【威海中基债权1号】
【项目要素】：总规模1.2亿，自然季度付息，打款当天成立计息
12个月：10-50-100-300W：8.4%-8.6%-8.8%-9.0%
24个月：10-50-100-300W：8.5%-8.7%-9.0%-9.3%
资金用途：用于中基科教城园区的建设施工。（本园区总投约1.45亿元，计划引入海洋新材料、海洋生物技术等七个前沿高新技术产业的变革性技术成果，建成集海洋科技新材料、海洋生物制药研发、人工智能、3D打印等产业化多位一体的综合示范园区。）
其他优质项目推荐：
【央行报告：城镇家庭平均净资产289万，与美对比分化程度较均衡】
央行刚刚发布，我国2019城镇家庭平均净资产与美国对比，分布相对均衡，美国净资产最高1%家庭的净资产占全部家庭净资产的比重为38.6%，我国则是17.1%，我国城镇家庭平均净资产289万。
今日央行披露2019年中国城镇居民家庭资产负债情况调查结果，调查显示：
①城镇居民家庭户均总资产317.9万元，中位数为163.0万元，资产分布分化明显。
②家庭总资产随户主年龄的提高呈现先增加后减少的特征，户主年龄为56～64岁的家庭户均总资产最高，18～25岁的户均总资产最低；户主为企业管理人员和个体经营者的家庭总资产明显高于均值，其余家庭总资产均低于平均水平。
③中国城镇居民家庭净资产均值为289.0万元。家庭净资产中位数为141.0万元，比均值低148.0万元。
④家庭资产以实物资产为主，住房占比近七成，住房拥有率达到96.0%；金融资产占比较低，仅为20.4%，居民家庭更偏好无风险金融资产。
调查显示：第一，城镇居民家庭户均总资产317.9万元，资产分布分化明显；家庭资产以实物资产为主，住房占比近七成，住房拥有率达到96.0%；金融资产占比较低，仅为20.4%，居民家庭更偏好无风险金融资产。
第二，城镇居民家庭负债参与率高，为56.5%，负债集中化现象明显，负债最高20%家庭承担总样本家庭债务的61.4%；家庭负债结构相对单一，负债来源以银行贷款为主，房贷是家庭负债的主要构成，占家庭总负债的75.9%。
第三，城镇居民家庭净资产均值为289.0万元，分化程度高于资产的分化程度。与美国相比，我国城镇居民家庭财富分布相对均衡（美国净资产最高1%家庭的净资产占全部家庭净资产的比重为38.6%，我国为17.1%）。
第四，城镇居民家庭资产负债率为9.1%，总体稳健，少数家庭资不抵债；居民家庭债务收入比为1.02，略高于美国居民水平（0.93）；偿债能力总体较强，偿债收入比为18.4%，居民家庭债务风险总体可控。
第五，需关注两方面问题。一是居民家庭金融资产负债率较高，存在一定流动性风险。二是部分家庭债务风险相对较高，主要表现在以下几个方面：部分低资产家庭资不抵债，违约风险高；中青年群体负债压力大，债务风险较高；老年群体投资银行理财、资管、信托等金融产品较多，风险较大；刚需型房贷家庭的债务风险突出。
城镇居民家庭资产分化明显，金融资产占比低，房产占比超七成
调查数据显示，城镇居民家庭总资产均值为317.9万元，中位数为163.0万元。均值与中位数之间相差154.9万元，表明居民家庭资产分布不均。居民家庭资产分布不均衡主要体现在以下四个方面。
居民家庭资产的集中度较高，财富更多地集中在少数家庭。将家庭总资产由低到高分为六组，最低20%家庭所拥有的资产仅占全部样本家庭资产的2.6%，而总资产最高20%家庭的总资产占比为63.0%，其中最高10%家庭的总资产占比为47.5%。
第二，区域间的家庭资产分布差异显著，经济发达地区的居民家庭资产水平高。分经济区域看，东部地区明显高于其他地区。东部地区居民家庭户均总资产为461.0万元，分别高出中部、西部、东北地区197.5万元、253.4万元和296.0万元。东北地区居民家庭户均总资产最低，仅占东部地区居民家庭的三分之一左右。
