大数据投资效益估算
1. 如何用大数据炒股
我们如今生活在一个数据爆炸的世界里。网络每天响应超过60亿次的搜索请求，日处理数据超过100PB，相当于6000多座中国国家图书馆的书籍信息量总和。新浪微博每天都会发布上亿条微博。在荒无人烟的郊外，暗藏着无数大公司的信息存储中心，24小时夜以继日地运转着。
克托·迈尔-舍恩伯格在《大数据时代》一书中认为，大数据的核心就是预测，即只要数据丰富到一定程度，就可预测事情发生的可能性。例如，“从一个人乱穿马路时行进的轨迹和速度来看他能及时穿过马路的可能性”，或者通过一个人穿过马路的速度，预测车子何时应该减速从而让他及时穿过马路。
那么，如果把这种预测能力应用在股票投资上，又会如何？
目前，美国已经有许多对冲基金采用大数据技术进行投资，并且收获甚丰。中国的中证广发网络百发100指数基金（下称百发100），上线四个多月以来已上涨68%。
和传统量化投资类似，大数据投资也是依靠模型，但模型里的数据变量几何倍地增加了，在原有的金融结构化数据基础上，增加了社交言论、地理信息、卫星监测等非结构化数据，并且将这些非结构化数据进行量化，从而让模型可以吸收。
由于大数据模型对成本要求极高，业内人士认为，大数据将成为共享平台化的服务，数据和技术相当于食材和锅，基金经理和分析师可以通过平台制作自己的策略。
量化非结构数据
不要小看大数据的本领，正是这项刚刚兴起的技术已经创造了无数“未卜先知”的奇迹。
2014年，网络用大数据技术预测命中了全国18卷中12卷高考作文题目，被网友称为“神预测”。网络公司人士表示，在这个大数据池中，包含互联网积累的用户数据、历年的命题数据以及教育机构对出题方向作出的判断。
在2014年巴西世界杯比赛中，Google亦通过大数据技术成功预测了16强和8强名单。
从当年英格兰报社的信鸽、费城股票交易所的信号灯到报纸电话，再到如今的互联网、云计算、大数据，前沿技术迅速在投资领域落地。在股票策略中，大数据日益崭露头角。
做股票投资策略，需要的大数据可以分为结构化数据和非结构化数据。结构化数据，简单说就是“一堆数字”，通常包括传统量化分析中常用的CPI、PMI、市值、交易量等专业信息；非结构化数据就是社交文字、地理位置、用户行为等“还没有进行量化的信息”。
量化非结构化就是用深度模型替代简单线性模型的过程，其中所涉及的技术包括自然语言处理、语音识别、图像识别等。
金融大数据平台-通联数据CEO王政表示，通联数据采用的非结构化数据可以分为三类：第一类和人相关，包括社交言论、消费、去过的地点等；第二类与物相关，如通过正在行驶的船只和货车判断物联网情况；第三类则是卫星监测的环境信息，包括汽车流、港口装载量、新的建筑开工等情况。
卫星监测信息在美国已被投入使用，2014年Google斥资5亿美元收购了卫星公司Skybox，从而可以获得实施卫星监测信息。
结构化和非结构化数据也常常相互转化。“结构化和非结构化数据可以形象理解成把所有数据装在一个篮子里，根据应用策略不同相互转化。例如，在搜索频率调查中，用户搜索就是结构化数据；在金融策略分析中，用户搜索就是非结构化数据。”网络公司人士表示。
华尔街拿着丰厚薪水的分析师们还不知道，自己的雇主已经将大量资本投向了取代自己的机器。
2014年11月23日，高盛向Kensho公司投资1500万美元，以支持该公司的大数据平台建设。该平台很像iPhone里的Siri，可以快速整合海量数据进行分析，并且回答投资者提出的各种金融问题，例如“下月有飓风，将对美国建材板块造成什么影响？”
在Kensho处理的信息中，有80%是“非结构化”数据，例如政策文件、自然事件、地理环境、科技创新等。这类信息通常是电脑和模型难以消化的。因此，Kensho的CEO Daniel Nadler认为，华尔街过去是基于20%的信息做出100%的决策。
