在面试OpenAI产品经理（PM）岗位时，整个过程非常强调技术理解和产品创新。**第一轮电话面试**聚焦在AI产品设计。面试官问了一个开放性问题：“你如何设计一个AI驱动的学习平台？”我首先定义了目标用户（学生和教育者），接着提出了个性化学习路径、自动化评估和AI辅导功能的想法。面试官追问了我如何优先化这些功能，我建议先开发基础的个性化推荐系统，逐步迭代复杂功能，并使用活跃度和用户满意度作为KPI来衡量成功。

**第二轮电话面试**更加技术化。面试官问我对机器学习和深度学习的理解，特别是如何将它们应用于产品。我解释了几个常见的模型（如Transformer和GPT），并讨论了如何将它们应用于自然语言处理（NLP）领域的产品创新。接着，面试官让我分析一个技术挑战，比如如何在训练和推理时间之间平衡。我解释了模型优化、剪枝技术和加速硬件的应用，并讨论了如何在用户体验和技术可行性之间取得平衡。

**现场面试**有四轮。**第一轮**是产品愿景，面试官让我设计一个基于OpenAI技术的新产品。我提出了一个AI辅助写作工具，能够实时改进用户的写作风格、语法和语气。我详细描述了功能优先级、市场定位，以及如何通过用户反馈来迭代产品。面试官还问我如何应对AI生成内容的伦理问题，我讨论了对生成内容的审查机制和用户安全保障的策略。**第二轮**是产品执行，面试官给了一个场景：OpenAI需要与企业合作推出一个定制化的AI解决方案，要求我描述如何从需求收集到产品交付进行全流程管理。我强调了与客户密切沟通，明确需求后快速构建MVP，并通过快速迭代优化功能。**第三轮**是数据分析，面试官给了一个产品使用数据下滑的案例，要求我分析潜在原因并提出改进措施。我提出了可能是用户流失、功能复杂度过高，或模型响应速度问题，并建议通过用户调查和A/B测试来验证这些假设。**最后一轮**是行为面试，面试官重点考察了我的团队合作和跨团队沟通能力。我分享了一个在紧迫时间内与工程、设计和销售团队协调的项目，特别强调了如何通过有效沟通解决冲突，推动项目成功上线。

在面试Microsoft产品经理（PM）岗位时，整个流程紧凑且多样化。**第一轮电话面试**主要是产品设计。面试官问我如何改进Microsoft Excel以吸引更多年轻用户。我首先分析了年轻用户的使用习惯，提出了加入更直观的模板库、协作功能增强，以及通过AI生成数据可视化的想法。面试官接着深入追问，要求我解释如何衡量这些功能的成功。我提出了用月活跃用户数、用户留存率，以及模板使用率作为KPI。

**第二轮电话面试**是情景问题，考察了我的战略思维。面试官问我：“如果你负责Microsoft Teams，如何增加用户的互动频率？”我首先定义了关键用户群体——远程工作者和学生，接着提出了一些改进方案，如实时协作白板和增强视频会议的社交功能。面试官特别关注我的逻辑，问了几个跟进问题，要求我解释如何优先安排开发这些新功能，以及它们对市场的影响。

**现场面试**分为四轮。**第一轮**是产品战略，面试官让我分析如何应对Microsoft Office在市场上面临的激烈竞争。我分析了当前市场态势，提出了通过差异化功能（如与Azure的深度集成）和定向营销策略提升竞争力的计划。**第二轮**是执行能力，面试官给了一个场景：推出Microsoft OneNote的新功能，并要求我详细描述从概念到发布的流程。我分解了各阶段的关键任务，包括用户研究、功能定义、开发周期，以及与跨团队的协作计划。**第三轮**是产品分析，面试官给了一个假设场景：微软某个产品的活跃用户数下降，我需要分析原因并提出改进策略。我首先通过用户行为数据找出瓶颈，接着设计了AB测试来验证调整后的影响。**第四轮**是行为面试，专注于领导力和团队协作，面试官问我如何在高压力环境下推动项目进展，以及如何处理冲突。我分享了一个在紧迫的项目中，如何与技术团队合作解决关键问题的实例。

在面试Microsoft产品经理（PM）岗位时，整个流程非常注重产品思维和解决问题的能力。**第一轮电话面试**主要是行为面试，面试官问了我几个关于职业背景的问题，比如“讲述一次你遇到重大挑战并如何克服？”我提到了一个跨团队项目中的沟通障碍，并详细解释了我是如何协调不同部门达成共识，最终推动项目上线的。接着，面试官问了一个开放性问题：“你最喜欢的Microsoft产品是什么？你如何改进它？”我选择了Teams，并从用户体验和协作功能优化角度，提出了一些增强方案。

