股票投資決策書

❶ 量化投資—策略與技術的作品目錄

《量化投資—策略與技術》
策略篇
第 1章 量化投資概念
1.1 什麼是量化投資 2
1.1.1 量化投資定義 2
1.1.2 量化投資理解誤區 3
1.2 量化投資與傳統投資比較 6
1.2.1 傳統投資策略的缺點 6
1.2.2 量化投資策略的優勢 7
1.2.3 量化投資與傳統投資策略的比較 8
1.3 量化投資歷史 10
1.3.1 量化投資理論發展 10
1.3.2 海外量化基金的發展 12
1.3.3 量化投資在中國 15
1.4 量化投資主要內容 16
1.5 量化投資主要方法 21
.第 2章 量化選股 25
2.1 多因子 26
2.1.1 基本概念 27
2.1.2 策略模型 27
2.1.3 實證案例：多因子選股模型 30
2.2 風格輪動 35
2.2.1 基本概念 35
2.2.2 盈利預期生命周期模型 38
2.2.3 策略模型 40
2.2.4 實證案例：中信標普風格 41
2.2.5 實證案例：大小盤風格 44
2.3 行業輪動 47
2.3.1 基本概念 47
2.3.2 m2行業輪動策略 50
2.3.3 市場情緒輪動策略 52
2.4 資金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 實證案例：資金流選股策略 60
2.5 動量反轉 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 實證案例：動量選股策略和反轉選股策略 70
2.6 一致預期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 實證案例：一致預期模型案例 78
2.7 趨勢追蹤 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 實證案例：趨勢追蹤選股模型 92
2.8 籌碼選股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 實證案例：籌碼選股模型 99
2.9 業績評價 104
2.9.1 收益率指標 104
2.9.2 風險度指標 105
第 3章 量化擇時 111
3.1 趨勢追蹤 112
3.1.1 基本概念 112
3.1.2 傳統趨勢指標 113
3.1.3 自適應均線 121
3.2 市場情緒 125
3.2.1 基本概念 126
3.2.2 情緒指數 128
3.2.3 實證案例：情緒指標擇時策略 129
3.3 有效資金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 實證案例：有效資金擇時模型 137
3.4 牛熊線 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 實證案例：牛熊線擇時模型 144
3.5 husrt指數 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 實證案例 149
3.6 支持向量機 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 實證案例：svm擇時模型 155
3.7 swarch模型 160
3.7.1 基本概念 160
3.7.2 策略模型 161
3.7.3 實證案例：swarch模型 164
3.8 異常指標 168
3.8.1 市場雜訊 168
3.8.2 行業集中度 170
3.8.3 興登堡凶兆 172
第 4章 股指期貨套利 180
4.1 基本概念 181
4.1.1 套利介紹 181
4.1.2 套利策略 183
4.2 期現套利 185
4.2.1 定價模型 185
4.2.2 現貨指數復制 186
4.2.3 正向套利案例 190
4.2.4 結算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 無套利區間 196
4.3.3 跨期套利觸發和終止 197
4.3.4 實證案例：跨期套利策略 199
4.3.5 主要套利機會 200
4.4 沖擊成本 203
4.4.1 主要指標 204
4.4.2 實證案例：沖擊成本 205
4.5 保證金管理 208
4.5.1 var方法 208
4.5.2 var計算方法 209
4.5.3 實證案例 211
第 5章 商品期貨套利 214
5.1 基本概念 215
5.1.1 套利的條件 216
5.1.2 套利基本模式 217
5.1.3 套利准備工作 219
5.1.4 常見套利組合 221
5.2 期現套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值稅風險 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 實證案例：pvc跨期套利策略 233
5.4 跨市場套利 234
5.4.1 套利策略 234
5.4.2 實證案例：倫銅—滬銅跨市場套利 235
5.5 跨品種套利 236
5.5.1 套利策略 237
5.5.2 實證案例 238
5.6 非常狀態處理 240
第 6章 統計套利 242
6.1 基本概念 243
6.1.1 統計套利定義 243
6.1.2 配對交易 244
6.2 配對交易 247
6.2.1 協整策略 247
6.2.2 主成分策略 254
6.2.3 績效評估 256
6.2.4 實證案例：配對交易 258
6.3 股指套利 261
6.3.1 行業指數套利 261
6.3.2 國家指數套利 263
6.3.3 洲域指數套利 264
6.3.4 全球指數套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可轉債—融券套利 268
