不过环保不仅影响上游生产，也影响下游施工，接下来基本面上的供需关系，将成为原材料定价最重要的参考依据。

“26+2”城市不仅钢企将限产，建筑施工土石方和拆迁工地也可能停止作业。北京、天津等城市相继发布“停工令”，秋冬季停止各类建设工程土石方作业。

如何把握环保与经济和就业的平衡，已经成为当前一些方面热烈讨论的话题。有分析预计后期建材需求仍难有起色，钢价还将继续震荡下挫。

多地接连发布停工令 关注环保限产对下游施工的影响

8月底，天津首先印发实施《天津市2017~2018年秋冬季大气污染综合治理攻坚行动方案》，今年10月至2018年3月期间，全市建成区内停止各类建设工程土石方作业、房屋拆迁（拆除）施工、水泥搅拌及浇筑等作业，停止道路工程、水利工程等土石方作业。

9月16日，北京市住建委发布“最严停工令”《2017-2018年秋冬季建设系统施工现场扬尘治理攻坚行动方案》，要求从今年11月15日到2018年3月15日的采暖季期间，北京市内全部六区及十个郊区等范围内停止道路工程、水利工程等土石方作业，房屋拆迁施工也要停工。对于重大民生工程和重点项目涉及土石方作业无法停工的，需报市政府同意后方可实施。

安信宏观高善文指出，环保督察在加剧生产萎缩的同时，也对下游施工活动产生影响。他认为，7-8月固定资产投资的滑落除了高温天气的扰动，可能一定程度上也与环保有关。

无论是限制上游生产，还是拖累下游施工，环保对工业品产量的影响都是负面。高善文认为，考虑到上游生产相对集中，下游施工更加分散，环保对工业品价格的影响理论上对相关原材料价格应该主要起到向上的推升作用。

全国建材市场偏弱震荡 螺纹钢期货主力震荡下挫

据Mysteel监测，9月19日全国25个主要城市螺纹钢价格偏弱震荡。其中，南京、广州、石家庄、沈阳等8个城市螺纹钢价格下跌10-50元/吨，济南、兰州市场螺纹钢价格上涨20-30元/吨。

从市场表现看，建材现货市场成交不温不火，而螺纹钢期货主力震荡下挫，市场信心仍显不足。

9月以来螺纹钢主力合约走势

中间商遭遇高成本低需求双重挤压，因库存积压程度不同，部分商家继续让利出货，也有商家谨慎观望，不愿亏损出货。

“因环保督查以及安全生产检查影响，下游工地及上游钢厂均受到影响，9月上旬建材市场供需两弱。”Mysteel分析师沈一冰认为，目前国内建材市场整体偏弱震荡运行，螺纹钢均价较前期有所降低，主要还是需求不给力，下游对高价位接受度低，“金九”需求低于预期。

新华社援引机构分析称，目前钢材的社会库存仍在持续攀升，旺季需求改善的预期到目前为止并未实现。市场关注的焦点已转移到需求低迷的层面，钢价下行的压力加大。

改革开放以来，我国城镇化水平不断提高。在一定程度上，“以地生财”和“以地融资”，构成了城市“以地谋发展”的模式。这种模式带来一个突出问题，就是“亏两头，富中间”：农民的征地补偿低于土地的增值收益，城市居民成为高房价的接盘者，而地方政府和开发商则拿走了土地增值收益的大部分。

必须承认，城镇化是现代化的必由之路，土地在其中发挥了“启动器”“发动机”的作用。上述模式推动了我国大规模工业化、城镇化的快速发展，有其特定的历史成因，但消极影响也同样存在。如何扬长避短，是摆在雄安新区面前的课题。

了解旧模式的弊端，就更容易理解雄安新思路为什么是“三个变”。变土地平衡为城市平衡，是指政府不再主要靠卖地为生，而通过促进城市工商业发展、扩大就业水平，在税收中扩充地方政府的钱袋子；变政府争利为让市民获利，则是指不搞一次性征地补偿，更要抑制过高的房价，真正让处于两头的老百姓共同分享土地增值带来的巨大收益；变产权少数人拥有为社会共有，这一条尤为关键，是实现以上两个思路的基础。

