能看到对手的底牌，自然无往不胜。在证券投资领域，运用大数据进行投资者情绪量化挖掘，一旦模型成熟，就等于看到了市场的“底牌”。能看到对手的底牌，自然无往不胜。在证券投资领域，运用大数据进行投资者情绪量化挖掘，一旦模型成熟，就等于看到了市场的“底牌”。
公募基金与互联网公司的合作延伸到了指数投资领域。7月4日，南方基金表示与新浪财经联合推出“财经大数据策略指数”（下称“新浪-南方”指数）；7月8日，中证指数公司、百度和广发基金三方宣布推出“中证百度广发策略100指数”（下称“百度-广发”指数）。
在余额宝令天弘基金一举成为国内规模最大的基金公司后，公募基金再也不能无视互联网技术对本行业的冲击，开始积极谋变。
迄今，互联网对各传统产业的颠覆性影响已得到广泛认知。与一些业态被完全改写的行业相比，互联网对金融领域的冲击才刚刚开始——公募基金首当其冲；而在整个证券投资领域，互联网在资讯、研究、产品、销售等各方面，都在推动市场转型；甚至连银行这样的金融领域“巨无霸”都险些被余额宝撼动。
随着互联网金融方面的创新不断涌现，金融机构与互联网公司合作的深度、广度将极大拓展，创新能力将决定金融机构在未来行业中的竞争地位。
量化“投资者情绪”成创新热点
按照宣传，“新浪-南方”指数是“在南方基金量化投资研究平台的基础上，通过对新浪财经频道和微博财经大数据予以分析，找出股票热度预期、成长预期、估值提升预期的关系，构建策略因子，精选出具有超额收益预期的股票，编织成最终指数”；而“百度-广发”指数，是“以百度网页搜索和百度新闻搜索为基础的数据分析应用指标，可以反映不同关键词在过去一段时间的用户关注度和媒体关注度，也是利用互联网大数据挖掘投资者金融行为的工具。”两者皆指向互联网上投资者情绪的量化应用。
投资者情绪受到重视有内外两方面的因素：一方面，传统、教科书式的投资理论没有纳入对投资者非理性行为的分析，因此，对股价的解释力差强人意。这在过去数年A股市场表现得特别明显。股价很大程度上是被“事件——情绪”所驱动，A股投资者越来越意识到了非基本面的市场情绪因素的重要性，迫切需要对其进行分析。另一方面，互联网进入大数据时代，为投资者情绪的挖掘和量化准备了技术条件。
股市中有一个说法，叫做“唯一确定的事情就是不确定”。而股市之变幻莫测，外部事件冲击固然纷至沓来，但投资者对事件的理解和反应，其复杂性往往更胜一筹。面对类似事件，投资者反应甚至截然相反。其中一些财经政策和数据的发布，市场反应还可以用预期来说明；而更多事件的反应脱离了当时市场心理状态则完全无从解释。
例如，“上海自贸区”概念股走出了一波大幅上涨的行情，同为区域经济政策题材的“京津冀一体化”概念股却表现一般。再比如，近一年多来驱动军工股、信息安全概念股的热点事件不断，两类股票总体上也表现强势，但若试图将事件强度与股价表现做一一对应，则难免失望。从某种程度来说，投资者的反应比事件的发生更难预料。
简而言之，在事件和股价之间，并不必然存在按图索骥的对应关系，必须考虑到投资者情绪所带来市场反应的复杂性。按事件分类，少数事件重要到足以成为股价变化的充分条件，投资者情绪无法不被引爆，这就像是一个物理反应；而多数事件对股价的影响可看做一个化学反应，投资者情绪就是催化剂——情绪爆发就发生反应；没有情绪就悄无声息。
风险偏好频谱
从理性角度看，A股市场上存在着太多无厘头的“因果关系”。例如，文章出事，网民支持马伊，伊利股份（600887.SH）上涨；奥巴马两次当选美国总统，澳柯玛（600336.SH）均涨停；钓鱼岛局势紧张，名字中带“日”的股票下跌；李某某出事，ST天一（000908.SZ）跌停……上述现象用一种极端方式凸显了投资者情绪对股价的影响力，而与基本面完全无关。