6.4.3 股指期貨—融券套利 269
6.4.4 封閉式基金—融券套利 271
6.5 外匯套利 272
6.5.1 利差套利 273
6.5.2 貨幣對套利 275
第 7章 期權套利 277
7.1 基本概念 278
7.1.1 期權介紹 278
7.1.2 期權交易 279
7.1.3 牛熊證 280
7.2 股票/期權套利 283
7.2.1 股票—股票期權套利 283
7.2.2 股票—指數期權套利 284
7.3 轉換套利 285
7.3.1 轉換套利 285
7.3.2 反向轉換套利 287
7.4 跨式套利 288
7.4.1 買入跨式套利 289
7.4.2 賣出跨式套利 291
7.5 寬跨式套利 293
7.5.1 買入寬跨式套利 293
7.5.2 賣出寬跨式套利 294
7.6 蝶式套利 296
7.6.1 買入蝶式套利 296
7.6.2 賣出蝶式套利 298
7.7 飛鷹式套利 299
7.7.1 買入飛鷹式套利 300
7.7.2 賣出飛鷹式套利 301
第 8章 演算法交易 304
8.1 基本概念 305
8.1.1 演算法交易定義 305
8.1.2 演算法交易分類 306
8.1.3 演算法交易設計 308
8.2 被動交易演算法 309
8.2.1 沖擊成本 310
8.2.2 等待風險 312
8.2.3 常用被動型交易策略 314
8.3 vwap演算法 316
8.3.1 標准vwap演算法 316
8.3.2 改進型vwap演算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 並購套利策略 324
9.1.2 定向增發套利 325
9.1.3 套利重倉停牌股票的投資組合 326
9.1.4 封閉式投資組合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 無風險套利 330
9.2.3 其他套利 334
9.3 lof套利 335
9.3.1 基本概念 335
9.3.2 模型策略 336
9.3.3 實證案例：lof 套利 337
9.4 高頻交易 341
9.4.1 流動性回扣交易 341
9.4.2 獵物演算法交易 342
9.4.3 自動做市商策略 343
9.4.4 程序化交易 343
理論篇
第 10章 人工智慧 346
10.1 主要內容 347
10.1.1 機器學習 347
10.1.2 自動推理 350
10.1.3 專家系統 353
10.1.4 模式識別 356
10.1.5 人工神經網路 358
10.1.6 遺傳演算法 362
10.2 人工智慧在量化投資中的應用 366
10.2.1 模式識別短線擇時 366
10.2.2 rbf神經網路股價預測 370
10.2.3 基於遺傳演算法的新股預測 375
第 11章 數據挖掘 381
11.1 基本概念 382
11.1.1 主要模型 382
11.1.2 典型方法 384
11.2 主要內容 385
11.2.1 分類與預測 385
11.2.2 關聯規則 391
11.2.3 聚類分析 397
11.3 數據挖掘在量化投資中的應用 400
11.3.1 基於som 網路的股票聚類分析方法 400
11.3.2 基於關聯規則的板塊輪動 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波變換主要內容 409
12.2.1 連續小波變換 409
12.2.2 連續小波變換的離散化 410
12.2.3 多分辨分析與mallat演算法 411
12.3小波分析在量化投資中的應用 414
12.3.1 k線小波去噪 414
12.3.2 金融時序數據預測 420
第 13章 支持向量機 429
13.1 基本概念 430
13.1.1 線性svm 430
13.1.2 非線性svm 433
13.1.3 svm分類器參數選擇 435
13.1.4 svm分類器從二類到多類的推廣 436
13.2 模糊支持向量機 437
13.2.1 增加模糊後處理的svm 437
13.2.2 引入模糊因子的svm訓練演算法 439
13.3 svm在量化投資中的應用 440
13.3.1 復雜金融時序數據預測 440
13.3.2 趨勢拐點預測 445
第 14章 分形理論 452
14.1 基本概念 453
14.1.1 分形定義 453
14.1.2 幾種典型的分形 454
14.1.3 分形理論的應用 456
14.2 主要內容 457
14.2.1 分形維數 457
14.2.2 l系統 458
14.2.3 ifs系統 460
14.3 分形理論在量化投資中的應用 461
14.3.1 大趨勢預測 461
14.3.2 匯率預測 466
第 15章 隨機過程 473
15.1 基本概念 473
15.2 主要內容 476
15.2.1 隨機過程的分布函數 476
15.2.2 隨機過程的數字特徵 476
15.2.3 幾種常見的隨機過程 477
15.2.4 平穩隨機過程 479
15.3 灰色馬爾可夫鏈股市預測 480
第 16章 it技術 486
16.1 數據倉庫技術 486
16.1.1 從資料庫到數據倉庫 487
16.1.2 數據倉庫中的數據組織 489
16.1.3 數據倉庫的關鍵技術 491
16.2 編程語言 493
16.2.1 GPU演算法交易 493
16.2.2 MATLAB 語言 497
16.2.3 c#語言 504
第 17章 主要數據與工具 509
17.1 名策多因子分析系統 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易開拓者：期貨自動交易平台 514
17.4 大連交易所套利指令 518
17.5 mt5：外匯自動交易平台 522