既然说到高盛，顺便提一下，这家华尔街老牌投行如今对大数据可谓青睐有加。除了Kensho，高盛还和Fortress信贷集团在两年前投资了8000万美元给小额融资平台On Deck Capital。这家公司的核心竞争力也是大数据，它利用大数据对中小企业进行分析，从而选出值得投资的企业并以很快的速度为之提供短期贷款。
捕捉市场情绪
上述诸多非结构化数据，归根结底是为了获得一个信息：市场情绪。
在采访中，2013年诺贝尔经济学奖得主罗伯特•席勒的观点被无数采访对象引述。可以说，大数据策略投资的创业者们无一不是席勒的信奉者。
席勒于上世纪80年代设计的投资模型至今仍被业内称道。在他的模型中，主要参考三个变量：投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应（市场情绪）。他认为，市场本身带有主观判断因素，投资者情绪会影响投资行为，而投资行为直接影响资产价格。
然而，在大数据技术诞生之前，市场情绪始终无法进行量化。
回顾人类股票投资发展史，其实就是将影响股价的因子不断量化的过程。
上世纪70年代以前，股票投资是一种定性的分析，没有数据应用，而是一门主观的艺术。随着电脑的普及，很多人开始研究驱动股价变化的规律，把传统基本面研究方法用模型代替，市盈率、市净率的概念诞生，量化投资由此兴起。
量化投资技术的兴起也带动了一批华尔街大鳄的诞生。例如，巴克莱全球投资者（BGI）在上世纪70年代就以其超越同行的电脑模型成为全球最大的基金管理公司；进入80年代，另一家基金公司文艺复兴（Renaissance）年均回报率在扣除管理费和投资收益分成等费用后仍高达34%，堪称当时最佳的对冲基金，之后十多年该基金资产亦十分稳定。
“从主观判断到量化投资，是从艺术转为科学的过程。”王政表示，上世纪70年代以前一个基本面研究员只能关注20只到50只股票，覆盖面很有限。有了量化模型就可以覆盖所有股票，这就是一个大的飞跃。此外，随着计算机处理能力的发展，信息的用量也有一个飞跃变化。过去看三个指标就够了，现在看的指标越来越多，做出的预测越来越准确。
随着21世纪的到来，量化投资又遇到了新的瓶颈，就是同质化竞争。各家机构的量化模型越来越趋同，导致投资结果同涨同跌。“能否在看到报表数据之前，用更大的数据寻找规律？”这是大数据策略创业者们试图解决的问题。
于是，量化投资的多米诺骨牌终于触碰到了席勒理论的第三层变量——市场情绪。
计算机通过分析新闻、研究报告、社交信息、搜索行为等，借助自然语言处理方法，提取有用的信息；而借助机器学习智能分析，过去量化投资只能覆盖几十个策略，大数据投资则可以覆盖成千上万个策略。
基于互联网搜索数据和社交行为的经济预测研究，已逐渐成为一个新的学术热点，并在经济、社会以及健康等领域的研究中取得了一定成果。在资本市场应用上，研究发现搜索数据可有效预测未来股市活跃度（以交易量指标衡量）及股价走势的变化。
海外就有学术研究指出，公司的名称或者相关关键词的搜索量，与该公司的股票交易量正相关。德国科学家Tobias Preis就进行了如此研究：Tobias利用谷歌搜索引擎和谷歌趋势（Google Trends），以美国标普500指数的500只股票为其样本，以2004年至2010年为观察区间，发现谷歌趋势数据的公司名称搜索量和对应股票的交易量，在每周一次的时间尺度上有高度关联性。也就是说，当某个公司名称在谷歌的搜索量活动增加时，无论股票的价格是上涨或者下跌，股票成交量与搜索量增加；反之亦然，搜索量下降，股票成交量下降。以标普500指数的样本股为基础，依据上述策略构建的模拟投资组合在六年的时间内获得了高达329%的累计收益。