分省份看，家庭资产最高的三个省（自治区、直辖市）为北京、上海和江苏，最低的三个省（自治区、直辖市）为新疆、吉林和甘肃。其中，北京居民家庭户均总资产约为新疆居民家庭的7倍。
第三，高收入家庭拥有更多资产。将家庭总收入从低到高排序，总收入最高20%家庭所拥有的总资产占全部样本家庭总资产的半数以上。其中，收入最高10%家庭户均总资产1204.8万元，是收入最低20%家庭户均总资产的13.7倍。
第四，户主的年龄、学历水平及职业均影响家庭资产分布。一是家庭总资产随户主年龄的提高呈现先增加后减少的特征。户主年龄为56~64岁的家庭户均总资产最高，18~25岁的户均总资产最低。二是户主的学历水平越高，家庭户均总资产越多。户主为研究生及以上学历的家庭户均总资产明显高于均值，高中及以下学历的家庭户均总资产最低。三是户主为企业管理人员和个体经营者的家庭总资产明显高于均值，其余家庭总资产均低于平均水平。
本次调查对象为县级以上城镇居民家庭，不包括农村居民家庭，与全国人口结构略有差异，但总体看人口的年龄分布与国家统计局公布的全国人口分布基本一致。
本次调查共覆盖城镇居民99868人，户均人口数为3.2人，略高于全国户均家庭规模（3.0人）。从年龄结构看，20岁以下及60岁以上人口占比略低，但总体分布与全国情况一致，城镇家庭平均净资产289万。
大岩资本黄铂：最优化算法的前世今生（下篇）
近期,大岩资本成立七周年庆在深圳成功举办。周年庆上量化投资基金经理黄铂博士结合生活实践中的案例为大家深入浅出阐释了最优化算法的前世今生。
从实际生活中最基础的应用切入,黄铂博士将抽象的算法概念生动化,解释了什么叫最优化问题、凸优化及算法分类、机器学习与人工智能应用。
黄博士的分享内容较长,我们将分上、中、下三篇连载推出,本文为下篇。
最优化算法的高级应用
随着这些年大数据与人工智能的发展,最优化的算法也随之进一步发展,接下来几个应用可能更有意思。
第一个应用叫压缩感知,首先我们把一个图去掉80%、90%的像素点,然后如何还原到原有的图片,这个问题看起来非常困难,但是在实际应用中,压缩感知的算法就有非常好的效果。与这个问题相关的,还有很多很优美的优化算法,比如稀疏优化,对偶加速算法、Lasso。
这个算法还有另外一个应用,人脸识别。看下图,这个图上是同一个人在做各种表情,甚至戴上墨镜,人脸识别通常会用在海关、捉拿罪犯。当我们原始输入的人脸有很多噪音时,它会通过最优化算法,将人脸画像出来,比如当输入的是戴有墨镜的人脸,算法会将墨镜和人脸分离开来。同样的算法可以应用在背景分离,比如我们想要一张非常美的海景,但是又不想要太多人在这个照片上,那么就可以通过这个算法将人物和背景分离开。
看下图右侧,这是一个电梯口的监控录像,背景是静止的,而来来往往的人是动态的,通过最优化算法就可以将前景和背景分离出来。这项研究是在2009年由微软研究员的几名学者一起研究出来的。
最后一部分是深度学习。深度学习有很多层神经网络,这个算法在97年就已经被提出来了,但是之所以最近才会有非常大规模的应用,因为在算法上会有非常大的提高,我们可以通过GPU来进行加速运算。另外,我们在优化算法上也有了非常好的进展。其相关的优化算法是随机优化,顾名思义,它不会优化所有的变量、所有的样本,而是随机挑选一个或者几个样本进行优化,然后在不需要看完整样本的情况下就可以有非常好的效果,可以大规模的提高模型训练速度。
最优化算法,源于生活高于生活,很多应用其实出现在我们每天的日常生活中,希望今天的演讲对大家有所帮助。谢谢大家。(完)
标签： 威海中基债权1号政府债定融
