新浪财经

SAC优秀课题 | 证券灰色风险预警项目——“灰天鹅”系统构建研究

中证协发布

关注

出处:《中国证券》2020年第4期

一、研究的源起与创新

(一)证券公司业务迫切要求场景化预警

2017年以来,随着国内国际政治经济环境的变化,各种负面事件从债市到股市不断蔓延。负面事件导致股票价格大幅波动,严重影响了客户的正常投资活动和资产增值,影响了证券公司经纪业务和信用业务的正常开展,拖累了证券公司整体业绩,致使证券公司面临越来越大的市场风险,对证券市场的整体健康发展带来不利影响(见图1)。

在风险爆发日益频繁的背景下,市场上也涌现出许多由第三方提供的风险预警产品和服务,在风险预警的方向上不断努力。然而在实际工作中我们发现,上述预警主要专注于证券投资和研究等领域,适用范围有限。事实上,在整个券商业务体系中,投研业务并非风险的唯一受害者,以股票质押、融资融券为代表的券商信用业务对风险更加厌恶,对风险预警的需求也更为迫切。诚然,使用现有第三方服务能够满足一些简单的共性需求,但是在业务具体场景中仍存在一些风险关键点和风险识别方式,无法通过第三方服务的简单套用来实现。

(二)基本面风险分析框架

在基本面因素与股价波动之间存在一个关键动因——根据基本面变化而买卖股票,从而导致股价波动的价值投资者。而基本面因素是一个包括众多细分指标的体系,因此在问题研究上需要将基本面各因素进行合理的抽象。从目前投资和研究的具体实践角度考虑,本文将其抽象为PEG[1],即市盈率相对盈利增长比率,其关系如图2所示。

图2左侧的整个过程可以描述为:价值投资者发现股票PEG高估,于是抛售股票,继而导致股价下跌。因为PEG跟股价成正比,所以股价下跌造成PEG下跌,从而实现估值回归正常,PEG不再高估。右侧同理。上述过程称为估值修复。

可知,在估值修复的过程中,如果是以高估为起点的,那么整个修复过程往往体现为股价下跌,这恰恰是我们关注的预警内容。

具体到业务场景来看,对于股票质押业务,若贷前未能识别估值过高,将会造成履约保障比例的高估,导致整个股票质押项目存在隐患。一旦质押标的证券以股价下跌的形式实现估值修复,引发履约保障比例下跌,则股票质押项目发生风险的概率就非常大。

而对于融资融券业务,修复过程将体现在客户的信用账户市值破位,维持担保比例下跌,以致造成业务风险。

接下来针对PEG高估进行分析。PEG的计算公式如下:

PEG高估必然表现为股价或PE偏高,或者每股收益和盈利增长率偏低,因此可以从如下几个角度进行基本面维度的风险预警。

首先是判断股价是否偏高。PEG与股价和PE成正比,股价和PE过高将直接导致PEG高估。股价和PE偏高的原因包括短期概念炒作或其他事件性影响,如管理层增持、重大合同等,可以通过一定标准进行识别。此外,我们也可以通过个股市盈率配合其他估值指标,对高估情况进行判断。

其次是判断每股收益和盈利增长率是否偏低。因为PEG只是研究问题的一个抽象指标,此处实际上是要判断公司的财务指标是否正常,是否存在公司未来经营状态恶化、破产、财务造假的风险。前期研究发现,证券分析师和财务专家在这方面有许多值得借鉴的成果。我们在研究中考虑应用专家规则的方法,对财务方面的问题进行综合鉴别。

考虑到股价实际是对于上市公司未来经营预期的反映,因此还可以考虑增加对于公司未来经营状况的预测。以常用规则判断不存在高估的股票,如果未来经营状况大幅恶化,那么即使股价不增甚至反降,仍然会出现PEG偏高。对于上述情况,由于涉及对于公司包括预期现金流等在内的未来因素的预判,可能无法仅靠财务报表获知,目前尚属于证券分析师研究领域,需要根据研究、走访、调研等形式进行具体研究,并以动态市盈率的形式给出估值。考虑到分析师覆盖个股有限的现实情况,我们可以考虑以AI估值模型的方式加以补充。

