基本金融方程背后是什么
『壹』 金融经济学的三大基本定理
金融经济学的三大基本定理：经济人假定，资源稀缺假定，保护私有产权假定。
西方经济学三个假定不适应我国社会主义市场经济体制要求，我国市场经济条件下的工资收入分配理论如何在坚持马克思主义体系框架内与时俱进、不断创新，是摆在面前的重要任务和课题。
而对经济学假定的重新思考与探索，又使我们能够发现我国宏观和微观分配领域中存在的问题根源所在，促使探索经济学假定与我国市场经济的适应性问题。
引子
金融经济学是人们从20世纪80年代后期开始，不断地运用经济学理论探索、研究金融学中的均衡与套利、单时期风险配置以及多时期风险配置、最优投资组合、均值方差分析、最优消费与投资、证券估值与定价等等，逐渐形成并发展起来的一门崭新的经济学与金融学交叉性的学科。当今，金融经济学在对经济学家的教育和培训中所起的作用与前几年相比，显得更加重要。
『贰』 金融学里金融分析与金融方程这个方向怎么样毕业后的就业方向是什么
金融分析偏向于理财方向，以后可以考理财师。
金融工程偏向于金融产品的设计，以后进入金融企业可以搞产品开发。
『叁』 什么是金融模型
金融模型就是跟据所收集的数据利用回归分析做出一个影响所分析数据的公式，根据公式将数据带入可以进行预测，在股市上的应用就是可以预测股市价格，在这方面比较好的软件是SARS
『肆』 基本金融知识是什么
金融是货币流通和信用活动以及与之相联系的经济活动的总称，广义的金融泛指一切与信用货币的发行、保管、兑换、结算，融通有关的经济活动，甚至包括金银的买卖，狭义的金融专指信用货币的融通。 金融的内容可概括为货币的发行与回笼，存款的吸收与付出，贷款的发放与回收，金银、外汇的买卖，有价证券的发行与转让，保险、信托、国内、国际的货币结算等。从事金融活动的机构主要有银行、信托投资公司、保险公司、证券公司，还有信用合作社、财务公司、投资信托公司、金融租赁公司以及证券、金银、外汇交易所等。 金融是信用货币出现以后形成的一个经济范畴，它和信用是两个不同的概念：（1）金融不包括实物借贷而专指货币资金的融通（狭义金融），人们除了通过借贷货币融通资金之外，还以发行股票的方式来融通资金。（2）信用指一切货币的借贷，金融（狭义）专指信用货币的融通。人们之所以要在“信用”之外创造一个新的概念来专指信用货币的融通，是为了概括一种新的经济现象；信用与货币流通这两个经济过程已紧密地结合在一起。最能表明金融特征的是可以创造和消减货币的银行信用，银行信用被认为是金融的核心。 金融学是从经济学分化出来的、研究资金融通的学科。传统的金融学研究领域大致有两个方向：宏观层面的金融市场运行理论和微观层面的公司投资理论。 金融的特征： 1. 金融是信用交易。 （1）信用 经济学上的信用，是一种商品交易的形式，对应于现货交易（即时清结的交易）。 信用是金融的基础，金融最能体现信用的原则与特性。在发达的商品经济中，信用已与货币流通融为一体。 （2）信用交易的应有特点 a. 一方以对方偿还为条件，向对方先行移转商品（包括货币）的所有权，或者部分权能； b. 一方对商品所有权或其权能的先行移转与另一方的相对偿还之间，存在一定的时间差； c. 先行交付的一方需要承担一定的信用风险，信用交易的发生是基于给予对方信任。 2. 金融原则上必须以货币为对象。 3. 金融交易可以发生在各种经济成分之间。 其主要研究分支包括： 金融市场学（en:Financial market） 公司金融学（en:Corporate Finance） 金融工程学（en:Financial Engineering） 金融经济学（en:Financial Economics） 投资学（en:Investment Investment） 货币银行学（en:Money, Banking and Economics） 国际金融学（en:International Finance） 财政学（en:Public Finance） 保险学（en:Insurance Insurance） 数理金融学（en:Mathematical Finance） 金融计量经济学（en:Financial Econometrics）
『伍』 金融工程原理
金融学：微观经济学、宏观经济学、会计学、计量经济学、国际经济学、金融学、金融中介学、金融市场学、商业银行经营学、金融工程学、国际金融、公司金融、中央银行学、保险学、证券投资学、金融统计分析、投资银行学、国际结算、市场营销、金融法、资产评估、项目评估、期货与期权等
金融工程：经济学模块；金融学模块；计算机模块；数学与统计模块等四大模块。开设课程有：政治经济学、微观经济学、宏观经济学、计量经济学、货币银行学、金融经济学，金融市场学，证券投资学，衍生金融工具，固定收益证券，公司金融，金融工程学，金融会计、随机过程，时间序列分析，金融统计与分析应用，商业银行经营与管理，保险与精算，博弈论与信息经济学，金融风险管理，投资银行学，国际金融，国际投资，金融法等。
从课程设置来看
金融学基本上以经济学、金融学（包括金融、保险、期货、证券、银行、投资等）、管理学（会计、营销）为主，偏文科。金融学是以学习金融行业的政策、法规、理论为主，属于经管类专业。
金融工程除了上述课程以外，增加了一些计算机、数学、统计课程。金融工程以数学、计算机为基础，设计金融工具为主，这种工具可以是交易也可以是风险防控等，一般认为属于工科专业，培养的方向是金融工程师，俗称“矿工”（quant ）。随着人工智能的发展，金融工程越来越依靠统计学、大数据、机器学习、深度学习等，而不是单纯的数学模型，该专业对数学（统计学）、计算机（编程）有比较高的要求。
这么说吧，如果你觉得你有资源有人脉综合能力强，那就去学习金融学。
你觉得更喜欢计算机、大数据、编程等，数学也不错，那就去学金融工程。
『陆』 麻烦谁给我介绍一下金融数学，金融工程，精算学！
金融数学
21世纪数学技术和计算机技术一样成为任何一门科学发展过程中的必备工具。美国花旗
银行副总裁柯林斯（Collins）1995年3月6日在英国剑桥大学牛顿数学科学研究所的讲演
中叙述到：“在18世纪初，和牛顿同时代的著名数学家伯努利曾宣称：‘从事物理学研
究而不懂数学的人实际上处理的是意义不大的东西。’那时候，这样的说法对物理学而
言是正确的，但对于银行业而言不一定对。在18世纪，你可以没有任何数学训练而很好
地运作银行。过去对物理学而言是正确的说法现在对于银行业也正确了。于是现在可以
这样说：‘从事银行业工作而不懂数学的人实际上处理的是意义不大的东西’。”他还
指出：花旗银行70%的业务依赖于数学，他还特别强调，‘如果没有数学发展起来的工具
和技术，许多事情我们是一点办法也没有的……没有数学我们不可能生存。”这里银行
家用他的经验描述了数学的重要性。在冷战结束后，美国原先在军事系统工作的数以千
计的科学家进入了华尔街，大规模的基金管理公司纷纷开始雇佣数学博士或物理学博士