**第二轮电话面试**聚焦产品设计。面试官给了一个非常模糊的问题：“设计一款适合儿童使用的教育类应用。”我首先定义了目标用户群体，列举了几个关键痛点，如注意力分散和互动性不足，然后提出了一个 gamification（游戏化）的解决方案，包括每日学习挑战、奖励系统和家长监控功能。面试官不断深入追问设计细节，比如“如何衡量成功？”我定义了几个核心KPI，如每日活跃用户（DAU）和完成的学习任务数量。

**现场面试**有四轮。**第一轮**是产品策略，面试官给了一个场景：“如果你是产品经理，如何让OneDrive在市场上获得更多用户？”我分析了现有竞争格局和目标用户，提出了差异化策略，包括与其他Microsoft产品的深度集成和针对学生群体的营销计划。**第二轮**是执行能力，面试官让我设想一个新功能（如文件共享功能），并从概念到上线分解开发流程。我需要详细说明每个阶段的时间分配、可能的挑战以及如何与工程团队合作推进项目。**第三轮**是数据分析，面试官给了一个产品指标下降的场景（如用户留存下降），让我找出可能原因，并设计实验来验证假设。**最后一轮**是行为面试，重点考察了我的领导力、跨团队沟通能力，以及如何在复杂环境中推动项目成功。

在面试Amazon Applied Scientist岗位时，整个流程非常严谨。**第一轮电话面试**主要针对机器学习基础。面试官让我解释了几种常见的模型，比如逻辑回归和随机森林，重点考察了如何处理数据不平衡问题，并要求我详细描述特征选择和正则化的作用。然后，我被要求根据一个实际场景（如推荐系统），选择合适的算法，并解释为什么适合这个场景。

**第二轮电话面试**专注于编程，主要使用Python。面试官给了一个模拟数据集，要求我编写数据处理管道，完成数据清洗、特征工程，并构建一个分类模型。我还被要求优化模型性能，使用交叉验证来评估模型，并探讨如何降低计算复杂度和提升训练效率。面试过程中，面试官非常关注代码的效率和可读性。

**现场面试**有四轮。**第一轮**是系统设计，面试官让我设计一个可扩展的机器学习平台，从数据输入到模型预测全流程。我介绍了如何使用AWS的工具（如S3、SageMaker）来实现自动化的数据预处理、模型训练和部署，还探讨了如何处理模型漂移问题。**第二轮**集中在深度学习，面试官让我解释了CNN的工作原理，并设计一个卷积神经网络用于图像分类任务。我需要讨论网络架构的选择和如何防止过拟合。**第三轮**是实验设计，要求我设计并分析一个多臂赌博问题的在线实验，考察了我在AB测试中的实验设计和结果分析能力。**最后一轮**是行为面试，重点讨论了我如何在项目中与其他团队合作，解决技术挑战，以及如何应对项目的紧迫截止日期。

在面试Amazon Applied Scientist岗位时，整个过程非常技术性强。**第一轮电话面试**主要集中在机器学习基础，面试官让我解释常见的机器学习算法，如线性回归、决策树和随机森林。我需要讨论每种算法的优势、劣势，适用场景，特别是如何处理过拟合和欠拟合的问题。接着，面试官给了一个实际问题，我需要选择合适的模型并解释为什么选它，还考察了我对特征选择和数据预处理的理解。

**第二轮电话面试**则主要围绕编程能力，主要是Python。面试官给了我一个数据集，要求我编写代码进行数据清洗、特征工程，并构建一个简单的机器学习模型（如分类器）。我需要解释如何处理缺失值、异常值，并优化模型的性能。还有一些关于算法优化的问题，比如如何减少模型训练时间，面试官非常注重我对代码效率和可扩展性的理解。

**现场面试**有四轮。**第一轮**是系统设计，面试官让我设计一个端到端的机器学习系统，包括数据采集、预处理、建模、部署和模型监控。我详细描述了数据流、模型更新机制，以及如何处理大规模数据和并行计算。**第二轮**是关于深度学习的，面试官让我解释常见的神经网络架构，如CNN和RNN，并让我设计一个模型来解决图像分类问题。**第三轮**是实验设计，面试官给了一个在线测试场景，我需要设计AB测试，讨论如何处理噪声、样本量不足等问题。**最后一轮**是行为面试，面试官关注我如何解决复杂问题、推动项目进展，并与团队协作。