(三)基于舆情的风险分析框架

各业务场景共同的第二个预警维度是针对相关主体舆情方面的预警,其中股票质押场景下的主体包括标的公司及相关个人,如大股东或其他利益相关者等,融资融券则主要限于可充抵保证金证券所属上市公司。

第一,针对公司负面新闻进行监控。基于股票质押业务期限较长的特征,该业务对于舆情风险更加侧重于长期性,其往往关注那些有可能对标的证券中长期价格造成较大影响的因素,例如重大负面舆情或者负面舆情的累积效应等,特别是有可能对上市公司基本面造成不可恢复性破坏的负面信息进行评判和提示。因此在股票质押业务场景下,我们需要对短期舆情的短期影响进行过滤,或者说对舆情的时效性设置一定的衰减率。

同股票质押业务相比,融资融券业务具有期限较短,以及金额小、涉及券种较多等独特性。因此,两个业务场景在舆情维度的预警需求方面也有所差异。融资融券业务主要关注的负面舆情,重点在于针对负面舆情的中短期影响进行预警。因为是中短期预警,市场的反应往往会先于负面影响的逐渐披露和展现,所以在预警方面需要更加强化前瞻性,并且对舆情信息的及时性提出了较高的要求,更加注重舆情对股价冲击的时效性。这些与股票质押业务的舆情长期预警都有较大差别。

第二,对质押标的公司的法律和监管风险进行预警,主要包括针对上市公司涉案情况、监管部门处罚情况进行预警。近年来,随着监管力度的不断加强,针对上市公司的问询函、关注函往往是反映公司不当行为的官方提示,属于股票质押业务必备的信息来源。

第三,融资人预警,即需要针对融资人及其一致行动人相关风险进行预警,包括其拥有的其他上市公司股票的质押比例、融资人本身的负面舆情、法律和行政处罚情况等。

综上,我们对股票质押和融资融券业务在风险预警方面的侧重点进行了比较细致的分析。可以发现,券商信用业务,特别是融资融券业务在风险预警方面存在比较独特的需求。我们通过对市场上现有的代表性预警产品进行一定的调研,也发现了这些通用的预警服务与实现业务需求之间存在不小的距离。

(四)创新点

课题的创新点包括以下三项:

第一,紧贴业务需求的场景化预警。与券商业务场景的证券预算需求密切贴合,是本课题研究的出发点。在课题的研究中,各部分的分析与实证都紧密地与业务场景需求相结合,以能否服务于实际需求作为研究的根本指导原则。

第二,经典模型与AI模型相结合。与经典的从金融工程和量化角度去研究风险不同,同时也与最新的人工智能研究相区别,本研究在预警模型的构建过程中,提出了由经典量化模型和机器学习模型相结合的复合预警模型系统,并进行了实证研究并取得了较好的结果。

第三,分析师智能与人工智能结合。本文提出了在预警系统中由人工判断与AI模型相结合,将分析师的分析逻辑和相关经验引入模型,以便在事前引入分析师逻辑优化AI模型,从而形成对AI模型的整体优化。

二、复合预警模型及实证

以基本面数据为主的基础预警是各业务场景的第一类风险预警需求。它以公司财务数据、历史股价、历史市盈率、分析师估值、研究报告等作为信息来源,具体包括证券估值、财务预警、经营预期三项预警内容。

(一)基本面风险预警模型实证

在综合研究相关文献和第三方预警服务的基础上,我们考虑选用经典模型(专家规则、因子分析)与机器学习模型的模型组合。其中,在财务指标预警方面选用专家规则,而在证券估值方面选用因子分析模型,在经营预期方面选用深度学习模型。我们在系统中将各类模型加以组合,共同组成完整的基本面预警构架。篇幅所限,本文仅以财务指标预警为例,对实证结果进行演示。

