和低水头水电站。世界上对水头的具体划分没有统一的规定，有的国家将水头低于15m作为低水头水电站，15-70m为中水头水电站，71-250m为高水头水电站，水头大于250m时为特高水头水电站。中国通常称水头大于70m为高水头水电站，低于30m为低水头水电站，30～70m为中水头水电站，这一分类标准与水电站主要建筑物的等级划分和水轮发电机组的分类适用范围，均较适应。

· 按水电站装机容量的大小，可分为大型、中型和小型水电站。各国一般把装机容量5000kW以下的水电站定为小水电站，5000-10万kW为中型水电站，10万-100万kW为大型水电站，超过100万kW的为巨型水电站。中国规定将水电站分为五等，其中：装机容量大于75万kW为一等（大1型水电站），75万-25万kW为二等（大2型水电站），25万-2.5万kW为三等（中型水电站），2.5万-0.05万kw为四等（小1型水电站），小于0.05万kW为五等（小2型水电站），但统计上常将1.2万kW以下作为小水电站。

（2）领域分析

水力发电产生的电力属于基础能源产品，在我国各个行业都有应用，从产业方面来看，我国三大产业中，第二产业用电量最高，第一产业、第三产业相对较少。从工业用电量来看，钢铁、化工、非金属矿物制造、有色金属冶炼用电量居所有工业行业中前四位，是最主要的工业用电行业。

二、现状分析

1、利润指标分析

2017年上半年，受来水不佳影响，水电行业整体发电量下滑，但部分公司其他业务收入增长致使行业整体营业收入同比实现正增长(见附件统计)。2017年水电行业营业收入582.7亿元，同比增长3.9%;归属净利润141.1亿元，同比下降6.9%;扣非净利138.1亿元，同比下滑7.9%。与去年同期相比，水电毛利率同比下降7.8个百分点至40.7%;净利率同比持平为27%。

水电行业2017年1-6月利润表与2016年1-6月利润表指标对比

2017年二季度水电行业同比业绩下滑。2017年二季度，水电行业实现营业总收入324.5亿元，同比下滑6.6%，环比上升15.6%;归属净利润85.2亿元，较去年同期下滑10.8%，环比提高56.5%;扣非净利83.6亿元，同比减少10.6%，环比提高55.4%。与去年同期相比，水电毛利率同比减少6.1个百分点、环比提升7.2个百分点至42.8%;净利率同比下降2.2个百分点，环比增加5.1个百分点达到28.1%。

水电行业2017Q2利润表与2016Q2、2017Q1利润表指标对比

2、核心要素分析

（1）需求回升促收入增长

2017年上半年经济回暖推动发电量平稳增长。1-6月全国累计发电量29598亿千瓦时，同比增长6.3%，增速较去年同期提高5.3个百分点。由于来水偏枯，水电发电量仅为4613亿千瓦时，同比下降4.2%。

累计发电量增速

分季度发电量增速

受到经济增速及季节性因素影响，二季度全国累计发电量环比一季度发电量增速有所放缓(一季度7.6%，二季度6.6%)。其中，水电行业，二季度来水有所改善，水电发电量同比降幅从一季度的4.6%提升至3.7%。

发电量增长助力收入提升。2017年1-6月，水电营业收入582.7亿元，同比增长3.9%。二季度，水电实现营业收入324.5亿元，同比下滑6.6%。

水电行业分季度营业收入情况

（2）降水偏少，水电毛利率同比降低

2017年上半年降水偏少，水电公司盈利能力较近几年偏低。2017年1-6月，水电行业综合毛利率为40.7%，较去年同期下滑7.8个百分点;二季度水电毛利率42.8%，同比下降6.1个百分点。

水电行业毛利率分季度变化情况

（3）综合资金成本呈下降趋势

2017年1-6月，水电行业财务费用69.9亿元，同比减少10.9%;财务费用率12%，较去年同期下降2个百分点。二季度，水电财务费用34.7亿元，同比锐减三成;财务费用率10.7%，同比下降3.7个百分点，环比减少2个百分点;综合资金成本5.6%，同比下降1.7个百分点。

水电行业财务费用率分季度变化情况

水电行业综合资金成本分季度变化情况

（4）水电二季度盈利水平较一季度有所提高

2017年1-6月，水电行业实现扣非净利润138.1亿元，同比下降7.9%;二季度83.6亿元，同比降低10.6%，环比大幅增长55.4%。

水电行业扣非净利分季度变化情况

2017年1-6月，水电行业净利率为27%，与去年持平;二季度28.1%，同比下降2.2个百分点，环比提高5.1个百分点。

水电行业净利率分季度变化情况

（5）水电公司分区域盈利情况对比

在我们统计的21家水电上市公司中，除甘肃电投外，2017年上半年所有水电上市公司均实现盈利。毛利率突出的公司是湖南发展(58.4%)和长江电力(55.2%)。二季度来水改善，水电公司毛利率和净利率环比一季度普遍提升，出现亏损的公司仅有西昌电力一家。

水电公司分区域盈利情况对比

三、行业风险与投资建议

水电行业存在的主要风险有：来水不佳的风险；宏观经济增长放缓的风险；政策目标较难落实风险；行业供应下降风险；价格上涨缓慢风险；贷款回收风险；区域发展不平和风险等。

从整体上看，水电行业的风险评级是中级，机会与风险并存，可选择性介入。

水电行业整体是属于维持类行业，其评级处于维持类的中等水平，主要原因是：水电行业作为我国重要的基础能源行业，还处于从水电大国向水电强国转变的成长阶段，特别是“十二五”期间水电将迎来非常好的发展机会。不过，水电行业的发展仍面临一定的风险，比如最近一段时间的来水形式导致发电量下降、行业效益下滑、行业负债率过高等。

3、趋势预测及投资建议

（1）以节能减排、水电发展地位提高、建设目标上调为主导的发展机遇

我国节能减排压力加大，先后出台了多项政策。我国加大节能减排力度的政策导向十分明显，电力行业中主导的耗能和污染都较大的火电行业地位必将下降，水电被提升到优先发展的地位，未来水电行业建设将加剧。

