【华泰计算机+金工】关注大数据与云计算板块投资机会——兼评大数据ETF投资价值

谢春生 S0570519080006 研究员

林晓明 S0570516010001 研究员
         SFC No.BPY421

何康 S0570520080004 研究员

报告发布时间：2020年12月16日

摘要
全文摘要
本文梳理大数据云计算板块的上下游产业链、投资逻辑和投资机会，分析大数据ETF投资价值。我们认为，云计算重构传统IT产业链，乘此东风，大数据价值有望放大。中证大数据产业指数（指数代码：930902）涵盖大数据全产业链，中小市值风格鲜明，具有典型高Beta属性，PB估值相对较低，具备一定投资价值。大数据ETF（基金代码：515400，认购代码：515403）跟踪中证大数据产业指数，募集期自12月1日至12月31日，是投资大数据和云计算板块的重要工具化产品。

云计算重构传统IT产业链
云计算通过底层IT重构，打破海外IT企业对核心IT基础资源和环节的垄断，中国IT企业有望迎来发展机会。通过阿里云在云计算领域核心技术环节的自研情况，了解中国云计算厂商已取得的核心技术优势。我们认为在云计算架构的基础IT关键环节，国内云计算厂商已取得一定突破和进展。

IaaS带来硬科技变革：软件定义与硬件重构
云计算对数据中心领域的变革主要体现在两个方面：软件定义与硬件重构。同时云计算对服务器竞争格局带来一定变化。以互联网云计算厂商为主要客户的服务器厂商不断受益于技术变革所带来的需求增长，市场份额不断提升。以亚马逊、谷歌、Facebook以及BAT为代表的互联网巨头，不断加大云计算基础设施的投入，给服务器市场的竞争格局带来变化。

中证大数据产业指数涵盖大数据全产业链
中证大数据产业指数（指数代码：930902）于2016年10月18日由中证指数有限公司发布，选取涉及大数据存储设备、大数据分析技术、大数据运营平台、大数据生产、大数据应用等领域的沪深A股作为样本，反映A股大数据全产业链下股票的整体表现。中证大数据产业指数成分股集中在计算机和通信两个一级行业，并侧重计算机应用、计算机设备II和通信设备三个二级行业。

中小市值风格鲜明，具有典型高Beta属性，PB估值相对较低
中证大数据产业指数中小市值风格鲜明，市值小于200亿元成分股数量超过70%。从统计区间内（2012年12月31日至2020年12月15日）收益风险指标看，该指数与其它大数据相关指数、创业板指较接近，年化收益率、年化波动率、夏普比率高于沪深300和中证500指数，具有典型高Beta属性，适合预期风险水平高，同时有大数据产业配置需求的投资者。从估值水平横向对比看，中证大数据产业指数PB估值相对较低。

风险提示：本报告对历史数据进行梳理总结，历史结果不能简单预测未来，规律存在失效风险。报告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

云计算：增量变革
云计算重构传统IT产业链
传统计算架构：“IOE”+“C/S”
六大件：说起IT基础架构，我们不得不说基础IT的六大件：三大硬件和三大软件。三大硬件为：服务器、存储、网络设备；三大软件为：操作系统、数据库、中间件。在传统IT架构下，需要物理实体和物理环境来支撑整个基础架构的运行。对于以上基础IT六大件，我们会发现这些产品的核心技术几乎被海外IT巨头垄断，即使对于服务器、存储这些目前国内品牌市占率比较高的产品而言，其中的芯片、操作系统、数据库等核心部件也是需要外采。而且，信息技术（IT）技术本身就起源于海外，特别是美国基础IT厂商，经过几十年的研发、适配、磨合，已经形成了一套非常完备、成熟的IT产业链和生态系统。

架构：首先，传统主流计算架构主要服务于分散的、小规模的计算模式和应用需求，计算、存储和网络各自独立，按照各种低速的标准接口进行互联。这种架构导致服务器、存储设备和网络设备互相之间数据的传送效率低下，网元数量众多，管理复杂，无法扩展，无法实现云计算时代组织海量资源的要求，也无法达到整个系统的高效运行。

云计算对底层IT进行重构
关于云计算对中国IT产业的意义，我们认为可能会超过之前所经历的任何IT技术。在我们说云计算的时候，我们提到更多的是云计算所带来的IT服务模式的变化，成本的节约以及效率的提升等。但云计算对IT产业更大的变革来自于：对IT架构的重构，我们认为这才是最为核心的。

服务器、存储、网络和虚拟化成为IT必需的基础资源，这其中很关键的技术是虚拟化。虚拟化对计算资源带来的变革在于，它重新定义划分IT资源，可以实现IT资源的动态分配、灵活调度、跨域共享，提高IT资源利用率，使IT资源能够真正成为社会基础设施，服务于各行各业中灵活多变的应用需求。我们可以看出，在云架构下，原来对服务器、存储、网络设备等单个设备的高需求，相对降低。因此，在一定程度上可以打破传统计算架构下的“小型主机+数据库”，性能提升过度依赖“CPU+操作系统”的情况。

而对于云计算而言，它突破原有的IT技术架构。云计算打破了原有的大型主机+数据库、Wintel（CPU+桌面操作系统）联盟垄断的国际IT核心技术格局，原有领先的技术正在被弱化，而且还打破了过去由国外厂商主导的单家垄断或多家紧密捆绑垄断的产业格局。

云计算通过底层IT重构，打破海外IT企业对核心IT基础资源和环节的垄断。中国IT企业有望迎来发展机会。我们可以通过阿里云在云计算领域核心技术环节的自研情况，来了解中国云计算厂商已经取得的核心技术优势。