根据新思路，未来土地使用权将由政府和农民共有，以往的房地产开发商变身为“房产”开发商，不再拥有土地使用权。这就相当于政府和农民以土地出资，折成股份，成为城市的“股东”，而房产开发商则投入资金和技术进行开发，最后土地增值的收益在政府、农民和开发商之间进行分配，大家共享城镇化发展的蛋糕。那么，踏入城市的创业者怎么分享这块蛋糕呢？新区设想采取积分制，刚开始先租房住，等工作一段时间，积分达到要求后，就可以以较低的价格购买房屋，打消居无定所的后顾之忧。换句话说，创业者以自己的劳动作为出资，也一同分享土地增值的收益。

在这个意义上，雄安新区或将再造一套新的城镇化红利分配机制。政府和百姓成为城市的“股东”，其它参与城市建设的主体，则以自己不同的资源和特质作为投入要素，最终大家共享土地增值带来的收益。这既避免了“亏两头，富中间”的不公，也为政府进行城市建设提供了源源不断的资金。

雄安新区建设的思路，正逐渐清晰。但这毕竟是初步思路，其中涉及更多具体而复杂的制度设计，需要细化落实，也需要处理政策法规的衔接问题。而在这一过程中，许多老问题绕不开，新问题也可能不断涌现。比如农民的土地由于质量、区位、用途的不同，将来产生的收益肯定不一样，怎样确保农民之间的分红更加公平？积分的规则如何设计才更加合理？农民和政府之间的分红比例又该如何确定？一系列问题虽然棘手，但作为“千年大计，国家大事”的雄安，却可能是这些制度创新的最佳试验田。

改革开放近40年来，有多少当初不敢想、不敢试的新举措率先在地方落地，最终推向全国。试点先行—系统评估—全国铺开，已经成为中国推进改革的重要经验和方法。而雄安所具有的独特政策资源、战略地位乃至历史方位，为尝试突破今天城市发展的瓶颈打开了空间。城市终归还是要更好地为人民服务，期待雄安给出新的答案。

治理金融乱象无疑是今年金融业一大主题，不过在目光聚焦于持牌金融机构“乱象”之时，我们还应关注庞大的“类金融”群体，比如财富管理、融资租赁、典当、小贷等行业，在助力实体经济之时，也面临着行业发展的困境，亦有“乱象”暗涌。金融及至“类金融”的强外部性，让我们不能忽视这一群体，因此，我们组织了大量采编力量采写系列深度专题，力求完整呈现“类金融”行业的发展现状，也不回避存在的问题。希望是，促进各个行业健康发展，一切有序。（周鹏峰）

在经历了“最严监管年”之后，乱象丛生的第三方财富管理行业经历了一轮大洗牌。

“从数量上来看，去年的时候一万多家的小型公司都消失了，占到整个行业的一大半。”一位业内观察人士对21世纪经济报道记者表示。洗牌之后，整个行业开始趋于规范化，但是不合规的做法仍明里暗里存在。

从监管的角度来看，相比于前两年，第三方财富管理公司在具体业务上有了一些明确的规定，但仍未有主管部门归口，整个行业也没有协会这种自律性的组织。

“证监会对资金的最终投向进行监管，基金业协会有时实地来我们公司进行走访，对公司和产品的备案等一些合规性的问题进行调查，其他的就没有什么了。”一位大型第三方财富管理公司人士对21世纪经济报道记者表示。

第三方理财线下门店锐减

财富管理是个很抽象的概念，标准意义上的财富管理公司是指那些为客户的资产配置提供建议的机构，依靠的是自身的丰富的信息和专业的知识。而将资产交给机构，让机构进行管理的行为，实际上称作资产管理行业。从这个意义上讲，财富管理本应是资产管理的上游行业。

但由于国内居民理财仍未打破“刚兑”魔咒，因此实际上并不存在严格意义上的财富管理公司。然而，街头巷尾依然时时可见以诸如“财富管理”等字眼作为招牌的商铺店面，尤其2015年之前，“当时我们小区附近每隔几十米就有一家这样的公司。”北方某地的一位投资人士称。

据21世纪经济报道记者了解，此类财富管理公司大都以投资咨询等业务为主，备案注册为私募基金管理公司，其中一部分确实取得了私募基金管理人资格，并在中国证券投资基金业协会备案；另外还有相当一部分甚至没有注册，后者与当年极为普遍的非法集资现象联系密切。