第 18章 量化對沖交易系統：D-alpha 528
18.1 系統構架 528
18.2 策略分析流程 530
18.3 核心演算法 532
18.4 驗證結果 534
表目錄
表1 1 不同投資策略對比 7
表2 1 多因子選股模型候選因子 30
表2 2 多因子模型候選因子初步檢驗 31
表2 3 多因子模型中通過檢驗的有效因子 32
表2 4 多因子模型中剔除冗餘後的因子 33
表2 5 多因子模型組合分段收益率 33
表2 6 晨星市場風格判別法 36
表2 7 夏普收益率基礎投資風格鑒別 37
表2 8 中信標普風格指數 41
表2 9 風格動量策略組合月均收益率 43
表2 10 大小盤風格輪動策略月收益率均值 46
表2 11 中國貨幣周期分段（2000—2009年） 49
表2 12 滬深300行業指數統計 50
表2 13 不同貨幣階段不同行業的收益率 51
表2 14 招商資金流模型（cmsmf）計算方法 58
表2 15 招商資金流模型（cmsmf）選股指標定義 59
表2 16 資金流模型策略——滬深300 61
表2 17 資金流模型策略——全市場 62
表2 18 動量組合相對基準的平均年化超額收益（部分） 68
表2 19 反轉組合相對基準的平均年化超額收益(部分) 69
表2 20 動量策略風險收益分析 71
表2 21 反轉策略風險收益分析 73
表2 22 趨勢追蹤技術收益率 93
表2 23 籌碼選股模型中單個指標的收益率情況對比 99
表3 1 ma指標擇時測試最好的20 組參數及其表現 117
表3 2 4個趨勢型指標最優參數下的獨立擇時交易表現比較 120
表3 3 有交易成本情況下不同信號個數下的綜合擇時策略 120
表3 4 自適應均線擇時策略收益率分析 124
表3 5 市場情緒類別 126
表3 6 滬深300指數在不同情緒區域的當月收益率比較 128
表3 7 滬深300指數在不同情緒變化區域的當月收益率比較 129
表3 8 滬深300指數在不同情緒區域的次月收益率比較 130
表3 9 滬深300指數在不同情緒變化區域的次月收益率比較 130
表3 10 情緒指數擇時收益率統計 132
表3 11 svm擇時模型的指標 156
表3 12 svm對滬深300指數預測結果指標匯總 156
表3 13 svm擇時模型在整體市場的表現 156
表3 14 svm擇時模型在單邊上漲市的表現 157
表3 15 svm擇時模型在單邊下跌市的表現 158
表3 16 svm擇時模型在震盪市的表現 159
表3 17 雜訊交易在熊市擇時的收益率 170
表4 1 各種方法在不同股票數量下的跟蹤誤差（年化） 190
表4-2 股指期貨多頭跨期套利過程分析 199
表4 3 不同開倉比例下的不同保證金水平能夠覆蓋的市場波動及其概率 211
表4 4 不同倉單持有期下的保證金覆蓋比例 212
表6 1 融券標的股票中在樣本期內最相關的50 對組合（部分） 248
表6 2 殘差的平穩性、自相關等檢驗 249
表6 3 在不同的閾值下建倉、平倉所能獲得的平均收益 251
表6 4 採用不同的模型在樣本內獲取的收益率及最優閾值 252
表6 5 採用不同的模型、不同的外推方法在樣本外獲取的收益率（%） 253
表6 6 主成分配對交易在樣本內取得的收益率及最優閾值 255
表6 7 主成分配對交易在樣本外的效果 255
表6-8 各種模型下統計套利的結果 256
表6 9 延後開倉+提前平倉策略實證結果 260
表6 10 各行業的配對交易結果 261
表7 1 多頭股票-期權套利綜合分析表 283
表7 2 多頭股票—股票期權套利案例損益分析表 284
表7 3 多頭股票-指數期權套利案例損益分析表 285
表7 4 轉換套利分析過程 286
表7 5 買入跨式套利綜合分析表 289
表7 6 買入跨式套利交易細節 289
表7 7 賣出跨式套利綜合分析表 291
表7 8 賣出跨式套利交易細節 292
表7 9 買入寬跨式套利綜合分析表 293
表7 10 賣出寬跨式套利綜合分析表 294
表7 11 買入蝶式套利綜合分析表 296
表7 12 賣出蝶式套利綜合分析表 298
表7 13 買入飛鷹套利分析表 300
表7 14 賣出飛鷹式套利綜合分析表 301
表9 1 主要並購方式 324
表9 2 並購套利流程 325
表9 3 鵬華300 lof兩次正向套利的情況 339
表9 4 鵬華300 lof兩次反向套利的情況 340
表10 1 自動推理中連詞系統 352
表10 2 模式識別短線擇時樣本數據分類 369
表10 3 rbf神經網路股價預測結果 375
表10 4 遺傳演算法新股預測參數設置 379
表10 5 遺傳演算法新股預測結果 380
表11 1 決策樹數據表 389
表11 2 關聯規則案例數據表 392
表11 3 som股票聚類分析結果 403
表11 4 21種股票板塊指數布爾關系表數據片斷 404
表12 1 深發展a日收盤價小波分析方法預測值與實際值比較 427
表12 2 不同分解層數的誤差均方根值 428
表13 1 svm滬深300指數預測誤差情況 445
表13 2 svm指數預測和神經網路預測的比較 445
表13 3 技術反轉點定義與圖型 448
表13 4 svm趨勢拐點預測結果 450
表14 1 持續大漲前後分形各主要參數值 463
表14 2 持續大跌前後分形個主要參數值 465
表14 3 外匯r/ s 分析的各項指標 469
表14 4 v(r/s)曲線回歸檢驗 470
表15 1 灰色馬爾可夫鏈預測深證成指樣本內（2005/1—2006/8） 484
表15 2 灰色馬爾可夫鏈預測深證成指樣本外（2006/9—2006/12） 484
表16-1 vba的12種數據類型 499
表18-1 d-alpha系統在全球市場收益率分析 534