我们已经看到，在云计算架构的基础IT关键环节，国内云计算厂商已经在某些环节取得了一定的突破和进展。其中，以阿里云的云基础架构为典型。当然这方面也是与阿里自2008年开始的去IOE有关。当时，随着淘宝、天猫、支付宝业务的激增，传统计算架构难以满足其对计算资源的需求。阿里（美：BABA.N；港：9988.HK）提出的去IOE的技术路线：“低成本、线性可控、去中心化（分布式）。去IBM（IBM.N）：PC Sever替代小型机；去Oracle（ORCL.N）：用MySQL替代；去EMC（EMC.N）：用中低端存储。后来阿里用MySQL+自研数据库（OceanBase）替代Oracle，并不再使用高端存储。

总结阿里在云计算架构下技术演进路径为：从一开始依赖商业软件（Oracle数据库），逐步形成自身的MySQL分支，成为开发使用开源软件MySQL最好的企业之一。然后研发支持海量数据的分布式数据库系统OceanBase，并应用于多个关键业务。从用Oracle处理数据，到用Hadoop集群，到发展成业内单个机群节点数最多的Hadoop机群，再到用自主研发的飞天平台上的ODPS（Open Data Processing Service，开放数据处理服务）。基于以上，阿里云形成了自己的云计算基础架构。

在云计算发展的不同时期，IaaS、PaaS、SaaS发展的先后、产业地位和发展节奏是不同的。

IaaS头部企业已现，PaaS和SaaS长尾明显。在IaaS领域，从客户数量、收入规模来看，阿里云在国内一家独大，另外包括腾讯、华为、百度等主流IaaS云服务商，大概占据中国IaaS领域80%以上的市场份额。在PaaS领域，大部分的市场被小型企业覆盖，而且在不同的细分领域

PaaS和SaaS有望迎来快速发展。在云计算发展的初期，定位于云计算的基础服务层，IaaS云服务商得到了快速成长，其中以国内的阿里云为代表。IaaS厂商领先行业快速增长也是IT产业发展规模的体现。在传统IT架构下，同样是以服务器、存储、操作系统、数据库等为代表的基础软硬件率先发展，才有应用层各种工具软件的涌现。在中国IaaS快速发展之后，我们认为，中国的PaaS和SaaS领域有望迎来快速发展期。

IaaS带来的硬科技变革：软件定义与硬件重构
前文我们提到每一次的重大技术变革都会预示着产业格局的演变，甚至对产业链进行重构，带来主流企业的重新洗牌。云计算也是如此，PC时代的巨头和云计算中心的巨头已发生变迁。

每一次的重大技术变革都会预示着产业格局的演变，甚至对产业链进行重构，促进主流企业的重新洗牌。云计算也是如此，PC时代的巨头和云计算中心的巨头已发生变迁。云计算对数据中心领域的变革主要体现在两个方面：软件定义与硬件重构。同时，云计算对服务器竞争格局带来一定变化。以互联网云计算厂商为主要客户的服务器厂商不断受益于技术变革所带来的需求增长，市场份额不断提升。这方面以浪潮信息（000977.CH）为代表。

云计算对数据中心领域的变革主要包括两个方面：软件定义与硬件重构。
1）软件定义：推动计算、存储和网络三类传统设备的融合，实现数据中心模块的归一化。
2）硬件重构：从服务器设备到机柜和数据中心层面的重构，包括服务器形态的创新、数据中心基础架构的创新等，高密度服务器、整机柜服务器、模块化数据中心等都是硬件重构的成果。

在云计算对IT带来产业变革的同时，我们已经看到服务器市场的竞争格局在开始变化。通过近几年服务器厂商的竞争格局，我们可以看到一个现象：原来一些老牌海外服务器厂商的出货量和销售额要么出现了增长停滞，要么出现了下滑；只有国内服务器厂商，包括浪潮、华为、曙光等销售量还在不断提升。可能会有人说这是因为，国内自主可控带来国内下游客户采购需求的提升。其实，国内服务器大规模的国产化替代是发生在2012-2015
年，我们只需要看看浪潮信息的收入和利润体量增速最快的时候发生在哪一时间段就可以。实际上，对目前全球服务器市场带来产业格局变化的正是云计算。

前文提到云计算对整个IT架构进行了重构。这种重构带来的结果是，云计算对单台服务器的性能要求降低。因为云计算就是利用虚拟化技术将大量服务器（服务器集群）的计算和存储资源虚拟化之后，形成的超大型计算和存储资源。因此，在云计算中，可以通过采购大规模的低成本服务器，利用虚拟化技术，将成千上万台服务器连接在一起形成一个超级计算机，比如典型的就是阿里云“飞天”系统，服务器集群规模达到上万台。
近几年云计算巨头不断加大对云数据中心的建设，来支撑其庞大的云计算网络以及快速增长的互联网业务。可以说，云计算数据中心的建设成为近两年全球服务器增长的主要驱动力。而云数据中心所需要的服务器并不是服务器龙头（IBM、HP（HPQ.N））等生产的标准化的高性能服务器，其需要更多的是高度定制化的服务器。云服务器厂商对服务器需要的变化，就为深耕互联网企业客户的服务器厂商带来发展机遇。

在以上背景下，云计算这一重大技术正对服务器市场的竞争格局带来演变。以互联网云计算厂商为主要客户的服务器厂商不断受益于技术变革所带来的需求增长，市场份额不断提升。特别是浪潮在出货量和份额提升方面更为迅速。这就是我们所看到的云计算技术对产业格局所带来的变化。即以亚马逊（AMZN.O）、谷歌（GOOG.O、GOOGL.O）、Facebook（FB.O）以及BAT（百度：BIDU.O；阿里；腾讯：0700.HK）为代表的互联网巨头，不断加大云计算基础设施的投入，而给服务器市场的竞争格局带来了变化。

