金融里面的数学是哪些方面

Ⅰ 金融数学有哪些课程

大一：数学分析，高等代数，宏微观经济，会计学基础
大二：金融学，财务管理，概率论数理统计，常微分
大二下：随机过程，多元统计分析，统计学
大三：数学方面就是实变函数，泛函分析，点集拓扑啥的。经济方面除了证券分析，和计量经济学基本上都是在扯淡。。。。
求采纳为满意回答。

Ⅱ 什么是金融数学

金融数学又称分析金融学、数理金融学、数学金融学，是20世纪80年代末、90年代初兴起的数学与金融学的交叉学科。金融数学主要运用现代数学理论和方法(如:随机分析、随机最优控制、组合分析、非线性分析、多元统计分析、数学规划、现代计算方法等)对金融(除银行功能之外,还包括投资、债券、基金、股票、期货、期权等金融工具和市场)的理论和实践进行数量的分析研究。其核心问题是不确定条件下的最优投资策略的选择理论和资产的定价理论。套利,最优和均衡是其中三个主要概念。近二十几年来，金融数学不仅对金融工具的创新和对金融市场的有效运作产生直接的影响，而且对公司的投资决策和对研究开发项目的评估(如实物期权)以及在金融机构的风险管理中得到广泛应用。
在现代金融数学理论中,各种各样的金融经济学模型占据着中心地位。其中至今仍有重大影响的成果有:有效率的市场理论、证券组合理论、资本资产定价模型、套利定价理论、期权定价方程和资产结构理论等。

Ⅲ 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。

Ⅳ 金融数学专业课程有什么 主要学什么

金融数学专业课程you安歇？我整理了相关内容，来看一下吧！

金融数学专业课程

《数学分析》、《高等代数》、《概率论》、《多元统计分析》、《运筹学》、《实变函数》、《西方经济学》、《货币银行学》、《金融工程学》、《金融数学》。

金融数学专业就业前景分析

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沿学科之一。金融数学专业旨在为金融业提供具有定量分析财务能力的专业人才，它着重应用数学和统计学在金融系统中的应用，所以将为中国乃至世界金融行业的快速发展提供急需的金融人才。其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。这门新兴的学科同样与我国金融改革和发展有紧密的联系，其在我国的发展前景不可限量。同时，现在全球性高素质金融数学家短缺，因此该专业的就业前景十分看好。

Ⅳ 金融数学专业学什么

金融数学专业学，数学金融学。
金融数学又称数理金融学，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沿学科之一。金融数学专业主要学习课程有数学分析，高等代数，解析几何，微分方程，概率论，数理统计，应用统计，多元统计分析，运筹学，数值分析，复变函数等。

Ⅵ 金融学涉及的数学知识有哪些

概率论、线性代数、微积分、偏微分方程、随机积分、计算数学等.

Ⅶ 金融数学学什么

金融数学中现在的核心是衍生品定价和风险管理，这从世界上金融产品的成交量可以看出来，因此我建议的数学基础如下。1、高等数学，熟练掌握微分积分， 泰勒展开， 复立叶变换 ，级数（除了等差和等比）和立体解析几何可以省略，因为几乎用不到。2、数理统计中的高斯分布，也就是正则分布要非常数练的掌握。（包括写出产生高斯随机数的程序）。复立叶变换之所以重要是因为这里你可以用它来得到累积量，由此可以求得任意级矩，一级矩就是平均值，二级局就是方差。其余的都是枝节，可以省略。原因很简单，高斯分布是大多数期权定价模型的基础。3、数学物理方法中的扩散方程要非常熟练的掌握，几乎绝大多数期权定价模型都归结为给定边界条件下的一个扩散方程。复立叶变换之所以重要是因为，它可以在这里简化片微分方程求解。4、随机过程只要高斯随机过程就够了，

Ⅷ 金融数学有些什么课程

主干课程：

数学分析、高等代数、大学物理、常微分方程、复变函数、数值分析、数学建模、实变函数、金融英语、金融数学、近世代数、运筹学等。

培养要求：

系统掌握应用数学、金融学的基础理论和方法，形成扎实的数学基本功底和严谨的数学思维模式。具备灵敏获取信息能力和分析信息能力，具备不断学习和创新的精神，具有一定的科学研究和教学能力，具有在经济、金融领域从事定量分析，解决实际经济问题及设计经济数学模型等方面的基本能力。

(8)金融里面的数学是哪些方面扩展阅读：

金融数学历史：

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。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。