（2）水电运行难以预期，西南水电建设加快

未来我国水电行业建设将呈现快速增加态势，整体装机容量将有大幅提升。但由于水电行业供应需要充裕的水资源才能实现，而来水情况却是很难预测的，因此水电行业运行难以预期，行业投资建设加剧，收益情况则具有较大的不确定性。西南地区水电资源较丰富的区域受降雨情况影响相对较小，未来几年为水电重点建设区域，投资机会增加。

建议：水电方面，上半年来水偏枯，但二季度较一季度有所改善，三季度有望保持增长态势。我们持续推荐长江电力，公司做为全球最大的成熟水电公司，业绩稳定、分红率高、多元布局。建议关注业绩弹性大的黔源电力、桂冠电力、川投能源等优质水电标的。

本轮房地产的复苏回暖具有明显的先后顺序，一线城市最先，二线城市随后，三线城市最后。在此之前，一二三线的住宅价格走势高度一致，只是价格增长的幅度不同。从本轮周期开始，一二三线城市之间以及内部的住宅价格走势出现结构性分化。

金准数据以35个大中城市为重点分析对象，从供给需求、金融信贷、调控政策等方面，解析驱动和影响房价的多方面因素；并通过不同城市各因素的量化和排名，判断重点城市的房价走势，探析目前房价仍具有上涨潜力的城市。

一、驱动房价的需求因素：人口与流动

人口是影响房价需求的根本因素，我们将人口因素区分为存量人口和未来潜在的人口流入。其中，未来潜在的人口流入主要取决于当地的优质资源。

1、存量人口需求

通常来讲，本地户籍人口拥有家庭提供的存量住房，外来常住人口是购房的刚性需求来源。常住人口/户籍人口越大，说明外来常住人口比例越多，购房需求越大。在常住人口中，工作人口的比例越高，对房地产需求的购买力越强。另外，在校小学生人数增速越快，说明该地区有持续的青壮年人口增长，对房地产的需求也会增大。

（1）常住人口/户籍人口

本地户籍人口拥有家庭提供的存量住房，外来常住人口是购房的刚性需求来源。常住人口/户籍人口越大，说明外来常住人口比例越多，购房需求越大。

此次选取的35个大中城市在本轮房价周期中（2015年1月到2017年6月）新建住宅价格的累计涨幅，以及各城市2011年-2015年间的常住人口/户籍人口比例的均值，作为对比和考察的指标。得出的结论是：房价的上涨幅度与该地区常住人口/户籍人口的比例具有明显的正相关关系。

具体来看：本轮房价涨幅越高的城市，常住人口/户籍人口越高。典型城市是深圳、厦门、上海、北京、广州和天津。尤其是深圳，常住人口/户籍人口为350%，是35个大中城市常住人口/户籍人口均值126%的将近3倍。这也是本轮周期中深圳房价复苏最快，上涨幅度最高的一个原因。

房价涨幅与常住人口/户籍人口之间，拟合方程系数显著，拟合优度达0.46，说明二者存在紧密的相关性。如果我们将样本缩小至房价累积涨幅前十的大中城市（深圳、厦门、合肥、南京、上海、广州、北京、杭州、郑州、武汉），发现方程的拟合优度进一步上升，高达0.76。说明房价累积涨幅越高的城市，二者的相关性更高。

（2）工作人口/常住人口

常住人口中，工作人口的比例越高，代表该城市潜在的购买力越强，年轻化程度越高，住房刚性需求增长的潜力越大。

我们选取了35个大中城市在本轮房价周期中（2015年1月到2017年6月）新建住宅价格的累计涨幅，以及各城市2011年-2015年间的工作人口/常住人口比例的均值进行对比，得出的结论是：房价的上涨幅度与该地区工作人口/常住人口比例具有较为明显的正相关关系。

具体来看，房价涨幅越高的城市，工作人口/常住人口的比例越高。深圳作为本轮房价上涨的领头羊，工作人口/常住人口排名第一，将近80%，是35个大中城市平均值31%的2倍还多。

房价涨幅与工作人口/常住人口比例相关性的弹性，随着后者的提高而进一步增加。以全部35个大中城市为样本观察，每当工作人口/常住人口上升1个百分点时，房价的涨幅随之上升0.56个百分点；而我们筛选工作人口/常住人口比例超过50%的前10大城市，每当工作人口/常住人口上升1个百分点时，房价的涨幅随之上升1.15个百分点。

（3）小学生在校人数增速

小学生在校人数增加，意味着该城市青壮年人口增加，对房地产或者学区房的需求增加。随着社会对教育的越来越重视，争夺优质的教育资源，会大幅度助推房价的上涨。

选取35个大中城市在本轮房价周期中（2015年1月到2017年6月）新建住宅价格的累计涨幅，以及各城市2011年-2015年间小学生的在校人数增速的均值进行对比，可知：房价的上涨幅度与该地区新增小学生在校人数增速正相关。

具体来看，房价涨幅越高的城市，小学生在校人数增速也偏高。35个大中城市小学生在校人数增速平均是1.85，而厦门、合肥和深圳的小学生增速分别为8.2、7.9和6.9，是平均值的4倍还多，房价涨幅在本轮周期中也属于较高的城市。同时，两个指标线性方程的0.4324，在统计上较为显著。

房价涨幅与小学生在校人数增速的相关性及其变动弹性，都随着后者的提高而进一步增加。以全部35个大中城市为样本观察，两个指标线性方程的拟合优度为0.4324，小学生在校人数增速每增加1个百分点，推动房价上涨4.2个百分点；而若只考虑小学生人数增速为正的城市，两个指标线性方程的拟合优度提升至0.5323，房价涨幅对小学生在校人数增速的弹性也进一步上升到6.5左右。

如果我们只观察35个大中城市小学生在校人数增速前十的城市，具体包括厦门、合肥、深圳、郑州、北京、长沙、天津、石家庄、福州和青岛，回归方程的拟合优度进一步提高到0.663，房价涨幅对小学生在校人数增速的弹性上升到7.8。也即是说，对于小学生在校人数持续增加的城市，小学生在校人数增速每增加1个百分点，推动房价上涨7.8个百分点。