从海外股看SaaS的高估值逻辑：业务空间不断扩张
目前全球的软件公司都在逐步从软件产品向云产品转型。在转型的过程中，我们发现了这些软件公司发生了很多变化：产品形态的变化、服务方式的变化、交付周期的变化、商业模式的变化、财务指标的变化，最后还有就是估值体系的变化。这些变化的源头在于公司的产品形态变化带来的客户粘性、议价能力、盈利能力以及现金流等诸多方面的变化。也因此，云SaaS公司往往会享受一定的估值溢价。

同时，我们发现，市场上在给国内云SaaS公司估值时，经常参考海外云SaaS公司的估值体系。比如A股SaaS公司如何估值？大家会说用PS估值；PS给多少倍？10-15倍；为什么给10-15倍？因为海外对标SaaS公司都是给10-15倍。以上通常是A股市场给国内SaaS公司高估值的时候，普遍存在的一个逻辑链条。

如果我们对以上这个问题，再深入思考一下，可能会想到两个问题：
第一，为什么海外云SaaS公司PS估值的稳态区间是在10-15倍？
第二，是不是所有云SaaS转型的公司都可以给10-15倍？

对于海外云SaaS企业的估值，我们看到的估值特点是：1、PS估值；2、估值一般在10-15倍PS。好的软件公司净利润率E/S=30%左右，10倍PS对应33倍的PE，而P/S=(P/E)*(E/S)。注：PE=1/（国债利率）。通过这种关系，我们找到了通过PS估值来进行估值的锚。

对于第一个问题，我们可以严格从财务指标和估值指标的等价性去理解。

1）从历史数据来看，一般情况下，一家产品化能力比较强的软件公司的净利润率在30%左右（当然个别公司除外，比如微软（MSFT.O）的Office、万得（未上市）的Wind等），也就是E/S=30%左右。
2）软件公司的PE估值一般是用无风险利率的倒数来估算，这里的无风险利率，我们可以用十年期国债利率来刻画，即：PE=1/(国债利率），目前十年期国债利率大概在3.3%左右，因此，一般情况下，软件公司的PE=1/(3.3%)=30倍左右。
3）而PE和PS之间的换算是P/S=(P/E)*(E/S)。因此综合以上三点，我们可以得到10倍的PS大概等价于30倍左右的PE。
通过以上这种等价换算，我们大概可以理解为什么海外的云SaaS公司的稳态PS估值大概在10-15倍之间。

但这些是通过财务指标进行推算的结果。如果从软件行业本身角度来理解，又该如何理解？这就引出第二个问题，是不是所有的云SaaS公司都可以给10-15倍PS？我们认为，并不是。

为什么呢？这就需要我们去理解支撑海外云SaaS公司估值背后的逻辑是什么？我们这里说的逻辑并不是我们通常所有的云SaaS模式给公司带来的好处：高用户粘性、高续费率、低费用率、高净利润率、好的现金流等等。我们认为，这些业务指标和财务指标是我们看到的结果，不是原因。我们想试图找出高估值背后的业务逻辑。

我们可以通过一个案例来看下，对比下Adobe（ADBE.O）和SAP（SAP.N）的估值。从PS角度来看，Adobe的估值PS（ttm）大概在12-15倍之间，SAP的估值PS（ttm）大概在5-6倍之间。两者的PS（ttm）估值相差2-3倍。

同是软件向云转型的公司，为什么两者的估值差异这么大？对于这个问题，对云认知不同的人，可能会有不同的回答。但不外乎以下几个理由：

1）SAP的体量比较大，所以估值比较低；
2）SAP的云收入占比比较小，所以估值低（2018年SAP云收入占比20%，Adobe云收入占比89%）；
3）SAP云化速度慢，所以估值低；
4）SAP的云有相当一部分是私有云，Adobe基本都是公有云，所以SAP估值低。

以上这几点基本是我们去理解和解释两家公司估值差异的理由。我们认为，以上这几点的说法都是没问题的，但是，我们认为，以上这些都是我们看到的现象和结果。如果我们从业务层面去找原因的话，其背后的业务逻辑是什么呢？

我们认为，两家公司估值差异的背后是：软件产品的可扩展能力。

软件的可扩展能力，从字面理解是：一家公司的软件产品拓展性和延展性比较好，从一个到另外一个。如果我们说的严谨一些，即，一家软件公司的底层开发能力和产品化能力，足以支撑公司从一个产品线扩展到多个产品线，从一个领域扩展到多个领域，从一个区域扩展到多个区域（不同区域所需要的软件产品可能也不同，背后体现的也是产品化拓展能力）。

以上这种说法可能也还比较抽象，如果我们用一个近似量化的指标来替代以上表述的话，即，TAM。TAM全称Total Addressable Market，我们可以理解为：可触达的业务空间。

一家软件产品可扩展能力比较强的公司，我们看到这家公司业务可触达的业务空间比较大。如果更准确表述的话，一家软件扩展能力比较强的公司，在其业务发展过程中，依靠软件产品的不断扩展，其业务天花板不断被抬高，业务空间不断扩大。

因此，我们更加关注的是，一家软件企业在其云化的过程中，其业务天花板被抬高的“过程”，业务空间被不断扩大的“过程”。在这个过程中，公司的估值体系或将发生变化。而且，我们认为，只有存在这个“过程”的公司，其估值体系才会发生变化，其才可以给高估值。