❷ 考研金融學專業的研究方向都有哪些

一、金融經濟(含國際金融、金融理論)
具體研究馬克思、凱恩斯和斯密及當代著名經濟學家所闡述的金融學原理；研究虛擬經濟與實際經濟的關聯與影響;研究金融發展與經濟增長之間的關系，分析金融政策的期限結構和動態反饋機制，以及各國銀行制度與法規比較等。
熱度分析：截至2007年3月末，我國外債余額為3315.62億美元(不包括香港特區、澳門特區和台灣地區對外負債)，比上年末增加85.74億美元，增長2.65%。許多新興的名詞如外匯儲備增速、開放資本項目管制、國有銀行股改、股票印花稅都涉及到重要的金融經濟理論問題。
就業方向：該方向就業范圍比較廣泛，與其他各個方向都有交叉的地方。畢業生主要去向是外向型投資銀行、證券公司、保險公司、基金管理公司和商業銀行等外資金融機構，以及中資金融機構的涉外部門、跨國公司投融資部門和政府經濟管理部門等相關工作。
二、投資學
投資學主要包括證券投資、國際投資、企業投資等幾個研究領域。
熱度分析：中國股市經歷牛市後，人們對投資學的興趣也隨之高漲，其實投資不僅僅是證券投資，其范圍極廣泛。國家發展、企業贏利、個人獲利，都離不開投資。
就業方向：一般來說，投資學專業的畢業生主要有以下幾個畢業去向：第一，到證券、信託投資公司和投資銀行從事證券投資;第二，到企業的投資部門從事企業投資工作;第三，到政府相關部門從事有關投資的政策制定和政策管理;第四，到高校、科研部門從事教學、科研工作。需要說明的是，應屆畢業生的第一份工作一般都是一線的操作員，因為沒有任何單位會讓一個沒有工作經驗的員工進入管理層，即使是基層管理崗位。
三、貨幣銀行學
主要研究的是跟銀行及國家貨幣政策相關的問題，這里的銀行包括中央銀行和商業銀行等等。
熱度分析：2006年以來，藉助人民幣匯率對美元升值效應，各家銀行紛紛推出本、外幣理財新產。之前就倍受關注的銀行業持續加溫，成為熱點。
就業方向：該專業方向主要在銀行系統、學校和科研單位從事金融業務和管理工作，多在金融教學、研究領域就業。隨著我國證券市場的不斷完善，進入工商企業和上市公司成為許多金融人才的就業方向。
四、保險學
保監會將保險專業的教學模式分為"西財模式"、"武大模式"和"南開模式"，其對應的大學分別是西南財經大學、武漢大學和南開大學。而保險業的"黃埔軍校"則是位於湖南長沙的保險職業學院。
熱度分析：在我國，保險業被譽為2l世紀的朝陽產業。首先，我國巨大的人口基數以及人口的老齡化有利於保險業市場的擴張；其次，我國目前的保險深度及保險密度都很低，有很大的市場潛力；第三，人均收入水平的不斷提高，為保險業市場擴大規模提供良好的經濟基礎。保監會《中國保險業發展"十一五"規劃綱要(討論稿)》預計，未來5年我國保險業務收入年均增長15%左右。今年來許多險種受到關註：銀行保險、航意險、交強險、健康險、體育保險、房貸險、農業保險、高管責任險。
就業方向：許多人誤以為保險專業就業就是賣保險，實際上保險營銷只是保險業中一部分工作，其它工作諸如組訓、培訓講師、核賠核保人員和資金運作人員、精算人員。畢業生主要到保險公司、其他金融機構、社會保險部門及保險監管機構從事保險實務工作，也可到高等院校從事教學和研究工作。此外，還有中介企業、社會保障機構、政府監管機構、銀行和證券投資機構、大型企業風險管理部門等也需要該方向的畢業生。比較熱門的職業有保險代理人、保險核保、保險理賠、保險精算師(FIA)等等。
五、公司理財(公司金融)
又稱公司財務管理，公司理財等。一般來說，公司金融學會利用各種分析工具來管理公司的財務，例如使用貼現法(DCF)來為投資計劃總值作出評估，使用決策樹分析來了解投資及營運的彈性。
熱度分析：公司理財近年創下多個之最：貸款之最(E.On)、並購之最(Hospital Corporation of America)、證券化之最(Lloyds TSB Arkle)以及全球第一大IPO交易(中國工商銀行)。公司理財相比其他方向是歷史較短但發展很迅猛。
就業方向：該專業畢業生可選擇各類公司從事融資、投資工作;商業銀行、證券公司、基金管理公司等金融機構從事實務工作;也可以在金融監管機構、政府部門從事經濟管理工作，或進一步深造後從事教學科研工作。

