受疫情影响，国内和国外的经济都受到不同程度的冲击，感觉国内经济复苏比较快，明显感觉周围各方面都开始恢复正常，例如生活不可缺少的快递和外卖开始送到家门口了，以前都是要到小区门口外面去拿，很不方便。

但现实情况是，疫情已经造成了实际的经济损失，这是无法挽回的，国内过去几个月的深度隔离措施，导致很多行业遭受严重打击，像旅游业、餐饮、影院等。

可能说经济危机有点严重，其实对于国外很多国家来说，已经是经济危机了。

在这种情况下我们该怎样投资才能不缩水，甚至能增值我们的资产呢？

首先要采取保守策略。

降低股票类投资比例，加大固定收益类比较安全的投资，例如债券和货币基金等。

从股市走势来看，感觉国内没有怎么下跌，美股也快速回血，特别是纳斯达克指数，基本回到下跌前的水平了。

但是，如果仔细计算一下经济方面的损失，计价到股市中，股市应该有相当幅度的资产减值的，也会对应到股价的下跌。而目前股市下跌幅度有限，有很大一部分原因是各国央行在大放水，希望股市不要跌太狠。

要知道，美国人民的大部分资产都是投在股市里的，股市崩了，那大部分人的财富就都折损大半了，大家的消费能力必然大幅缩减，对应各个行业，也必然遭受很大打击，不得不裁员，裁员又导致大批人失业，失业后消费能力进一步降低，形成恶性循环。

我建议股票仓位不要超过总资产的30%，优先选择医疗行业和公共事业方面的股票。其他资金都投入到债券基金和货币基金中。

避开被高估的资产。

最近几年网上一直有这个投资方面的讨论话题，说中国的房市和美国的股市都是泡沫化的重灾区。

这就属于高估值资产，过去多少年大量资金一直追捧，导致价格不断攀升，价格已经远远超出本身的价值，这其实带来很大风险，影响长期发展。

建议你养成判断价值和价格偏离程度的习惯，尽量选择被低估的资产，避开被高估的资产。这样能帮助你在投资的道路上走得更远。

对未来有信心。

经济危机时怎样投资才能不缩水，甚至增值资产？

人类已经经历过了那么多次灾难，都走过去了，而且生活得越来越好，相信这次也一定能走过去。

所以我们对未来要有信心。

在投资方面，可以考虑用空闲资金开始小步伐的定投，优先考虑保守行业的，或者直接考虑300 ETF指数基金，这个指数基金有较大比例是在银行方面，银行板块目前的投资价值比较高。

定投的步伐需要控制好，例如你打算总共投1万，可以每月投1千，差不多每月投10%的比例。未来几个月可能股市会下跌探底，拉开投资步伐可以帮助你降低投资成本，期望等经济完全恢复正常后获得较高投资回报。

最后，祝你的投资能穿越熊牛，继续稳定增值。

现在余额宝应该是国民级理财工具了，有余钱随时转进去赚利息，每天都能看到利息增长，很有满足感。

随时可以取出使用，可以媲美银行的活期存款了。

但最近余额宝收益率下降被刷屏了，已经低于2%了，这是年化收益率，记得当年有高达6%的时候。

曾经有个同事有一天存进去了1万块钱，结果第二天收益率就降了一点点，这个同事开玩笑说他的资金量太大，拉低了余额宝的收益率。

余额宝取现时有1万元的即时到账限制，超过1万的需要第二天到账银行卡，有时候需要立即大额取现时就比较麻烦。

那有没有比余额宝更好的理财工具呢？

支付宝里就有，叫作余利宝，可以在支付宝上方搜索框里搜 “余利宝”。如果你还没有开通就会提示开通，余利宝背后是阿里的网商银行，很有名的互联网银行。你开通过余利宝后，在支付宝里点 “我的” 就能看到余利宝了，跟余额宝并列。

余利宝的收益一般比余额宝稍高一点，但它最大的好处时即时取现的额度很高，刚开通时就有10万，后面随着你存在里面的资金赚的利息，额度会逐渐增长。其实10万的取现额度应该能满足大部分人了。