下面，我们就通过案例来说明，这个“过程”是如何影响公司“估值”的？

Adobe是一家创意/文档类软件公司，其产品类型包括创意类软件产品、文档类软件产品、营销类软件产品。在以上每个产品领域，公司都具有相对较高的市场份额。

但是，Adobe并不是一开始就同时拥有这三大类业务，也不是一开始就在这三大领域具备较高的市场份额；而是在公司软件产品发展过程中，不断拓宽产品线，不断延伸产品覆盖领域，不断扩大在每个产品领域的市场份额。

我们都知道Adobe是一家创意文档类公司，生活工作中经常用到Adobe的产品，比如修图的PS软件，文件管理的Acrobat（PDF软件）等。当然，除了这两个我们都非常熟悉的产品之外，Adobe还有很多很长的其他产品线。

如果我们不去仔细研究Adobe，可能我们不知道Adobe在2B的企业级市场也有相应的产品-Marketing产品线，而且在营销市场的CRM领域，Adobe的市占率已经做到全球第四。对此，有些人可能会感到有些意外（对于CRM市场的前三名，大家都不会感到意外，而且对这三家公司也非常熟悉，分别是Salesforce（CRM.N）、SAP、Oracle。第五名大家可能也会感到意外，就是Microsoft）。

通过这些，我们想说的是，Adobe在不但拓宽自身的产品领域。

我们看到的结果是：Adobe不断将产品线从创意类产品，拓展到文档类产品，又拓展到营销类产品。在这个过程中，公司不断进入到一个新的细分领域。每新进入一个细分，公司的可触达的业务空间就被抬升到一个更高的水平（TAM抬升）。

因此，产品线拓宽和产品领域扩张的过程，也是公司TAM不断被抬升的过程。而TAM一旦被抬升，估值也会随之变化。

软件拓展能力只是第一步（或者说只是我们目前给他们高估值的一个必要条件，不是充分必要条件）。第二步，就是利用这种软件拓展能力加速公司整体收入增速，也就是利用财务指标证明公司具备这种软件拓展能力，证明软件拓展能力带来TAM的抬升，证明是对自己业务空间的有效抬升。

在这个过程中，云作为一个关键变量，所起到的作用，除了我们通常理解的：商业模式升级、用户粘性增加、费用减少、现金流改善等之外。我们认为，云更是TAM抬升的工具：在已经占据高市场份额的领域，进一步做客户转化；在已经获取的客户中，继续增加新的云产品的渗透率。可以理解为，一个是Increase，一个是Expand。

我们认为，对于软件公司而言，抬升TAM的方式有很多，主要包括：

1）区域的拓展；
2）产品线的拓展（同一领域）；
3）领域的拓展；
4）用户属性的拓展。

如何理解云计算需求？
对于中国云计算的发展，我们经常会问两个问题，为什么在过去中国云计算发展比美国慢？第二，为什么中国这两年云计算发展这么快？看似两个矛盾的问题，实际上反映了云计算在不同时期的发展情况。

从云计算引入中国，也已经有10年有余的时间，在这个过程中，中国的云计算产业一直跟随美国市场。过去一些年，中国云计算发展更多的是，IDC数据中心的大规模建设，大型企业私有云的部署；其中私有云部署中，主要以硬件产品为主。而公有云市场，除了我们看到的以阿里云为代表的IaaS厂商表现出比较强劲的增长之外，PaaS和SaaS领域还没有看到有明显的领先优势的厂商。

在过去一段时间，为什么中国云计算市场，特别是公有云市场的规模一直比较难以发展起来？（或者说，为什么企业对云接受度和采购意愿比较低？）。我们认为，比较典型的原因包括：
1）企业客户在云化时比较担心安全性和可控性，特别是大型企业。大型企业云化时大多采用私有云，即使采用私有云，企业客户也没有将核心业务系在云端运行，大部分运行的是非核心业务系统或者办公系统。
2）云服务的稳定性以及对应用的支撑能力。过去几年，曾发生过多起不同原因引起的宕机事件，这让不少客户心存忧虑。
3）公共云服务仍没有可量化的评价标准，缺少统一的服务标准，使得行业用户在使用公有云服务时比较犹豫。
4）云计算产业链不够完善。很多传统行业客户不具备迁移的能力。在这方面，互联网公司存量IT资源少，同时具备较强的开发能力，能够基于云服务商的产品形成自己的计算能力。而很多传统行业客户拥有大量沉默资产，并且开发能力较弱，仅凭借云服务商提供的产品，不能形成自己的系统。因此，中国云计算的生态还需要进一步建设，尤其是需要一些软硬件开发公司，与云服务商一起提供服务。
对于以上阻碍企业上云的因素，有些是属于企业客户对云主观认识上需要提高（比如数据的安全性，公有云服务提供商，比如阿里云，拥有强大的云安全团队，对云IT基础设施的防护能力要远大于企业自建机房的安全防护能力。同时，对不同企业的数据通过技术实现了隔离）。有些确实属于中国云计算发展中存在的客观问题。

我们认为，云计算对于中国IT企业的意义在于，它为中国IT企业在全球竞争格局中提供了弯道超车的机会。

疫情长期打开下游边际
云计算本质是计算、网络、存储应用资源的弹性配置，2020年疫情冲击一方面延缓了部分企业转云的进度，另一方面也加深了企业对云的认知，即转云提升数字化水平不仅有助于提升效率，更能使生产获得更强的灵活性，适应多种特殊情况。另外，疫情期间协同办公、远程会议等云生产力工具的兴起也培养了TOC端消费者对于云端产品使用的习惯，完成了初步的消费者教育。