2、潜在人口流入需求

一个城市优质公共资源越多，该城市潜在的人口流入越多。教育和医疗是我国稀缺的优质公共资源。金准数据用一个城市的211大学数量+三甲医院数量来衡量该城市的优质公共资源。也即是说，211大学+三甲医院数量越多，该地将可能有更多的人口流入。

选取了35个大中城市在本轮房价周期中（2015年1月到2017年6月）新建住宅价格的累计涨幅，以及各城市的211大学数量+三甲医院数量进行对比，得出的结论是：房价的上涨幅度与该地区211大学数量+三甲医院数量具有较为明显的正相关关系。

具体来看，北京、上海、广州作为优质公共资源最多的三个城市，能够较好的支撑本轮房价的上涨。而深圳作为本轮房价上涨的领头羊，其优质公共资源依然匮乏。

二、驱动房价的供给因素：库存与土地

驱动房价的供给因素主要包括库存和土地两个方面。从理论上看，一个城市地产库存越高、供地越多，说明其商品房供给越充分，房价上涨的空间越小；而当一个城市地产库存处于历史低位，或供地面积收缩，则其房价上涨的潜力则较大。

1、房地产库存

（1）房地产库存的计算

在计算住房库存之前，我们需要厘清一下有关房地产面积常用的几个指标的内涵关系。

· 商品房施工面积：报告期内施工的全部房屋（包括地下室、半地下室以及配套房屋）建筑面积。包括本期新开工的面积和上年开工跨入本期继续施工的房屋面积，以及上期已停建在本期恢复施工的房屋面积。本期竣工和本期施工后又停建缓建的房屋面积仍包括在施工面积中，多层建筑应填各层建筑面积之和。

· 商品房新开工面积：在报告期内新开工建设的房屋面积。

· 商品房竣工面积：报告期内房屋建筑按照设计要求已全部完工，达到住人和使用条件，经验收鉴定合格或达到竣工验收标准，可正式移交使用的各栋房屋建筑面积的总和。

· 商品房待售面积：指房地产开发企业报告期末已竣工的可供销售或出租的商品房屋建筑面积中，尚未销售或出租的商品房屋建筑面积，包括以前年度竣工和本期竣工的房屋面积。

可见，商品房新开工面积和竣工面积都包含在施工面积中。商品房待售面积是指已竣工但尚未销售或出租的商品房屋建筑面积。所谓的库存就是指没有销售的建筑面积。狭义的库存一般指商品房待售面积，广义的库存不仅包括已竣工未销售面积，还包括正在施工中还未销售的建筑面积。由于期房销售，一些还在施工的建筑以期房的形式预售。所以：

狭义的库存=商品房待售面积

广义的库存=商品房待售面积+（施工面积-竣工面积-期房销售）

此外，为了消除城市规模对库存的影响，我们还计算了相应城市的人均库存，等于库存/常住人口。

（2）狭义库存与广义库存

理论上，库存越低的城市，在其它条件不变的情况下，房价涨幅越高。我们选取35个大中城市的房价和库存数据进行分析：房价的累积涨幅为2015年1月到2017年6月的累积涨幅（本轮周期），狭义和广义库存均为2011年-2015年的累计值，人均狭义和广义库存为2011年-2015年的平均值。

具体来看：累计狭义和广义库存，与房价涨幅均没有明显的负相关关系，尤其是对于本轮房价涨幅较高的城市，如合肥，南京，广州和上海。而值得一提的是，一线城市由于规模较大，库存也都普遍较高。

人均狭义和广义库存，与房价涨幅的负相关关系更加明显。为了消除城市规模对库存的影响，我们计算了各城市的人均狭义库存和人均广义库存，并考察其与房价涨幅之间的关系。整体来看，人均狭义库存越高的城市，房价涨幅越低，二者的相关性优于狭义库存与房价涨幅之间的关系，但对于涨幅较高的几个城市，人均狭义库存与其房价涨幅负相关性并不紧密。人均广义库存与房价涨幅之间也存在显著的负相关性，例如深圳的人均广义库存最低，房价的涨幅也最高，而其它几个涨幅较高的城市，如北京，上海，广州，天津以及合肥，在过去5年里人均广义库存也较低。

总的来看，在这四项库存指标里，人均广义库存与房价涨幅之间的负相关性最为显著。

 2、土地供给

理论上来讲，土地供给越是充分的城市，房价上涨的幅度越小。我们将分别比较35个大中城市土地供给以及人均土地供给与房价涨幅之间的关系。房价的累积涨幅仍为2015年1月到2017年6月的累积涨幅，累计土地购置面积为2011年-2015年的累计加总值，人均土地购置面积为2011年-2015年的平均值。

具体来看：土地购置面积与房价涨幅没有显著的负相关性。尽管从极端值来看，土地供给大幅高于其他城市的重庆，房价涨幅的确较低；但2015年以来房价涨幅较高的城市中，只有深圳和厦门的累计土地购置面积相对较低。

人均土地购置面积与房价涨幅具有显著的负相关性。35个大中城市的平均人均土地购置面积为0.4平方米，房价涨幅较高的城市，如深圳，南京，上海等城市的人均土地购置面积远远低于该水平。尤其是深圳，人均土地购置面积不足0.1平方米，在所有城市中是最低水平，其房价涨幅也最高。

三、驱动房价的金融因素：信贷、利率与估值

驱动房价的金融因素主要包括信贷规模、利率水平及估值水平。在上一篇专题中，我们已大致分析了房价与信贷、利率周期之间的关系，在此我们将进一步分析各金融因素对本轮房价的驱动作用。

1、信贷数量：M2与住房贷款

信贷数量的指标主要包括M2与住房贷款规模。

M2同比增速是房地产周期较好的领先指标。M2增速的回升表征整体流动性环境的宽松，对于具有金融资产属性的房地产而言，对其价格有积极的推升作用。从历史数据看，M2同比增速领先住宅价格同比大致5个月；而从本轮房价周期看，M2增速的反弹与房价同比增速的回升几乎是同步的。这主要是由于本轮房价上行周期带有明显的政策驱动影响。

