私募基金经理征婚广告（私募基金经理赚钱吗）
私募基金经理征婚广告（私募基金经理赚钱吗）
基金分析方法
定量分析（数据来源对冲基金的业绩净值 从实践来看，对周业绩进行跟踪比较有价值，月度业绩样本太少，误差偏大，而日业绩持续性太差）
风险调整后收益指标
夏普比率
詹森比率(风险调整后的*收益)
特雷诺比率
索提诺比率
卡马比率
stutzer指数(风险调整后的收益能力)
基金经理的投资管理能力
择时能力 （C.L指标模型）
风险分散能力及选股能力(M.C.V指标)
业绩和风格的归因（每个对冲基金都各有其特性，定义不同对冲基金*的方式就是分析它们不同的回报 来源，一般有增长基因，通胀基因，风险偏好基因，融资腊空配流动性，规模基因，价值基因，市场基因，股票动量基因）
追踪基金经理的主动管理能力以及信息比率 (区分投资能力和运气的指标）
回归系数法，绩效二分法(业绩持续性的检测)
风险控制能力
下行风险
*回撤
下方差
Vary值
策略容量
交易品种的多样性，流动性
潜在变现损失率
注意 不同策略的基金不能简单比较，一般只能比较同策略的基金。即使同样的策略获得同样的业绩，依然需要比较杠杆、风险敞口的大小。
特殊时间窗口的特殊表现
基金的投资决策过程（决策过程还包括风险控制的制度、流程和纪律性）
公司的投资团队的业绩考核方法
以此作为公司私募基金的定性评价属性标识。
定性分析中对人的考核是第一位的，*人才的思想产物就是投资理念和投资逻辑，而投资组合和过程，都是落实和执行投资理念和投资逻辑，而过往业绩，则是结果。大数法则中发现，一个好的基金经理大多数学术背景为理工科，如数学，物理（量子物理和流体物理）统计学，计算机科学或存在高度相关性，对那些没有数理教育背景，而是超跟交易员成长起来的牛人，对这类基金都要特别的谨慎。
运用定量分析系统得出对私募基金机构样本的业绩评价结果,此分析完全 基于私募基金的历史业绩。具体而言,分别计算风险调整后收益 风险控制能力、基金经理的投资管理能力 策略容量 这个四维度的得分,乘以所占权重以亏烂此作为公司私募基 金的业绩评价属性标识。 其次,运用定性分析系统得出定性排名,定性分析基于专家系统的走访调研,定性 分析。具体而言,分别对公司投研能力、 基金的投资决策过程 和 规模及契约、透明度进行打分,以此作为公司私募基金的定性评价属性标识。
最后,将定量分析系统中的得分乘以权重,与定性分析系统中相关指标的得分乘以权重,计算出私募基金综合得分排名
以上是我分析基金的一些方法和心得，希望对你的决策有所帮助。
最后强调一点
基本面研究只是表明，基金的业绩是可分析、可判断的， 以及在一定程度上是可以预测的。基金的基本面决定了基金的相对业绩，而市场因素与基本面因素才共同决定了基金的*业绩
我们的运作远不止筛选好的基金那么简单。而现在国内FOF过于关注基金筛选，在投资流程上忽略了资产配置，“FOF相对于其他理财产品的*优势就是在大类资产配置上”。
大类资产配置能力决定了基金组合投资的业绩，投资者应首先考虑大类资产配置比例，其次才是优选基轮指金或管理人。
企业调整自身状态， 本质上就是将组织作为一个集体面临的复杂问题，降解为可以通过各角色分工协作而完成的一系列简单问题， 这也是数字化转型成功的前提。
一位业内*的私募基金经理在他的文章里把这个过程解释的言简意赅，这里直接引用一部分思路极其一致的段落：
如果一家企业能够把生产线上效率*的工人所掌握的工艺经验，变成生产流程中的各种参数，并以明确的流程化的形式沉淀下来，成为生产技术要求，那么这家企业就拥有了Knowhow。
Knowhow和工作经验*的不同在于，经验只存在于熟练工人的记忆中，所有新人进来后，都需要经历同样的“学习曲线”，那就无法产生规模效应；
而Knowhow是“标准化后”的可量化的员工工作经验，存在于流程和工艺参数上，所有权属于公司，可传承，可降低新老员工的工作差异，通过规模化的生产获取竞争优势，获得更大的市场份额。