在美国市场上，还有多家私募对冲基金利用Twitter和Facebook的社交数据作为反映投资者情绪和市场趋势的因子，构建对冲投资策略。利用互联网大数据进行投资策略和工具的开发已经成为世界金融投资领域的新热点。
保罗·霍丁管理的对冲基金Derwent成立于2011年5月，注册在开曼群岛，初始规模约为4000万美元， 2013年投资收益高达23.77%。该基金的投资标的包括流动性较好的股票及股票指数产品。
通联数据董事长肖风在《投资革命》中写道，Derwent的投资策略是通过实时跟踪Twitter用户的情绪，以此感知市场参与者的“贪婪与恐惧”，从而判断市场涨跌来获利。
在Derwent的网页上可以看到这样一句话：“用实时的社交媒体解码暗藏的交易机会。”保罗·霍丁在基金宣传册中表示：“多年以来，投资者已经普遍接受一种观点，即恐惧和贪婪是金融市场的驱动力。但是以前人们没有技术或数据来对人类情感进行量化。这是第四维。Derwent就是要通过即时关注Twitter中的公众情绪，指导投资。”
另一家位于美国加州的对冲基金MarketPsych与汤普森·路透合作提供了分布在119个国家不低于18864项独立指数，比如每分钟更新的心情状态（包括乐观、忧郁、快乐、害怕、生气，甚至还包括创新、诉讼及冲突情况等），而这些指数都是通过分析Twitter的数据文本，作为股市投资的信号。
此类基金还在不断涌现。金融危机后，几个台湾年轻人在波士顿组建了一家名为FlyBerry的对冲基金，口号是“Modeling the World（把世界建模）”。它的投资理念全部依托大数据技术，通过监测市场舆论和行为，对投资做出秒速判断。
关于社交媒体信息的量化应用，在股票投资之外的领域也很常见：Twitter自己也十分注重信息的开发挖掘，它与DataSift和Gnip两家公司达成了一项出售数据访问权限的协议，销售人们的想法、情绪和沟通数据，从而作为顾客的反馈意见汇总后对商业营销活动的效果进行判断。从事类似工作的公司还有DMetics，它通过对人们的购物行为进行分析，寻找影响消费者最终选择的细微原因。
回到股票世界，利用社交媒体信息做投资的公司还有StockTwits。打开这家网站，首先映入眼帘的宣传语是“看看投资者和交易员此刻正如何讨论你的股票”。正如其名，这家网站相当于“股票界的Twitter”，主要面向分析师、媒体和投资者。它通过机器和人工相结合的手段，将关于股票和市场的信息整理为140字以内的短消息供用户参考。
此外，StockTwits还整合了社交功能，并作为插件可以嵌入Twitter、Facebook和LinkedIn等主要社交平台，让人们可以轻易分享投资信息。
另一家公司Market Prophit也很有趣。这家网站的宣传语是“从社交媒体噪音中提炼市场信号”。和StockTwits相比，Market Prophit更加注重大数据的应用。它采用了先进的语义分析法，可以将Twitter里的金融对话量化为“-1（极度看空）”到“1（极度看多）”之间的投资建议。网站还根据语义量化，每天公布前十名和后十名的股票热度榜单。网站还设计了“热度地图”功能，根据投资者情绪和意见，按照不同板块，将板块内的个股按照颜色深浅进行标注，谁涨谁跌一目了然。
中国原创大数据指数
尽管大数据策略投资在美国貌似炙手可热，但事实上，其应用尚仅限于中小型对冲基金和创业平台公司。大数据策略投资第一次被大规模应用，应归于中国的百发100。