作为2016“最严私募监管年”的一个转折点，2016年2月份之后，中国证监会和中国基金业协会陆续发布了一系列监管新规，包括7个自律管理办法和2个指引，7个管理办法包括：募集办法、登记备案办法、信息披露办法、从事投顾业务办法、托管业务办法、外包服务管理办法、从业资格管理办法；2个指引包括：内部控制指引、基金合同指引。

一系列新规出台之后，一万多家私募管理人被注销。格上理财数据显示，2016年2月至年底，协会共注销12834家私募基金管理人。其中，因未按期完成《公告》整改要求而被注销的机构10957家；因在办结登记手续之日起六个月内未完成备案首只私募基金产品而被注销的机构86家；1791家机构主动注销登记。根据新规要求，仍有4437家私募基金管理人面临注销或整改危机。

业内观察人士对21世纪经济报道记者介绍，迫使大量小型财富管理公司退出市场的主要是这些规定：备案方面，要求提供法律意见书、高管具备从业资格、及时报送信息；资金募集方面，规定具备资格方可销售产品、销售前进行合格投资人确认并需要提供财产证明文件、设定投资冷静期即1天以内可以无条件撤回、实施回访确认制度。

除了公司数量锐减，另一个变化是目前仍在运营的财富管理公司线下门店大幅减少，“比如先锋金融集团以前大概有上百家门店，现在今年只剩20家左右了。”上海一家大型第三方财富管理公司人士表示。虽然线上获客日益普遍，但是由于面向高净值客户，对于财富管理公司而言，线下门店仍有存在的必要。

“独立”第三方并不独立

存活至今的财富管理公司业务模式上也出现了比较明显的分化，一些第三方财富管理公司规模日渐庞大，并且部分或已挂牌新三板，比如好买财富；或已于海外上市，比如诺亚财富、钜派投资。

“虽然我们宣称是独立的第三方财富管理机构，但是相比于国外市场真正独立的财富管理公司来说，我们这些实际上都并不独立。”一家第三方财富管理公司人士表示，其所言的不独立，相比于国外纯粹向客户收取管理费和服务费的模式，国内第三方公司大部分以代销产品为主，而所代销的产品则主要依赖于关联方即股东，第三方财富管理公司一部分收入就是与产品方分食的产品超额收益。

“收入来源有三块，一是管理费，一般两个点左右，那就第三方拿0.5个点，产品方拿1.5个点；认购费大概1个点，全部属于我们自己；产品超额收益，一般产品有20%-25%的收益，我们第三方拿5%，产品方拿20%，行情好的时候这一块的收入相当可观。”上述人士介绍。

很显然，目前的第三方财富管理公司业务以销售基金产品为主，牌照主要是私募基金管理人牌照和公募基金销售牌照。行业内的分化主要是，一部分第三方财富管理公司以销售其他家的产品为主，另一部分则是销售自己发行的产品，后者即为私募基金转型方向。而据21世纪经济报道记者了解，这些第三方财富管理公司的理财经理也都有销售KPI指标考核。

据业内人士介绍，尽管监管收紧之后整个行业的操作越来越规范，但是此前那些不合规的做法仍然存在。“有些公司对外卖的产品我们都看不懂是啥，但是也有不了解情况的投资者去买，没办法产生收益，后面就借新还旧。”上述上海某大型第三方财富管理公司人士透露。另外还有一些典型的做法比如“空手套白狼”，也就是第三方公司先向客户募集资金，然后拿着客户的资金去找资产。

上述行业观察人士对21世纪经济报道记者表示，以前属于三不管的行业，加上前几年资本市场的牛市行情，整个行业才会在短时间内迅速膨胀，现在仍然处于回归理性的过程当中，监管虽然对具体业务行为有了一些明确的规定，但对于第三方财富管理公司和这个行业来说这显然不够，公司没有明确的主管部门，整个行业连个行业协会都没有，“长远来看这是个趋势，将来监管可能会更加明确，相关的自律机构也会出现，但这首先需要行业找到明确的模式并且发展壮大起来。”

今年5月，FacebookAI研究院（FAIR）发表了他们的研究成果fairseq，在fairseq中，他们使用了一种新型的卷积神经网络来做语言翻译，比循环神经网络的速度快了9倍，而且准确性也是现有模型中最高的。此外，他们在GitHub公布了fair序列建模工具包的源代码和训练好的系统，其他的研究者可以在此基础上建立自己的关于翻译、文本总结和其他任务的模型。