❸ 管理學-決策樹問題，求詳解

----------銷路好0.7 100萬
......1--|
. ----------銷路差0.3 -20萬
.
. ------------銷路好0.7 40萬
I--......2--|
. ------------銷路差0.3 30萬
.
. -----擴建4 95萬
. -----------Ⅱ---|
. | -----不擴建5 40萬
......3--|
|
|
---------------銷路差0.3 30萬

方案一：結點1的期望收益是（0.7*100-0.3*20）*10-300=340
方案二：結點2的期望收益是（0.7*40+0.3*30）*10-140=230
方案三：結點4的期望收益是95*7-200=465，大於結點5的期望收益40*7=280，所以銷路好時，擴建比不擴建好，結點3的期望收益是（0.7*40*3+0.7*465+0.3*30*10）-140=359.5
可以看出，三種方案中方案三最好

弄著一個決策樹真費勁，不如在word上好弄

❹ 10、決策樹屬於（ ）。

風險型決策：在未來的決定因素，可能出現的結果不能作出充分肯定的情況下，根據各種可能結果的客觀概率作出的決策。決策者對此要承擔一定的風險。風險型問題具有決策者期望達到的明確標准，存在兩個以上的可供選擇方案和決策者無法控制的兩種以上的自然狀態，並且在不同自然狀態下不同方案的損益值可以計算出來，對於未來發生何種自然狀態，決策者雖然不能作出確定回答，但能大致估計出其發生的概率值。對這類決策問題，常用損益矩陣分析法和決策樹法求解；
程序化決策：就是可以根據既定的信息建立數學模型，把決策目標和約束條件統一起來，進行優化的一種決策。比如工廠選址、采購運輸等等決策。這種決策是可以運用籌學技術來完成的。在這種程序化決策中，決策所需要的信息都可以通過計量和統計調查得到，它的約束條件也是明確而具體的，並且都是能夠量化的。對於這種決策，運用計算機信息技術可以取得非常好的效果。通過建立數學模型，讓計算機代為運算，並找出最優的方案，都是在價值觀念之外做出的，至少價值觀念對這種決策的約束作用不是主導因素。
悲觀決策：採用悲觀決策准則，通常要放棄最大利益，但由於決策者是從每一方案最壞處著眼，因此風險較小。小中取大法又稱為最小風險法，是一種把風險降低到最小程度來獲取收益的股票投資方法。最小風險法是一種較為穩妥的股票投資決策方法，較適合保守型的股票投資者採用。
樂觀決策：
大中取大法又稱樂觀法、大中取大原則、樂觀決策法、冒險法、最大的最大收益法，採用這種方法的管理者對未來持樂觀的看法，認為未來會出現最好的自然狀態，因此不論採取哪種方案，都能獲取該方案的最大收益。

由於決策樹，是對事物進行定量和定性分析，採用各類事物產生的概率及風險進行評估，所以選A

❺ 求最小最大後悔值和決策樹問題各兩道!急!