网络金融中心相关负责人表示，与欧美等成熟资本市场主要由理性机构投资者构成相比，东亚尤其是中国的股票类证券投资市场仍以散户为主，因此市场受投资者情绪和宏观政策性因素影响很大。而个人投资者行为可以更多地反映在互联网用户行为大数据上，从而为有效地预测市场情绪和趋势提供了可能。这也就是中国国内公募基金在应用互联网大数据投资方面比海外市场并不落后、甚至领先的原因。
百发100指数由网络、中证指数公司、广发基金联合研发推出，于2014年7月8日正式对市场发布，实盘运行以来一路上涨，涨幅超过60%。跟踪该指数的指数基金规模上限为30亿份，2014年9月17日正式获批，10月20日发行时一度创下26小时疯卖18亿份的“神话”。
外界都知道百发100是依托大数据的指数基金，但其背后的细节鲜为人知。
百发100数据层面的分析分为两个层面，即数据工厂的数据归集和数据处理系统的数据分析。其中数据工厂负责大数据的收集分析，例如将来源于互联网的非结构化数据进行指标化、产品化等数据量化过程；数据处理系统，可以在数据工厂递交的大数据中寻找相互统计关联，提取有效信息，最终应用于策略投资。
“其实百发100是在传统量化投资技术上融合了基于互联网大数据的市场走势和投资情绪判断。”业内人士概括道。
和传统量化投资类似，百发100对样本股的甄选要考虑财务因子、基本面因子和动量因子，包括净资产收益率（ROE）、资产收益率（ROA）、每股收益增长率（EPS）、流动负债比率、企业价值倍数（EV/EBITDA）、净利润同比增长率、股权集中度、自由流通市值以及最近一个月的个股价格收益率和波动率等。
此外，市场走势和投资情绪是在传统量化策略基础上的创新产物，也是百发100的核心竞争力。接近网络的人士称，市场情绪因子对百发100基金起决定性作用。
网络金融中心相关负责人是罗伯特•席勒观点的支持者。他认为，投资者行为和情绪对资产价格、市场走势有着巨大的影响。因此“通过互联网用户行为大数据反映的投资市场情绪、宏观经济预期和走势，成为百发100指数模型引入大数据因子的重点”。
传统量化投资主要着眼点在于对专业化金融市场基本面和交易数据的应用。但在网络金融中心相关业务负责人看来，无论是来源于专业金融市场的结构化数据，还是来源于互联网的非结构化数据，都是可以利用的数据资源。因此，前文所述的市场情绪数据，包括来源于互联网的用户行为、搜索量、市场舆情、宏观基本面预期等等，都被网络“变废为宝”，从而通过互联网找到投资者参与特征，选出投资者关注度较高的股票。
“与同期沪深300指数的表现相较，百发100更能在股票市场振荡时期、行业轮动剧烈时期、基本面不明朗时期抓住市场热点、了解投资者情绪、抗击投资波动风险。”网络金融中心相关负责人表示。
百发100选取的100只样本股更换频率是一个月，调整时间为每月第三周的周五。
业内人士指出，百发100指数的月收益率与中证100、沪深300、中证500的相关性依次提升，说明其投资风格偏向中小盘。
但事实并非如此。从样本股的构成来说，以某一期样本股为例，样本股总市值6700亿元，占A股市值4.7%。样本股的构成上，中小板21只，创业板4只，其余75只样本股均为大盘股。由此可见，百发100还是偏向大盘为主、反映主流市场走势。
样本股每个月的改变比例都不同，最极端的时候曾经有60%进行了换仓。用大数据预测热点变化，市场热点往往更迭很快；但同时也要考虑交易成本。两方面考虑，网络最后测算认为一个月换一次仓位为最佳。
样本股对百发100而言是核心机密——据说“全世界只有基金经理和指数编制机构负责人两个人知道”——都是由机器决定后，基金经理分配给不同的交易员建仓买入。基金经理也没有改变样本股的权利。
展望未来，网络金融中心相关负责人踌躇满志，“百发100指数及基金的推出，只是我们的开端和尝试，未来将形成多样化、系列投资产品。”