市场情绪其来有自，所谓“投机如山岳般古老”，揭示的是人性不变。市场情绪来自于人性，很多投资者不完全由意识层面的理性做主，来进行分析判断和选择，而是屈从于潜意识的驱使，潜意识起作用的表现是激素水平激增，导致放纵情绪、任性而为。
很多投资者在买卖股票时，自认为有着合乎理性的诉求，例如，财务需要；以及恰当的操作理由，例如，基本面、政策、消息等。但真正的推动力来自潜意识层面，是激素水平的作用。其行为于是背离了财务需要的初衷，表现出赌徒心理或娱乐心理（寻找刺激）。这种非理性情绪时刻在寻找宣泄突破口，借助某个事件，再凭借意识层面的借口（比如以往经验），走向非理性操作。绝大多数投资者没有意识到上述情况，或者意识到了却无法自控，在股市中成为自身情绪的俘虏，即使建立了交易系统也难以执行。
A股基本盈利模式主要是做多，个股做空实现难度大，所以投资者情绪的宣泄在买股票方面体现得更加淋漓尽致，各种炒作类型应有尽有。在真实的A股市场中，恪守基本分析原则的理性投资者固然是极少数；看见奥巴马当选就去买澳柯玛的也并不多。如果建立一个A股投资者风格的频谱，那么按照“炒名字”、“炒代码”、“炒题材”、“炒概念”、“炒地图”、“炒行业”、“炒业绩”的次序，风格由完全的非理性而渐入理性。
而在总体上，市场风格也在理性和情绪之间摇摆。价值投资占主流的2002年-2007年，投机炒作依然不断；而在投机气氛甚嚣尘上的近两年，事件和股价的因果关系上也非全无逻辑。
只不过由于近两年极端投机行为屡屡得逞，市场情绪愈发肆无忌惮、不顾逻辑。相对应的是，投资者对于情绪的重要性也愈发重视。
尤其是市场短期内大幅波动、而基本面并没有巨变时，情绪影响显然是更好的解释。诺贝尔经济学奖得主罗伯特·希勒对1987年10月19日美股大暴跌的问卷调查中问到“哪一个理论更能描述你对股市的看法：关于投资者心理的理论，还是关于基本面的理论（例如企业利润和利率影响股价）？”调查样本中67.5%的机构投资者和64%的个人投资者选择了投资者心理理论。
不过，以时间为轴，假如A股出现风格转变迹象，则风格频谱也将发生相应改变。
把时间拉得更长，不同时代投资者身上也可以看到巨大的风险偏好差异。
1949年后，中国第二次人口高峰出现在1962年-1976年，2007年大牛市出现之际，这批人是购买股票和基金的主力军。大致上说他们的成长期，无论中国经济还是个人际遇，总体上处于上升。这难免助长个人盲目自信和过分乐观，这也是2007年A股达到惊人估值的因素之一。
其中很多投资者其实是抱着娱乐态度在炒股，表面上是为了财务原因，但实际上是在寻求刺激。他们所生活的时代娱乐还远没有产业化和专业化，股市涨跌带来的刺激还相当有吸引力。
80后、90后就完全不同了，他们拥有丰富、较高质量的娱乐服务，根本没必要在股市中“找乐子”，因此，对股票投资的诉求更多基于财务上的需求。当股票不能提供年化的稳定收益时，干脆去买余额宝。
虽然80后、90后的绝对生活水平肯定高于前一代人，但由于连续遭遇了升学、就业、买方等方面的激烈竞争，因为对世界的相对感受不如前一代人乐观，所以对待投资将会更理性一些。
也就是说，若对未来A股投资者风险偏好变化做预测，较大可能是情绪化和风险偏好的降低。这也被很多成熟市场已走过的历程所验证。
情绪化炒作
投资者情绪不但在“马伊”、“奥巴马”这样的人名炒作中发挥着作用，也从根本上影响着市场结构。
首先，从现象来看，股市中或多或少存在着索罗斯所称的“主流偏向”，即有别于事实的投资者带有倾向性的认知。假如投资者整体上表现理性，就可以自行纠偏，使得股价不至于过分偏离基本面。可事实上，由于情绪（比如贪婪和恐惧）的作用，投资者不但未能纠偏，反而任由“主流偏向”越走越远，严重地偏离了基本面，形成股价泡沫。可以说，在各类资产泡沫中，市场情绪有着比基本面更强的影响。而且不乏推波助澜的“主动投机者”，即看到了市场情绪可以利用，于是制造舆论、影响情绪、操纵股价，从中牟利。