余利宝解决的是大额即时取现问题。

更高收益方面，网商银行里有 “定活宝”，比余额宝收益率高不少，而且很大好处是节假日存入都可以赚到利息。

可能有的人不知道，我们存钱到余额宝时，需要在工作日下午3点前存进去，才能当天开始计利息，晚于下午3点就只能从第二天开始计利息，损失了一天的利息收入。

而定活宝你随时存进去都可以从当天开始计利息，记得有规定是需要当天晚上11点30以前。

一般开通余利宝后，在支付宝 “我的” 里看到 “网商银行” 入口，进去后就能看到定活宝。

但定活宝有个问题是不能即时取现，取现只能第二天到账。

因此你可以根据情况结合余利宝和定活宝来做理财，管理自己的现金，既能赚到高利息，又能在需要的时候即时大额取现。

最近网上一个比较热门的事件是“原油宝”事件，多个公众号有分析文章，周围也有朋友在聊，我也想凑一下热闹，谈谈自己的看法。

对美国的期货品种，我过去有投资过，是农产品方面的，是直接交易期货合约。

期货跟股票差别比较大，期货交易所定义好标准合约，一般是约定好合约大小、到期时间以及交割规则等，期货投资者就可以买卖了。

其实期货推出的一个目的是为了让拥有商品实物的组织或个人来做套期保值，另一个目的是为了让购买期货合约的买家锁定未来的购买价格，避免商品价格波动可能带来的风险。所以期货交易最初目的是为了实物交割的，但随着参与者越来越多，更多的投资者是为了投机商品价格波动，到现在很大比例是投机性质的。

解释一下套期保值，如果你是种植小麦的，2个月后小麦成熟，现在小麦价格比较高，你担心2个月后价格会下跌，就可以先在期货市场卖出2个月后交割的期货合约。然后2个月后，到了交割日，你可以按照期货交易所交割规则把小麦交付给期货合约买家，相当于以现在的价格卖出未来的商品。

再看一下为了避免商品价格波动带来损失的例子，例如你的公司需要小麦做原料生产商品，现在小麦价格比较低，你担心3个月后小麦价格可能上涨，那可以现在就买入一个3个月后交割的期货合约，到了交割日，就可以根据交割规则拿到卖家交付的小麦，相当于以现在的价格买到未来的商品。

这次原油宝事件其实银行的客户是投机为目的的，肯定不会去交割实物，投机为目的的关键点是要及时转移期货合约到下个月，避免持仓到交割日，临近交割日时可能你想卖出但没有买家接盘，这样就砸到自己手里了，不得不持续降低价格，就出现了这次负的价格，到了这个价格才有人接盘成交。

不同银行设计这个投资产品时应该有不同规则，例如有的银行可以自动转移合约，但有的银行需要客户平仓后再买进时才能转移到下个月合约，也就是手工转移合约。

这样问题就来了，本来客户可能就不清楚期货的规则，当时投资银行这个品种时也没有好好看这个投资产品的说明，也或者是没有在意银行的消息提醒，结果就出现了这次事件。

总结一下，对于投资者来说，一定要熟悉自己投资的品种，不要想当然。金融市场越来越复杂，特别是美国，很多创新类投资产品，估计很多银行或交易所工作人员都讲不清楚具体规则，普通投资者如果贸贸然一头扎进去，很容易跳到坑里的。

最近研究了一下用深度学习算法来预测股票未来的走势，看了网上不少别人分享的案例，也实际进行了测试，感觉用 LSTM 算法比较适用。长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，是为了解决一般的RNN（循环神经网络）存在的长期依赖问题而专门设计出来的，

看上面图感觉 LSTM 很深奥，其实简单理解是把过往基于时间序列的数据集跟预测目标数据做规律探索，LSTM 会结合比较久以前的数据（long）和最近的数据（short-term）做出综合判断，发现内在规律，形成预测模型。

拿预测股票价格为例，我们可以把某只股票今天的收盘价作为预测目标，昨天开始一直往前 60 个交易日的收盘价格作为输入数据，也就是把前面 60 个收盘价作为机器学习的 X 输入，今天的收盘价是 y 输出。按这样的规律依次往前准备 X 和 y 数据，例如昨天的收盘价是一个新的 y，昨天之前 60 个交易日的收盘价作为一个新的 X。根据你能收集到的价格数据，可以准备出大量的 X 和 y，作为训练 LSTM 算法的数据。