1.結合實例說明什麼是最小最大後悔值法。

最小最大後悔值法也稱薩凡奇決策准則
最小最大後悔值法是指管理者在選擇了某方案後，如果將來發生的自然狀態表明其他方案的收益更大，那麼他(或她)會為自已的選擇而後悔。最小最大後悔值法就是使後悔值最小的方法。
最小最大後悔值法的運用
在股票市場上，最小最大後悔值法被稱為最小後悔法，是股票投資者力圖使後悔值降到最低限度的證券投資方法。
由於選取的購買方案往往與預測的企業經營狀況存在很大的差異，這樣就會出現實際收益大大低於目標收益的狀況而使投資者產生後悔。最小後悔法的目的就是要使投資者將這種後悔降低到最低程度。
利用最小後悔法買賣股票的操作程序：
1、列出投資者在各種狀態下的購買方案，並在每一購買方案中選出各自然狀態下的最大收益值。
2、求出各種自然狀態下各種方案的後悔值，其後悔值的公式是：「某方案後悔值」＝ 「某自然狀態下的最大收益值」-「該方案的收益值」，然後，將此方案的後悔值填入該方案欄中。
3、由此找出各方案在不同自然狀態下的最大後悔值。
4、在各方案的最大後悔值中找出最小的後悔值，最小後悔值所對應的方案即為最優方案。

2.舉例說明決策樹的作用。

決策樹是用二叉樹形圖來表示處理邏輯的一種工具。可以直觀、清晰地表達加工的邏輯要求。特別適合於判斷因素比較少、邏輯組合關系不復雜的情況。
決策樹提供了一種展示類似在什麼條件下會得到什麼值這類規則的方法。比如，在貸款申請中，要對申請的風險大小做出判斷，圖是為了解決這個問題而建立的一棵決策樹，從中我們可以看到決策樹的基本組成部分：決策節點、分支和葉子。
決策樹中最上面的節點稱為根節點，是整個決策樹的開始。本例中根節點是「收入>￥40,000」，對此問題的不同回答產生了「是」和「否」兩個分支。
決策樹的每個節點子節點的個數與決策樹在用的演算法有關。如CART演算法得到的決策樹每個節點有兩個分支，這種樹稱為二叉樹。允許節點含有多於兩個子節點的樹稱為多叉樹。
每個分支要麼是一個新的決策節點，要麼是樹的結尾，稱為葉子。在沿著決策樹從上到下遍歷的過程中，在每個節點都會遇到一個問題，對每個節點上問題的不同回答導致不同的分支，最後會到達一個葉子節點。這個過程就是利用決策樹進行分類的過程，利用幾個變數（每個變數對應一個問題）來判斷所屬的類別（最後每個葉子會對應一個類別）。
假如負責借貸的銀行官員利用上面這棵決策樹來決定支持哪些貸款和拒絕哪些貸款，那麼他就可以用貸款申請表來運行這棵決策樹，用決策樹來判斷風險的大小。「年收入>￥40,00」和「高負債」的用戶被認為是「高風險」，同時「收入<￥40,000」但「工作時間>5年」的申請，則被認為「低風險」而建議貸款給他/她。
數據挖掘中決策樹是一種經常要用到的技術，可以用於分析數據，同樣也可以用來作預測（就像上面的銀行官員用他來預測貸款風險）。常用的演算法有CHAID、 CART、 Quest 和C5.0。
建立決策樹的過程，即樹的生長過程是不斷的把數據進行切分的過程，每次切分對應一個問題，也對應著一個節點。對每個切分都要求分成的組之間的「差異」最大。
各種決策樹演算法之間的主要區別就是對這個「差異」衡量方式的區別。對具體衡量方式演算法的討論超出了本文的范圍，在此我們只需要把切分看成是把一組數據分成幾份，份與份之間盡量不同，而同一份內的數據盡量相同。這個切分的過程也可稱為數據的「純化」。看我們的例子，包含兩個類別--低風險和高風險。如果經過一次切分後得到的分組，每個分組中的數據都屬於同一個類別，顯然達到這樣效果的切分方法就是我們所追求的。
到現在為止我們所討論的例子都是非常簡單的，樹也容易理解，當然實際中應用的決策樹可能非常復雜。假定我們利用歷史數據建立了一個包含幾百個屬性、輸出的類有十幾種的決策樹，這樣的一棵樹對人來說可能太復雜了，但每一條從根結點到葉子節點的路徑所描述的含義仍然是可以理解的。決策樹的這種易理解性對數據挖掘的使用者來說是一個顯著的優點。
然而決策樹的這種明確性可能帶來誤導。比如，決策樹每個節點對應分割的定義都是非常明確毫不含糊的，但在實際生活中這種明確可能帶來麻煩（憑什麼說年收入￥40,001的人具有較小的信用風險而￥40,000的人就沒有）。

❻ 在股市投資中，什麼能稱得上是量化投資

量化交易是利用數學、統計、計算機的模型和方法來指導在金融市場的交易，可以自動下單業可以半自動下單，這個不是核心，核心在於是不是系統化交易（systematic trading）。

比如主觀交易會看K線交易，量化交易業會，但區別在於量化交易可以在歷史數據上回測各種交易規則，找到表現好的，然後才用來交易。這或許會有過度擬合的風險，但也有一些方法克服。