其次，在上述现象中，投资者之所以无法冷静面对市场波动，能力不足是根本。主观上懒惰是能力没有得到提高的重要因素，而懒惰也是一种任性而为的情绪化表现。对于多数投资者来说，由于驱动买股票的是激素水平，根本没耐心、没能力做出基本面的研究和判断，只能随着情绪妄动，追逐短线强势股。能力需要培养，“低能力”之下的冒险操作，与缺乏培养能力的主动意识和意志力，二者都是懒惰的任性之举，并有可能形成恶性循环——越缺乏能力就越情绪化，以及越情绪化就越无法提高能力。
最后，造成上述现象的，除了懒惰的主观因素外，信息爆炸的冲击也不可小视。面临各种观念和海量资讯冲击时，如果认知体系没办法将所有这些信息包容消化，就必须采取一些自我保护措施，将绝大部分信息屏蔽在外，以免认知系统陷入矛盾和混乱。这是一般人的正常反应。但这样一来，就不可能保留较高的开放性，而错失了学习知识、整合信息、提高综合判断能力的机会。
可以说，人的记忆力、注意力，乃至心智模式的有限性，是提高能力的根本性客观约束，如果再与主观上的懒惰叠加，走向情绪化操作不可避免。在此情况下，当投资者产生买股票的需求时，就只能在有限认知和无意识选择性接受的信息中寻找目标。此时起作用的信息，一定简单、易得、易懂，股票名字的炒作就是一个例子。
综上，情绪驱动下的操作必然与简化粗陋的认知判断相伴，导致投机盛行。炒人名是情绪化炒作的极致。
投资者情绪研究
传统投资理论精确化的数学模型是建立在“理性人假设”基础上；而在真实的投资行为中，潜意识层面难以自控的情绪驱动，是很多买卖操作的深层原因，是根深蒂固内在人性的外在表现。由是，如何将“非理性主导”的“行为金融学”作为起点，对投资者情绪进行量化分析、建立模型、挖掘商业价值，成为迫切任务。
以往投资者对市场情绪影响的重要性也有定性认识，并且发展出一些草根调研式的调查方法，例如，在营业部数人头等。此外，也发掘出了一些相对专业的投资者情绪研究方法，却各有缺陷。一是对特定对象的问卷调查，调查对象包括媒体、机构投资者、个人投资者（以及上述的综合），样本多在几百个上下。存在的问题除了样本太小，还有受调查者是否诚实作答，以及知行是否一致等。
二是通过“交易类型指数”和“衍生品交易指数”来分析，例如，保证金借款变化(Change in Margin Borrowing)、未补抛空差额变化(Change in Short Interest)、认沽认购比率( PU T/ CALL)、期望与当前波动率比(VOL)等。从逻辑关系上看，这是一个“结果指数”，是用交易后的数据来预测未来，与大数据技术可能实现的前瞻性研究不同。此外，这也取决于金融市场衍生品发达的程度，这样才能从“做空”、“加杠杆”等操作行为中提炼数据。
三是市场价格所反映的“隐形投资者情绪”，例如，封闭式基金折价率、IPO上市首日收益率等。这受到特定因素的影响较大，比如封闭式基金折价率可能与封闭式基金的投资者结构有关，中国的新股不败神话让IPO上市首日收益率也没有那么大的差异。
总之，固有的分析方法受到技术条件限制，无法对投资者情绪进行高质量的研究。而大数据时代这个局面有望打破，近年来国外一系列相关应用多取得了很好的预测效果，例如，2012年美国总统大选、Facebook上市首日表现等。
构建前瞻指标
与既往的投资者情绪研究方法相比，大数据预测在表征上有着采样数据庞大、样本多维等差别。更根本的，是大数据预测在逻辑上确实有可能找到前瞻指标。
2012年5月18日，Facebook（NASDQ：FB）上市，社交媒体监测平台DataSift监测了当天Twitter上的情绪倾向与Facebook股价波动的关联：在Facebook开盘前，Twitter上的情绪逐渐转向负面，25分钟之后，Facebook股价便开始下跌；而当Twitter上的情绪转向正面，Facebook股价在8分钟之后也开始了回弹；接近收盘时Twitter上的情绪再度转向负面，10分钟后Facebook的股价又开始下跌。该机构得出结论：Twitter上每一次情绪的转向都会影响Facebook股价的波动。