。这是一个重要信号：金融市场不是战场，却远胜于战场。但是市场和战场都离不开复
杂艰深，迅速的计算工作。
然而在国内却不能回避这样一个事实：受过高等教育的专业人士都可以读懂国内经济类
，金融类核心期刊，但国内金融学专业的本科生却很难读懂本专业的国际核心期刊《Jo
urnal of Finance》，证券投资基金经理少有人去阅读《Joural of Portfolio Manage
ment》，其原因不在于外语的熟练程度，而在于内容和研究方法上的差异，目前国内较
多停留在以描述性分析为主着重描述金融的定义，市场的划分及金融组织等，或称为描
述金融；而国外学术界以及实务界则以数量性分析为主，比如资本资产定价原理，衍生
资产的复制方法等，或称为分析金融，即使在国内金融学的教材中，虽然涉及到了标的
资产（Underlying asset）和衍生资产（Derivative asset）定价，但对公式提出的原
文证明也予以回避，这种现象是不合理的，产生这种现象的原因有如下几个方面：首先
，根据研究方法的不同，我国金融学科既可以归到我国哲学社会科学规划办公室，也可
以归到国家自然科学基金委员会管理科学部，前者占主要地位，且这支队伍大多来自经
济转轨前的哲学和政治学队伍，因此研究方法多为定性的方法。而西方正好相反，金融
研究方向的队伍具有很好的数理功底。其次是我国的金融市场的实际环境所决定。我国
证券市场刚起步，也没有一个统一的货币市场，投资者队伍主要由中小投资者构成，市
场投机成分高，因此不会产生对现代投资理论的需求，相应地，学术界也难以对此产生
研究的热情。
然而数学技术以其精确的描述，严密的推导已经不容争辩地走进了金融领域。自从1952
年马柯维茨（Markowitz）提出了用随机变量的特征变量来描述金融资产的收益性，不确
定性和流动性以来，已经很难分清世界一流的金融杂志是在分析金融市场还是在撰写一
篇数学论文。再回到Collins的讲话，在金融证券化的趋势中，无论是我们采用统计学的
方法分析历史数据，寻找价格波动规律，还是用数学分析的方法去复制金融产品，谁最
先发现了内在规律，谁就能在瞬息万变的金融市场中获取高额利润。尽管由于森严的进
入堡垒，数学进入金融领域受到了一定的排斥和漠视，然而为了追求利润，未知的恐惧
显得不堪一击。
于是，在未来我们可以想象有这样一个充满美好前景的产业链：金融市场--金融数学--
计算机技术。金融市场存在巨大的利润和高风险，需要计算机技术帮助分析，然而计算
机不可能大概，左右等描述性语言，它本质上只能识别由0和1构成的空间，金融数学在
这个过程中正好扮演了一个中介角色，它可以用精确语言描述随机波动的市场。比如，
通过收益率状态矩阵在无套利的情形下找到了无风险贴现因子。因此，金融数学能帮助
IT产业向金融产业延伸，并获取自己的利润空间
金融数学（Financial Mathematics），又称数理金融学、数学金融学、分析金融学，是利用数学工具 研究金融，进行数学建模、理论分析、数值计算等定量分析，以求找到金融学内在规律并用以指导实践。金融数学也可以理解为现代数学与计算技术在金融领域的应用，因此，金融数学是一门新兴的交叉学科，发展 很快，是目前十分活跃的前言学科之一。
金融数学是一门新兴学科，是“金融高技术 ”的重要 组成部分。研究金融数学有着重要的意义。 金融数学总的研究目标是利用我国数学界某些方面的优势，围绕金融市场的均衡与有价证券定价的数学理论进行深入剖析，建立适合我国国情的数学模型，编写一定的计算机软件，对理论研究结果进行仿真计算，对实际数据进行计量经济分析研究，为实际金融部门提供较深入的技术分析咨询。
金融数学主要的研究内容和拟重点解决的问题包括：
(1)有价证券和证券组合的定价理论
发展有价证券（尤其是期货、期权等衍生工具）的定价理论。所用的数学方法主要是提出合适的随机微分方程或随机差分方程模型，形成相应的倒向方程。建立相应的非线性Feynman一Kac公式，由此导出非常一般的推广的Black一Scho1es定价公式。所得到的倒向方程将是高维非线性带约束的奇异方程。
研究具有不同期限和收益率的证券组合的定价问题。需要建立定价与优化相结合的数学模型，在数学工具的研究方面，可能需要随机规划、模糊规划和优化算法研究。
在市场是不完全的条件下，引进与偏好有关的定价理论。
(2）不完全市场经济均衡理论（GEI）
拟在以下几个方面进行研究：
1．无穷维空间、无穷水平空间、及无限状态
2.随机经济、无套利均衡、经济结构参数变异、非线资产结构
3．资产证券的创新（Innovation）与设计（Design）
4．具有摩擦（Friction）的经济
5．企业行为与生产、破产与坏债
6.证券市场博奕。
（3）GEI 平板衡算法、蒙特卡罗法在经济平衡点计算中的应用， GEI的理论在金融财政经济宏观经济调控中的应用，不完全市场条件下，持续发展理论框架下研究自然资源资产定价与自然资源的持续利用。
目前国内开设金融数学本科专业的高等院校中，实力较强的有北京大学、复旦大学、浙江大学、山东大学、南开大学。
后来从事计算机工作很出色。金融数学将后来在银行、保险、股票、期货领域从事研究分析，或做这些领域的软件开发，具有很好的专业背景，而这些领域将来都很重要。
国内金融数学人才凤毛麟角
诺贝尔经济学奖已经至少3次授予以数学为工具分析金融问题的经济学家。北京大学金融数学系王铎教授说，但遗憾的是，我国相关人才的培养，才刚刚起步。现在，既懂金融又懂数学的复合型人才相当稀缺。
金融数学这门新兴的交叉学科已经成为国际金融界的一枝奇葩。刚刚公布的2003年诺贝尔经济学奖，就是表彰美国经济学家罗伯特·恩格尔和英国经济学家克莱夫·格兰杰分别用“随着时间变化易变性”和“共同趋势”两种新方法分析经济时间数列给经济学研究和经济发展带来巨大影响。
王铎介绍，金融数学的发展曾两次引发了“华尔街革命”。上个世纪50年代初期，马科威茨提出证券投资组合理论，第一次明确地用数学工具给出了在一定风险水平下按不同比例投资多种证券收益可能最大的投资方法，引发了第一次“华尔街革命”。1973年，布莱克和斯克尔斯用数学方法给出了期权定价公式，推动了期权交易的发展，期权交易很快成为世界金融市场的主要内容，成为第二次“华尔街革命”。
今天，金融数学家已经是华尔街最抢手的人才之一。最简单的例子是，保险公司中地位和收入最高的，可能就是总精算师。美国花旗银行副主席保尔·柯斯林著名的论断是，“一个从事银行业务而不懂数学的人，无非只能做些无关紧要的小事”。
在美国，芝加哥大学、加州伯克利大学、斯坦福大学、卡内基·梅隆大学和纽约大学等著名学府，都已经设立了金融数学相关的学位或专业证书教育。
专家认为，金融数学可能带来的发展应该凸现在亚洲，尤其是在金融市场正在开发和具有巨大潜力的中国。香港中文大学、科技大学、城市理工大学等学校都已推出有关的训练课程和培养计划，并得到银行金融业界的热烈响应。但中国内地对该项人才的培养却有些艰辛。