本人認為"量化交易系統、指標體系交易系統"均為"技術分析系統"的子集，"量化交易系統"與“指標體系系統"等價，即技術分析的概念更廣，因波浪理論屬於技術分析，但難說它屬於量化交易，因有些事情的"量化"有很高難度，量化交易強調必須精準量化，必須能用指標體系表示，必須能精確的歷史數據回測。

❼ 查理·芒格的名言

1、不要同一頭豬摔跤，因為這樣你會把全身弄臟，而對方卻樂此不疲。

2、許多IQ很高的人卻是糟糕的投資者，原因是他們的品性缺陷。我認為優秀的品性比大腦更重要，你必須嚴格控制那些非理性的情緒，你需要鎮定、自律，對損失與不幸淡然處之，同樣地也不能被狂喜沖昏頭腦。

3、我認識一位製造釣鉤的人，他製作了一些閃閃發光的綠色和紫色魚餌。我問：「魚會喜歡這些魚餌嗎？」「查理」，他說，「我可並不是把魚餌賣給魚的呀」。

4、我想自己不是受到良好教育的典範，我是自己學會通過閱讀而獲取自己想要的信息的。我一生中常常如此。我經常是更喜歡已經作古的傑出導師而不喜歡仍在人世的老師。

5、在遭遇一件令你難以接受的悲劇時，你永遠也不能因為擺脫不掉它的困擾、在生活中再屢遭失敗而讓這一件悲劇變成兩件、三件。

6、生活就是一連串的「機會成本」，你要與你能較易找到的最好的人結婚，投資與此何其相似啊。

7、我喜歡資本家的獨立。我素來有一種賭博傾向。我喜歡構思計劃然後下賭注，所以無論發生什麼事我都能泰然處之。

8、一個素質良好的企業和一個苟延殘喘的企業之間的區別就在於，好企業一個接一個輕松地作出決定，而糟糕的企業則不斷地需要作出痛苦的抉擇。

9、如果你的思維完全依賴於他人，只要一超出你的領域，就求助專家建議，那麼你將遭受很多災難。

10、本傑明·格雷厄姆有一些盲點，他過低估計事實，而那些事實值得花大本錢投入。

11、我從不為股票而支付內在價值，除非像沃倫·巴菲特那種人所掌管的股票，只有很少人值得為了長期利益投資一點，投資游戲總是蘊含考慮質量與價格，技巧就是從你付出的價格中獲得更好的質量，很簡單。

12、人們低估了那些簡單大道理的重要性。我認為，在某種意義上說，伯克夏·哈薩維是一個教導性的企業，它教會一種正確的思維體系。最關鍵的課程是，一些大的道理真的在起作用。我想我們的這種滲透已經起到了非常好的作用——因為它們是如此簡單。

13、所謂投資這種游戲就是比別人更好地對未來作出預測。你怎樣才能夠比別人做出更好的預測呢？一種方法是把你的種種嘗試限制在自己能力許可的那些個領域當中。如果你花費力氣想要預測未來的每一件事情，那你嘗試去做的事情太多了。你將會因為缺乏限制而走向失敗。

14、人類並沒有被賦予隨時隨地感知一切、了解一切的天賦。但是人類如果努力去了解、去感知——通過篩選眾多的機會——就一定能找到一個錯位的賭注。而且，聰明的人會在世界提供給他這一機遇時下大賭注。當成功概率很高時他們下了大賭注，而其餘的時間他們按兵不動，事情就是這么簡單。

15、我與巴菲特工作這么多年，他這個人的優點之一是他總是自覺地從決策樹的角度思考問題，並從數學的排列與組合的角度思考問題。

16、分散投資只會令自己分身不暇，宜重錘出擊，集中火力專攻少數優質企業，創富路上便能一本萬利。

17、要記住那些竭力鼓吹你去做什麼事的經紀人，都是被別人支付傭金和酬金的，那些初涉這一行、什麼都不懂的投資者不如先從指數基金入手，因為它們畢竟由公共機構管理，個人化的因素少一些。一個投資者應當掌握格雷厄姆的基本投資方法，並且對商業經營有深入的了解，你要樹立一個觀念：對任何價值進行量化，並比較不同價值載體之間的優劣，這需要非常復雜的知識架構。

18、芒格大體上同意「市場是有效率的」這種說法，「正因如此，成為一個聰穎的投資者就尤其艱難。但我認為市場不是完全有效的，因此這個部分的有效性(some what efficient)就能夠帶來巨大的盈利空間，令人咋舌的投資紀錄很難實現，但絕非不可能，也不是金字塔頂尖的人才能做到，我認為投資管理界高端30%-40%的人都有這個潛力。學院派贊美多樣化的投資理念，這對優秀的投資者是一個傷害。波克夏風格的投資者極少嘗試多樣化。學院派的觀點只會使你對自己的投資紀錄與平均水平相差不遠、感受好一點而已。」