在面试Meta数据工程师岗位时，经历了三轮面试。**第一轮**电话面试主要是SQL技能考察，面试官给了一个大规模数据集，要求我用SQL进行数据提取和聚合操作，题目涉及复杂的`JOIN`、`GROUP BY`、子查询和窗口函数。我被要求优化查询性能，并解释我为什么选择这些查询方式。**第二轮**是关于Python的编程，主要考察我对数据管道的理解和构建。面试官给了一个ETL场景，要求我从多个数据源提取数据，进行转换和加载，代码需要处理数据清洗和异常值。我还需要写一个脚本来监控数据流，确保数据质量，并讨论如何优化数据处理的效率。

**现场面试**有三轮。**第一轮**是系统设计，面试官让我设计一个可扩展的数据管道架构，能够处理实时流数据，要求我详细描述数据如何通过各个阶段传递并处理。我提出了使用Kafka作为消息队列，并解释了如何实现故障恢复和监控。**第二轮**是分布式系统的考察，面试官询问了我关于Hadoop、Spark等技术的使用经验，并让我设计一个分布式计算任务来处理大规模数据集。题目要求我优化任务执行时间，并解释不同计算引擎的优缺点。**第三轮**则是与团队领导的对话，讨论我之前在跨团队项目中的经验，以及如何解决数据一致性和延迟的问题，考察沟通和项目管理能力。

在面试Meta数据科学家岗位时，整个过程非常紧凑。一开始是两轮电话面试。**第一轮**主要考察SQL技能，面试官给了我一个用户行为数据库，要求我写查询语句提取出某些用户的行为模式。题目涉及复杂的`JOIN`、`GROUP BY`和窗口函数等操作。我需要从不同的表中提取数据，分析用户在一段时间内的活动。接着是一些数据清洗的任务，比如处理缺失值和异常值。**第二轮**则侧重统计和AB测试设计，面试官让我设计一个AB测试来评估某个新功能的效果，并且详细解释假设检验的过程。我还需要讨论如何处理样本不足以及如何提高结果的显著性。

现场面试有四轮。**第一轮**是产品分析，面试官给了一个关于用户留存率下降的场景，让我定义关键的KPI，找出潜在的原因并提出解决方案。我建议细化用户群体分析，并测试不同的推送策略。**第二轮**再次考察SQL能力，题目更复杂，需要在短时间内完成跨多张表的查询，还包括使用窗口函数计算滚动平均值。**第三轮**是统计推断，面试官让我设计一个实验，评估广告展示对用户点击率的影响，并讨论如何减少假阳性和假阴性结果。**最后一轮**是与团队领导沟通，侧重考察我的沟通技巧和跨团队合作的能力。

2024年，联邦遗产税的免税额度是 $12.92 million。
2024年，联邦遗产税的免税额度是 $12.92 million。这意味着在您去世时，遗产的总价值在 $12.92 million 以下的部分不会被联邦遗产税征税。
如果您已婚，夫妻双方可以通过所谓的“联合免税额”（portability）策略，共同传递约 $25.84 million 的免税遗产。夫妻一方去世后，遗产税的免税额可以转移给配偶，这样配偶去世时可以享受双方的总免税额度。
超过免税额的部分将按照递进税率缴纳遗产税，最高税率为 40%。例如，如果遗产价值为 $14 million，则超过免税额的部分（$14 million - $12.92 million = $1.08 million）需要缴纳遗产税，税率最高可达 40%。

会计师这样要我交预交税
比如2023 年，预交全年4000元。然后今年4月15日前报税时，有二种可能。退税，当然就是2023年预交太多，没关系，不用管，继续这个数字2024年预交。要补税，那2024年的预交税总额要增加。如果2023年补税2000，2024年的预交税至少是全年6000，每季度1500.
还有一个办法，2024年预交税只要在2025年4月15日前支付即可，所以明年报税稍微早几天，根据计算知道是否要补税，马上交还来得及。
如果2024年收入有较大变动，我也不知道如何预估。

华龙证券认为，银行股的红利投资逻辑不断强化。随着利率水平下行，银行板块股息率的比较优势愈加凸显。从中长期来看，我国利率仍有下行的必要和空间，高股息银行股或在较长时间内具备投资和配置价值。本轮银行股的行情主要源于资金对高股息银行和指数权重股的配置需求增加，在资金面保持相对稳定的同时，机构配置力度有望进一步加大。
上涨
2024年以来，在市场宽幅波动的情况下，银行股走出独立行情，五大行的股价屡创新高。
Wind数据显示，截至8月22日收盘，中证银行指数年内涨幅达到20.07%。2024年以来，截至8月22日，在A股上市的42家银行中，仅有4家出现下跌，其余均呈现上涨。其中，14家银行的股价涨幅超过30%，6家银行的股价涨幅超过40%。
其中，交通银行（601328.SH）、南京银行（601009.SH）、农业银行（601288.SH）、成都银行（601838.SH）、工商银行、浦发银行（600000.SH）涨幅均超过40%，分别为46.19%、45.69%、42.28%、41.99%、41.38%、41.10%。杭州银行（600929.SH）、上海银行（601229.SH）、渝农商行（601077.SH）、中国银行、建设银行、中信银行（601998.SH）、沪农商行（601825.SH）、北京银行（601169.SH）涨幅区间位于 30%至 40%，分别为38.78%、36.35%、35.44%、33.64%、33.20%、33%、32.27%、31.07%。
8月22日，高息策略（H30366）指数上涨0.51%，年内上涨15.67%。
Wind数据显示，截至2024年8月22日，高息策略指数前十大权重股分别为格力电器（000651.SZ）、工商银行、交通银行、中国神华（601088.SH）、农业银行、江苏银行（600919.SH）、中国石化（600028.SH）、陕西煤业（601225.SH）、中国石油（601857.SH）、中国银行，前十大权重股合计占比56.83%。