应用端：改变思维，形成习惯，强化认知
数字化改造趋势延续，疫情加深企业对云的认知。通过数字化改造提升效率是企业转云的重要推动因素。虽然2020年受疫情冲击，企业推进信息化的节奏有所放缓，但企业通过云化提升效率的趋势仍然在延续。以酒店行业为例，受疫情冲击，希尔顿（HLT.N）、洲际酒店（IHG.N）等国际酒店龙头20H收入均同比下降40%以上。在此背景下，酒店业积极推进云转型，如半岛酒店（0045.HK）与石基信息（002153.CH）子公司签订协议，将采用新一代云架构的企业级酒店信息管理系统。从企业财务数据看，以用友（600588.CH）为例，20Q1-20Q3用友云收入占比迅速提升，带动总收入同比降幅不断收窄，云化的快速推进成为企业走出疫情冲击的重要推动力。我们认为，数字化改造提升效率的大趋势将在2021年延续，在此基础上疫情加深企业对云的认知，有望起到一定的催化作用。

疫情培养消费者云产品使用习惯，利于云生产力工具发展。疫情推动在线协同办公使用人数的增加，形成一定的网络效应，推动在线协同办公的渗透。疫情之前，在线协同办公通过专业化通讯或特色办公服务引入客户。如早期的钉钉，在2.0版本实现了移动数据互联网与电话网络的打通吸引客户。而疫情在加速协同办公落地的同时，更培养了消费者对于云生产力工具的适应性。

基于以上分析，我们认为，2021年对于云SaaS的需求将进一步显现，相关公司云化进度有望继续向前加速推进，云收入占比或将进一步提升，部分公司或将利用云产品逐步确立自身的产业地位。

基础设施：疫情推动需求上升，增长趋势有望延续
上一轮服务需求周期启动的时间是在2017年，据IDC数据，2017Q2，全球服务器收入增速由负转正，出货量也保持增长，这一轮服务器需求驱动的因素主要来自于CSP（云厂商）对云服务器需求的拉动。2019年服务器市场进入低迷期，出货量及收入均呈现低速增长或同比负增长的趋势，20Q1受疫情冲击服务器市场增速较低，20Q2疫情推动云服务需求上升，全球服务器营收及出货量增速有所恢复。

下游需求旺盛，巨头CAPEX增长趋势有望保持。从巨头CAPEX情况看，2020前两季度，11公司加总的资本性支出均保持了20%以上的同比增长率。20Q2，11公司资本性支出共计257亿美元，环比增长8.4%。将已经公布三季报的8家公司资本性支出进行加总，20Q3，8公司资本性支出合计176亿美元，环比增长4%。虽然受疫情冲击同比略有下降，但环比不断增长的趋势也反映出下游需求逐步恢复。我们认为，在2021年下游需求增长趋势的推动下，巨头CAPEX有望保持增长。

投资逻辑一：转型成果开始变现，云成熟标的值得关注
伴随云转型深入，财务指标改善将逐步显现。云模式相比传统的软件模式，从成本端看具有云端运维节省人工成本、滚动销售节省销售成本的优势；从收入端看，云模式便于功能革新，人工智能、大数据等应用也有助于提升客单价。综合来看，随着云转型的深入，费用率、现金流等财务指标会呈现逐渐改善的趋势。从海外软件公司转云历程看（以Adobe为例），当云收入占比超过30%时，费用率开始逐步下降，现金流也呈现改善迹象，本质是云模式本身云端运维、滚动销售等优势所致。

2021年随我国软件企业云转型深入，财务指标改善或将持续。从我国软件企业云转型的推进情况看，伴随着2020年云转型逐步深入，部分企业已经出现财务指标改善的迹象。其中，用友网络、广联达（002410.CH）、金山办公（688111.CH）近年来云转型迅速推进，至20H，广联达、金山办公云收入占比分别为41%、58%，用友网络20Q3云收入占比达到37%。从转型成效看，费用率指标也均随着转型的深入呈现出不同程度的下降趋势。金山办公、广联达的现金流指标也呈现改善的趋势。我们认为，2021年随着云转型的进一步深入，财务指标改善的趋势有望持续。

投资逻辑二：5G落地带来的计算变革催生基础设施需求
云基础设施的需求主体是服务器（也包括存储）厂商和IDC数据中心。服务器作为云的基础设施，我们认为，5G落地带来的计算变革将催生针对边缘服务器、AI服务器、云服务器的需求。虽然在疫情冲击下，服务器市场目前仍处于低迷期，但随着云服务兴起的趋势逐步演绎，2021年服务器市场或迎来高速增长。

5G落地有望带动服务器市场增长
5G带来计算场景延伸与拓展，催生对边缘服务器的需求。5G带动的边缘计算场景，使得通信网络更加去中心化，需要在网络边缘部署小规模或者便携式数据中心，进行终端请求的本地化处理，以满足URLLC和MIoT的超低延时需求。5G小于1ms的延时指标，决定了大量的5G业务不是由核心网后端的云平台来处理，而是由处于网络边缘的本地数据中心来处理。因此，5G的发展将会推动边缘数据中心的发展，大量部署在网络边缘的小规模或者便携式数据中心将不断涌现。

AI服务器需求点：数据类型的增加。AI服务器主要是通过GPU等加速卡，增强服务器并行计算的能力，从而适应云计算、大数据、人工智能等新场景需求。随着计算机视觉数据，语音数据，自然语言处理数据等多种类型的数据逐步累积，AI服务器需求有所显现。从5G推广看，物联网技术，大数据技术的应用有望进一步渗透。传统行业内，智慧城市，反欺诈，视频监控分析等应用有望逐步落地。从AI基础设施应用看，目前以互联网行业用户为主，而交通、通信、公共事业等行业也处于快速增长中，未来传统行业的AI应用有望进一步增长。据IDC预测，2024年我国GPU服务器市场规模将达到64亿美元，2019-2024年CAGR预计达到26.1%，AI服务器增长需求有望延续。