王铎介绍，国家自然科学基金委员会在一项“九五”重大项目中，列入金融工程研究内容，可以说全面启动了国内的金融数学研究。可这比马科威茨开始金融数学的研究应用已经晚了近半个世纪。
在金融衍生产品已成为国际金融市场重要角色的背景下，我国的金融衍生产品才刚刚起步，金融衍生产品市场几乎是空白。“加入 W TO后，国际金融家们肯定将把这一系列业务带入中国。如果没有相应的产品和人才，如何竞争？”王铎忧虑地说。
他认为，近几年，接连发生的墨西哥金融危机、百年老店巴林银行倒闭等事件都在警告我们，如果不掌握金融数学、金融工程和金融管理等现代化金融技术，缺乏人才，就可能在国际金融竞争中蒙受重大损失。我们现在最缺的，就是掌握现代金融衍生工具、能对金融风险做定量分析的既懂金融又懂数学的高级复合型人才。
据悉，目前国内不少高校都陆续开展了与金融数学相关的教学，但毕业的学生远远满足不了整个市场的需求。
王铎认为，培养这类人才还有一些难以逾越的障碍———金融数学最终要运用于实践，可目前国内金融衍生产品市场还没有成气候，学生很难有实践的机会，教和学都还是纸上谈兵。另外，高校培养的人大多都是本科生，只有少量的研究生，这个领域的高端人才在国内还是凤毛麟角。国家应该更多地关注金融和数学相结合的复合型人才的培养。
王铎回忆，1997年，北京大学建立了国内首个金融数学系时，他曾想与一些金融界人士共商办学。但相当一部分人对此显然并不感兴趣：“什么金融衍生产品，什么金融数学，那都是国家应该操心的事。”
尽管当初开设金融数学系时有人认为太超前，但王铎坚持，教育应该走在产业发展的前头，才能为市场储备人才。如果今天还不重视相关领域的人才培养，就可能导致我们在国际竞争中的不利。
记者发现即使今天，在这个问题上，仍然一方面是高校教师对于人才稀缺的担忧，一方面却是一些名气很大的专家对金融数学人才培养的冷漠。
采访中，记者多次试图联系几位国内金融数学界或金融理论界专家，可屡屡遭到拒绝。原因很简单，他们认为，谈人才培养这样的话题太小儿科，有的甚至说，“我不了解，也根本不关注什么人才培养”。还有的说，“我现在有很多课题要做，是我的课题重要，还是讨论人才培养重要”、“我没有时间，也没义务向公众解释什么诺贝尔经济学奖，老百姓要不要晓得金融数学和我没有关系”。
[编辑本段]金融中的数据挖掘
1.什么是关联规则
在描述有关关联规则的一些细节之前，我们先来看一个有趣的故事： "尿布与啤酒"的故事。
在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。
按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。
2.关联规则挖掘过程、分类及其相关算法
2.1关联规则挖掘的过程
关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(Frequent Itemsets)，第二阶段再由这些高频项目组中产生关联规则(Association Rules)。
关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组(Large Itemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一水平。一项目组出现的频率称为支持度(Support)，以一个包含A与B两个项目的2-itemset为例，我们可以经由公式(1)求得包含{A,B}项目组的支持度，若支持度大于等于所设定的最小支持度(Minimum Support)门槛值时，则{A,B}称为高频项目组。一个满足最小支持度的k-itemset，则称为高频k-项目组(Frequent k-itemset)，一般表示为Large k或Frequent k。算法并从Large k的项目组中再产生Large k+1，直到无法再找到更长的高频项目组为止。
关联规则挖掘的第二阶段是要产生关联规则(Association Rules)。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小信赖度(Minimum Confidence)的条件门槛下，若一规则所求得的信赖度满足最小信赖度，称此规则为关联规则。例如：经由高频k-项目组{A,B}所产生的规则AB，其信赖度可经由公式(2)求得，若信赖度大于等于最小信赖度，则称AB为关联规则。
就沃尔马案例而言，使用关联规则挖掘技术，对交易资料库中的纪录进行资料挖掘，首先必须要设定最小支持度与最小信赖度两个门槛值，在此假设最小支持度min_support=5% 且最小信赖度min_confidence=70%。因此符合此该超市需求的关联规则将必须同时满足以上两个条件。若经过挖掘过程所找到的关联规则「尿布，啤酒」，满足下列条件，将可接受「尿布，啤酒」的关联规则。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%于此应用范例中的意义为:在所有的交易纪录资料中，至少有5%的交易呈现尿布与啤酒这两项商品被同时购买的交易行为。Confidence(尿布，啤酒)>=70%于此应用范例中的意义为:在所有包含尿布的交易纪录资料中，至少有70%的交易会同时购买啤酒。因此，今后若有某消费者出现购买尿布的行为，超市将可推荐该消费者同时购买啤酒。这个商品推荐的行为则是根据「尿布，啤酒」关联规则，因为就该超市过去的交易纪录而言，支持了“大部份购买尿布的交易，会同时购买啤酒”的消费行为。
从上面的介绍还可以看出，关联规则挖掘通常比较适用与记录中的指标取离散值的情况。如果原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化（实际上就是将某个区间的值对应于某个值），数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。
2.2关联规则的分类
按照不同情况，关联规则可以进行分类如下：
1.基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。
布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系；而数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变量。例如：性别=“女”=>职业=“秘书” ，是布尔型关联规则；性别=“女”=>avg（收入）=2300，涉及的收入是数值类型，所以是一个数值型关联规则。
2.基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。
在单层的关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的；而在多层的关联规则中，对数据的多层性已经进行了充分的考虑。例如：IBM台式机=>Sony打印机，是一个细节数据上的单层关联规则；台式机=>Sony打印机，是一个较高层次和细节层次之间的多层关联规则。