日前，FacebookAI研究团队又在GitHub上开源了fairseqPyTorch版本。

相关介绍

fairseq是FacebookAI研究院发布的一个序列到序列的学习工具，它的原作者（排名不分先后）是SergeyEdunov、MyleOtt和SamGross。该工具包能实现Convolutional Sequence to Sequence Learning（地址：https://arxiv.org/abs/1705.03122）中描述的全卷积模型，并能在一台机器上进行多GPU训练，也能在CPU和GPU上快速产生束搜索(beamsearch)。在开源的数据中，他们提供了英译法和英译德的预训练模型。

引用

如果你的论文中用了FAIR的相关代码，可以这样引用：

@inproceedings{

    gehring2017convs2s,
    author = {Gehring, Jonas, and Auli, Michael and Grangier, David and Yarats, Denis and Dauphin, Yann N},
     title = "{Convolutional Sequence to Sequence Learning}",
     booktitle = {Proc. of ICML},
     year = 2017,
}

工具和安装

• macOS或是Linux系统的电脑

• 要是想训练新的模型，需要用到NVIDIA GPU和NCCL（https://github.com/NVIDIA/nccl）

• Python 3.6

• 安装PyTorch（http://pytorch.org/）

目前的fairseq-py需要从GitHub库中获得PyTorch，有多种方式安装它。我们建议利用Miniconda3，执行如下的步骤。

1、安装Miniconda3，激活 Python 3环境

https://conda.io/miniconda.html

2、安装PyTorch

conda install gcc numpy cudnn nccl
conda install magma-cuda80 -c soumith
pip install cmake
pip install cffi

git clone https://github.com/pytorch/pytorch.git

cd pytorch
git reset --hard a03e5cb40938b6b3f3e6dbddf9cff8afdff72d1b
git submodule update --init
pip install -r requirements.txt

NO_DISTRIBUTED=1 python setup.py install

3、在GitHub中复制和执行如下代码来安装fairseq-py

pip install -r requirements.txt
python setup.py build
python setup.py develop

快速开始

你将需要使用到如下的命令：

• python preprocess.py: 数据预处理: 构造词汇和二进制训练数据

• python train.py: 在一个或多个GPU上训练新的模型

• python generate.py: 用训练好的模型翻译预处理之后的数据

• python generate.py -i:用训练好的模型翻译新的文本

• python score.py: 通过与参考译文对比，给出生成译文的BLEU分数

评估预训练模型：

首先，下载预训练好的模型和词汇：

$ curl https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2 | tar xvjf -

模型中用的是BPE词汇（https://arxiv.org/abs/1508.07909），用户必须在翻译之前将编码应用到源文本。可以用apply_bpe.py 脚本中的wmt14.en-fr.fconv-cuda/bpecodes文件。@@是延续标记，原始文本可以通过sed s/@@ //g来恢复，此外把 --remove-bpe 标记传递到generate.py也有同样的作用。在生成BPE词汇之前。输入文本需要用mosesdecoder中的tokenizer.perl来标记。

下面是利用python generate.py -i产生翻译的例子， beam size为5：

$ MODEL_DIR=wmt14.en-fr.fconv-py
$ python generate.py -i \
--path $MODEL_DIR/model.pt $MODEL_DIR \
--beam 5
| [en] dictionary: 44206 types
| [fr] dictionary: 44463 types
| model fconv_wmt_en_fr
| loaded checkpoint /private/home/edunov/wmt14.en-fr.fconv-py/model.pt (epoch 37)
> Why is it rare to discover new marine mam@@ mal species ?
S       Why is it rare to discover new marine mam@@ mal species ?
O       Why is it rare to discover new marine mam@@ mal species ?
H       -0.08662842959165573    Pourquoi est-il rare de découvrir de nouvelles espèces de mammifères marins ?
A       0 1 3 3 5 6 6 10 8 8 8 11 12

训练新模型

数据预处理

fairseq-py工具包中包含用于IWSLT 2014德转英语料库的一个预处理脚本样例。先将数据进行预处理和二进制编码：

$ cd data/
$ bash prepare-iwslt14.sh
$ cd ..
$ TEXT=data/iwslt14.tokenized.de-en
$ python preprocess.py --source-lang de --target-lang en \
 --trainpref $TEXT/train --validpref $TEXT/valid --testpref $TEXT/test \
 --thresholdtgt 3 --thresholdsrc 3 --destdir data-bin/iwslt14.tokenized.de-en