个人住房贷款余额同比与房价同比的走势也相当一致。房价上行的预期提升了居民的购房意愿，并带来个人住房贷款余额的上升；而居民旺盛的购房意愿则进一步推升了房价的上行预期，两者相互强化。从数据上看，本轮房价周期在2015年初的启动与当前的见顶回落，都与个人住房贷款增速的趋势相一致。

值得一提的是，宽松的信贷环境和不断上行的房价，也会使得商业银行增配按揭贷款。在本轮房价周期启动初期的“资产荒”背景下，商业银行内在的有动力去配置低风险的按揭贷款。同时，央行行长周小川曾多次表态：个人住房贷款在银行总贷款比重偏低，有的国家占到40%-50%，中国只有百分之十几，应该大力发展住房贷款，对于银行来说，这属于低风险资产。

2、利率水平：住房贷款利率

对房价周期影响最大的当然就是个人住房贷款利率水平。

理论上说，个人住房贷款利率和金融机构贷款利率的上升会增加个人购房和房地产投资的融资成本，从而抑制房地产价格的上涨；同理，贷款利率的下行，有助于刺激房地产价格的上涨。从历史数据看，房价周期与贷款利率（滞后三个季度）周期基本呈现完全反向的关系。

利率水平的显著降低是本轮房地产复苏最重要的引擎。一方面，央行自2014年11月起频繁下调存贷款基准利率，致使银行5年期以上贷款利率在一年之间下降1.65个百分点，从2014年10月的6.55%一路下调到2015年10月的4.9%；个人住房贷款利率从2014年三季度的6.96%下降到2016年低的4.52%，下降了2.44个百分点；与此同时，全国首套房平均贷款利率也下降到4.44%，达到历史最低水平。此外，商业银行也不断加大了对全国首套房贷款利率优惠，全国首套房贷款利率优惠占比从2015年7月的50%一跃上升到2016年底的85%。总之，本轮房价周期的启动，利率水平的下行可以说功不可没。

另外，在2016年一季度一二线城市房价快速上涨，库存不断降低，而三线城市库存居高不下时，商业银行发放的个人购房贷款利率依然是一线低于二线，二线低于三线。这说明，商业银行在发放贷款时并没有完全按照政府去库存的政策（向三线及以下倾斜），而是根据不同城市房地产的风险有选择的进行贷款优惠，这是商业银行内在配置资产的需要。实际上，这也是造成本轮房价周期一二三线城市分化严重的原因之一。

3、估值水平：房价/收入比

房价/收入比，即当地的房价与人均收入之比，通常被认为从流动性的角度衡量房价背后的支撑力量。但金准数据认为，在对房地产市场形成单边的上涨预期下，房价收入比越高的地方，代表着购房的杠杆越高，当地的购房热情越容易受到“贷款利率下降”，“首付贷优惠”等政策的撩动。上述逻辑成立的前提是房价的上涨预期，至少是短期内明确的上涨预期。在杠杆资金的参与下，房价的上涨预期和下跌预期很容易被放大。房价收入比越高的地方，杠杆的利好和被放大的预期，一方面给购房者带来恐慌情绪，另一方面也为投机者带来巨大利润，进一步刺激购房者的热情。

使用本轮周期的累计房价涨幅（2015年1月到2017年6月），以及2011-2015年各城市房价收入比的均值来进行分析，得出的结论是：

房价收入比与房价涨幅具有明显的正相关关系。房价/收入前十的城市，包括深圳，上海，北京，海口，福州，厦门，杭州，广州，大连和天津，也是本轮房地产价格上涨较高的城市。这些城市的上涨部分是由于投机需求驱动，蕴含着一定的风险。

值得一提的是，“租售比”或“房价/租金比”也是衡量房地产估值水平的重要指标之一，但其并不适用于中国房地产市场的分析。原因在于：

“房价租金比”即房产的售价与年租金之比，本质上可看做房屋的“市盈率”。大量境外市场参与者持有房产的目的是长期出租获取回报，才是构成租售比经验数值的市场前提。而从境内来看，中国住宅市场参与者较少因出租获利目的购房，且国内房屋租赁市场的制度与发展尚不完善，因此租售比与经验数值相距甚远。作为比较，即便处于同样地理位置，写字楼的租售比远低于住宅，正是这种逻辑的体现。以股票市场作为类比，创业板投资者追求的是成长性，而蓝筹股投资者追求的是稳定分红回报，因此二者的市盈率也存在天壤之别。

四、驱动房价的政策因素：房地产调控

在上一篇专题中，我们分析了房价周期与房地产调控政策之间的关系。中国房地产周期受到调控政策的显著影响。房价快速上涨及到达峰值的过程中，一般都伴随着房地产调控政策的收紧；在房价处于低位、经济下行压力凸显的情况下，政府则倾向于放松调控政策以刺激房地产行业的增长。我国的房地产调控政策以限制需求为主，房价受政策影响较大。政策放松，房价迅速反弹；政策收紧，房价则快速回落。

从调控机制来看，房地产调控政策则是作用于上述房价的驱动因素：

需求端的调控政策包括以户籍制度为基础的限购政策，相关公共服务政策（如学区房制度），房屋交易及持有环节的税费等。供给端的调控政策则包括作用于土地供给的供地计划，房企拿地政策（拿地首付贷、拿地分期时间、拿地贷款限制等），以及作用于房地产库存的棚户区改造计划，保障房建设，开发环节政策（贷款及税费），限售政策等。金融端的调控政策则包括作用于信贷数量的首付比限制、信贷投放指导，以及作用于利率水平的基准利率调整、按揭贷款利率限制或优惠政策等。

长期以来，中国政府偏重于从抑制需求的角度进行房地产调控，如各地常用的限购限贷、上调首付比率，上调交易环节税费等。这类政策能够快速平抑房地产销售热潮，并在短期内压制房价的持续暴涨，但却无法真正消灭房地产的潜在需求与房价的看涨预期。因此，尽管每轮调控的“收紧”周期均显著长于“放松”周期，但楼市的上涨趋势却基本未受到改变，而且容易在每次放松周期出现之时进行报复性上升。