3.基于规则中涉及到的数据的维数，关联规则可以分为单维的和多维的。
在单维的关联规则中，我们只涉及到数据的一个维，如用户购买的物品；而在多维的关联规则中，要处理的数据将会涉及多个维。换成另一句话，单维关联规则是处理单个属性中的一些关系；多维关联规则是处理各个属性之间的某些关系。例如：啤酒=>尿布，这条规则只涉及到用户的购买的物品；性别=“女”=>职业=“秘书”，这条规则就涉及到两个字段的信息，是两个维上的一条关联规则。
2.3关联规则挖掘的相关算法
1.Apriori算法：使用候选项集找频繁项集
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。
可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。
2.基于划分的算法
Savasere等设计了一个基于划分的算法。这个算法先把数据库从逻辑上分成几个互不相交的块，每次单独考虑一个分块并对它生成所有的频集，然后把产生的频集合并，用来生成所有可能的频集，最后计算这些项集的支持度。这里分块的大小选择要使得每个分块可以被放入主存，每个阶段只需被扫描一次。而算法的正确性是由每一个可能的频集至少在某一个分块中是频集保证的。该算法是可以高度并行的，可以把每一分块分别分配给某一个处理器生成频集。产生频集的每一个循环结束后，处理器之间进行通信来产生全局的候选k-项集。通常这里的通信过程是算法执行时间的主要瓶颈；而另一方面，每个独立的处理器生成频集的时间也是一个瓶颈。
3.FP-树频集算法
针对Apriori算法的固有缺陷，J. Han等提出了不产生候选挖掘频繁项集的方法：FP-树频集算法。采用分而治之的策略，在经过第一遍扫描之后，把数据库中的频集压缩进一棵频繁模式树（FP-tree），同时依然保留其中的关联信息，随后再将FP-tree分化成一些条件库，每个库和一个长度为1的频集相关，然后再对这些条件库分别进行挖掘。当原始数据量很大的时候，也可以结合划分的方法,使得一个FP-tree可以放入主存中。实验表明，FP-growth对不同长度的规则都有很好的适应性，同时在效率上较之Apriori算法有巨大的提高。
3.该领域在国内外的应用
3．1关联规则发掘技术在国内外的应用
就目前而言，关联规则挖掘技术已经被广泛应用在西方金融行业企业中，它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销。现在银行天天都在开发新的沟通客户的方法。各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
同时，一些知名的电子商务站点也从强大的关联规则挖掘中的受益。这些电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。
但是目前在我国，“数据海量，信息缺乏”是商业银行在数据大集中之后普遍所面对的尴尬。目前金融业实施的大多数数据库只能实现数据的录入、查询、统计等较低层次的功能，却无法发现数据中存在的各种有用的信息，譬如对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户、消费群体或组织的金融和商业兴趣，并可观察金融市场的变化趋势。可以说，关联规则挖掘的技术在我国的研究与应用并不是很广泛深入。
3．2近年来关联规则发掘技术的一些研究
由于许多应用问题往往比超市购买问题更复杂，大量研究从不同的角度对关联规则做了扩展，将更多的因素集成到关联规则挖掘方法之中，以此丰富关联规则的应用领域，拓宽支持管理决策的范围。如考虑属性之间的类别层次关系，时态关系，多表挖掘等。近年来围绕关联规则的研究主要集中于两个方面，即扩展经典关联规则能够解决问题的范围，改善经典关联规则挖掘算法效率和规则兴趣性。
金融工程的定义
关于金融工程的定义有多种说法，美国金融学家约翰·芬尼迪(John Finnerty)提出的定义最好：金融工程包括创新型金融工具与金融手段的设计、开发与实施，以及对金融问题给予创造性的解决。
金融工程的概念有狭义和广义两种。狭义的金融工程主要是指利用先进的数学及通讯工具，在各种现有基本金融产品的基础上，进行不同形式的组合分解，以设计出符合客户需要并具有特定P／L性的新的金融产品。而广义的金融工程则是指一切利用工程化手段来解决金融问题的技术开发，它不仅包括金融产品设计，还包括金融产品定价、交易策略设计、金融风险管理等各个方面。本文采用的是广义的金融工程概念。
[编辑本段]金融工程的核心内容
金融工程中，其核心在于对新型金融产品或业务的开发设计，其实质在于提高效率，它包括：
1.新型金融工具的创造，如创造第一个零息债券，第一个互换合约等；
2.已有工具的发展应用，如把期货交易应用于新的领域，发展出众多的期权及互换的品种等；
3.把已有的金融工具和手段运用组合分解技术，复合出新的金融产品，如远期互换，期货期权，新的财务结构的构造等。
[编辑本段]金融工程的运作程序
金融工程的运作具有规范化的程序:诊断—分析—开发—定价—交付使用，基本过程程序化。
其中从项目的可行性分析，产品的性能目标确定，方案的优化设计，产品的开发，定价模型的确定，仿真的模拟试验，小批量的应用和反馈修正，直到大批量的销售、推广应用，各个环节紧密有序。大部分的被创新的新金融产品，成为运用金融工程创造性解决其他相关金融财务问题的工具，即组合性产品中的基本单元。
精算学
精算学在西方已经有三百年的历史，它是一门运用概率论等数学理论和多种金融工具，研究如何处理保险业及其他金融业中各种风险问题的定量方法和技术的学科，是现代保险业、金融投资业和社会保障事业发展的理论基础。
精算是一门运用概率数学理论和多种金融工具对经济活动进行分析预测的学问。在西方发达国家，精算在保险、投资、金融监管、社会保障以及其他与风险管理相关领域发挥着重要作用。精算师是同"未来不确定性"打交道的，宗旨是为金融决策提供依据。
精算师
『柒』 金融数学会涉及到哪些方面
金融数学是一门新兴学科，是“金融高技术 ”的重要组成部分。研究目标是利用我国数学界某些方面的优势，围绕金融市场的均衡与有价证券定价的数学理论进行深入剖析，建立适合国情的数学模型，编写一定的计算机软件，对理论研究结果进行仿真计算，对实际数据进行计量经济分析研究，为实际金融部门提供较深入的技术分析咨询。核心内容就是研究不确定随机环境下的投资组合的最优选择理论和资产的定价理论。套利、最优与均衡是金融数学的基本经济思想和三大基本概念。
金融数学主要的研究内容和拟重点解决的问题包括：
(1)有价证券和证券组合的定价理论