这将会得到能够用于训练模型的二进制数据。

训练

用python train.py来训练新的模型，下面是能很好的适于 IWSLT 2014数据集中的一些样例设置。

$ mkdir -p checkpoints/fconv
$ CUDA_VISIBLE_DEVICES=0 python train.py data-bin/iwslt14.tokenized.de-en \
 --lr 0.25 --clip-norm 0.1 --dropout 0.2 --max-tokens 4000 \
 --arch fconv_iwslt_de_en --save-dir checkpoints/fconv

默认情况下，python train.py会占用电脑中所有可用的GPU，可以用CUDA_VISIBLE_DEVICES环境来选择特定的GPU，或者改变使用的GPU数目。

有一点需要注意，batch大小是基于每个batch的最大token数来设置的，你需要基于系统中可用的GPU内存，选取一个稍小的值。

生成翻译

模型训练好之后就能利用python generate.py（用于二进制数据）或python generate.py -i（用于未处理文本）生成翻译了。

$ python generate.py data-bin/iwslt14.tokenized.de-en \
 --path checkpoints/fconv/checkpoint_best.pt \
 --batch-size 128 --beam 5
 | [de] dictionary: 35475 types
 | [en] dictionary: 24739 types
 | data-bin/iwslt14.tokenized.de-en test 6750 examples
 | model fconv
 | loaded checkpoint trainings/fconv/checkpoint_best.pt
 S-721   danke .
 T-721   thank you .
 ...

如果只想用一个CPU，加入--cpu标记。可以通过--remove-bpe移除掉BPE标记。

训练好的模型

目前开源的全卷积序列到序列模型如下：

• wmt14.en-fr.fconv-py.tar.bz2（https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2）: 用于WMT14英译法的模型，包含词汇

• wmt14.en-de.fconv-py.tar.bz2（https://s3.amazonaws.com/fairseq-py/models/wmt14.en-de.fconv-py.tar.bz2）: 用于WMT14英译德的模型，包含词汇

针对以上模型，已经预处理和编码过的测试集如下：

• wmt14.en-fr.newstest2014.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.newstest2014.tar.bz2）: 用于WMT14英译法的newstest2014测试集

• wmt14.en-fr.ntst1213.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.ntst1213.tar.bz2）: 用于WMT14英译法的newstest2012和newstest2013测试集

• wmt14.en-de.newstest2014.tar.bz2（https://s3.amazonaws.com/fairseq-py/data/wmt14.en-de.newstest2014.tar.bz2）: 用于WMT14英译德的newstest2014测试集

下面是在一块GTX-1080ti上利用测试集产生结果的样例（英译德），运行在batch模式下：

$ curl https://s3.amazonaws.com/fairseq-py/models/wmt14.en-fr.fconv-py.tar.bz2 | tar xvjf - -C data-bin
$ curl https://s3.amazonaws.com/fairseq-py/data/wmt14.en-fr.newstest2014.tar.bz2 | tar xvjf - -C data-bin
$ python generate.py data-bin/wmt14.en-fr.newstest2014  \
 --path data-bin/wmt14.en-fr.fconv-py/model.pt \
 --beam 5 --batch-size 128 --remove-bpe | tee /tmp/gen.out
...
| Translated 3003 sentences (95451 tokens) in 81.3s (1174.33 tokens/s)
| Generate test with beam=5: BLEU4 = 40.23, 67.5/46.4/33.8/25.0 (BP=0.997, ratio=1.003, syslen=80963, reflen=81194)

# Scoring with score.py:

$ grep ^H /tmp/gen.out | cut -f3- > /tmp/gen.out.sys
$ grep ^T /tmp/gen.out | cut -f2- > /tmp/gen.out.ref
$ python score.py --sys /tmp/gen.out.sys --ref /tmp/gen.out.ref
BLEU4 = 40.23, 67.5/46.4/33.8/25.0 (BP=0.997, ratio=1.003, syslen=80963, reflen=81194)

Tips：核桃的烘烤方法
. 将核桃以单层形式铺在烤板上，以华氏温度350°F烘烤8～10分钟，烘烤时要时时留意查看。 将核桃以单层形式铺在微波炉适用的盘子上，在中级微波中放置5～6分钟，每2分钟搅拌一次。
. 用平底锅，以中温烘烤3～5分钟，频繁搅拌。
. 无论何种方法，核桃均可素烤，也可加少许油烘烤。
漂白：
. 将去壳核桃加入开水锅中，熄火，让其在开水锅中停留2分钟，再将水倒掉。