不过，近期政府着意推广“租售同权”、“集体用地建设租赁用房”等试点，可见，政府正在着意通过长效调节机制的作用，致力于扭转市场对于房价的预期，逐步化解房地产泡沫。

五、结论与展望

金准数据认为，未来中国城市的主力格局“3+6”，也就是3大城市群加上6个主力城市。三大城市群指的是环北京城市群、环上海城市群和环深圳城市群（包括香港和广州），6个城市指的是南京、合肥、武汉、长沙、重庆和成都，这些城市将在未来中国未来城镇化及中国经济转型的过程中发挥非常大的作用。

从宏观层面看，2016年“3+6”城市格局占全国人口19.5%，创造的GDP占比达36.8%，新房交易额占比达46.2%，二手房交易额占比达73.5%。城市圈的大城市人口、资金吸引力持续增强；房地产交易占比高；转型的开发商由开发投资走向多元化运营，同时集中度不断提高。

中国的十大城市群分别是:长三角城市群、珠三角城市群、京津冀城市群、山东半岛城市群、中原城市群、辽中南城市群、长江中游城市群、海峡西岸城市群、成渝城市群、关中城市群。

在全球城镇化进程与经济全球化进程双重加快的时代背景下，城市群的快速扩张已成为带有普遍意义的不可阻挡之势，正在作为国家参与全球竞争与国际分工的全新地域单元，并深刻影响着国家的国际竞争力和21世纪全球经济的新格局。城市群是中国未来经济发展格局中最具活力和潜力的核心地区，是中国主体功能区战略中的重点和优化开发区，也是未来中国城市发展的重要方向。

而我们一般常说的“北上广深”——北京、上海、广州、深圳，这4个城市在中国大陆城市中的综合实力和竞争力相对处于最领先的层次，又被称作一线城市。拥有雄厚的经济基础，以及可观的政治资源，对周边多个省份具有辐射能力，有雄厚的教育资源、深厚的文化，还具有繁华、美丽的夜景，极为便利的交通和独特的城市魅力。所以三大城市群环北京城市群、环上海城市群和环深圳城市群（包括香港和广州）也就是基于“北上广深”再加上香港。

大都市圈的房价具有联动性，买房最易向大都市圈靠近。大都市圈的教育资源、公共设施、就业机会等都比中小城市要优越，也会吸引更加多的年轻人和产业聚集。未来的购房需求要向大都市圈靠近，这是城市化发展的必然的过程。中小城市的房子就只是房子，深圳的房子还能是资产。

金准数据认为，整体来看政策基调预计保持平稳，下半年的二手房市场成交量将在低位保持稳定。2017年下半年以来，限购限贷的行政调控并未放松，且下半年信贷环境仍将延续“紧”的特征，这使得市场的上行缺乏支持和动力。潜在需求尤其是换房需求依旧存在，且对房价上涨的与其仍然存在。因此，市场同时存在上行压力和下行压力，后期将保持低位企稳的状态。

战略金属指的是大量用于军事制造工业的金属，对国防建设有着至关重要的作用。比如钨合金，钢铁等。此外，稀有金属钽、锶、锑、镉、铱、铋、铑、镍、锆、铬、钴、铟等等,也都具有战略意义，对发展和巩固国防建设不可或缺。

钨合金

钨最早是在1783年被发现的。这种浅灰色或发白色的金属可以与钢铸为合金，形成在高温下稳定的材料。它是地球上熔点最高的金属，熔点超过3400摄氏度。

在普通照明中用作电灯丝的钨，就是一种典型的战略金属，主要用于硬质合金、特种钢等产品，并被广泛用于国防工业、航空航天、信息产业，被称为“工业的牙齿”。钨能耐高温，所以钨合金被大量用于机械、武器工业。比如枪、炮的发射管中都会用到钨的合金。穿甲弹的弹丸，是用比坦克装甲硬得多的高密度合金钢、碳化钨等材料制成的。

另外，钨合金的机械性能与贫铀相差无几,但没有放射性。钨的化学性能也非常稳定,甚至在1000℃以上的高温也不会氧化,硬度也不会明显下降。这对防破甲弹的高金属射流十分有利。

钨的熔点在金属中最高，其突出的优点是高熔点带来材料良好的高温强度与耐蚀性，在军事工业特别是武器制造方面表现出了优异的特性。在兵器工业中它主要用于制作各种穿甲弹的战斗部。钨合金通过粉末预处理技术和大变形强化技术，细化了材料的晶粒，拉长了晶粒的取向，以此提高材料的强韧性和侵彻威力。我国研制的主战坦克125Ⅱ型穿甲弹钨芯材料为W-Ni-Fe，采用变密度压坯烧结工艺，平均性能达到抗拉强度1200兆帕，延伸率为15%以上，战技指标为 2000米距离击穿600毫米厚均质钢装甲。钨合金广泛应用于主战坦克大长径比穿甲弹、中小口径防空穿甲弹和超高速动能穿甲弹用弹芯材料，这使各种穿甲弹具有更为强大的击穿威力。

目前，钨合金已经成为了一种制作军事产品的原料,子弹,装甲，炮弹,弹片头,手榴弹,猎枪,子弹弹头,防弹车,装甲坦克,大炮部件,枪支等都可以由钨合金制成。其中，钨合金的一种主要用途是动能穿甲弹。

由于铅和贫铀对环境造成的危害，钨产品由于其无毒环保的性能，已被用来替代以往的原料用作制造子弹弹头，以减少军事材料对环境造成的危害。由于钨的高硬度和耐高温，在军事领域，钨产品已得到了广泛的应用。

钛合金

钛合金，也具有极高的战略价值。它比重小，强度高，耐蚀性好，在航天工业的用途很大。像美国的钛制品广泛用于飞机的机体和发动机，如最新研制的F-22战斗机总重的45%为钛制品。在发动机方面，圆盘、风机叶片和机体则多利用钛铸件。美国陆军军用车辆的装甲板上也已经开始采用钛板。2012年钛材总量6万吨以上比上年明显增长，钛锭出口大幅增加，宝钢、宝钛等多家钛材加工企业钛锭库存总量累计在5000吨以上，另外国家还收储了4000吨钛锭。

稀有金属

稀有金属元素由于有优良的物理化学性能、电学性能等，在工业中用途极广，因其有“少、小、精、广”的特点，因而被称为现代“工业的维他命”。稀有金属与当代高新技术的发展关系密切，尤其在军事领域应用广泛。可以说如果缺了它们，即使技术再先进，也难以生产出先进的武器装备。