财务预警方面的专家规则是根据基本面分析师和财务专家长期研究确定的,能够切实反映企业财务状况恶化的各种条件。在综合文献研究和前期研究积累的基础上,我们对现有专家规则进行了总结,并根据历史回测进行了筛选,排除了对反映企业财务状况不敏感的部分规则,最终选择出专家规则组合(见表1)。

专家规则可能会根据分析师和财务专家的研究结果进行动态调整。比如在商誉问题的处理上,此前并无对应的预警规则,在2019年年初进行了增补。

在针对企业财务指标进行风险测算时,可以考虑为不同的财务风险规则设定不同的风险分值,以便与证券公司业务场景更加贴合。以股票质押业务场景为例,此时最重要的预警目标在于对于极端恶劣事件的预期,例如财务造假、强制退市等,因此可以相应地将与造假退市等极端事件历史关联最密切的因子权重相应提高。但是从实践上来看,上述极端恶劣事件目前的样本数量有限,还不足以进行有效的规则提取,否则容易造成过拟合(Overfitting)。

同理,模型也可以针对融资融券业务场景设置风险权重分值。实际上,在股票下跌风险预警这个共同背景下,股票质押和融资融券业务最为显著的区别在于预警期限的差异。具体到财务指标预警方面,考虑到财务指标本身披露的时效是固定的,因此从逻辑上讲很难获得时效的差异化。也就是说,财务指标每年分季、半年和年度进行集中披露,这是固定不变的,模型对于集中披露的间隔期股票价格进行预警是比较合理的,既保证了预警的时效,又实现了数据的充分使用。因此针对财务预警模型,我们在实证阶段并未针对融资融券模型进行特定的设置。

综上考虑,在前期测算中我们为各项风险规则设置了统一的分值。实证研究达到了较好的效果,反映出专家规则的有效性。

截至本实证研究进行时,2019年半年报尚未开始披露。同时考虑到股票质押业务的长期性,此处我们采用2018年年报数据进行实证研究。结果见图3。

我们对市场上3468只股票的财务预警专家规则进行了试算,并按照等权的方式对规则打分进行加总,以此进行风险分组。图3横轴表明预警分组,数字越高风险越大,即向右侧风险递增;纵轴为股票数量。风险最小的组别股票数量为1278只,次小的级别股票数量为845只,以此类推,风险最大的组别股票数量为24只。

各组别股票2019年以来的市场表现见图4。

图4横轴表明预警分组,数字越高风险越大,即向右侧风险递增;纵横为股票平均涨跌幅,向上涨幅递增。图4的柱形为各分组股票的平均涨跌幅,右侧柱形所示涨幅明显低于左侧;同时,图中曲线为股票财务风险(组)与涨跌幅的关系拟合曲线,曲线方向明显向右下方倾斜,表明财务风险与股票涨幅之间的反向关系。可见,风险越大的股票,后期市场实际表现越差,基本符合我们的逻辑。实证研究证明了专家规则在财务指标预警方面的有效性。

(二)经营预期的深度学习模型

一直以来证券估值都是基本面分析师的主要工作内容,由机器学习来进行估值尚处比较新的领域。基于前期AI应用方面的储备,我们可以尝试运用CNN模型来进行基于股票质押业务场景下的基本面数据的证券估值。

CNN模型(卷积神经网络模型,Convolutional Neural Network)是一种深度神经网络模型,在计算机界主要用于图像识别。在CNN模型中,卷积层的存在,使得相邻近的数据单位之间的关联可以被纳入模型,继而进行深度挖掘。在我们的数据输入结构中,由时间轴t作为通用轴,因此相邻近数据单位正好对应数据的同环比。因此CNN模型比单纯的MLP模型(多层感知器模型,Multilayer Perceptron)能够更多地考虑数据项之间的关联。