投资者静候美联储决议声明，美债收益率上涨，美元走软，美国三大股指齐创收盘纪录新高。

Russell 2000小盘股恐慌指数RVX创历史新低。

特朗普计划放宽美国枪支出口，美国枪支股普涨。

美油今日收跌，跌破50美元关口，不过API原油库存周报后美油重新突破50美元。

墨西哥南部今日发生7.1级地震，首都墨西哥城有震感。

市场预计美联储9月加息可能性极低，12月加息可能性上涨。

热点

本周二特朗普首次在联合国大会发表演讲，他指责朝鲜是邪恶的政权，朝鲜不计后果追求核武器和弹道导弹威胁全世界，“如果是不得不自卫和保护盟友，我们将别无选择，唯有彻底摧毁朝鲜。‘火箭人’（金正恩）本人及其政权在实施自杀式任务。”

特朗普讲话前，现货黄金刷新日高至1310.63美元，他讲话期间，黄金在日内高位震荡，美元小幅下跌。晚间现货黄金涨幅扩大至0.3%，刷新日高至1311.39美元/盎司，较日低反弹大约6美元。

不过在美上市韩国ETF几无波动。IShares明晟MSCI韩国上限ETF几无波动，涨幅不到0.1%，暂报69.88美元，日内稍早一度涨至70.12美元。德意志银行X追踪明晟MSCI韩国对冲证券ETF涨0.1%。韩元兑美元交投于平盘水平。

Russell 2000小盘股恐慌指数RVX今日创盘中历史新低至12.03，RVX今日收涨1.35%，报12.35美元。

特朗普计划放宽美国枪支出口，美国枪支股普涨。美国时间周二据路透社报道称，特朗普政府准备放宽美国枪支出口，枪支股价应声上涨。枪支股Sturm Ruger今日收涨13.7%，创8月初以来收盘新高，创两年多来最大单日涨幅。American Outdoor Brands 今日收涨10.1%，创自去年1月以来最大单日涨幅。

WTI10月原油期货今日收跌0.43美元，跌幅0.86%，报49.48美元/桶，跌破50美元关口。布伦特11月原油期货收跌0.34美元，跌幅0.61%，报55.14美元/桶。

美国9月15日当周API原油库存增加144.3万桶，远低于前值增加618.00万桶。该消息后，WTI原油期货在API原油库存周报发布后上扬31美分，最高触及50.34美元/桶，几乎完全收复日内少失地。

墨西哥南部发生7.1级地震，首都墨西哥城有震感。iShares明晟MSCI墨西哥可供投资的市场指数基金刷新日低，成交量猛增。

美联储芝加哥商交所（CME）根据联邦基金利率期货的交易计算得出，9月加息的概率只有1.4%，12月再加息一次的概率涨至58.3%，高于一天前的57%，也显著高于一周前的41%。

财经媒体CNBC上周对42名经济学家、基金经理和策略师问卷调查，所有42名受访专家都认为周三的FOMC会议后不会宣布加息，68%的人认为10月将开启缩表，大概用4.4年将美联储的资产负债表从4.5万亿降至2.5万亿美元。预计缩表对经济增长和美股仅带来温和的负面影响，美国经济伴随收紧银根陷入衰退的可能性为19%，较7月调查小幅下调。

股市

美国三大股指齐创收盘纪录新高，金融股在美联储决议声明前领涨。标普500指数收涨2.78点或0.11%，报2506.65点，为连续第三天创收盘纪录新高。道指收涨39.45点或0.18%，报22370.80点，为连续第六天创收盘纪录新高。纳指收涨6.68点或0.10%，报6461.32点。2017年迄今，标普第36次创收盘纪录新高，纳指地49次创收盘纪录新高。

美国银行股普遍上涨，高盛帮助道指创纪录新高。高盛收涨0.6%，花旗集团收涨0.77%，摩根士丹利收涨0.74%，摩根大通收涨1.1%，伯克希尔哈撒韦收涨0.85%，富国银行收涨1.23%。