除了百发100，目前市场上打着大数据旗帜的基金还有2014年9月推出的南方-新浪I100和I300指数基金。
南方-新浪I100和I300是由南方基金、新浪财经和深圳证券信息公司三方联合编制的。和百发100类似，也是按照财务因子和市场情绪因子进行模型打分，按照分值将前100和前300名股票构成样本股。推出至今，这两个指数基金分别上涨了10%左右。
正如百发100的市场情绪因子来自网络，南方-新浪I100和I300的市场情绪因子全部来自新浪平台。其中包括用户在新浪财经对行情的访问热度、对股票的搜索热度；用户在新浪财经对股票相关新闻的浏览热度；股票相关微博的多空分析数据等。
此外，阿里巴巴旗下的天弘基金也有意在大数据策略上做文章。据了解，天弘基金将和阿里巴巴合作，推出大数据基金产品，最早将于2015年初问世。
天弘基金机构产品部总经理刘燕曾对媒体表示，“在传统的调研上，大数据将贡献于基础资产的研究，而以往过度依赖线下研究报告。大数据将视野拓展至了线上的数据分析，给基金经理选股带来新的逻辑。”
在BAT三巨头中，腾讯其实是最早推出指数基金的。腾讯与中证指数公司、济安金信公司合作开发的“中证腾安价值100指数”早在2013年5月就发布了，号称是国内第一家由互联网媒体与专业机构编制发布的A股指数。不过，业内人士表示，有关指数并没有真正应用大数据技术。虽然腾讯旗下的微信是目前最热的社交平台，蕴藏了大量的社交数据，但腾讯未来怎么开发，目前还并不清晰。
大数据投资平台化
中欧商学院副教授陈威如在其《平台战略》一书中提到，21世纪将成为一道分水岭，人类商业行为将全面普及平台模式，大数据金融也不例外。
然而，由于大数据模型对成本要求极高，就好比不可能每家公司都搭建自己的云计算系统一样，让每家机构自己建设大数据模型，从数据来源和处理技术方面看都是不现实的。业内人士认为，大数据未来必将成为平台化的服务。
目前，阿里、网络等企业都表示下一步方向是平台化。
蚂蚁金服所致力搭建的平台，一方面包括招财宝一类的金融产品平台，另一方面包括云计算、大数据服务平台。蚂蚁金服人士说，“我们很清楚自己的优势不是金融，而是包括电商、云计算、大数据等技术。蚂蚁金服希望用这些技术搭建一个基础平台，把这些能力开放出去，供金融机构使用。”
网络亦是如此。接近网络的人士称，未来是否向平台化发展，目前还在讨论中，但可以确定的是，“网络不是金融机构，目的不是发产品，百发100的意义在于打造影响力，而非经济效益。”
当BAT还在摸索前行时，已有嗅觉灵敏者抢占了先机，那就是通联数据。
通联数据股份公司（DataYes）由曾任博时基金副董事长肖风带队创建、万向集团投资成立，总部位于上海，公司愿景是“让投资更容易，用金融服务云平台提升投资管理效率和投研能力”。该平台7月上线公测，目前已拥有130多家机构客户，逾万名个人投资者。
通联数据目前有四个主要平台，分别是通联智能投资研究平台、通联金融大数据服务平台、通联多资产投资管理平台和金融移动办公平台。
通联智能投资研究平台包括雅典娜-智能事件研究、策略研究、智能研报三款产品，可以对基于自然语言的智能事件进行策略分析，实时跟踪市场热点，捕捉市场情绪。可以说，和百发100类似，其核心技术在于将互联网非结构化数据的量化使用。
通联金融大数据服务平台更侧重于专业金融数据的分析整理。它可以提供公司基本面数据、国内外主要证券、期货交易所的行情数据、公司公告数据、公关经济、行业动态的结构化数据、金融新闻和舆情的非结构化数据等。
假如将上述两个平台比作“收割机”，通联多资产投资管理平台就是“厨房”。在这个“厨房”里，可以进行全球跨资产的投资组合管理方案、订单管理方案、资产证券化定价分析方案等。