19、我們不會把450億美元隨便撂在那兒，但你必須能判斷出那個高科技股票直躥雲霄的癲狂時刻並控制自己遠離。你掙不到任何錢，但卻可能倖免於滅頂之災。

20、對於被動式投資者而言，不同國家的文化對他們有不同的親和特質。有些是可信賴的，比如美國市場，有些則充滿不確定風險。我們很難量化這種親和特質和可信的原因，所以很多人就自欺欺人。這很危險，對於新興市場而言這是最重要的研究課題。

21、芒格認為，深刻理解怎樣變成一個卓越的投資者，有助於成為一個更好的經營者，「反之亦如是。沃倫經營產業的方式不需要花費多少時間，我敢打賭我們一半的生意巴菲特都不曾涉足，但這種輕松的管理方式帶來的績效卻有目共睹。巴菲特是一個從不介入微觀管理的優秀經營者。

22、本傑明·富蘭克林之所以能有所貢獻，是因為他有（資金）自由。」他說，「我常 想做一個對人類有用的人，而不願死得像一個守財奴一樣。但有時，我離這樣一種思想境界還差得很遠。

23、我就想知道我會死在何處，然後我永遠不去那裡。

❽ 2019金融專碩考研有哪些專業方向呢考研難度大嗎

你好，據 研塗寶 考研方面的相關信息，了解 金融專碩 的研究方向 主要有：貨幣銀行學、金融經濟、投資學、保險學、公司理財。不同學校都會有所差異，你可以去具體了解下
2019金融專碩院校考研難度及報考情況分析
★難度level 1：
1、北大光華：400；報錄比3%以內；專業課極難；公共課改卷壓分；就業極好；學費很高；但難度極大；復試比較公平；偏好理工科背景。
2、上交高金：400+；報錄比為4.5%；但差額比例為2:1；師資極強；國際化程度全國第一招生人數少；基本復試被刷；不是頂尖大學的本科；偏好理工科背景。
3、北大CCER：370+；報錄比為4%；出國質量好；復試刷人厲害；難度極大；對本科學校要求很高；偏好理工科背景。
4、北大匯豐：370+；報錄比5%；雙學位極具吸引力；就業前途非常好；學費貴。
5、清華經管：金融只招收金融專業碩士；名額為97人；在深圳校區；學費和光華看齊；偏好理工科背景；第一年的報考人數不是很多；難度一般；2011年清華經管調劑生源；以前清華經管招收1名左右的統考生；分數線在360+；報錄比5%；考數一。
6、復旦經院：一般招20人；報1000人；就業極好，不比北大清華差，在上海的聲望超過清華；復試很公平；很多二本學生都不會被刷。
7、復旦管院：2011年新的金融工程和財務工程項目和國外頂尖大學合作培養，極具吸引力，第一年的生源一般，今後的生源看漲。
8、上交安泰：400+；報錄比4%；復試不太公開透明；國際化程度極高；就業極好；分數線很高；復試刷人非常厲害；偏好理工科背景。
9、北大經院：370+；報錄比4%；就業一般；學術相對落伍；復試極其公平。
★難度level 2：
1、五道口：360+；報錄比4%；主要實力集中在貨幣市場、銀行，在資本市場、券商上表現不佳；就業還可以，與四大名校還是有差距；偏好科班。
2、人民大學：360+；難度很高；就業有局限性；偏好科班。
3、上海財大：390左右；報錄比為4%；難度看漲；偏好理工科背景。
4、南京大學：390左右；報錄比5%；金融聯考分數線僅次於復旦和上財。
★難度level 3：
1、中央財經：分數很低，340左右，但北京公共課壓分，而且央財專業課給分極低，導致分數線不是太高偏好科班。
2、對外經貿：分數不高，340左右，但北京壓分，報錄比9%，難度其實很大；兩個學院招200+人；就業很好；對英語要求非常高，專業課都要求考專業英語。
3、南開大學：360左右，天津也壓分，但南開的難度也就和央財差不多。
4、中山大學：390左右；嶺南學院的分數極高；管理學院分數也較高。5、廈門大學：360左右；金融聯考；師資很強；位置偏遠。6、武漢大學：370+；試卷簡單。
★難度level 4：
1、華中科大：350+；報錄比8%；有高人坐鎮。
2、浙江大學：360左右；沒有博士點；導師是原杭州大學的老師；項目是省級項目；就業基本為浙江省內的分行；偏好科班；有5%的錄取人數將會分配到浙江大學城市學院，三本，聯合培養。
3、西南財大：招生人數多；就業不錯。
4、西安交大：很難。