同时,由于CNN模型中间层会经过多次卷积和池化运算,从而更加能够反映数据的长期影响,相对短期效应则是一种过滤,这恰恰是基于长期估值的股票质押业务所需要的。

为了便于理解,我们略去模型的具体细节,将以CNN模型为基础的证券估值模型以一种结构图的形式加以展现(见图5)。 

图5所示是基础的CNN模型。我们以一个包含财务类数据、事件类数据和基础属性数据的三维数据块为模型的输入,经过双重由卷积层和池化层组成的隐藏层的处理,再经全连接层,最后达到输出层,组建一个共计六层的神经网络深度学习模型。

对于输入层的数据组成方面,包括财务类数据、事件类数据、基础属性类数据,都可以经由分析师进行精选与增补,以便将分析师的分析逻辑和相关经验引入模型。

(三)文本舆情类风险模型实证

1.舆情类AI模型的选择

针对舆情的深度学习模型,经历了从RNN到LSTM和GRU的发展过程。基于前期AI应用方面的储备,我们可以尝试运用LSTM模型来进行基于股票质押场景内的舆情风险预测(见图6)。

LSTM模型算法相对复杂,计算量较大,如果对模型训练速度有要求的话,特别是股票质押业务场景下,一般建议启用带有GPU的深度学习专用服务器。经费允许的情况下,可配置多块GPU以增加模型的优化速度,满足股票质押业务需求。

2.舆情预警的实证研究

舆情预警首先要将股票舆情信息经LSTM模型转化为具体的情绪值。将每只股票每天的情绪值进行汇总,就得到各股票的每日情绪。在股票质押业务场景下,实际上是需要对标的公司的不同主体进行舆情预警,包括上市公司本身、大股东等。因此,我们考虑可以将舆情及其代表的风险来源划分成为如下几种类型(见表2)。

通过这种细化的分类方法,可以尽可能充分地捕捉到与股票质押标的公司相关的各类舆情风险。本课题选择了以新闻风险作为各类风险的代表,进行了前期实证研究。下面以股票质押业务场景为例进行实证分析。

如前所述,在股票质押业务场景下,我们对舆情的预警重点是长期效应。因此,我们在运用LSTM模型对舆情进行情绪识别后,经历史回溯测试,选用如下对股票未来涨跌幅影响最大的因子进行舆情风险的预警(见表3)。

在针对企业舆情进行风险测算时,可以考虑为不同的预警因子设定不同的风险分值,以便与企业的负面舆情状况更加贴合。在前期测算中,因为样本有限,我们为各项风险规则设置了统一的分值。尽管如此,实证研究仍达到了较好的效果,反映出舆情预警系统的有效性。

我们采用2019年上半年的舆情因子进行实证,对应股票涨跌幅为2019年7月份数据。结果见图7。

我们对市场上2139只拥有舆情评分的股票的各舆情因子进行了试算,并按照等权的方式对因子得分进行加总,以此进行股票分组。图7横轴表明预警分组,数字越高风险越大,即向右侧风险递增;纵轴为股票数量。因此,风险最小的组别的股票数量为7只,次小的级别股票数量为10只,以此类推。风险最大的组别股票数量为75只。

图8横轴表明预警分组,数字越高风险越大,即向右侧风险递增;纵轴为股票平均涨跌幅,向上涨幅递增。图中柱形为各分组股票的平均涨跌幅,右侧柱形所示涨幅明显低于左侧;同时,图中曲线为股票舆情风险(组)与涨跌幅的关系拟合曲线,曲线方向明显向右下方倾斜,表明舆情风险与股票涨幅之间的反向关系。可见,2019年上半年风险越大的股票,后期市场实际表现越差,基本符合我们的逻辑。实证研究证明了舆情因子系统在估值预警方面的有效性。

三、从模型到场景的转化及模型优化

(一)场景化智能预警的实现

长期以来,因为缺乏一套适应业务场景化的证券公司风险预警系统,大量的手动作业影响了工作的效率。建立一套行之有效的风险预警系统,适应证券公司业务场景,尽可能减少手动工作,节约人工,就成为我们系统建设的目的。