美国科技股普遍上涨，苹果帮助纳指创纪录新高。谷歌母公司Alphabet收涨0.76%，亚马逊收跌0.44%，苹果收涨0.04%，Facebook收涨1.48%，微软收涨0.37%，奈飞收涨0.57%，英伟达收跌0.11%，脱离周一所创收盘纪录高位180.11美元和盘中纪录高位191.20美元，高通收涨0.1%，特斯拉收跌2.57%。

阿里巴巴收涨至180美元关口上方，连续第二个交易日创收盘纪录新高。中概股新浪收涨1.71%，微博收涨0.39%，阿里巴巴收涨0.05%，报180.07美元，百度收跌0.51%，京东收跌0.92%，网易收跌2.05%，陌陌收跌2.2%。

欧股创六周收盘新高，美联储货币政策会议开始前投资者交投谨慎。富时泛欧绩优300指数收涨0.07%，报1500.80点。欧洲STOXX 600指数收涨0.04%，报382.12点，创8月8日以来收盘新高，其中零售指数涨0.38%、电信指数涨0.53%。

商品

WTI10月原油期货收跌0.43美元，跌幅0.86%，报49.48美元/桶。布伦特11月原油期货收跌0.34美元，跌幅0.61%，报55.14美元/桶。WTI原油期货在API原油库存周报发布后上扬31美分，最高触及50.34美元/桶，几乎完全收复日内少失地。

黄金在特朗普联合国发言前及下午墨西哥地震后上涨，其后下滑。COMEX 12月黄金期货收跌0.20美分，报1310.60美元盎司。

伦镍跌向一个月低点，受累于基金获利了结。伦镍收跌0.8%，报11140美元/吨，一度刷新日低至10875美元/吨、逼近上周所创8月18日以来盘中最低位10845美元/吨。伦锌收跌1美元，报3096美元/吨。伦铜收涨0.1%，报6539美元/吨。伦铝收涨1.7%，报2124美元/吨。伦铅收涨1.3%，报2420美元/吨。伦锡收跌0.2%，报20650美元/吨。

焦炭、焦煤分别收跌1.4%、0.4%，动力煤收涨0.03%；铁矿石收跌1.8%。有色全线上涨，铜、铝、锌、铅、镍、锡目前分别涨0.2%、0.6%、0.7%、1.9%、0.5%、0.4%。

外汇

美元指数今日下跌0.26%，报91.80。

英镑兑美元今日上涨0.01%，报1.3498。

美元兑加元今日下跌0.05%，报1.2291。

在岸人民币（CNY）兑美元北京时间23:30收报6.5860元，较周一夜盘收盘跌99点；全天成交量243.88亿美元，较周一扩大10.91亿美元。

离岸人民币（CNH）兑美元北京时间04:59报6.5848元，较周一纽约尾盘跌101点，而9月7日创2016年5月2日（当天纽约尾盘报6.4798元）以来纽约尾盘最高位6.4869元。

债市

美债收益率上涨，投资者静候美联储决议声明。美国10年期基准国债价格下跌3/32，其收益率则涨至2.239%。30年期美债价格下跌4/32，其收益率则涨至2.811%。两年期美债价格下跌1/32，其收益率则涨至1.401%。五年期美债价格下跌1/32，其收益率则涨至1.834%。

日本财务省今日发布进出口数据显示，日本8月出口同比增长18.1%，为连续9个月增长，高于预期的14.3%以及前值13.4%。

与此同时，日本国内消费需求也正在稳固。日本8月进口同比增长15.2%，高于预期的11.6%，但是不及7月的16.3%。

贸易帐方面，日本8月未季调商品贸易帐1136亿日元，高于市场预期的1044亿日元，但是大幅低于前值。

 图表来自华尔街见闻数据频道

尽管日元疲软推动了贸易数据的表现，但是通胀仍低于日本央行2%的目标。日本7月全国核心CPI同比上涨0.5%，虽然创下2015年3月以来最高，但是速度非常缓慢。

8月，日本对主要贸易伙伴的出口继续大幅增长。对最大贸易伙伴中国的出口同比上涨25.8%，对美国出口大涨21.8%，对欧洲同比大涨13.7%。

分项数据方面，出口的增长主要来自于医疗产品、半导体机械、以及船舶。进口方面增幅较大的是大豆和煤炭。

日经225指数开盘上涨0.01%，报20301.33点。数据公布后，美元兑日元上涨。