同时，Knowhow又不完全是标准化生产，它同时需要生产流程、组织架构、产品特征、客户需求的配合，而且也在不停的改造与升级中，所以即使是核心员工或团队，也不一定能令Knowhow扩散至竞争对手手中。
太过标准化的生产清亏禅，很容易让行业陷入同质化竞争 ，而太过强调员工个人经验的模式，又难以规模化，而Knowhow正是介于标准化生产与员工个人经验之间的东西，既能产生竞争优势，又有保持优势的护城河。
作者用这个逻辑去论述房地产行业的项目制管理，由于高度不确定性是不能产生Know-how的；但我则认为并非房地产项目不能know-how，而是足够高的利润，答尘让组织缺乏动力沉淀这部分知识财产。
一个组织，需要能够在内部有效沉淀和传递知识，保证具备领域知识的各角色可以通过标准化的工作方法持续地解决复杂问题，而解决什么问题，深受组织的决策方式所影响。
即， 集体需要通过由知识沉淀、任务拆解和决策机制构成的组织能力 ，解决复杂问题。
这些组织能力被藏在工作环境中的方方面面，难以被总结和概括，结果统统被称为企业文化。
国内以“狼性文化”而著称的民营企空哪业，被无数企业羡慕的高执行力，是由其“不断地改造协作流程，以降低协作难度、花大量投资支持专业部门承载知识资产、同时用高薪保证人员可以在关键时期高强度作战”所保证的。
这些企业治理能力，往往并不具备可复制条件；又或者说，肯如此花精力打基础的组织，也并不需要去复制其他企业的经验。
所以传统管理咨询的几大法宝和靶子就是： 流程、角色、组织架构和企业文化 。
但在 数字化转型 的语境下，解决方案则转变为：数据、架构治理和算法。
这个问题很抽象，下面的现实案例可以帮助大家获得一个基本的感觉。
淘宝通过对买卖双方交易过程的免费吸引商家和用户流量。同时设计了多种功能帮助用户找到商品（比如模糊搜索、识图找物、直播间等），并用各种活动持续激活用户，这是“用户增长型”产品经理的主要工作。
当平台内商品数量和种类越来越多后，用户找到适合自己的产品所需耗费的时间就越长。于是“策略型产品经理”就需要对商品的搜索过程进行设计，给更优质的商品提高权重。
同时，商家希望自己的产品更容易被消费者看到，于是向需要淘宝购买流量、打广告、做营销，“增值营收型产品经理”就承担起这部分的需求和设计。
当功能因为各种原因可能对用户产生骚扰时，需要决策如何优化产品。这时“数据型产品经理”就要通过“埋点”、“A/B test”等方式对数据进行采集、分析和可视化，为决策提供数据支持。
负责“用户增长”的与负责“广告”的在业务上必然有冲突，而且频率也不低：广告越多越不*，用户体验就越差。
但是这个影响表现是不能通过开会、讨论解决的，所以产品/业务负责人，就需要根据收集到的多维度数据，从数据结果上给出决策依据。
比如，某新上推荐策略中，衡量指标有CTR、CVR、UV价值和RPM四个指标，现状CTR：40%、CVR：14%、UV价值9.28、RPM(3004)；
（CPC (Cost Per Click): 按点击计费（平均点击价格）；CPA (Cost Per Action): 按成果数计费；CPM (Cost Per Mille): 按千次展现计费（千次展现价格）；CVR (Click Value Rate): 转化率，衡量CPA广告效果的指标；CTR(Click Through Rate): 点击率；RPM：Revenue Per Mille 千次展示收入，和CPM类似，RPM是针对广告展示商（比如Adsense商户）而言的；UV：Unique Visitor，独立访客数。）
通过在灰度测试中对各指标的观察结果：
表现正向的策略可以上线；不影响的策略可以视业务需要上线；负向的策略非特殊情况不能上线。