下面结合程序做详细解释。

1.引入需要的包

1
2
3
4

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tushare as ts   #我们是使用 tushare 来下载股票数据

2.下载股票数据

1
2
3
4
5
6
7

ts.set_token('xxx')   #需要在 tushare 官网申请一个账号，然后得到 token 后才能通过数据接口获取数据
pro = ts.pro_api()

#这里是用 000001 平安银行为例，下载从 2015-1-1 到最近某一天的股价数据
df = pro.daily(ts_code=‘000001.SZ’, start_date=‘2015-01-01’, end_date=‘2020-02-25’)

df.head()   #用 df.head() 可以查看一下下载下来的股票价格数据，显示数据如下：

3.做数据准备

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

#把数据按时间调转顺序，最新的放后面，从 tushare 下载的数据是最新的在前面，为了后面准备 X,y 数据方便
df = df.iloc[::-1]
df.reset_index(inplace=True)

#只用数据里面的收盘价字段的数据，也可以测试用更多价格字段作为预测输入数据
training_set = df.loc[:, ['close']]

#只取价格数据，不要表头等内容
training_set = training_set.values

#对数据做规则化处理，都按比例转成 0 到 1 之间的数据，这是为了避免真实数据过大或过小影响模型判断
from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler(feature_range = (0, 1))
training_set_scaled = sc.fit_transform(training_set)

#准备 X 和 y 数据，就类似前面解释的，先用最近一个交易日的收盘价作为第一个 y，然后这个交易日以前的 60 个交易日的收盘价作为 X。
#这样依次往前推，例如最近第二个收盘价是第二个 y，而最新第二个收盘价以前的 60 个交易日收盘价作为第二个 X，依次往前准备出大量的 X 和 y，用于后面的训练。
X_train = []
y_train = []
for i in range(60, len(training_set_scaled)):
    X_train.append(training_set_scaled[i-60:i])
    y_train.append(training_set_scaled[i, training_set_scaled.shape[1] - 1])
X_train, y_train = np.array(X_train), np.array(y_train)

4.创建 LSTM 模型并训练

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

#这里是使用 Keras，Keras 大大简化了模型创建工作，背后的真正算法实现是用 TensorFlow 或其他。

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Dropout

regressor = Sequential()
 
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], X_train.shape[2])))
regressor.add(Dropout(0.2))
 
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))
 
regressor.add(LSTM(units = 50, return_sequences = True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units = 50))
regressor.add(Dropout(0.2))

regressor.add(Dense(units = 1))

regressor.compile(optimizer = 'adam', loss = 'mean_squared_error')

regressor.fit(X_train, y_train, epochs = 100, batch_size = 32)

整个训练过程需要持续一段时间，根据数据量的大小需要的训练时间也不同，界面输出大致如下：

5.预测未来的价格

我们先获取用于预测的数据，比如拿到今天的收盘价后，再跟前面 59 个交易日的收盘价组成一个 X，然后用上面训练出来的模型进行预测 y 值，这个 y 值就是明天的预测股票价格。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

import tushare as ts

ts.set_token('xxx')
pro = ts.pro_api()

df_test = pro.index_daily(ts_code='000001.SZ', start_date='2020-02-26', end_date='2020-02-26')

#也是把数据调转顺序，最新的放后面
df_test = df_test.iloc[::-1]
df_test.reset_index(inplace=True)

#只用 close 收盘价这个字段
dataset_test = df_test.loc[:, ['close']]

#然后把测试数据和前面的训练数据整合到一起
dataset_total = pd.concat( (df_test[['close']]，df[['close']]), axis = 0)

#也是只取具体数值，去掉表头等信息
inputs = dataset_total[len(dataset_total) - len(dataset_test) - 60:].values

#这里要按照特定的格式要求做一个数组变形，Keras 对数据格式有特定要求
inputs = inputs.reshape(-1, dataset_test.shape[1])

#对数据也要做一次规则化处理
inputs = sc.transform(inputs)

predicted_stock_price = []