云服务器需求点：数据量的增加。5G对云服务器的需求，不是新增产品的需求。而更多是由于数据量的增加，在原有需求基础上，产生的新增计算（数据处理存储等）的需求。
我们认为，在网络数据增长一个数量级（10倍）的前提下，与之对应的对数据的计算和存储的需求有望大幅提升，从而对底层的计算基础设施（服务器）的需求有望大幅增加。
从工信部统计的中国移动互联网用户的流量使用情况可以看出，2019年中国移动互联网接入流量达到1220亿GB，与移动互联网大规模应用前的2013年相比，约为2013年的95倍。同样，中国月户均移动网接入流量，2019年相比与2013年也增长至大概80倍左右。我们预计，在5G带动的新的应用下，网络流量的增长的幅度或将至少在一个数量级（10倍）以上。

政务云机遇不可忽视
以购代建，政务云平台建设推进，存量冰山续写私有云成长。目前我国云计算应用已经从互联网向传统行业的逐步渗透，但由于存量体量较大，为了更好地解决建设运营、信息安全等多方面问题，未来以购代建或成为政务云平台实现的最佳方式——既控制了后期支持服务的成本，又提高了资源利用的效率。据《政府采购信息报》不完全统计，2018年，全国服务器政府采购项目约2,110个，采购支出23.17亿元，我们预计未来政府部门或将持续加大对服务器的采购支出。

政务云用云量增长迅猛，超过了工业、金融、互联网等其他行业，预计未来几年仍保持稳定增长，根据艾瑞咨询数据，到2023年我国政务云整体市场规模可达到1,114.4亿元，未来四年的年复合增长率为20.6%。随着疫情逐渐得到控制，复工复查不断推进，中国经济逐步回归到正常水平，政务云市场有望回暖，同时考虑到我国政务云建设尚处于起步阶段，我们可以推测，依靠政务云而带动的国内服务器市场替代空间广阔。

大数据：从存储、运营到智能、安全
大数据的产业链构成覆盖了数据从产生到应用的整个生命周期，大致可分为数据标准与规范、数据安全、数据采集、数据存储与管理、数据分析与挖掘、数据运维及数据应用几个环节。

数据采集和存储是首要
为了配合云计算与大数据需求，存储技术变化日新月异，云存储、软件定义存储等一系列全新的概念不断出现，定义越来越自由，存储的形态日趋多样，发展空间也变得广阔。

存储系统从最早的直连存储（DAS），到后来的集中存储（SAN、NAS、全闪等），而目前随着企业用户存储数据量的增加，分布式存储的优势开始逐渐体现。分布式存储将位于不同空间的数据就近存储，完成了数据存储的去中心化，各个节点的资源可以得到很好的协调，由于利用了更多的机器处理更多的数据，单机压力减小，带宽要求降低，同时也解决了传统的本地文件系统在文件大小、文件数量等方面的限制。

但随着海量数据时代的到来，当前我国大数据产业生态体系正迈入成熟完善阶段。据工信部数据，数据量年均增速超过50%；相应地，设立大数据管理部门在各地的机构改革中成为大趋势。深耕大数据催化了我国制造业数字化、网络化、智能化转型步伐。数据的价值将不仅仅存在于存储运营，未来数据智能、数据安全将成为市场的重要增量。

数据价值显现，数据服务市场打开。据IDC，在2020-2024年期间，全球大数据技术与服务相关收益将实现9.6%的CAGR（年均复合增长率），预计2024年将达到2,877.7亿美元。而2020年中国大数据相关市场的总体收益将达到104.2亿美元，同比增长16.0%，增幅领跑全球。

从子市场来看，2020年中国大数据市场最大的构成部分仍然来自于服务器和存储，传统硬件部分占比超过40%，其次为IT服务和商业服务，两者共占33.6%的比例，剩余由25.4%的大数据软件所构成。从软件角度来看，2020年中国最大的三个细分子市场依次为终端用户查询汇报分析工具、人工智能软件平台以及关系型数据仓库，并且IDC预计，三者总和占中国整体大数据软件市场的比例接近50%。

政务数字化转型使大数据安全成为刚需
在数据的存储逐渐拥有支撑后，大数据安全的需求应运而生。大数据安全是随着大数据平台建设快速增长带来的安全产品和服务，为大数据各应用场景下围绕数据安全展开的大数据全生命周期的安全防护。一般地，大数据安全主要包括大数据平台安全、大数据安全防护和大数据隐私保护，产品和服务主要包含系统安全、数据发现、管理运营、数据梳理、脱敏、审计等。

近年来，随着中国近几年各企事业大数据信息化建设需求的增加，叠加政策对各类数据安全的保护要求提升和各类数据泄密事件影响，中国大数据安全作为新兴安全市场、其规模也持续高速增长。根据赛迪咨询数据，2020年的总规模预计达到51.5亿元。随着大数据安全市场的成熟，年均增长率在逐步提高。当前，大数据安全业务已经被各大传统安全企业纳入未来企业战略，日益成为布局重点和重要商业化盈利点。

企业上云放大数据价值
第一，原来企业的数据是存储在自己的IT系统中，而云化之后，企业的经营数据是留存在了云端。第二，原来各个部门之间的相互独立分散的数据通过云产品打通。因此，云化之后，企业将对数据服务产生新的需求，而这个需求有望演化成一种刚需。因此，我们认为，云化之后，我们更应该刚看背后的数据需求所带来更大的市场规模。