过去的投资者情绪研究和一些股市技术分析（例如波浪理论）事后解释有一定作用，却很难在逻辑上被证明是前瞻指标。而大数据技术，通过采集投资者在互联网上留下的痕迹，按照“情绪表达——买卖操作——股价变化”的逻辑顺序，将投资者情绪量化，从而完成对股价的预测。
如前文所述，激素驱动、难以自知和自制的情绪，深深埋藏于基因中，是根深蒂固的人性表现。因此，投资者情绪逻辑上有成为股价的前瞻指标。
不但投资者情绪的量化有一定内在逻辑性，在大数据应用的其他领域，同样有着较直接的因果关系。
例如，淘宝上的不同类别商品的询价行为，按照一定转化率，准确地导向购买行为。询盘数在逻辑上和事实上是购买数的前瞻指标。
马云曾表示其提前8-9个月预测到了金融危机。海关要实际出货后才能获得数据，而阿里提前半年从询盘数急剧下滑推断出世界贸易情况将变盘。这才有了2008年7月马云给阿里员工的公开信，预言“冬天来了”。
最近一年备受关注的打击基金老鼠仓，同样是证监会、交易所通过数据挖掘来发现的异常操作。在缺乏其他手段和证据的情况下，仅凭借大数据和基本的逻辑推断，就挖出了不少老鼠仓。
看到市场的“底牌”
当然，上述前瞻指标特征是从总体来说的。对个人而言，不但理性投资者（能够控制情绪）不属于这个研究范畴，就是不用互联网发言的人（有情绪但不在网上表达）也没法研究。好在大数据之“大”，就在于挖掘能力不一般，例如Datasift每秒可实时挖掘12万条Twitter内容，足以找到所需的样本数量。
还有，以往的量化投资方法在因果关系上也缺乏明显的逻辑性，特别是仅以交易数据进行的挖掘，当市场结构发生转变，参数只能是后知后觉地跟随调整。
运用大数据进行的投资者情绪量化挖掘，因果关系清楚，一旦模型成熟，就等于看到了市场的“底牌”。
如果说以往的量化投资是金融学和数学的结合，那么通过大数据，新的量化投资可以实现金融、数学、心理学的跨学科应用。
大数据甚至可能对社会学研究构成颠覆。哲学家卡尔.波普尔曾经指出，与自然科学不同，社会学不能称之为一门科学，自然科学的研究方法也不能用于社会学。原因之一，是人的行为会影响社会演进的结果，当人的行为不可预测时，社会演进的结果也不可预测。
但是，就像一些科幻电影所表现的那样，当机器足够强大时，通过人群生活痕迹的高度互联网化，机器预测人群的整体行为特征和影响就成为可能。这甚至会颠覆社会学研究的某些既有观念。
如何量化投资者情绪
大数据有各种定义，研究机构Gartner Group给出的定义是：大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
要具备发现规律和预测未来的核心能力，大数据要具备四个典型的特征：1.数据量巨大；2.数据类型多样；3.数据中富含价值；4.在尽可能短的时间内发掘出价值。
大量、多维、价值、高速同样是对投资者情绪挖掘和量化所需数据的要求。所以投资者情绪量化的第一步是拥有满足上述要求的数据资源。
第二步，通过对互联网上文本、图片、色彩等非结构化数据进行赋值定义，来完成数据结构化。目前相关技术模块日趋成熟，与其他行业相结合的应用已有若干案例。对于投资者情绪研究来说，只需要将与金融投资有关的特定语义与其他行业的语义加以区分，对互联网上的有效文本信息按照“悲观——乐观”的维度给予“1-10”的赋值，变为可计算数据。同样，也可以从别的情绪维度来研究。
第三步是用传统量化方法建模，先达到对过去股价能够事后解释的效果，再看未来实践中是否具有真实的预测能力。这个过程中需要不断调整模型。