通联数据可以按照主题热点或者自定义关键字进行分析，构建知识图谱，将相关的新闻和股票提取做成简洁的分析框架。例如用户对特斯拉感兴趣，就可以通过主题热点看到和特斯拉相关的公司，并判断这个概念是否值得投资。“过去这个搜集过程要花费几天时间，现在只需要几分钟就可以完成。”王政表示。
“通联数据就好比一家餐馆，我们把所有原料搜集来、清洗好、准备好，同时准备了一个锅，也就是大数据存储平台。研究员和基金经理像厨师一样，用原料、工具去‘烹制’自己的策略。”王政形容道。
大数据在平台上扮演的角色，就是寻找关联关系。人类总是习惯首先构建因果关系，继而去倒推和佐证。机器学习则不然，它可以在海量数据中查获超越人类想象的关联关系。正如维克托`迈尔-舍恩伯格在《大数据时代》中所提到的，社会需要放弃它对因果关系的渴求，而仅需关注相互关系。
例如，美国超市沃尔玛通过大数据分析，发现飓风用品和蛋挞摆在一起可以提高销量，并由此创造了颇大的经济效益。如果没有大数据技术，谁能将这毫无关联的两件商品联系在一起？
通联数据通过机器学习，也能找到传统量化策略无法发现的市场联系。其中包括各家公司之间的资本关系、产品关系、竞争关系、上下游关系，也包括人与人之间的关系，例如管理团队和其他公司有没有关联，是否牵扯合作等。
未来量化研究员是否将成为一个被淘汰的职业？目前研究员的主要工作就是收集整理数据，变成投资决策，而之后这个工作将更多由机器完成。
“当初医疗科技发展时，人们也认为医生会被淘汰，但其实并不会。同理，研究员也会一直存在，但他们会更注重深入分析和调研，初级的数据搜集可以交给机器完成。”王政表示。
但当未来大数据平台并广泛应用后，是否会迅速挤压套利空间？这也是一个问题。回答根据网上资料整理
2. 投资效率的投资效益的评价指标
投资效益指标是投资经济活动成效的数量表现，是考核、比较和分析项目投入和产出对比关系的工具。投资效益评价指标体系通常由投资的宏观效益指标体系和微观效益指标体系两大类构成。这里主要介绍投资的宏观效益评价指标。
1、投资效益系数。投资效益系数（通称“投资效果系数”），是指一定时期内单位固定资产投资所增加的国内生产总值GDP。其计算公式如下：投资效益系数=国内生产总值增加额/固定资产投资总额。在运用这一指标考察投资效益时，要注意价格的可比性，要注意影响GDP增加额的偶然因素，要注意投资规模对投资效益的影响。请参考下列有关数据测算表
2、建设周期。建设周期是从时间方面反映建设效果的指标，是固定资产在建总规模与年度投资完成额的比值。它表明已经铺开的在建工程全部建成所需的时间，也就是固定资产从投资到交付使用、发挥效益平均所需的时间。其公式如下：建设周期（年）=在建投资总规模/年度投资完成额。
投资效益系数辅以建设周期，可以大致了解投资效益的实际情况。合理的建设周期，有利于提高投资效益。如果建设周期不合理拉长，表明在建投资规模增加或年度完成投资额减少，长时间占用和耗费大量资源而形不成产出，将对投资效益带来不利的影响。
3、生产性投资效益系数。生产性投资效益系数是GDP增加额与同期生产性投资总额的比值，表示单位生产性投资所带来的GDP增加额。其公式如下：生产性投资效益系数=GDP增加额/同期生产性投资总额。生产性投资效益系数，不仅反映生产性投资的效果，而且可以辅助说明国民经济投资效益系数变化的原因。如果投资效益系数下降了，而生产性投资效益系数下降的幅度更大，表明投资效益系数下降主要是因为生产性投资效果差造成的。如果是生产性投资效益系数并未下降，则表明投资效益下降主要是因为非生产性投资比重上升或使用不当造成的。
