上投摩根阿尔法混合（交银阿尔法核心混合基金

1、上投摩根基金管理有限公司的旗下基金

上投摩根中国优势证券投资基金
基金简称中国优势
基金代码375010
基金类型契约型开放式
基金经理吕俊
成立日期2004年9月15日
投资组合内各类资产占基金总资产的比例股票为30%-95%，债券为0-50%，但现金或到期日在一年以内的政府债券不低于基金资产净值的5%。
业绩比较基准70%×新华富时中国A600指数收益率+25%×上证国债指数收益率+5%×同业存款利率。
上投摩根货币市场基金
基金简称上投货币
基金代码370010
基金类型契约型开放式
基金经理李颖
成立日期2005年4月13日
投资范围现金；一年以内（含一年）的银行定期存款、大额存单；剩余期限在三百九十七天以内（含三百九十七天）的债券；期限在一年以内（含一年）的债券回购；期限在一年以内（含一年）的中央银行票据；中国证监会、中国人民银行认可的其他具有良好流动性的 货币市场工具。
业绩比较基准六个月银行定期存款利率（税后）。（基金管理人保留对此基准进行调整的权利）
上投摩根阿尔法股票型证券投资基金基金
基金简称上投阿尔法
基金代码377010
基金类型契约型开放式
基金经理孙延群
成立日期2005年10月11日
投资组合内各类资产占基金总资产的比例股票为60－95%，其它为5－40%，且保持不低于基金资产净值5%的现金或者到期日在一年以内的政府债券。
业绩比较基准新华富时A全指×80%+同业存款利率×20%
上投摩根双息平衡混合型证券投资基金
基金简称双息平衡
基金代码373010
基金类型契约型开放式
基金经理芮昆
发行日期2006年4月10日—2006年4月28日
投资组合内各类资产占基金总资产的比例股票为20%－75%，债券为20% -75%，权证的投资比例为基金净资产的 0-3% ，并保持不低于基金资产净值5%的现金或者到期日在一年以内的政府债券。且在极端市场情况下，基金管理人有权将债券调整为95%，股票调整为0%　。
业绩比较基准新华富时150 红利指数收益率× 45%+新华富时中国国债指数收益率× 45%+同业存款利率× 10%
上投摩根成长先锋证券投资基金
基金简称成长先锋
基金代码378010
基金类型契约型开放式
基金经理唐建
成立日期2006年4月26日
投资组合内各类资产占基金总资产的比例股票为70%－95%，债券及其它短期金融工具为0-30%，并保持不低于基金资产净值5%的现金或者到期日在一年以内的政府债券。
业绩比较基准新华富时A600成长指数×80%+同业存款利率×20%

2、明天我要买基金。新推出的上投摩根基金。大家觉得怎么样？

个人觉得现在不适合买基金，更准确的说是买新基金。
现在大盘点位已经太高，获利了解盘和应对股指期货的做空盘随时有可能发动对大盘的攻击。上可能有200点的空间，但下就有1200点的空间，这个风报比太高了~
新基金面临一个建仓的问题，试问大盘这么高所有的股票都翻了好几翻了去哪买便宜的股票？难道在现有价位建仓？那基本一年内都不要想有什么盈利了。
如果是在要买，忍半年等回调。这轮牛市不会一年就结束。下跌半年后才是买入的好机会

3、上投摩根成长先锋、上投摩根阿尔法、上投摩根双息平衡、上投摩根内需动力这几只基金的区别，和各自有点？

它们风险收益是
上投摩根成长先锋>上投摩根阿尔法>上投摩根内需动力>上投摩根双息平衡

4、上投摩根究竟是什么

上海国际信托与摩根富林明资产管理的合资公司

5、被QFII大量增持的股票好吗？

不好

6、QFII重仓股指什么？

QFII是指那些可以在国内合法买卖股票的外国机构，他们买的最多的股票就是QFII重仓股

7、|阿尔法核心技术

一、 AlphaGo的两大核心技术
MCTS(Monte Carlo Tree Search)
MCTS之于围棋就像Alpha-Beta搜索之于象棋，是核心的算法，而比赛时的搜索速度至关重要。就像深蓝当年战胜时，超级计算机的运算速度是制胜的关键因素之一。
MCTS的4个步骤Selection，Expansion，Evaluation(rollout)和Backup
MCTS的并行搜索
(1) Leaf Parallelisation
最
简单的是Leaf Parallelisation，一个叶子用多个线程进行多次Simulation，完全不改变之前的算法，把原来的一次
Simulation的统计量用多次来代替，这样理论上应该准确不少。但这种并行的问题是需要等待最慢的那个结束才能更新统计量；而且搜索的路径数没有增
多。
(2) Root Parallelisation
多个线程各自搜索各自的UCT树，投票
(3) Tree Parallelisation
这是真正的并行搜索，用多个线程搜索UCT树。统计量的更新需要考虑多线程的问题，比如要加锁。
另
外一个问题就是多个线程很可能走一样的路径（因为大家都选择目前看起来Promising的孩子），一种方法就是临时的修改
virtual loss，比如线程1在搜索孩子a，那么就给它的Q(v)减一个很大的数，这样其它线程就不太可能选择它了。线程1搜索完了之后要记
得改回来。
《A Lock-free Multithreaded Monte-Carlo Tree Search Algorithm》使用了一种lock-free的算法，这种方法比加锁的方法要快很多，AlphaGo也用了这个方法。
Segal
研究了为什么多机的MCTS算法很难，并且实验得出结论使用virtual loss的多线程版本能比较完美的scale到64个线程(这是单机一个
进程的多线程程序）。AlphaGo的Rollout是用CPU集群来加速的，其它的三个步骤是在一台机器完成的，这个就是最大的瓶颈。