正是由于稀有金属具有战略意义大、储量少的特点，美日等国无不想尽办法抢夺。铼的主要生产国是智利、墨西哥、哈萨克斯坦，但大部分资源被美国以长期合同的形式抢占。尽管美国本国也拥有储量相当丰富的稀有金属资源，但它却在世界上第一个实行了矿产储备制度。为保护本国资源，美国封存了大量矿山，转而从国外进口矿产品。

日本资源贫乏，其使用的稀有金属几乎全部依赖进口，但它也实行了战略金属储备制度，大量购买他国开发出的稀有金属，进行囤积。日本府曾专门就确保31种稀有矿产资源的稳定供应召开研讨会，并将研究结果作为策纳入了国家能源资源战略规划中。

俄专家在南千叶群岛的伊图鲁普岛（日称为择捉岛）上发现了储量丰富的稀有战略金属铼矿，引起轰动，原因是铼的价值超过白金，没有它就无法生产现代化飞机。据了解，铼主要用于生产航空发动机叶片、制造类似陀螺仪的高精设备、合成高辛烷值汽油。美国和德国还获得了制造铼过滤器净化汽车尾气的专利技术。

近期，钨的价格暴涨引发关注，尤其是这种金属的全球产量80%来自中国。美国彭博社称，对西方世界的经济和国防来说最关键的材料之一钨的价格正以比任何主要大宗商品都快的速度上涨。

金准数据认为，近两个月来，在人们对中国供应削减越来越担忧之际，钨价上涨超过50%。这种金属的全球产量中约有80%来自中国。中国正在取缔带来污染的矿井，并实施生产指标，将钨供应量限制在每年9.13万吨左右。除了中国的限产措施，日本、荷兰以及美国的海外企业需求复苏明显，年初以来出口量大增，供不应求的钨价迎来“飞升”。金属行情研究公司称，欧洲的钨价自7月初以来上涨了52%。这一涨幅超过了彭博商品指数中所有22种主要材料。欧盟将钨归入“关键”大宗商品一类，英国地质勘查研究所将其列为维持英国经济和生活方式所需材料的供应风险清单的榜首。

钨是属于有色金属、难熔金属、稀有金属、战略金属等产品的属性，根据资料显示中国的钨矿大体上分布于中国南岭山地两侧的广东东部沿海一带，尤其是以江西的南部为最多，储量约占全世界的二分之一以上。而中国出口的钨原料占据了世界市场的80%以上。

金准数据分析认为，这种矿产之所以被列为战略金属，主要是因为它具有极其重要的作用，广泛用于当代通讯技术、电子计算机、宇航开发、医药卫生、感光材料、光电材料、能源材料和催化剂材料等，许多武器装备也需要大量使用到这种的原料，钨的高密度意味着它也用在导弹上，以帮助它们穿透防御措施。

消耗钨最多的是汽车行业，约有25%的供应主要用于切削工具和加工机床。在集成电路中钨常用作电极，用来连接三极管。

钨是中国的国家战略性资源，受到开采配额的限制，每年产量理论上限制在约9.13万吨。但由于常作为钼矿的伴生矿进行开采，往年超出开采配额幅度一度曾达到50%。

中国工信部6月6日发布了一项关于下达2017年钨生产总量控制指标的通知，称生产企业应遵守产量指标，对无指标、超指标生产的企业，要立即责令停产。指标不应授予存在环境污染、安全隐患的企业。

阿格斯咨询公司的高级经理马克•塞登说：“（中国）政府希望实施控制。这是否会持续到明年更难预测。”

海关数据显示，2017年1-7月份，中国累计出口钨产品1.75万吨，同比增长45.6%，7月依旧维持3000吨的单月高位，其中向日本、荷兰以及美国出口的钨精矿量涨幅最大。

下游需求复苏是一方面，今年环保督察力度空前，矿山减产明显，或将导致原料采购困难，乃至全球供应短缺。

金准数据指出，国内钨精矿资源分布以湖南、江西、福建三省为主，同时几大国企对资源的掌控力正在加强，寡头垄断下钨精矿供应端将面临更严格的监管，开工率很难恢复。同时由于15-16 年的价格低迷，新勘探的矿山建设受阻，新增产能亦有限。

金准数据预计，中国环保督察力度加强，将导致钨精矿产量增速远远不及消费与出口增速，市场上库存进一步降低，2017年全年市场料维持一个短缺的状态。中信证券维持2017年钨精矿均价8.8万元/吨的判断。

9月13日，中国钨业协会发布文章称，钨精矿总体价格水平与合理价位还存在一定的差距，尚未回归到2014年水平，依然背离资源价值。

2017年上半年国内钨精矿价格持续企稳回升、下半年快速上涨，回归到全国平均开采成本线附近。国外钨精矿产量总体平稳，现货供应量趋于紧张的状况依然维持。要理性看待钨精矿价格的上涨，一是要控制总量。二是要理性销售。防止非理性销售套利，防止价格出现大起大落。三是要防控风险。防止市场恶意炒作，未雨绸缪，密切关注和防范市场不确定因素所带来的市场风险。

彭博社报道称，今年对交易量较少的其他很多金属而言也是疯狂的一年。钕和镨等“轻”稀土的价格也因为中国矿业整顿努力而出现上涨。钴和钒等电池材料的价格也出现飙升，钌等稀有贵金属的价格也出现上涨。

华尔街见闻分析称，今年同样“受益”于环保督查、供给呈现下降趋势的小金属品种，还有稀土。电动汽车和新能源的发展，带动了作为新能源汽车电池原材料的稀土需求，镨钕氧化物的价格在今年几乎翻了一番；钕的价格仅在8月涨了将近1/3，今年以来上涨了81%，

总之，金准数据分析认为，中国的稀土产量和钨一样，同样占到全球供应量的八成左右。更为严厉的环保限产政策和督察措施出台，这些小金属品种供不应求的局面短期内难以破局，价格狂欢恐将持续下去。