发展有价证券（尤其是期货、期权等衍生工具）的定价理论。所用的数学方法主要是提出合适的随机微分方程或随机差分方程模型，形成相应的倒向方程。建立相应的非线性Feynman一Kac公式，由此导出非常一般的推广的Black一Scholes定价公式。所得到的倒向方程将是高维非线性带约束的奇异方程。
研究具有不同期限和收益率的证券组合的定价问题。需要建立定价与优化相结合的数学模型，在数学工具的研究方面，可能需要随机规划、模糊规划和优化算法研究。
在市场是不完全的条件下，引进与偏好有关的定价理论。
(2）不完全市场经济均衡理论（GEI）
拟在以下几个方面进行研究：
1．无穷维空间、无穷水平空间、及无限状态
2.随机经济、无套利均衡、经济结构参数变异、非线资产结构
3．资产证券的创新（Innovation）与设计（Design）
4．具有摩擦（Friction）的经济
5．企业行为与生产、破产与坏债
6.证券市场博弈。
（3）GEI 平板衡算法、蒙特卡罗法在经济平衡点计算中的应用， GEI的理论在金融财政经济宏观经济调控中的应用，不完全市场条件下，持续发展理论框架下研究自然资源资产定价与自然资源的持续利用。
1.什么是关联规则
在描述有关关联规则的一些细节之前，我们先来看一个有趣的故事："尿布与啤酒"的故事。
在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。
2.关联规则挖掘过程、分类及其相关算法
2.1关联规则挖掘的过程
关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(FrequentItemsets)，第二阶段再由这些高频项目组中产生关联规则(AssociationRules)。
关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组(LargeItemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一水平。一项目组出现的频率称为支持度(Support)，以一个包含A与B两个项目的2-itemset为例，我们可以经由公式(1)求得包含{A,B}项目组的支持度，若支持度大于等于所设定的最小支持度(MinimumSupport)门槛值时，则{A,B}称为高频项目组。一个满足最小支持度的k-itemset，则称为高频k-项目组(Frequentk-itemset)，一般表示为Largek或Frequentk。算法并从Largek的项目组中再产生Largek+1，直到无法再找到更长的高频项目组为止。
关联规则挖掘的第二阶段是要产生关联规则(AssociationRules)。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小信赖度(MinimumConfidence)的条件门槛下，若一规则所求得的信赖度满足最小信赖度，称此规则为关联规则。例如：经由高频k-项目组{A,B}所产生的规则AB，其信赖度可经由公式(2)求得，若信赖度大于等于最小信赖度，则称AB为关联规则。
就沃尔马案例而言，使用关联规则挖掘技术，对交易资料库中的纪录进行资料挖掘，首先必须要设定最小支持度与最小信赖度两个门槛值，在此假设最小支持度min_support=5%且最小信赖度min_confidence=70%。因此符合此该超市需求的关联规则将必须同时满足以上两个条件。若经过挖掘过程所找到的关联规则「尿布，啤酒」，满足下列条件，将可接受「尿布，啤酒」的关联规则。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%于此应用范例中的意义为:在所有的交易纪录资料中，至少有5%的交易呈现尿布与啤酒这两项商品被同时购买的交易行为。Confidence(尿布，啤酒)>=70%于此应用范例中的意义为:在所有包含尿布的交易纪录资料中，至少有70%的交易会同时购买啤酒。因此，今后若有某消费者出现购买尿布的行为，超市将可推荐该消费者同时购买啤酒。这个商品推荐的行为则是根据「尿布，啤酒」关联规则，因为就该超市过去的交易纪录而言，支持了“大部份购买尿布的交易，会同时购买啤酒”的消费行为。
从上面的介绍还可以看出，关联规则挖掘通常比较适用与记录中的指标取离散值的情况。如果原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化（实际上就是将某个区间的值对应于某个值），数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。
2.2关联规则的分类
按照不同情况，关联规则可以进行分类如下：
1.基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。
布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系；而数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变量。例如：性别=“女”=>职业=“秘书”，是布尔型关联规则；性别=“女”=>avg（收入）=2300，涉及的收入是数值类型，所以是一个数值型关联规则。
2.基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。
在单层的关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的；而在多层的关联规则中，对数据的多层性已经进行了充分的考虑。例如：IBM台式机=>Sony打印机，是一个细节数据上的单层关联规则；台式机=>Sony打印机，是一个较高层次和细节层次之间的多层关联规则。
3.基于规则中涉及到的数据的维数，关联规则可以分为单维的和多维的。
在单维的关联规则中，我们只涉及到数据的一个维，如用户购买的物品；而在多维的关联规则中，要处理的数据将会涉及多个维。换成另一句话，单维关联规则是处理单个属性中的一些关系；多维关联规则是处理各个属性之间的某些关系。例如：啤酒=>尿布，这条规则只涉及到用户的购买的物品；性别=“女”=>职业=“秘书”，这条规则就涉及到两个字段的信息，是两个维上的一条关联规则。 Apriori算法
2.3关联规则挖掘的相关算法
1.Apriori算法：使用候选项集找频繁项集
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。
可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。