未来云计算与大数据之间的关系将更加紧密。
（1）云计算解决系统架构问题，大数据解决业务架构问题，大数据是连接云计算和客户具体需求的纽带。
（2）大数据中的分布式计算和存储本身即是云计算的重要组成部分。
（3）大数据的数据分析结果同时反作用于云计算，例如云安全中的态势感知等。
（4）大数据的体量大、维度多和实时性等特点，使传统的IT架构难以适应，从而提高了云计算的用户接受度。
（5）大数据处理中的新需求促使云计算的软硬件不断发展，例如GPU主机，SSD硬盘等。

数据完备性提升，人工智能应用基础日益牢固
数据是当前人工智能应用重要基础。当前人工智能的主流技术为机器学习中的深度学习，基本原理是通过大量的数据进行训练后用于推理。以神经网络算法为例，训练指初始神经网络通过不断优化自身参数以提升准确性，推理指将经过训练的神经网络应用于现场数据的过程。因此大量的数据积累有助于算法的训练，为提升人工智能的水平提供了基础。

数据量积累为人工智能应用发展提供基础。随着云计算、大数据等信息技术快速发展，产业数字化转型加速，全球数据量迅速累积，为人工智能提供了基础。据IDC预测，至2025全球数据量将达到163ZB，约为2016年的十倍。其中我国受益于近年来移动互联网迅速发展，在数据积累上形成了一定的优势，产生数据量占全球数据量比由2012年的13%提升至2018年的23%。据IDC预计，2025年我国产生数据量占比预计达到全球的28%。我国迅速积累的数据量也为人工智能我国的应用提供了发展基础。

云计算与互联网、大数据、人工智能之间的关系
我们认为，第一，互联网化是云存在的前提和基础。互联网和物联网可以将所有事物和信息进行互联，在这个过程中，互联的主体产生大量的数据。这些数据需要一个强大的空间进行集中存储和处理，这就是云计算所擅长的地方。我们知道单个计算和存储设备，难以对大量数据进行存储和快速计算，即使可以，其成本也会随着数据量的激增而急速上升。云计算的作用就在于将海量数据集中存储和处理。互联网和物联网所“连接”的一切，其核心是云计算。云计算为“互联网+”的商业模式、业务流程、资源分发提供强大的存储和计算能力。

第二，当大量数据上传到云端之后，就需要大数据技术进行分析和挖掘。云计算为数据资产提供存储、访问和计算资源，而大数据是基于云计算进行海量数据的分析与挖掘。

第三，人工智能的核心要素之一就是数据。大数据是基于海量数据进行分析从而发现一些隐藏的规律、现象、原理等，而人工智能在大数据的基础上更进一步。从人利用软件系统进行分析过渡到机器自身调用数据进行分析。

综上可以看出，云计算对IT产业发展的意义，不只在于对IT基础架构的重构。而且，云计算作为IT技术演进的关键中间环节，对后续技术的发挥起到决定性作用。未来其实更加可能的演化形式是，云与大数据的深度融合，云计算与人工智能的深度融合。云计算是科技行业从IT（Information Technology）时代进入DT（Data Technology）时代再到AI时代的核心基础。

中证大数据产业指数简介及投资价值分析
指数情况概览：涵盖大数据全产业链
中证大数据产业指数（指数代码：930902）于2016年10月18日由中证指数有限公司发布，基日为2012年12月31日，基点为1000点，币种为人民币。该指数选取涉及大数据存储设备、大数据分析技术、大数据运营平台、大数据生产、大数据应用等领域的沪深A股作为样本，采用自由流通股本加权，并对个股设置10%的权重上限，反映A股市场大数据全产业链下股票的整体表现。中证大数据产业指数以中证全指指数样本股为样本空间，选样方法包括以下三个步骤：

1.    在样本空间内，按照过去一年日均成交金额由高到低排名，剔除流动性排名后20%的股票；
2.    将涉及大数据存储设备、大数据分析技术、大数据运营平台、大数据生产、大数据应用等领域的上市公司股票归为大数据产业主题；
3.    按照过去一年日均总市值由高到低排名，选取排名前50只股票构成中证大数据产业指数样本股。

中证大数据产业指数的计算公式如下式所示，其中调整市值＝∑（股价×调整股本数×权重因子），权重因子介于0和1之间，以使单个样本股权重不超过10%。

指数的调整方法分为定期调整和临时调整两种方式：
1.    定期调整：中证大数据产业指数的样本股每半年调整一次，样本股调整实施时间分别是每年6月和12月的第二个星期五收盘后的下一交易日。权重因子随样本股定期调整而调整，调整时间与指数样本定期调整实施时间相同。在下一个定期调整日前，权重因子一般固定不变。
2.    临时调整：特殊情况下将对指数样本进行临时调整。当样本股暂停上市或退市时，将其从指数样本中剔除。样本股公司发生收购、合并、分拆、停牌等情形的处理，参照计算与维护细则处理。

中证大数据产业指数于2020年12月14日进行成分股定期调整。本次调整后，纳入两只科创板股票（688369 CH致远互联和688168 CH安博通）。本次调整后的成分股及对应行业如下表所示（自由流通市值数据截至2020年12月15日）。

行业特征分析：侧重计算机应用、计算机设备及通信设备
行业分布是指数的重要特征，反映指数受不同行业风险因素的影响程度。统计中证大数据产业指数申万一、二级行业成分股的数量分布，如下图所示。

由基于申万一级行业分类的数量分布可知，中证大数据产业指数的行业分布集中在计算机和通信这两个一级行业，占比合计达96%。下沉至二级行业，中证大数据产业指数更侧重计算机应用、计算机设备II和通信设备这三个二级行业，此外在其他休闲服务II和半导体行业亦有少许配置，分布集中却不单一，可为投资者更专注准确地反映大数据完整产业链下的股票表现。