四、发展建议与前景展望

1、国际经验

以美国市场为例，互联网金融主要面临4个方面的挑战：

第一，金融机构的投资者在做出决策的过程中面对着海量的数据和信息，如何处理这些数据给投资方带来了诸多挑战；

第二，不同机构之间的贷款产品价格，甚至同一机构的不同贷款产品的价格都是不一样的，这些贷款产品的价格甚至是不断变化的，捕捉这种变化并不容易；

第三，如果要在不同的平台上构建不同数量十分巨大的贷款分析模型，就面临着大量的信息的汇总、追踪、监测，跟踪这些数据是非常困难的；

第四，分析和风险评估方面的工具并不总是靠谱，金融机构可以使用自己的工具来评估他们的投资组合和投资的产品，但很多时候他们使用自己的这些工具不能够获得更多的资产信息。

在低效率的背后，传统银行面临的一个主要障碍还是技术。国外的经验是银行与新兴金融科技企业加强合作，通过投资、兼并最终买下技术，或者寻找公司和合伙人以利用其新技术。

现在市场上合作大多是“功能性外包”。有些初创公司并不是提供金融问题的解决方案，而只是简单地在银行的数字平台或者产品上加上了一些功能，给银行带来更好的用户体验。比如Debitize、Digit等公司，都需要连接进银行系统的支票或储蓄账户才能操作。如高盛、摩根大通、花旗银行等均布局金融科技。

对于银行和Fintech公司来说，同类产品的合作方式简单来说有两种：第一种类似于摩根大通和OnDeck的合作，OnDeck不出资，根据每笔成功贷款的金额得到手续费和服务费，同时通过OnDeck的平台对银行的客户进行市场推广。一方面，这种合作方式可以帮助银行针对自己的客户进行差异化定价和产品设计，又不需要重新设计营销平台和服务，节约了成本；另一方面，这笔生意的利润或者亏损也都会记到银行的账上，银行为此要承担一定的风险，没有历史数据给模型的预测带来了难度，同时也可能给银行现有的产品带来侵蚀和冲突。从市场份额和放贷量上来讲，摩根大通达到了自己的目标——2015年中小企业贷款的放贷量上升了16%。

另一种合作的方式如花旗把Lending Club当做一个分销渠道。Lending club出资或者融资通过自己的平台进行放贷，而银行提供自己的客户资源帮助Lending club进行目标市场选择。这种情况下，Lending club自身或者其融资方承担风险，而盈亏不会体现在银行的账面上，但有极高的监管成本。

对银行来说，金融科技实验室也是发展创新业务和颠覆式金融技术的好方法。银行可以花很少的一笔钱来运营这些实验室并且可以用一个很好的价格来购买他们需要的最新技术。根据不同创业公司的业务类型区分，有些的业务模型是合作型的，比如大数据，消息处理，交易优化等。花旗银行去年在美洲地区发起了一个叫做“移动挑战”的项目，如今已经拓展到了全球范围。截止到日前，已经收到了来自全球超过2000个初创公司的申请。那些达到标准的创业公司可以获得花旗银行的帮助从而更好的完善他们的产品并且获得一份现金奖励。来自新加坡的星展银行今年在香港也发布了一个类似项目。在展示日之前，8个创业公司可以获得星展银行提供的办公场地。与此同时，埃森哲也在纽约、伦敦和香港建立了类似的实验室，合作银行包括美国银行、美林、巴克莱银行、瑞士信贷、德意志银行、高盛，汇丰银行、摩根大通和瑞士联合银行。

2、银行转型出路探讨

金融科技想要打造自己的优势需要做到以下几点：强化优越的客户获取模式；坚持低成本的业务模式；充分利用创造性的大数据分析能力；建立针对细分客群的独特价值主张；与现有体系合作共赢；开展充分的监管沟通和风险管控。

而对于银行所面对的挑战，银行无须过分关注金融科技业的个别“挑战者”，而应该更多地聚焦于这些挑战者代表的能力，继而在企业中培养或从外部购买这些对数字化未来至关重要的能力。具体来说，银行需要做到以下几点：全面地强化全行的数字分析和应用能力；根据客户需求整合无缝的客户体验；建立数字化营销能力；构建数字化流程精简成本；迅速应用下一代IT科技能力和开发模式；建立支持数字化变革的组织架构。

面对“金融科技”这个新风口，在借鉴国际实践和国内银行业面临的现实挑战的基础上，我国商业银行的转型之路应该包括几点：

充分利用已有客群优势。在应对金融科技企业的挑战时，传统银行数量庞大、服务稳定的物理网点与电话服务中心的搭配，是很多客户选择金融服务时，不可忽略的一大优势。银行需要把网点的定位从简单的业务办理、产品宣传、标准销售转移到定制化服务、产品研判和针对性销售上来。

重视移动端的投入与建设。银行业务的处理和内部办公的移动化使得移动端已经成为银行与客户互动的重要渠道。虽然开发银行自有的原生App是有效且必须的，但如想与现有客户保持密切联系，还需要借助各种三方平台、网页程序和轻应用。基于对应平台的场景与技术进行开发与适配，才能更好地接触和维护客户。

部署更为敏捷的云技术解决方案。一方面，受益于业务模式的快速变革和规模经营的实际需要，云技术的引入能极大地减轻银行自有 IT 团队的工作压力，使其能抽出更多资源和精力来维护关键的核心系统；另一方面，云技术的应用能使银行将相当多服务于前端销售的流程和功能，集中在同一个生态机制之内，而且能以相对低廉的价格，快速部署使用。银行完全可以采取核心业务私有云，非核心业务公有云的做法，来加快在云技术领域的步伐。之所以要采取混合云搭配的方式，主要是源于金融业对客户数据的高度敏感，以及客观的法规和监管要求的存在。

细分客户群，差异化竞争。针对不同长尾客群的需求，推出对口的产品和服务，使其个性化被规模化满足。国外发展得比较成熟的直销银行提供了一些可借鉴的思路，比如波兰的mBank，将目标客户定位在25～35岁的年轻人，强化客户最核心的银行交易功能。mBank推出储蓄产品、支票账户、按揭贷款、投资产品等四大类产品，致力于以低成本的方式为客户省钱，比如：为客户提供更高的储蓄产品利息，有星巴克、Levis等品牌商户提供的现金返还，更优惠的保险、基金等投资产品，根据交易的历史数据进行客户的贷款预审批等。