2.基于划分的算法：Savasere等设计了一个基于划分的算法。这个算法先把数据库从逻辑上分成几个互不相交的块，每次单独考虑一个分块并对它生成所有的频集，然后把产生的频集合并，用来生成所有可能的频集，最后计算这些项集的支持度。这里分块的大小选择要使得每个分块可以被放入主存，每个阶段只需被扫描一次。而算法的正确性是由每一个可能的频集至少在某一个分块中是频集保证的。该算法是可以高度并行的，可以把每一分块分别分配给某一个处理器生成频集。产生频集的每一个循环结束后，处理器之间进行通信来产生全局的候选k-项集。通常这里的通信过程是算法执行时间的主要瓶颈；而另一方面，每个独立的处理器生成频集的时间也是一个瓶颈。
3.FP-树频集算法：针对Apriori算法的固有缺陷，J.Han等提出了不产生候选挖掘频繁项集的方法：FP-树频集算法。采用分而治之的策略，在经过第一遍扫描之后，把数据库中的频集压缩进一棵频繁模式树（FP-tree），同时依然保留其中的关联信息，随后再将FP-tree分化成一些条件库，每个库和一个长度为1的频集相关，然后再对这些条件库分别进行挖掘。当原始数据量很大的时候，也可以结合划分的方法,使得一个FP-tree可以放入主存中。实验表明，FP-growth对不同长度的规则都有很好的适应性，同时在效率上较之Apriori算法有巨大的提高。
3.该领域在国内外的应用
3.1关联规则发掘技术在国内外的应用
就目前而言，关联规则挖掘技术已经被广泛应用在西方金融行业企业中，它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销。现在银行天天都在开发新的沟通客户的方法。各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
同时，一些知名的电子商务站点也从强大的关联规则挖掘中的受益。这些电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。
但是目前在我国，“数据海量，信息缺乏”是商业银行在数据大集中之后普遍所面对的尴尬。目前金融业实施的大多数数据库只能实现数据的录入、查询、统计等较低层次的功能，却无法发现数据中存在的各种有用的信息，譬如对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户、消费群体或组织的金融和商业兴趣，并可观察金融市场的变化趋势。可以说，关联规则挖掘的技术在我国的研究与应用并不是很广泛深入。
3.2近年来关联规则发掘技术的一些研究
由于许多应用问题往往比超市购买问题更复杂，大量研究从不同的角度对关联规则做了扩展，将更多的因素集成到关联规则挖掘方法之中，以此丰富关联规则的应用领域，拓宽支持管理决策的范围。如考虑属性之间的类别层次关系，时态关系，多表挖掘等。近年来围绕关联规则的研究主要集中于两个方面，即扩展经典关联规则能够解决问题的范围，改善经典关联规则挖掘算法效率和规则兴趣性。
『捌』 什么是金融学基本原理
金融学(Finance)是从经济学中分化出来的应用经济学科，是以融通货币和货币资金的经济活动为研究对象，具体研究个人、机构、政府如何获取、支出以及管理资金以及其他金融资产的学科。金融金融学专业主要培养具有金融保险理论基础知识和掌握金融保险业务技术，能够运用经济学一般方法分析金融保险活动、处理金融保险业务，有一定综合判断和创新能力，能够在中央银行、商业银行、政策性银行、证券公司、人寿保险公司、财产保险公司、再保验公司、信托投资公司、金融租赁公司、金融资产公司、集团财务公司、投资基金公司及金融教育部门工作的高级专门人才。
金融学主要学习货币银行学方向有货币银行学、商业银行经营管理、中央银行、国际金融、国际结算、证券投资、投资项目评估、投资银行业务、公司金融等。
历史起源
金融学在古代不是独立的学科。如在中国，一些金融理论观点散见在论述“财货”问题的各种典籍中。它作为一门独立的学科，最早形成于西方，叫“货币银行学”。近代中国的金融学，是从西方介绍来的，有从古典经济学直到现代经济学的各派货币银行学说。
20世纪50年代末期以后，“货币信用学”的名称逐渐被广泛采用。这时，开始注意对资本主义和社会主义两种社会制度下的金融问题进行综合分析，并结合中国实际提出了一些理论问题加以探讨，如：人民币的性质问题，货币流通规律问题，社会主义银行的作用问题，财政收支、信贷收支和物资供求平衡问题，等等。不过，总的说，在这期间，金融学没有受到重视。
自20世纪70年代末以来，中国的金融学建设进入了新阶段，一方面结合实际重新研究和阐明马克思主义的金融学说，另一方面则扭转了完全排斥西方当代金融学的倾向，并展开了对它们的研究和评价;同时，随着经济生活中金融活动作用的日益增强，金融学科受到了广泛的重视;这就为以中国实际为背景的金融学创造了迅速发展的有利条件。
金融学研究的内容极其丰富。它不仅限于金融理论方面的研究，还包括金融史、金融学说史、当代东西方各派金融学说，以及对各国金融体制、金融政策的分别研究和比较研究，信托、保险等理论也在金融学的研究范围内。
在金融理论方面主要研究课题有：货币的本质、职能及其在经济中的地位和作用;信用的形式、银行的职能以及它们在经济中的地位和作用;利息的性质和作用;在现代银行信用基础上组织起来的货币流通的特点和规律;通过货币对经济生活进行宏观控制的理论，等等。
学科分支 金融学从经济学分化出来的、研究资金融通的学科。传统的金融学研究领域大致有两个方向：宏观层面的金融市场运行理论和微观层面的公司投资理论。
其主要研究分支包括： 金融市场学(en:Financial market) 公司金融学(en:Corporate Finance)
金融工程学(en:Financial Engineering) 金融经济学(en:Financial Economics)
投资学(en:Investment Investment) 货币银行学(en:Money, Banking and Economics)
国际金融学(en:International Finance) 财政学(en:Public Finance) 保险学(en:Insurance
Insurance) 数理金融学(en:Mathematical Finance) 金融计量经济学(en:Financial Econometrics)
[编辑本段]学科分类
金融学(Finance)的定义不是一个简单的问题，而且用来定义学科的术语对该学科的发展方向会有极其重要的影响。Webster字典将“To
Finance”定义为“筹集或提供资本(To Raise Or Provide Funds Or Capital
For)”。华尔街日报在其新开的公司金融(Corporate Finance)的固定版面中将(公司)金融定义为“为业务提供融资的业务(Business Of
Financing Businesses)”，这一定义基本上代表了金融实业界的看法。代表学界对金融学较有权威的解释可参照《新帕尔格雷夫货币金融大辞典》(The
New Palgrave Dictionary Of Money And Finance) 的“Finance”相关词条。由斯蒂芬•A•罗斯(Stephen
A.