4、固定资产交付使用率。固定资产交付使用率是指一定时期内由投资而增加的固定资产价值与同期投资完成额之间的比较。用公式表示为：固定资产交付使用率=新增固定资产价值/同期投资完成额。固定资产交付使用率是反映投资活动在建设阶段所取得效益的重要综合指标，它以价值形式反映出投资所形成的固定资产的多少。一般来说，在有一定数量的未完工程作为建设正常周转的条件下，交付使用的固定资产所占比重越大，未完成工程所占比越小，则建设速度越快，效益就越好。
3. 投资估算的估算原则
投资估算是拟建项目前期可行性研究的重要内容，是经济效益评价的基础，是项目决策的重要依据。估算质量如何，将决定着项目能否纳入投资建设计划。因此，在编制投资估算时应符合下列原则:
（一）实事求是的原则
（二）从实际出发，深入开展调查研究，掌握第一手资料，不能弄虚作假。
（三）合理利用资源，效益最高的原则
市场经济环境中，利用有限经费，有限的资源，尽可能满足需要。
（四）尽量做到快，准的原则
一般投资估算误差都比较大。通过艰苦细致的工作，加强研究，积累的资料，尽量做到又快，又准拿出项目的投资估算。
（五）适应高科技发展的原则
从编制投资估算角度出发，在资料收集，信息储存，处理，使用以及编制方法选择和编制过程应逐步实现计算机化，网络化。
4. 投资估算的具体方法
固定资产投资估算方法有单位投资扩大指标法、指数估算法、比例估算法和概算指标估算法等。
(一)单位投资扩大指标法
单位投资扩大指标法根据已建成的类似油气田项目，或地质条件和自然地理条件相似的勘探区单位储量勘探成本，或单位产量开发成本乘以目标生产能力来粗略地估算所需的建设投资。
(二)指数估算法
指数估算法又称0.6指数法，是在经验估计的基础上，把类似项目与待评估项目投资之比看作与生产规模之比的指数幂成正比。油气资源分布既有其规律性，又各有特殊性，况且技术水平在不断发展，不同勘探开发对象在不同时期的费用差别很大，因此，参照区的选择尤其要慎重。指数估算法计算投资的公式为：
油气工业技术经济评价方法及应用（第3版）
式中：X为项目投资估算指标；Y为同类老厂实际投资数；C1为已知老厂产能；C2为新项目产能；CF为价格调整系数。
单位投资扩大指标法和指数估算法在早期的投资估算中经常使用，但是它们至少在以下两个方面影响着评价的质量：一是未考虑规模效益与技术差别，因而难以区分方案优劣；二是方案在经济上是否合理基本上取决于类比地区，对勘探对象的实际欠考虑。所以采用这两种方法估算的投资比较粗略。
(三)因子估算法(比例估算法)
比例估算法是以项目费用的主要构成部分及其在总费用中的比例系数作为基本参数评估，如在预探、详探中以地震成本或钻井成本作为详细估算对象，再乘以扩大系数作为总的勘探费用。当技术方案的差别主要在于技术组合的结构不同时，要注意调整相应的投资比例系数。
例如：项目主要设备投资额为1000 万元，系数为1，其他设备与土建安装系数为1.5，则：
项目总投资＝1000万元×(1+1.5)＝2500万元
(四)概算指标法
概算指标法是目前石油行业可行性研究阶段项目投资估算普遍采用的方法。它将工程费用进行分解，按设计工作量逐项计算。
5. 投资估算的估算阶段
投资估算贯穿于整个建设项目投资决策过程之中，投资决策过程 可划分为项目的投资机会研究或项目建议书阶段，初步可行性研究阶段及详细可行性研究阶段，因此投资估算工作也分为相应三个阶段。不同阶段所具备的条件和掌握的资料不同，对投资估算的要求也各不相同，因而投资估算的准确程度在不同阶段也不同，进而每个阶段投资估算所起的作用也不同。
（一）投资机会研究或项目建议书阶段
这一阶段主要是选择有利的投资机会，明确投资方向，提出概略的项目投资建议，并编制项目建议书。该阶段工作比较粗略，投资额的估计一般是通过与已建类似项目的对比得来的，因而投资估算的误差率可在30%左右。这一阶段的投资估算是作为相关管理部门审批项目建议书，初步选择投资项目的主要依据之一，对初步可行性研究及投资估算起指导作用，决定一个项目是否真正可行。