投资、孵化、收购金融科技企业。与一些知名的投资机构或金融机构组成联合体，共同投资或持股FinTech企业。对于银行来说，通过资本运作的方式，用好FinTech企业的技术，并通过外部合作的方式来加速银行自身的数字化改造，是一个非常值得借鉴的解决思路。

高层领导的重要性。一家成功的银行，离不开持有明确愿景和强大执行力的董事会成员以及条线高管。他们能清晰且坚定地向自己的管理层和员工，传达银行在FinTech领域的战略和想法；能在收购、投资一家FinTech企业后，妥善地处理好FinTech企业文化与银行现有文化的冲突；能快速、果断地处理业务进行中可能产生的各种风险，并推动银行全身心拥抱这一场全新的技术革命。

组建敏捷化、专业化、项目化团队。尝试轻型化的精干团队来推进特定项目的实施。大型银行虽然可以通过敏捷的小型项目团队，来隔离大型机构的体系弊端，推动自身的数字化改造，但也必须在领导层面给予这些团队足够的支持，并培养、赋予他们接受挑战的能力。

提高线上化的风险管理能力。现阶段国内多数银行，尤其是中小银行，风控模式更多关注的是静态的风险预判，原因在于中小银行科技水平和风控能力相对较低、数据信息的数量和质量也存在缺陷。金融科技企业可以利用其资源和技术优势，开发基于大数据和人工智能的风险评估与动态风险监测，向各交易平台输出服务。另一方面，可以帮助金融机构加强跨平台的风险管控能力。通过提供多维度的跨平台交易记录等数据报告，帮助银行交叉核验投融资者的资质与潜在风险状况，降低风控成本和提高效率。

数据开放。第三方支付机构在科技与金融、线上与线下的跨平台性特征，使其积累的行业经验与用户数据更为多维度，可以通过最新的科技手段，对线上、线下的用户行为数据进行跟踪、分析、挖掘，将这些数据同银行的信贷等业务进行对接，便可以创造出新型的融资模式。

形成行业合力，共同探索和摸索行业的发展路径。通过建立银行联盟，实现联盟行间的信息、产品、资金、风控等资源共享，同时能够进行经验借鉴和互通有无，更好地满足客户金融需求，在金融科技浪潮中更好地拓展银行的潜在市场。

五、监管态度

对于金融科技的崛起，监管机构持谨慎态度，同时促进银行和金融科技公司的合作，积极推动大数据、云计算等新一代信息技术的发展，引导包括数字货币、征信体系等基础设施的搭建，为互联网交易型银行的发展打下技术根基。以维护市场公平秩序、保护金融消费者合法权益和促进金融健康发展为目标，以鼓励创新、防范风险、趋利避害、健康发展为原则，打造互联网交易型银行的新时代。

在中国，金融机构是牌照式监管。从监管的思路和趋势来看，越来越向传统的金融监管靠拢。从互联网金融监管历程来看，随着监管的日趋严格和明朗化，自查、整改的难度加大，各平台“监管套利”现象逐步减少，这对于转型中的传统银行来说是一个利好消息。

在严格风险控制的基调下 国家对金融科技的发展仍是大力支持态度

银监会2016年7月编制《中国银行业信息科技“十三五”发展规划监管指导意见》向社会各界公开征求意见。要求提升信息科技治理机制有效性，促进科技治理、风险管理与内部控制的相互融合；优化信息科技组织架构，建立协同高效的管理体系；创新科技人力资源管理模式，完善激励机制；改进科技规划管理模式，持续优化和完善信息系统架构。

在各金融科技领域也出台了相关文件，包括《促进大数据发展行动纲要》（国发〔2015〕50号）《国务院关于促进云计算创新发展培育信息产业新业态的意见》（国发〔2015〕5号）《国务院关于积极推进“互联网+”行动的指导意见》（国发〔2015〕40号）等等。细分领域的指导思想包括：

深化科技创新，落实“互联网+”行动计划。紧跟新技术发展趋势，加强前瞻性研究，进一步深入开展虚拟化、云计算、大数据、移动互联领域的创新，积极尝试开展量子通信、生物特征识别、虚拟现实、人工智能等技术的应用。服务实体经济，大力发展“互联网+普惠金融”。支持开展跨界合作，拓展金融服务场景，建立新的获客与活客模式，积极拓展互联网金融跨境、跨领域、跨行业的服务能力。

推进大数据应用，全面提升数据治理与数据服务能力。稳步拓展线上交易、电商平台、社交网络等互联网数据来源，整合司法、工商、财税等政府部门依法公开的信息，科学吸纳第三方征信机构信息数据，积极扩大信息来源，奠定大数据应用基础。尝试大数据精准扶贫，加强大数据风控，运用大数据更精确地评价客户信用，提升风险决策实时性，运用大数据技术将内控规则嵌入交易流程，更迅速地识别操作风险，预防、发现并及时阻断银行内外部的欺诈行为运用大数据改善银行经营管理，全面了解银行运营情况，及时优化业务流程，提高精细化管理水平，推动业务创新。

稳步开展云计算应用，主动实施架构转型。探索建立银行业金融公共服务行业云，构建私有云与行业云相结合的混合云应用。推动大中型银行云计算相关标准规范的制定，构建包括云基础、云资源、云服务、云安全等领域的云计算综合标准化体系框架，研究制定银行业云计算服务质量、计量、应用迁移，云计算数据中心建设与评估，以及虚拟化数据存储、弹性计算、评估测评等方面标准。逐步推进云计算安全体系建设，建立行业云平台，提升金融技术公共服务能力。此外，还包括加强组织领导、资源保障、评价考核、监管指导等。

金准数据认为，我国监管体系在严格控制风险之下对金融科技的创新保持支持态度对传统银行是有利的。经过一段时间的调整、整合和市场筛选，未来可能会形成相对稳定的互联网金融生态。不同的机构根据各自的专长，经过一段时间的尝试之后，将向更加专业化、合作化的方向发展，这是未来真正意义上可持续发展的方式。