#准备测试数据，就是把要测试的数据和以前训练的数据结合起来组装出要测试的 X，因为是要利用过去 60 个交易日的数据，只靠一个交易日的收盘价是不够的
X_test = []

for i in range(60, 60 + len(dataset_test)):
    X_test.append(inputs[i-60:i])
X_test = np.array(X_test)

#对预测数据也做一次数组变形处理
X_test = np.reshape(X_test, (X_test.shape[0], X_test.shape[1], dataset_test.shape[1]))

#用前面训练的模型预测价格，得出来的是从 0 到 1 之间的规则化数值
predicted_stock_price = regressor.predict(X_test)

#再把规则化数据转回成正常的价格数据，现在就可以得出预测的下个交易日收盘价格
predicted_stock_price = sc1.inverse_transform(predicted_stock_price)

如果把上面的预测过程再循环往未来做几次（把预测出来的下个交易日数据作为新的输入去预测再下一个交易日价格），可以预测出未来几天的股票价格，下面图可以示意出来。

过去我写过挺多文章推荐用资产配置的方式建立一个投资组合，长期持有，实现稳定收益，我想用数字来说明一下为什么要这样做。

我们用一个国外的投资分析工具，这个工具能快速测试你选择的股票或者组合在过去多少年内的投资回报情况，以及风险方面的情况。

这个工具的链接地址是：

https://www.portfoliovisualizer.com/backtest-portfolio#analysisResults

因为这个网站主要是用国外的股票数据，国内A股的数据不能用，所以我们就用美股里的 FXI 来代表国内大盘股来测试，FXI 主要是在香港上市的中国知名企业的组合，是中国很优质的股权资产，我们来看一下过去十几年它的回报情况。

用那个工具很简单，对应组合的资产行里输入你想测试的股票代码 FXI 就可以，组合列里写比例，这次测试是100，表示全部投资于 FXI，然后点击表格下面的 “Analyze Portfolios”，这个工具快速返回测试结果，像下面这样：

里面的表格里有很多列，我们主要关注是 CAGR 表示复合年化收益率，Max. Drawdown 表示最大回撤，是这段测试时间范围内发生过的浮动最大亏损，然后就是 Sharpe Ratio 表示夏普率，是一种衡量投资绩效的指标，比较专业，简单理解就是在相同风险下投资回报越高那夏普率就越大。

FXI 从2005年起到现在复合年化收益率是 7.48%，最大回撤是 -65.56%（因为中间有2008年的金融危机），夏普率是 0.36。

最大回撤说明在金融危机时浮动亏损高达 65.56%，超过一半了，估计大部分人都难以承受这种心理压力，可能在曙光出现以前就割肉出局了。

下面再看看加上债券 ETF 的情况，债券 ETF 跟股票 ETF 是不同的资产种类，它的波动较小，收益率较低，而且一般跟股票走势是相反的。

债券 ETF 我们用 TLT，TLT 是美国长期债券 ETF，TLT 上市时间比较早，历史数据比较多。

我们用 FXI 50% 加 TLT 50% 的比例做组合，相当于股票 ETF 一般，债券 ETF 一半，分析出来的结果如下：

我们可以看到用这种组合的方式复合年化收益率是 9.26%，最大回撤是 -34.98%，夏普率是 0.62。有没有感觉很神奇，我们只用了一半的资金投到 FXI，另一半投到 TLT，但收益率提高了，而且更重要的是最大回撤大幅缩小，相应的夏普率也大幅提高，这就是资产配置的神奇作用。

我们可以再看看投资美股标准普尔指数ETF SPY 和 TLT 做配置组合的情况。

只投资 SPY 的情况下，复合年化收益率是 9.58%，最大回撤是 -50.80%，夏普率是 0.66。

SPY 和 TLT 各一半的情况下，复合年化收益率是 9.17%，最大回撤是 -18.17%，夏普率是 0.98。收益率略微降了一点，但最大回撤大幅缩小，夏普率也大幅提高。

从以上测试的数据可以看出来，股票加债券的基本组合就可以大幅降低投资最大回撤，而且也基本能获得市场平均收益水平，因此我推荐投资者用资产配置组合的方式做投资。

记得前几年P2P流行的时候，年化收益率经常是百分之十几，甚至百分之20、30，但很快很多平台都暴雷，害了太多人。后来P2P的收益渐渐下来了，基本都在10%以内了，甚至低到5%。