两个指数的异同
以上述数据标准和研究过程来看“百度-广发”和“新浪-南方”两个指数，两者有较多的相似性。
首先，从数据质量来看，大量、高速毫无疑问；国内最大搜索引擎的网页搜索和新闻搜索，以及微博数据也肯定能保证数据价值；唯一的缺憾是数据维度单薄，“百度-广发”指数的数据仅来自百度，“新浪-南方”指数的数据仅来自新浪。这可以理解——两家都希望实现闭环应用，而无需借助自身之外的数据资源。但缺乏多维数据计算结果的互相印证，无论如何是一个遗憾，这将对研究结果的有效性造成损害。
其次，在建模方面，两个指数抛弃了过去单纯用市值、成交量、财务指标等基本面和交易数据做因子进行选股的思路。
据媒体报道，中证指数研究公司开发部总监宋红雨透露，“百度-广发”指数在选取样本的时候综合考虑了多种指标，基本上可以分为财务因子（基本面因子）、动量因子（交易数据因子）和金融大数据因子。在因子分析框架下，将金融大数据信息与股票信息进行综合测度，采用量化算法构造基于百度互联网金融大数据的综合情绪模型（BF Sentiment Model）进行指数选样。其中的金融大数据因子来自百度，即“分别计算每一只股票最近一个月内在百度金融大数据里所体现出来的搜索增量或者搜索的总量。”
“新浪-南方”指数主要是将基金公司股票研究优势与互联网“大数据”结合，在南方基金量化投资研究平台的基础上，通过对新浪财经频道和微博“财经大数据”予以分析，找出股票热度预期（大数据因子）、成长预期（基本面因子）、估值提升预期的关系，构建策略因子，精选出具有超额收益预期的股票，编织成最终指数。其中的股票热度因子来自新浪，成长因子和估值提升因子来自南方基金。
由此可见，两个指数都是将大数据因子纳入金融机构原有的量化模型中，作为新的重要因子加以考虑。其逻辑是投资者情绪只是影响股价的部分因素。
作为专业投资机构，基金当然不会完全抛弃传统因子，不过大数据因子与基本面因子和交易数据因子也不乏重叠之处，例如投资者情绪很可能也反映了一部分对基本面的预期。随着互联网公司在金融领域专业化程度的加深，未来不排除大数据因子和传统因子地位互换的可能，甚至出现纯粹大数据因子的量化模型。
最后，两个指数的既往业绩都不错，具有较好的事后解释能力。模拟数据显示，“百度-广发”指数自2009年以来年化收益为40.9%，远高于同期沪深300以及中证全指；据媒体报道，南方基金内部人士称，“做了相关数据的回溯测算，收益率和广发的不相上下。”
两个指数的差别在于，合作中互联网公司和公募基金的地位不同。在“新浪-南方”项目中，互联网公司方面参与进来的只是一个财经频道，因此在模型构建上是以南方基金为主导，宣传中也一再突出了南方量化平台的重要性。相比之下，百度作为“BAT”巨头之一，在合作中明显强势。至于上述差别对两者收益率方面的影响，目前还无从判断。
量化“投资者情绪”产业链
大数据技术投入实际运用的时间还不长，在国内的相关行业应用更少。尽管有各种尝试，但该项技术与传统行业融合仍需要一定过程。
以投资者情绪的量化为例，如前文所述，一旦模型构建成功，等于是看到了市场的底牌。如此巨大的利益必将驱使众多互联网公司和金融机构进行相关项目的开发；同样是巨大利益，决定了这项研究的艰巨，没那么容易翻开市场的底牌。
投资者情绪量化需要实现金融学、心理学、数学的跨学科研究应用，而且产业链很长，这就决定了其收入模式的多元化和阶段化，阶段化是指在不同研究阶段和市场阶段，取得收入的侧重点不一样。
如果把组建对冲基金作为投资者情绪量化的终极目标，那么在整个产业链上，也有着若干阶段性目标。