市值特征分析：中小市值风格鲜明
下面从成分股的数量分析指数市值特征，将个股总市值划分为小于100亿、100~200亿、200~500亿、500~1000亿以及大于1000亿这五个区间，各市值区间下成分股数量分布如下表所示。中证大数据产业指数以中小市值股票为主，市值小于100亿股票数量占比46%，市值在100~200亿股票数量占比为26%，大于1000亿股票数量占比为4%，该指数具有鲜明的中小市值风格特征。

历史表现分析：具有典型高Beta属性
考察中证大数据产业指数与其它相关指数及重要市场指数历史表现。如下面两张图所示，净值绘制起始日期为中证大数据产业指数的基日2012年12月31日，以该日为基准进行归一化处理。

统计区间内（2012年12月31日至2020年12月15日）中证大数据产业指数表现和其它大数据相关指数表现接近，整体优于沪深300、中证500、创业板指等主要宽基指数。计算指数收益风险指标，中证大数据产业指数与其它大数据相关指数、创业板指、创业板50指数较为接近，年化收益率、年化波动率、夏普比率均高于沪深300和中证500指数，具有典型高Beta属性，适合预期风险水平较高，同时有大数据产业配置需求的投资者。

估值水平分析：PB估值横向对比相对较低
纵向考察中证大数据产业指数历史估值水平。截至2020年12月15日，该指数市盈率PE（ttm）为112.8倍，处于指数发布日（2016年10月18日）以来的88.9%分位数。该指数市净率PB（lf）为4.9倍，处于90.7%历史分位数。

横向考察2020年12月15日大数据相关指数和重要市场指数的估值指标以及各指数发布以来历史分位数，如下表所示。从市盈率角度看，中证大数据产业指数市盈率相对较高，仅低于中证云计算与大数据主题指数。从市净率角度看，中证大数据产业指数市净率低于中证计算机指数、中证云计算与大数据指数、中证人工智能指数、创业板指和创业板50指数，高于深证大数据50指数、沪深300指数和中证500指数。

考虑到今年以来受新冠疫情冲击，各行业盈利均面临压力，PE受事件性因素影响较大，PB在当下可能是更为合理的评判指标。横向对比看，中证大数据产业指数PB估值相对较低。

大数据ETF产品简介
富国中证大数据产业交易型开放式指数证券投资基金（基金代码：515400；认购代码：515403），简称大数据ETF，该基金属于上交所跨市场股票ETF，标的指数为中证大数据产业指数（指数代码：930902），投资目标为紧密跟踪标的指数，追求跟踪偏离度和跟踪误差的最小化。基金主要投资于标的指数成份股、备选成份股，投资于标的指数成份股和备选成份股的资产比例不低于基金资产净值的90%，且不低于非现金基金资产的80%。大数据ETF募集期自2020年12月1日至12月31日。

风险提示
本报告对历史数据进行梳理总结，历史结果不能简单预测未来，规律存在失效风险。报告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

免责声明与评级说明

公众平台免责申明
本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。

本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。

华泰金工深度报告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121

【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116

【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法

【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022

【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826
【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率
【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506
【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）
【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）
【华泰金工林晓明团队】周期轮动下的BL资产配置策略
【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究
【华泰金工林晓明团队】市场拐点的判断方法

【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上）
【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究
【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究

【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索

【华泰金工林晓明团队】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测观点

【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究

【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究

【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列

行业指数频谱分析及配置模型：市场的周期分析系列之三

【华泰金工林晓明团队】市场的频率——市场轮回，周期重生

【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探

周期起源
[h1]【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八[/h1][h1]【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七[/h1]【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六
[h1]【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五[/h1]【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四
【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三
【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二
【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一

FOF与金融创新产品
【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究
【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一

因子周期（因子择时）
【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三
【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二
【华泰金工林晓明团队】因子收益率的周期性研究初探

择时
【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列

【华泰金工林晓明团队】A股市场低开现象研究
【华泰金工林晓明团队】华泰风险收益一致性择时模型
【华泰金工林晓明团队】技术指标与周期量价择时模型的结合
【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用

中观基本面轮动
【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十
[h1]【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九[/h1][h1]【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八
[/h1][h1]【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七[/h1][h1]【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六[/h1]【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五
【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四
[h1]【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三[/h1][h1]【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二[/h1][h1]【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一[/h1]

行业轮动
[h1]【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三[/h1]【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二
【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一
【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十

【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九
【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八

【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七
【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六
【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五
【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四
【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三
【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二
【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一

Smartbeta
【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四
【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三
【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二

【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一
【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一

多因子选股
【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三

【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二

【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一
【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十
【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九
【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八

【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七
【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六

【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五
【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四
【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三
【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二

【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一
【华泰金工林晓明团队】五因子模型A股实证研究
【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二

人工智能
【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八

【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七
【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六
【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五
【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四
【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三
【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二
【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一
【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十
【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九
【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八
【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七
【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六
【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五

【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四
【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三
【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二
【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一
【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十
【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九

【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八

【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七
【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六
【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五

【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起

【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三

【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二
【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一

【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十
【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九

【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八
【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七

【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六

【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五
【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四
【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三

【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二

指数增强基金分析
【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告
【华泰金工林晓明团队】酌古御今：指数增强基金收益分析
【华泰金工林晓明团队】基于回归法的基金持股仓位测算
【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证

基本面选股
【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究
【华泰金工林晓明团队】华泰价值选股之FFScore模型

【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究
【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究
【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究
【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究

基金定投
【华泰金工林晓明团队】大成旗下基金2018定投策略研究
【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四
【华泰金工林晓明团队】基金定投3—马科维茨有效性检验

【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法

【华泰金工林晓明团队】基金定投1—分析方法与理论基础

基金评价
【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法
【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力
【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金

其它
【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二
A股市场及行业的月份效应——详解历史数据中的隐藏法则