Ross)撰写的“Finance”词条称“金融以其不同的中心点和方法论而成为经济学的一个分支，其中心点是资本市场的运营、资本资产的供给和定价。其方法论是使用相近的替代物给金融契约和工具定价。”罗斯概括了“Finance”的四大课题：“有效率的市场”、“收益和风险”、“期权定价理论”和“公司金融”。罗斯的观点，集中体现了西方学者界定“Finance”倚重微观内涵及资本市场的特质。
在国内学界，对“Finance”一词的翻译及内涵界定存在较大争议。总览50多年来国内出版的各类财经专业辞典，“Finance”一词的汉语对译主要有“金融”、“财政”、“财务”、“融资”四种。相对而言，后三种译法用途相对特定，唯有“金融”颇值商榷。“金融”就其理论内涵来说，在国内具有转轨经济背景下的典型特征。基于货币、信用、银行、货币供求、货币政策、国际收支、汇率等专题的传统式金融研究，对于“金融”一词的代表性定义为“货币流通和信用活动以及与之相联系的经济活动的总称”(刘鸿儒，1995)，并不突出反映资本市场的地位。一般而言，国内学界理解“金融学(Finance)”，主要以“货币银行学(Money
And Banking)”和“国际金融(International
Finance)”两大代表性科目为主线。其原因大致有二：在视资本、证券为异类的历史环境下，由政府主导的银行业间接融资是金融实践的中心内容。与此相适应，针对银行体系的货币金融研究成为金融学绝对主导。二是发端于20世纪80年代初的改革开放国策导致将对外贸易加强，国内高校相应大面积开设以国际收支和贸易为核心的“国际金融”
(International Finance)专业。
令人尴尬的事实是，基于以上两大学科界定的(国内)“金融学”，今天看来却恰恰不是Finance的核心内容。西方学界对Finance的理解，集中反映在两门课程：一是以公司财务、公司融资、公司治理为核心内容的Corporate
Finance，即公司金融。二是以资产定价(Asset
Pricing)为核心内容的Investments，即投资学。值得一提的是，国内很多学者将Corporate
Finance译作“公司财务”或“公司理财”，很容易使人误解其研究对象为会计事项，今后应予修正。总体观之，国内所理解的“金融学”，大抵属于西方学界宏观经济学、货币经济学和国际经济学领域的研究内容。而西方学界所指的Finance，就其核心研究对象而言更侧重微观金融领域。
鉴于以上分析，我将金融学(Finance)分为三大学科支系：微观金融学，宏观金融学，以及由金融与数学、法学等学科互渗形成的交叉学科。这种界定对于澄清目前中国学术界的金融学定义之争应有所帮助。
1、微观金融学(Finance) 也即国际学术界通常理解的Finance，主要含公司金融、投资学和证券市场微观结构(Securities Market
Microstructure)三个大的方向。微观金融学科通常设在商学院的金融系内。微观金融学是目前我国金融学界和国际学界差距最大的领域，急需改进。
2、宏观金融学(Macro Finance) 国际学术界通常把与微观金融学相关的宏观问题研究称为宏观金融学(Macro
Finance)。我个人认为，Macro Finance
又可以分为两类：一是微观金融学的自然延伸，包括以国际资产定价理论为基础的国际证券投资和公司金融(International Asset Pricing And
Corporate Finance)、金融市场和金融中介机构(Financial Market And Intermediations
)等等。这类研究通常设在商学院的金融系和经济系内。第二类是国内学界以前理解的“金融学”，包括“货币银行学”和“国际金融”等专业,
涵盖有关货币、银行、国际收支、金融体系稳定性、金融危机的研究。这类专业通常设在经济系内。
宏观金融学的研究在中国有特别的意义。这是因为微观金融学的理论基础是有效市场理论，而这样的市场在中国尚未建立，所以公司和投资者都受到更大范围的宏观因素影响。金融学模型总会在开始说“让我们假设……”，例如，以金融的范式——资本资产定价模型(CAPM)为例，詹森(1972)归纳出CAPM建立在下述七个假设上：所有投资者追求单周期的财富期望效用最大化;根据期望收益的均值和方差选择资产组合;可以无限量地拆借资金;对所有资产的收益回报有相同的估计;他们是价格的接受者，资本市场是完全竞争的;资产总量是固定的，没有新发行的证券，并且证券可以完全分离，交易无成本;最后，资本市场无税收。这些假设显然过于苛刻，尤其在中国这样的不成熟市场更难成立。
诸如此类的假设，侧面反映了宏观经济体制、金融中介和市场安排等问题。而这些问题，正是我这里所定“宏观金融学”的研究内容。我们必须重视对这些假设本身的研究。
3、金融学和其他学科的交叉学科
伴随社会分工的精细化，学科交叉成为突出现象，金融学概莫能外。实践中，与金融相关性最强的交叉学科有两个：一是由金融和数学、统计、工程学等交叉而形成的“金融工程学(Financial
Engineering)”;二是由金融和法学交叉而形成的“法和金融学(Law and
finance)”。金融工程学使金融学走向象牙塔，而法和金融学将金融学带回现实。
数学、物理和工程学方法在金融学中被广泛应用，阐述金融思想的工具从日常语言发展到数理语言，具有了理论的精神与抽象，是金融学科的一个进步。当我开始涉足金融学理论时，正是将物理和应用数学应用于金融模型的高峰期，比如使用差分、偏微分方程和随机积分等数学工具描述股票走势、收益率曲线等。我读金融学博士时的一个同窗是意大利人，他本科学的是物理，之所以选择金融，是因为期望金融能成为20世纪后期的物理学。11年后的今天，事情并没有像他当初预期的那样，物理和数学并未能统治金融学，完美的金融模型并没有出现，金融学经历了对物理和数学的狂热期后，回归到了基本面分析的基础上。
那为什么高深的数学和物理方法在金融研究中作用有限呢?金融是艺术(Art)而非科学(Science)。物理学理论模型使用确定性的参数，而金融学研究不确定性条件下的决策，所以不存在完美的金融模型来指导实践。科学利用理论模型引导人们的认识由未知走向已知，而金融利用理论模型从一种期望变成另一种期望——如股票定价、期权定价模型的参数分别是期望红利和期望收益变动率，永远是一个不确定性。
基于以上原因，加之我国金融衍生产品等金融工具的缺乏，估计金融工程学在中国近期不会有太大的现实意义。金融学人应该学会“走过数学”(Go Beyond
Mathematics)。另一方面，我国金融改革实践的发展却亟需法和金融学的理论指导，可以预见法和金融学在我国将会有相当发展。
我国目前金融改革的结构性难题大多都同时涉及法律和金融两方面问题：如在转型期的法律体系下，什么样的金融体系最能有效配置资源?怎样为解决银行坏帐的资产证券化业务等金融创新提供法律支持?怎样修改《公司法》、《证券法》、《破产法》和《商业银行法》等法律中不合时宜的条款，激励金融创新?等等。类似的研究在国际学术界近年来已成风潮，而且逐渐形成了一门新兴学科，谓之“法和金融学(Law
And Finance)”。 “法和金融学”是自20世纪70年代兴起的“法和经济学(Law And