首先，大数据是在互联网时代应运而生。中国80后-90后的新一代股民同时也是网民，他们的行为习惯都互联网化。对于老股民（60后-70后）来说，当他们情绪化时，买股票的根本原因是激素驱动，但仍有着意识层面的“借口”，比如看K线、技术指标、听消息、跟随股神等等。新一代股民在情绪化上没有根本不同，但他们意识层面的买股票理由一定会更新。从认知来看，互联网技术以及互联网塑造的神话，才更能契合他们的思维模式。因此，大数据技术所产生的投资预测，即使不够准确，也很能吸引新一代股民的眼球。从而使得投资者情绪量化的初级产品可以提供互联网平台上大众化的免费服务，例如点击个股，可以看到简单化的“个股情绪指数”为平台贡献流量。
其次，金融机构看到新一代股民的明显特质后，必然促使其服务和技术更加互联网化，以适应客户的习惯，快速开户、极速交易等固然可以提升用户体验，但咨询、投资建议等相对专业化领域更有必要互联网化。而这些领域很难进行形式上的触网，以互联网技术重新搭建研究咨询和经纪业务体系才是出路。所以，当投资者情绪的量化模型达到一定水平后，就将成为经纪业务和投资咨询的重要卖点。
第三，接下来顺理成章的，更好的研究成果，包含预测结果和基本分析框架，可以成为独立的卖方研究报告、或者作为策略报告的重要组成部分。
第四，金融机构可以根据研究模型发行产品，比如“百度-广发”和“新浪-南方”两个指数可以发行公募产品，至于收益率是否能验证其对投资者情绪的量化研究已经达到了很高水平，目前还不得而知。
第五，作为单独或者附加的价值，从大数据中发现不同偏好的投资人群，可以提供数据给第三方机构，供后者进行针对性极强的个性化营销之用。
第六，通过建立投资者应用平台，实现数据闭环，构建应用模型的独特和不可替代性。
最后，成立对冲基金。一旦技术成熟到这一步，机器通杀机构和散户的时代将会到来。
概念先行效果难料
基于产业链长、研究型开发耗时旷日持久等理由，进行投资者情绪量化的机构不必要求技术完美后再进行商业应用，而应该边研究边应用。
众多机构显然看到了这项研究的颠覆性和巨大商业价值，纷纷投身其中。
2014年4月1日，雪球发布“情绪宝”，称“当某只股票首次进入雪球热股榜后，它的股价在短期内会出现剧烈震荡。统计数据显示，买入2013年81只首次进入雪球热股榜的A股股票，统一两周后卖出，最后平均收益率达到惊人的7%”。将由此构建“情绪宝”股票组合。
事后得知，“情绪宝”是一个愚人节玩笑。但在当时，很多投资者都信以为真，因为这在逻辑上是成立的。直至三个月后，还有人跟帖要“预约购买”。而雪球受到的最主要质疑，也是认为其百万级的数据不足以完成高质量的量化研究。
借助“情绪宝”这个“探空气球”，雪球赚到了眼球，探明了投资者对此类产品的兴趣高低。两个月后，招商证券就推出了研究报告《基于雪球情绪指标的择时模型》。三个多月后，“百度-广发”和“新浪-南方”两个指数发布。
以互联网思维来看，虽然关于投资者情绪的研究还远未成熟，但先占据这一概念，边研究边应用，是“磨刀不误砍柴工”的有效策略。至于实现最终的完美模型确实困难不小。
首先，尽管有金融人才、大数据人才的鼎力合作，但要在纷繁复杂的互联网文本中发掘出有效信息，将是一项艰巨的工作。而且需要理论研究的相应推进，才能避免重复挖掘。
其次，即使找到了效果较好的模型，使用者仍处于“知其然不知其所以然”的状态，要把握模型的原理，还需要整合心理学资源，从行为金融学的视角，对投资者情绪与相应行为之间的联系进行解码，这其中又有天量的工作要完成。
第三，投资者情绪的量化模型反映了人性的因素，其参数稳定性要好于基本面数据和交易数据构建的模型。但时代变迁、市场结构转化依然会影响到模型的效果，所以要将对市场结构的变化也纳入到大数据量化的研究中，以做出预判。
最后，投资者情绪再重要，也不能完全解释股价走势，大数据因子与基本面因子、交易因子在不同市场结构下的比重如何调整也是一个课题。
机构各取所需
不同类型的机构，在投资者情绪量化的研究和实践中，其侧重点与所得不同。