说实话，我一开始对P2P就不太感冒，因为背后的具体投资项目不透明，大多是说放贷给中小企业，或者个人消费者，但问题是我们投资进去的钱他们平台能马上放贷出去赚收益吗？如果不能那又靠什么立即给我们那么高的收益？这是基础逻辑，但很多蜂拥去投P2P的人都不管，贪婪心理驱使他们不断投入，甚至去借钱投，平台暴雷后的下场可想而知。

这里我想推荐一个投资产品，跟P2P没有任何关系，是用公募基金建立的一个投资组合，国内公募基金的安全性是毋庸置疑的，所以这个组合的安全性是完全没问题的，但其收益率已经达到P2P的水准。

这个投资组合是以债券基金为主，搭配货币基金。有投资过债券基金的人应该知道，债券投资风险比较小，但波动还是有的，因为债券价格的涨跌有时候也不小。这个投资组合以严控风险为主要目标，精选低波动债券基金，混合货币基金，而且还有一部分资金专门用于打新股。组合的波动率控制得非常好，你可以看到收益曲线基本是一根直线，持续不断地上升。

根据该组合公开的数据，它的期望年化收益率是6%到8%之间，过去最大回撤是百分之2点几，在这样的回撤控制情况下，这种收益率已经相当高了，基本可以看作是无风险高收益。

我们可以拿买房出租来比较一下，按目前国内的房价，估计一线城市的房租收益率只有2%左右，收益可怜，而且需要投入一大笔钱，如果有按揭贷款那收益肯定是负的了，房价还有下跌风险，也就是投资本金有贬值风险。

这个产品很受欢迎，有看到消息说要控制大额资金买入了，所以想上车还是尽早，这个不需要做什么定投，有闲钱就可以放进去。

这个组合是在且慢APP里，名字叫作“稳稳的幸福”，且慢APP是一个智能投资顾问平台，背后对接国内各大公募基金公司，安全方面是没问题的。

REITs（Real Estate Investment Trusts）叫作房地产投资信托基金，是专门的公司机构公开发行股票，募集公众投资者的资金，然后购买房地产类的资产，进行出租，做日常管理，获取租金收入，公司运营的净利润大部分都以分红方式返还给投资者。

投资者可以简单通过购买 REITs 股票进行这方面投资，做房东收房租，具体房地产运营打理工作都不用管，很轻松，而且比较稳定。你可以想象一下，如果你自己去购买一套房子出租，首先要投入一大笔钱（按目前国内各大城市的房价，真的要投入很大一笔钱），然后就是要去寻找租客，带人看房，或者找中介帮忙，要付出中介费。然后就是日常打理，比如房子中的基础设施或电器家具损坏，需要去做修理或更换，这些都是很费精力的。

这种投资产品在国外很发达，特别是美国证券市场，有很多 REITs 投资品种可以选择，有面向商业房地产的，例如那种大型商场，或办公楼；也有面向普通居民的，例如公寓或别墅等。国外比较有名的一个 ETF 基金是 VNQ，是跟踪行业指数的，投资组合里包含了各类房地产的投资运营公司。

目前香港证券市场也有 REITs 产品，但国内股市还非常少，但已经开始出现，现在阶段推荐通过 QDII 方式投资国外的 REITs。

推荐这个基金：

000179 广发美国房地产（QDII）

这个基金是跟踪美国 REITs 指数的，跟踪误差比较小，而且运作时间比较久了，在支付宝里就可以买到，你也可以轻松做美国人的房东了。

如果你有美股账户，可以考虑 VNQ 和 REET 这两个 ETF，VNQ 侧重美国的房地产，REET 是面向全球的相对发达的国家，但美国房地产占了较大比例。

银行精选是一些中小商业银行联合互联网公司推出的一种创新型投资品种，收益率远高于像余额宝这样的宝宝类货币基金。活期类随存随取的年化收益率就接近4%了，如果定期一年年化收益率可以达到5%左右，很可观，而且安全级别跟普通银行存款差不多，50万以内即使银行倒闭也能由银行保险机构赔付，可以说是零风险。