上述案例中，不同角色针对数据代表的业务价值的认知是一致的（即知识沉淀）；并通过算法处理后的数据表现对业务表现进行评估，形成了常态化的“决策机制”；同时不同角色专注在不同功能设计上，但最终通过产品技术架构对不同条线进行整合，完成了复杂问题的任务拆解。
在数字型组织里，复杂问题是通过 技术架构 降解为不同角色的具体问题， 知识沉淀和传递 通过对数据的理解和认知完成，并最终由算法处理的结果形成 常态化的决策 。
当然，这属于数字化程度非常高，且商业化极为成熟的领域目前才有的能力，对于大部分团队、企业甚至行业来说，数字化转型的契机都有所区别。
比如手机行业从最早的功能机向现在智能机转型的过程，也是话语权从品牌厂商向OS软件供应商转移的过程。google可以通过andriod系统的技术架构，指导全球andriod智能机厂商整合供应链能力，本质上就是逐渐在用数字化能力，促进手机生产过程中的协作，取代传统工业生产项目管理，及产品迭代的方式。
这种电气化、信息化、数字化的工作方式正在成为工业制造的新趋势，越是市场化、高新化的行业越是如此。
大到正在蓬勃发展的电动车行业，小到规模庞大替换频率高的智能电表，都在用芯片和通讯模组通过软件迭代功能，而非频繁替换硬件。
不仅从需求端上讲这样更具经济效益，从供应端上说，也因为功能迭代频率的压力，倒逼企业通过数字化手段降低各生产环节的协作难度，压缩生产周期。
在这方面堪称具备世界*工程能力的实践，就要数特斯拉的“极限生产” (Extreme Manufacturing)。
区别于传统厂商：设计-研发-测试的模式，特斯拉的设计和测试直接在工厂进行，设计和生产等同，都发生在工厂生产线，而非办公室。
区别于传统的抽样测试，特斯拉每一个成熟的设计构想，都会在生产车间快递尝试，并对其进行测试和调试，就需要用数字化模型、传感器实现快速的自动化测试和模拟，而非极度繁琐的结果性测试。
可以实现这样的生产方式，必须归功于其领先的集中式电子电气架构，和自主研发的底层操作系统，实现软硬件解耦，允许相对独立的模块设计和快速演进。
对比看传统汽车厂商采用的ECU架构，与汽车供应链体系是相匹配的，整车厂集成Tier1提供的领域模组，Tier1向下整合Tier2负责的单一模块，Tier2组装Tier3专精的零部件。
传统的复杂生产是靠着供应链各自演化，再通过成本高昂、效率低下的协作完成的，Know-how实际上是这个复杂的供应链体系，这就是为什么中国在传统汽油车上一直无法突破。
这也是特斯拉被如此看好的原因，他的Know-how在于通过集中式电子电气架构完成对供应链的整合，是能明确各领域模组发展方向的、是带领产业进步的。
许多投资人和分析师甚至基于此做了非常大胆的预测：未来所有的汽车品牌都在是给特斯拉打工，特斯拉只要专注迭代技术架构，就可以收割全世界的汽车市场，正如当前的手机OS。
理解新技术、理解数字化的意义就在于此，否则直到被市场淘汰，都还不清楚趋势是从什么时候转变的。
楼上几个好象不太懂。证券从业资格只是个最基本的资格，一般进各个券商的营业部比较看重这个，营业部的证券分析师并不难做，过了证券从业资格的基础+投资分析即可。门槛比较底。和券商总部的研究员不是一个概念。
基金经理是基金公司的，不是券商。这个难度很大，一般是名校的雹明凳硕士以上学历，喜欢要工科背景的。一般是从行业研究员干起，5，6年后表现好的能转到基金经理。以您现在的资历，做到基金经理可能性几乎为0。一是您对金融现在还没有深刻的了解，二是没有相关的工科槐高背景和行业经验，三是年龄问题。基金是吃青春饭的，一般24，5岁硕士毕业，进去干几年行研，30出头做上基金经理。基金经理本身是对个人综合素质要求非常高的，年薪*的上千万不成问题。
证券分析师还是比较容易做的（注源旅意：不是研究员），考个资格证，混几年应该就差不多了。待遇自然也不如证券公司总部的研究员，更不能和基金经理相提并论了，二者根本就不是一两个级别内的。