互联网公司的长项是占有数据和流量资源、对用户体验的敏感和对创新的渴望，短板是金融业务方面专业性不足。用大数据实现对“投资者情绪”的量化，可以让互联网公司强势切入金融市场中高端的投资和研究领域，全面颠覆原有的投资研究模式。并且最大限度地贴近其用户（新一代股民也是网民），反映他们与上一代截然不同的思维模式和选择标准。技术驱动的产品和服务手段对互联网公司来说没有接受上的障碍，其创新冲动和占有“大数据”、“投资者情绪”两项心智资源的前景，比较容易促成互联网公司对研究的投入。
国内券商目前的品牌只是规模品牌，缺乏差异化的定位。从低端的经纪业务到高端的卖方研究，区别度都不大。一旦有券商能够转型为“大数据驱动的创新型投资、研究和服务”机构，将成就其独特定位和杀手锏，在全方位的业务（特别是经纪业务和卖方研究）竞争中占据主动。
股票型基金的投资能力是公募基金立足的核心能力。2007年以来，公募基金的整体股票投资能力并不出色，难以支持基金的持续销售。通过与互联网公司的合作，将“投资者情绪”量化的研究成果投入实践，有可能找到股票型基金销售的突破口。一直以来，相比择股，公募基金的择时能力较差。而且从基本面出发，也难以为择时行为找到理论依据。而“投资者情绪”量化的成果，将为公募基金提供择时的理论依据和现实帮助。
对于软件公司、第三方机构等服务商来说，可以将大数据转化为优势服务产品，在行业中脱颖而出。
从所需资源来看，数据是进行“投资者情绪”研究的首要、决定性的资
源。因此，目前的相关研究应用都离不开互联网公司的参与，例如雪球、新浪、百度。金融、技术、数学、心理学人才是不同研究阶段所需的次要配置资源。
颠覆近在眼前
据媒体报道，在北京召开的“大数据背景下的计算机和经济发展高层论坛”上，中国工程院院士李国杰表示：“生物信息学、脑科学、空间科学等基础研究早就采用以PB级计的大数据，却没能引发大数据浪潮。大数据如今引起各方重视，主要还是因为它蕴藏着巨大的经济价值。”
目前看来，大数据技术应用极有可能在金融投资领域引爆，金融很有可能成为继电商之后又一个互联网应用的热点领域。原因一是金融业商业价值体量巨大，互联网公司虎视眈眈；二是金融行业的互联网化程度还远远不够，可以挖掘的潜在应用领域众多。微博客 @陈如是说写道：“互联网这一教门，正从自然、多神崇拜的初级阶段向一神崇拜的高级阶段演化。从目前的斗争情况看，金融神成为主神的机会最大。”
对于互联网公司来说，此前的“余额宝阶段”只是互联网金融试水，是简单将金融业务进行物理嫁接，互联网仅仅作为渠道，并没有对金融机构的专业地位造成冲击。“宝宝”们的生存有赖于中国金融体系漏洞的存在，一旦金融监管篱笆扎紧、金融机构积极应变，“美国版余额宝”Paypal的前车之鉴未必不会重演。
互联网公司要想在金融领域具备核心竞争力，就要从渠道迈向更高端的专业化部门。以大数据技术直接切入金融机构垄断的投资研究业务，是互联网公司迅速提升专业化能力以及在金融领域扩张的捷径。
另一方面，在互联网金融新一波浪潮中，金融机构若不能立足于自身专业化的强项，而只是跟随互联网公司的布局而动，则只能充当配角，渐渐失去主动，甚至被互联网公司吞噬。私募基金经理、微博客@神农陈宇写道：“我们必须把神农投资搬到海淀区去。我们要到创业者中间去，并且离金融街那些炒股票的远点。我们要和更多将改变中国的年轻人站在一起。”
如果说金融中的银行业因为重要性和所有制因素还难以在短期内被互联网根本改变，那么，互联网对于投资领域的颠覆已经近在眼前。中国股市的一个特点，是用20年时间走过了美国股市百年所走的道路，当A股投资者还在津津乐道于巴菲特（代表个人资产管理最高水平）、彼得·林奇（代表公募基金最高水平）时，索罗斯（代表对冲基金最高水平）、西蒙斯（代表量化投资最高水平）的模仿者也将在A股出现。
互联网颠覆投资，投资互联网化。
一场投资领域的革命开始了。