Economics)”的延伸，Rowley(1989)把法和经济学定义为“应用经济理论和计量经济学方法考察法律和法律制度的形成、结构、程序和影响”，法和经济学强调法学的“效益”：即要求任何法律的制定和执行都要有利于资源配置的效益并促使其最大化。法和金融学有两大研究方向：一是结合法律制度来研究金融学问题，也就是以金融学为中心、同时研究涉及的法律问题，强调法律这一制度性因素对金融主体行为的影响，这也是本丛书的核心任务。二是利用金融学的研究方法来研究法学问题，本丛书同时覆盖这方面的重要问题，例如金融立法和监管的经济学分析。
法和金融学对中国的金融创新和司法改革意义尤为深远。目前，这门学科在我国尚属空白，吴敬琏教授和江平教授最近已开始倡导经济和法的融合研究，不过目前学术界的研究还停留在概念引进阶段，其对实际工作和教学科研的意义尚未显露。换言之，要实现法和金融学由概念诠释到实务操作、教学普及直至学科发展的跃升，学界仍需付出巨大努力，从头作起。
[编辑本段]金融学专业 培养目标
本专业培养具备金融学方面的理论知识和业务技能，能在银行、证券、投资、保险及其他经济管理部门和企业从事相关工作的专门人才。金融学培养要求：本专业学生主要学习货币银行学、国际金融、证券、投资、保险等方面的基本理论和基本知识，受到相关业务的基本训练，具有金融领域实际工作的基本能力。
专业能力 1.掌握金融学科的基本理论、基本知识; 2.具有处理银行、证券、投资与保险等方面业务的基本能力; 3.熟悉国家有关金融的方针、政策和法规;
4.了解本学科的理论前沿和发展动态; 5.掌握文献检索、资料查询的基本方法，具有一定的科学研究和实际工作能力。 主干课程 主干学科：经济学
主要课程：政治经济学、西方经济学、财政学、国际经济学、货币银行学、国际金融管理、证券投资学、保险学、商业银行业务管理、中央银行业务、投资银行理论与实务等。
金融学国家重点学科院校： 上海财经大学、中国人民大学、中央财经大学、复旦大学、厦门大学、南开大学
金融学领域极其重视毕业院校，以上5所大学的毕业生是金融学领域的翘楚! 跨专业报考金融学的优势
虽然现在金融人才需求旺盛,但是我们也要看到进入这个行业的门槛正在水涨船高。金融招聘会上，学历的要求仍然很高，比较好的金融机构，几乎都要求硕士以上学历，名校毕业，甚至要海归。
除了学历要求之外,银行也需要越来越多的复合型人才。目前的情况是银行中有一半人，甚至更多是非金融、经济、财务专业的人员。他们本科专业各异，有计算机、通信、法律甚至机械和物理。现在备考和在读的金融研究生也有很多是跨专业的，导师们非常欢迎这些跨专业学生。有些金融分析机构指明要有工科背景的毕业生，他们要的就是工科那种严谨理性的思维和分析。
就业前景 从近几年就业情况来看，金融学专业毕业生通常有这些流向：
1、商业性质的银行，其中包括中国工商、建设、农业银行等四大行和招商等股份制商行、城市商业银行、外资银行驻国内分支机构;
2、保险公司、保险经纪公司，如中国人寿、平安、太平洋保险等; 3、中央人民银行、银行业监督管理委员会、证券业监督管理委员会、保险业监督管理委员会;
4、金融控股集团、四大资产管理公司、金融租赁、担保公司; 5、证券公司，含基金管理公司;上交所、深交所、期交所;
6、信托投资公司，金融投资控股公司，投资咨询顾问公司.大型企业财务公司; 7、国家公务员系列的政府行政机构，如财政、审计、海关部门等;
8、社保基金管理中心或社保局; 9、一些政策性银行，比如国家开发银行、中国农业发展银行等; 10、上市(或欲上市)股份公司证券部、财务部等;
11、高等院校金融财政专业教师，研究机构研究人员，出版传播机构等。 报考建议 1、职业导向：
从上面的就业流向可以看出，职业方向和报考专业有很大的联系。因此如果你准备从事基金类工作，报金融工程方向比较好;如果你想到保险公司工作当然要选择保险方向。
2、学校导向：
首先，报考时尽量选择名校。现在金融行业都有“名校情结”，企业在选择学生时，比较看重学生就读的院校，一般情况下会选择比较知名的，如上海财经大学、人民大学、中南财经政法大学、西南财经大学等的学生，因为这些学校已经在企业心目中树立良好的口碑。
其次从人际关系方面考虑你所报考的院校。最好是选择传统上具有优良的金融学教育积淀的学校，比如一些著名财经类专业院校，如中财、上财，或是金融经济类传统较好的综合类大学，比如复旦、南开。这样的院校通常在金融经济界有一定的校友资源，对于未来就业好处颇多。
第三，学校的地域也是一个重要因素。你所要报考的院校，应该在你未来准备发展的地区或附近。因为学校在该地区有一定的影响力，这样在你毕业之后会方便你到该地区择业。比如考上海的学校就把目标定在上海发展。2020年，上海将建成国际金融中心，从伦敦、纽约、东京等国际金融中心的情况看，其金融人才都在30万人以上，而目前上海市的金融从业人员在10万人左右，上海与其他金融中心相比，人才方面存在着巨大的差距，尤其是高级金融人才更是短缺。
3、专业导向：
既然你准备在这个行业发展，那么选择什么专业方向更符合你的发展目标呢?从当前的金融学科专业分布来看，比较有发展前景的专业方向有：公司财务、风险管理与控制、金融工程、金融市场、保险精算、证券投资等。
目前基金市场最为活跃，而熟练的基金经理人只有3000人左右，人才缺口过万;目前中级基金经理人的年收入已经达到40万元.而担任高级职位的经理人年薪已经突破百万元，可见金融行业是一座未开采的金矿。
『玖』 金融数学基础这门学科是说什么的啊主要涉及的是金融还是数学啊
金融数学（Financial Mathematics），又称数理金融学、数学金融学、分析金融学，是利用数学工具研究金融，进行数学建模、理论分析、数值计算等定量分析，以求找到金融动内在规律并用以指导实践。金融数学也可以理解为现代数学与计算技术在金融领域的应用，因此，金融数学是一门新兴的交叉学科，发展很快，是目前十分活跃的前言学科之一。
金融数学的发展曾两次引发了“华尔街革命”。上个世纪50年代初期，马科威茨提出证券投资组合理论，第一次明确地用数学工具给出了在一定风险水平下按不同比例投资多种证券收益可能最大的投资方法，引发了第一次“华尔街革命”， 马科威茨因此获得了1990年诺贝尔经济学奖。1973年，布莱克和斯克尔斯用数学方法给出了期权定价公式，推动了期权交易的发展，期权交易很快成为世界金融市场的主要内容，成为第二次“华尔街革命”， 修斯因此获得了1997年诺贝尔经济学奖。2003年诺贝尔经济学奖第三次授予以数学为工具分析金融问题的美国经济学家恩格尔和英国经济学家格兰杰以表彰他们分别用“随着时间变化易变性”和“共同趋势”两种新方法分析经济时间数列给经济学研究和经济发展带来巨大影响。金融数学在我国起步比较晚，但于1997 年正式实施的国家“九五”重大项目《金融数学、金融工程、金融管理》，直接推动了我国金融数学这一交叉学科的兴起和发展。 金融数学,运用随机分析，随机最优控制，倒向随机微分方程，非线性分析，分形几何等现代数学工具研究以下问题：
（1）不完备金融市场有价证券（例如期货，期权等衍生工具）的资本资产定价模型，套利定价理论，套期保值理论及最优投资和消费理论。
（2）利率的期限结构和利率衍生产品的定价理论。
（3）不完备金融市场的风险管理和风险控制理论。