在证券公司各业务场景方面,我们仍以股票质押和融资融券业务为例,对业务场景化的智能预警系统建设进行探讨。

1.场景化预警模块设计

我们通过对具体业务场景的需求要素进行研究,来逆推预警模型向预警场景的转化。

结合表4的总结可以发现,因为复合模型均为标准化输出,所以需要与股票质押和融资融券业务的需求场景下的直接需求之间进行转换,以便业务场景可以以一种更加直接的方式对模型结果加以应用,一方面可以迅速对风险做出反应,另一方面可以将风险的影响反应到各个业务场景。

因此,针对上述模型输出向场景输出转化的需求,我们设计了一系列转化过程,最终组合成为“灰天鹅”证券业务风险场景化智能预警系统。下面对这些转化过程逐一进行分析。

2.模型输出的转化

首先是风险分组的输出。这部分相对容易处理,因为我们在复合模型的回溯测试中已经按股票的风险分组进行了组间对比,此股票分组可以向业务场景进行输出。

第一,在如何将单项预警分组进行整合方面,我们有如下两种选择:一是将单项风险指标进行量化之后,以加权平均的方式进行整合;二是将单项风险指标的最大值作为风险代表。在系统层面应当同时输出两种方案下的整合评价,供业务场景选用。

第二,需要向融资融券业务场景输出折算率。在折算率的最初设定方面,融资融券业务部门有着更加专业的判断,并且会据此判断进行初始的折算率设定。而风险预警系统会根据个股的风险分组,给出建议的折算率折扣比例,供业务部门参考。

第三,需要向融资融券业务场景进行实时风险提醒。对于突发的负面舆情、业绩预警及其它负面事项,系统在快速判断之后需要向融资融券等中短期敏感的业务场景进行实时的提示。提示内容应当包括风险评分、风险的来源、风险事项的摘要等。

(二)必要的人工干预及风控研究

目前的风险模型无论是经典量化模型还是人工智能模型,在算法层面均是监督学习,即基于历史数据的分析与学习,故无法对首次发生的风险事件进行预警。

在目前条件下,模型尚无法对首次出现的风险事件进行预警,特别是对于舆情风险。因舆情信息发布频率较高,新型风险事件出现的概率相对较大,如果模型出现漏判,可能会带来业务风险。

下面我们以融资融券业务为例,对业务场景下的人工干预加以讨论。舆情是一种相对高频的信息,通过纯人工也是不现实的,因为一般情况下业务部门无法承担7×24小时舆情监控的人力成本。所以,所谓人工干预,必然是在程序无法判断的舆情基础上进行了高层次判断,而不是完全依靠人力。

在系统实际建设中我们发现,中间部分的舆情数据仍然过多,人工无法及时处置,因此还需要进行第二重过滤。经过对此问题的反复研究和讨论,我们发现主流新闻网站的热点新闻栏目往往提供了评论模块,可以考虑在不违反现行法律和不侵犯版权的前提下,对新闻评论进行获取,然后对新闻所属的评论进行NLP情感识别,分析评论的正负面情绪。最后,将评价普遍为负面的中间舆情交付人工判断。

没有永远不出错的系统,无论是人工处理还是计算机都是如此。在我们构建的“灰天鹅”证券业务风险场景化智能预警系统中,可能的风险点存在以下几个方面:

首先,针对数据输入缺失,应当建立数据实时监控机制,定时将本时段的各项数据输入内容进行统计,并根据历史输入数据建立数据量的时间序列模型。一旦发生实时监控数据输入偏离历史模型的情况,特别是不足的情况,应立即进行排查。当然,如果经费允许,以多样来源的输入进行互备、进行事前风控应该是比较好的选择。