推荐互联网平台有以下几个：

百度的度小满，可选银行：百信银行，富民银行，众邦银行，三湘银行，振兴银行等。活期品种年化收益率是最低3.5%，是百信银行的。一年定期最高年化收益率是4.8%，是振兴银行的。

小米金融，可选银行：三湘银行，富民银行，新网银行，蓝海银行等。活期品种年化收益率是3.8%，是三湘银行的。一年定期年化收益率最高是4.6%，是蓝海银行的。还有5年定期的，年化收益率是5.3%，是蓝海银行的。

京东金融，可选银行有很多，在其他互联网金融平台常见的蓝海银行，新网银行，三湘银行等在这里都能见到。这里还有民生银行和平安银行这样的大银行。活期理财是民生银行和平安银行的，年化收益率3%左右。一年期理财有多家银行提供，年化利率在4.6%左右。

51信用卡管家，这个平台主要是做信用卡账单收集和还款的，后来也有了投资理财服务，其中也有银行精选理财产品。这个公司是上市公司，信誉度不错的。可选银行：众邦银行，三湘银行，平安银行和新网银行。活期主要是三湘银行的，年化利率是3.8%。最长期限的是众邦银行300天的，年化收益率是4.5%。

电商购物是目前一个大趋势，相信你也经常网购，而且很多人的网购频率很高，我们能不能从中分一杯羹呢？

其实大家常用的淘宝、京东和拼多多等电商平台，都是有办法拿到内部优惠券的，而且购物可以返佣，我这里要推荐的是购物返佣平台。

购物返佣平台能帮助别人省钱，顺便给自己赚钱，而且别人会持续购物，也就能持续给你带来收入，是被动的躺赚。

至于安全问题，从返佣平台领优惠券后真正购物还是到淘宝、京东、拼多多APP里进行的，下单、付款、跟踪物流等跟以前一样，只是比以前省钱了。

你推广一段时间后能沉淀下来一部分人，他们经常通过返佣平台买东西，就能经常给你带来佣金收入，这属于被动收入，不用你再去做什么，就能持续有收入。因此这种推广是很有价值的，不是一次性买卖，是为自己搭建一个现金流管道。

还有更重要的一点是，这种推广是有裂变效应的，你邀请的人再继续邀请别人，他们购物的佣金你都可以拿到一部分，这种单笔收入一般很小，邀请的人多了累积起来就很可观了，而且这种收入是可持续的躺赚。

我有关注几个比较知名的返佣平台，平时网购经常用，有兴趣了解可以私信联系我，微信号 3656325。

短期走势难以预测

从短期角度看是无法预测的，不管是技术流还是基本面流，

为什么？

因为影响股市涨跌的因素实在是太多了，而且预测者自己往往也是市场参与者，你的一举一动也会对股市造成一定影响，虽然是微乎其微，但如果在临界平衡点的时候，一点点资金投入可能就会造成市场方向反转。

长期走势有一定规律可循

从长期角度看股市是有些规律可循的，例如股市熊市低位到牛市高位的变化，熊市低位时往往股价远低于估值，会吸引一些聪明资金进入，这样就趋向于股价走高。而在牛市高位时，股价往往远高于估值，对价值敏感的投资者会卖出了，这样会促使股价走低。

但长期角度的趋向并不能对短期走势造成多少影响，市场低估股票价值了，可能继续低估很久，市场高估股票价值了，也可能高估很久。但从力学角度看，价格向价值回归是不可避免的，所以从胜算角度看，即使胜率微弱偏高，但也是值得去把握的，但要记得控制好风险。

决定股票价格的因素有很多，自身价值是很重要的一方面，其他还有经济大环境、行业周期和不利新闻舆论等，可能一个公司的经营状况是健康的，甚至是欣欣向荣的，但股价可能在不断下滑，可能原因是整个股市处于熊市阶段。其实这种价值跟价格的偏离往往是很好的投资机会，因为价格回归价值的空间巨大。

估值需谨慎

在估算公司价值方面需要谨慎，只看财务数据往往还不够，还需要从其他角度去验证财务数据所反应出来的含义。