（二）初步可行性研究阶段
这一阶段主要是在投资机会研究结论的基础上，弄清项目的投资规模，原材料来源，工艺技术、厂址、组织机构和建设进度等情况，进行经济效益评价，判断项目的可行性，作出初步投资评价。该阶段是介于项目建议书和详细可行性研究之间的中间阶段，误差率一般要求控制在20%左右。这一阶段是作为决定是否进行详细可行性研究的依据之一，同时也是确定某些关键问题需要进行辅助性专题研究的依据之一，这个阶段可对项目是否真正可行作出初步的决定。
（三）详细可行性研究阶段
详细可行性研究阶段也称为最终可行性研究阶段，主要是进行全面、详细、深入的技术经济分析论证阶段，要评价选择拟建项目的最佳投资方案，对项目的可行性提出结论性意见。该阶段研究内容详尽，投资估算的误差率应控制在10%以内。这一阶段的投资估算是进行详尽经济评价，决定项目可行性，选择最佳投资方案的主要依据，也是编制设计文件，控制初步设计及概算的主要依据。
6. 投资估算的估算内容
根据国家规定，从满足建设项目投资计划和投资规模的角度，建设项目投资估算包括固定资产投资估算和铺底流动资金估算。但从满足建设项目经济评价的角度，其总投资估算包括固定资产投资估算和流动资金估算。不管从满足哪一个角度进行的投资估算，都需要进行固定资产投资估算和流动资金估算。固定资产投资估算前面我们已经介绍过，铺底流动资金的估算是项目总投资估算中流动资金的一部分。它等于项目投产后所需流动资金的30%。根据国家现行规定要求，新建，扩建和技术改造项目，必须将项目建成投资投产后所需的铺底流动资金列入投资计划，铺底流动资金不落实的，国家不予批准立项，银行不予贷款。
7. 如何正确认识大数据的价值和效益
1、数据使用必须承担保护的责任与义务
我国数据流通与数据交易主要存在以下问题：数据源活性不够，数据中介机构还处于起步阶段；多源数据的汇集技术尤其是非结构化数据分析技术滞后；缺乏熟悉不同行业并掌握在特定领域使用数据技术的人才。
数据的价值在于融合与挖掘，数据流通、交易有利于促进数据的融合和挖掘，搞活数据从而产生效益。数据共享开放、流通交易和数据保护及数据安全对数据技术提出严峻挑战，对法律的制定及执行提出了很高要求。为此，数据使用必须承担保护的责任与义务。
8. 投资估算的估算方法
常用的估算方法有： 资金周转率法、单位生产能力估算法、生产能力指数法、比例估算法、系数估算法、综合指标投资估算法等。
流动资金估算一般是矣日起现有同类企业的状况采用分项详细估算法，个别情况或者小型项目可采用扩大指标法。
（一） 资金周转率法
（二） 生产能力指数法
（三） 比例估算法
这种方法适用于设备投资占比例较大的项目。
（四） 指标估算法
投资估算指标分为建设工程项目综合指标、单项工程指标和单位工程指标三种。
（五） 建设投资分类估算法
⒈ 建筑工程费的估算
建筑工程投资估算一般采用以下方法。
⑴ 单位建筑工程投资估算法
⑵ 单位实物工程量投资估算法
⑶ 概算指标投资估算法
⒉ 设备及工器具购置费估算
⒊ 安装工程费估算
安装工程费 = 设备原价×安装费率
安装工程费 = 设备吨位×每吨安装费
安装工程费 = 安装工程实物量×安装费用指标
⒋ 工程建设其他费用估算
⒌ 基本预备费估算
⒍ 涨价预备费估算
（六） 流动资金估算的方法
⒈ 分项详细估算法
对存货、现金、应收账款这三项流动资产和应付账款这项流动负债进行估算
⒉ 扩大指标估算法
⑴ 按建设投资的一定比例估算。
⑵ 按经营成本的一定比例估算。
⑶ 按年销售收人的一定比例估算。
⑷ 按单位产量占用流动资金的比例估算