其次,针对模型输出问题,应当建立一套简单算法的平行预警机制作为AI预警模型的检测。其具体机制是:在数据输入方面,平行预警机制和AI预警模型是同步的;在信息处理方面,平行预警机制以简单算法,将比较显著的风险信息进行识别和输出,同时由AI模型输出全面的风险信号。此时,如果某股票呈现显著风险信号,但AI模型未发出全面风险信号,则说明AI模型输出出现问题,此时应当立即进行排查,并以平行预警机制作为临时替代方案。

(三)AI预警系统模型的优化途径

采用预警模型的优势之一就是可以在有限的时间内进行快速迭代,不断优化。通过优化,一方面对原有AI模型在各类风险捕捉方面的不足进行完善,另一方面对新的风险信息进行滚动学习,以便未来应对。此外,在用于经营预期预测的AI模型构建方面,还可以加入分析师多年研究经验总结的分析逻辑,从而使AI模型能够精确地对风险内容进行识别。

四、政策建议

各证券公司所建设的风险预警模型需要有机构从更高的层面来进行协调,其原因有两点:

其一,从基础信息搜集角度分析,风险预警数据的获取如果每家证券公司都在做,将存在大量的重复性工作。数据的独立获取,从单个券商的角度来看是一种直观的选择,但是对金融行业整体而言,显然不是最有效率的解决方案,因此需要高层机构加以分工协调。

其二,从风险本身角度分析,个股的风险是行业整体风险的子集,即个股风险的集中暴发会导致行业风险;与此同时,行业风险也会引致个股风险。因此,个股风险与行业风险有可能构成一种互为因果的复杂关系。从券商层面而言,风险预警的着力点在个股层。换言之,在个股风险预警方面,主体为券商。但仅此而已的话,在行业全局层面,就会存在预警主体的缺位。因此相应地,在更高层面需要高层机构作为预警主体,来构建行业总体预警构架。

基于上述观点,我们提出如下政策建议:一是由监管机构出面协调,以共享合作的方式建立预警数据库;二是以此预警数据库为基础,在监管机构层面建立强大的行业风险预警系统,强化宏观层面风险预警功能。

参考文献:

[1] 金学禹,井明刚.智能大数据平台的证券行业的应用与研究[J].中国证券,2018,11:20-26.

[2] 刘超,李元睿等.中国证券公司系统性风险测度及演化特征研究[J].中国管理科学,2019,05:11-22.

[3] 王辉.浅谈我国证券公司风险管理及价值创造[J].现代商业,2019,21:90-91.

[4] 谭炼.证券公司股权质押业务的交易风险研究[J].知识经济,2019,21:70-72.

[5] 黄苒,范群,郭峰.中小企业违约风险系统性和异质性测度——基于违约风险成分分析法的研究[J].中国管理科学,2018,03:13-21.

[6] 杜新乐.关于股票质押式回购交易业务风险控制的专题研究[C].中国证券业协会专题资料汇编,2018,09:750-783.

[7] 葛致壮,唐婧.建立股票质押宏观风险预警指标,防范股票质押引发市场风险[J].中国证券期货,2019,02:59-62.

[8] 肖劲楠.股票质押融资业务的主要风险和应对策略[J].时代金融,2019,08:69+83.

[9] 洪健.浅析我国证券公司融资融券业务的风险管理[J].山东纺织经济,2019,03:11-14.

[10] 肖翔.证券公司融资融券业务风险控制研究[J].中国管理信息化,2018,21(21):118-120.

注释:

[1]常用的价值投资变量包括PE、PB、PEG。PE=每股价格/每股收益,PB=每股价格/每股净资产,PEG=PE/盈利增长率。观察三个计算公式可知,这三个估值变量都是以价格作为分子,以财务指标作为分母。以PEG为代表进行分析,并不影响后续结论,因为在实际财务风险预测时,使用了一系列的财务指标,覆盖面远大于PEG。