华福证券研报数据指出，2022年底以来，多路资金流入银行板块，催生结构性和板块性行情。2023年“中特估”概念走强，2024年以来，ETF（交易型开放式指数基金）扩容推动银行板块全面上涨；此外，从2023年下半年开始，国家队资金大规模净申购宽基指数ETF，被动型基金成为市场重要的增量资金。银行股是沪深300等宽基指数的权重股，在沪深300指数中的合计权重逾13%。随着被动基金扩容，被动股票型基金的银行持仓持续提升。近期，公募更加偏好高股息银行标的。2024年上半年，基金持仓向高股息银行倾斜，高股息银行在基金重仓持股中的市值占比提升。
华福证券认为，自2023年起，银行股的红利投资逻辑逐渐受到市场关注和认可。2023年，带有传统高股息标签的国有行率先迎来估值修复，涨幅显著高于银行板块和沪深300指数。2024年以来，高股息策略从国有行扩散到中小行，银行板块相较于沪深300指数取得明显的超额收益。
逻辑
对于银行股今年如此受投资者青睐、股价接连创新高的现象，市场普遍分析认为，这与今年多家银行宣布了中期分红计划息息相关。
8月16日，江苏银行在2024年半年报中披露，年中利润分配具体方案将由董事会根据盈利情况、现金流状况和中长期发展规划等决定，确定后将另行公告。
同日，沪农商行在半年报中推出中期分红计划，拟派现23.05亿元，中期现金分红比例达到33.07%。
平安银行在8月15日发布的2024年半年报中，公布了2024年中期利润分配方案：每10股派发现金股利人民币2.46元（含税），合计派发现金股利人民币47.74亿元。
7月31日，南京银行在半年度报告中披露，根据公司2023年年度股东大会通过的《关于股东大会授权董事会决定2024年中期利润分配方案的议案》，建议公司董事会以分红派息方式在年内适时实施2024年具体中期利润分配方案。
工商银行、农业银行、中国银行、建设银行、交通银行五家国有大行也“官宣”2024年准备实施中期分红。
从资产质量稳健角度来看，8月21日，国家金融监督管理总局副局长肖远企表示，上半年我国商业银行资本充足率为15.53%；上半年保险业综合偿付能力充足率为195.5%，核心偿付能力充足率为132.4%。银行业保险业整体稳中向好，风险可控。
中金公司分析认为，首先从银行股上涨的基本面逻辑分析，主要有以下几方面：第一，稳定的盈利和分红；第二，央行对息差的呵护；第三，更可持续的信贷投放；第四，债券浮盈平滑利润；第五，资产质量稳健；第六，国有大行市占率的提升。中小银行由于信贷需求不足使存贷款增速出现下降，而国有大行投放意愿更强，导致2022年以来国有大行的新增存贷款市场份额从40%上升到60%左右。
其次，从资金面因素分析，中金公司分析认为主要有三方面原因：第一，指数权重高、基金配置低。过去两年，银行指数超额收益明显，特别是国有大行，长期基金配置再平衡驱动银行相对收益；第二，保险为代表的长线资金增持；第三，北上和南下资金增持。今年北上及南下资金均持续增配银行股，特别是国有大行。
对于后续银行股展望，中金公司认为，银行能够保持稳定的利润增速和高分红，成为市场中的稀缺资产，此外指数基金和保险等资金流入也推动了对于银行板块配置的再平衡。展望未来3到6个月，支持银行跑赢的低利率、高股息的市场环境并未改变。
华福证券认为，本轮银行股的行情主要源于资金对高股息银行和指数权重股的配置增加。目前，在银行股的持仓结构中，国资、法人机构、保险机构、社保基金持仓占比较高，在基金持仓中也大部分是ETF等被动基金持仓。这些机构对银行股以配置需求为主，在资金面保持相对稳定的同时，配置力度有望进一步加大。