【台球学费每小时最高400元 奖金最高达数百万,有人从幼儿园开始练】2025年斯诺克世锦赛决赛举行时间正值中国“五一”假期,中国选手赵心童5月6日夺冠更是引发了大众对台球运动的关注。美团5月7日向中新经纬提供的数据显示,5月1日以来,平台上台球运动的搜索量环比前一周增长60%,台球厅搜索量环比增长80%,00后用户占比超四成。中新经纬在美团App上看到,北京台球培训多为私教课,价格每小时150元到400元不等。赵心童曾就读的CBSA世界斯诺克学院,由世界职业比利和斯诺克协会与中国台球协会联合创办。据其微信公众号信息,学费根据班级种类不同,长期班学费最高可达5万元,短期班一对一30课时费用为18980元。(中新经纬)

【天津:到2027年攻克100项关键核心技术,在图形处理器等领域技术水平位居全国前列】天津市促进人工智能创新发展行动方案(2025—2027年)提到,充分发挥本市信创链条完备、应用场景丰富的资源禀赋优势,一体推进研发攻关、应用示范、产业集聚,打造“人工智能(AI)+信创”新优势,形成“底层技术引领、应用场景开放、产业生态健全”的发展环境。到2027年,攻克100项关键核心技术,在图形处理器(GPU)、AI操作系统、AI服务器、具身智能等领域技术水平位居全国前列,培育30个人工智能应用标杆场景,人工智能基础核心企业营业收入突破1000亿元,形成3至4个特色产业聚集区,将本市打造成为具有全国影响力的人工智能底层技术创新策源地和赋能应用引领区。

【天津:支持大模型训练架构等基础算法研究】天津市人民政府办公厅发布关于印发天津市促进人工智能创新发展行动方案(2025—2027年)的通知。其中提到加强核心算法技术研发。推动前沿基础理论研究,支持自然语言处理、机器视觉、深度学习、感知算法、大模型训练架构等基础算法研究,加强国产开源社区建设。巩固脑机交互技术优势,推动脑机交互与人机共融技术研发应用。推动应用技术研究,支持多模态模型、垂类模型、轻量化模型研发应用,鼓励开源模型的二次开发。支持人机协同、无人驾驶、车路协同、无人机群体智能、虚拟现实(VR)/增强现实(AR)、区块链等场景应用技术的研发。(天津市政府官网)

【台球学费每小时最高400元 奖金最高达数百万,有人从幼儿园开始练】2025年斯诺克世锦赛决赛举行时间正值中国“五一”假期,中国选手赵心童5月6日夺冠更是引发了大众对台球运动的关注。美团5月7日向中新经纬提供的数据显示,5月1日以来,平台上台球运动的搜索量环比前一周增长60%,台球厅搜索量环比增长80%,00后用户占比超四成。中新经纬在美团App上看到,北京台球培训多为私教课,价格每小时150元到400元不等。赵心童曾就读的CBSA世界斯诺克学院,由世界职业比利和斯诺克协会与中国台球协会联合创办。据其微信公众号信息,学费根据班级种类不同,长期班学费最高可达5万元,短期班一对一30课时费用为18980元。(中新经纬)

【天津:到2027年攻克100项关键核心技术,在图形处理器等领域技术水平位居全国前列】天津市促进人工智能创新发展行动方案(2025—2027年)提到,充分发挥本市信创链条完备、应用场景丰富的资源禀赋优势,一体推进研发攻关、应用示范、产业集聚,打造“人工智能(AI)+信创”新优势,形成“底层技术引领、应用场景开放、产业生态健全”的发展环境。到2027年,攻克100项关键核心技术,在图形处理器(GPU)、AI操作系统、AI服务器、具身智能等领域技术水平位居全国前列,培育30个人工智能应用标杆场景,人工智能基础核心企业营业收入突破1000亿元,形成3至4个特色产业聚集区,将本市打造成为具有全国影响力的人工智能底层技术创新策源地和赋能应用引领区。

请输入评论内容

举报成功

举报

请您选择举报的原因

说说你的看法

意见/建议 反馈入口
  • TOKEN
  • 标题/昵称
  • 反馈内容

已反馈成功~