股票投资决策书

❶ 量化投资—策略与技术的作品目录

《量化投资—策略与技术》
策略篇
第 1章 量化投资概念
1.1 什么是量化投资 2
1.1.1 量化投资定义 2
1.1.2 量化投资理解误区 3
1.2 量化投资与传统投资比较 6
1.2.1 传统投资策略的缺点 6
1.2.2 量化投资策略的优势 7
1.2.3 量化投资与传统投资策略的比较 8
1.3 量化投资历史 10
1.3.1 量化投资理论发展 10
1.3.2 海外量化基金的发展 12
1.3.3 量化投资在中国 15
1.4 量化投资主要内容 16
1.5 量化投资主要方法 21
.第 2章 量化选股 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 实证案例：多因子选股模型 30
2.2 风格轮动 35
2.2.1 基本概念 35
2.2.2 盈利预期生命周期模型 38
2.2.3 策略模型 40
2.2.4 实证案例：中信标普风格 41
2.2.5 实证案例：大小盘风格 44
2.3 行业轮动 47
2.3.1 基本概念 47
2.3.2 m2行业轮动策略 50
2.3.3 市场情绪轮动策略 52
2.4 资金流 56
2.4.1 基本概念 56
2.4.2 策略模型 59
2.4.3 实证案例：资金流选股策略 60
2.5 动量反转 63
2.5.1 基本概念 63
2.5.2 策略模型 67
2.5.3 实证案例：动量选股策略和反转选股策略 70
2.6 一致预期 73
2.6.1 基本概念 74
2.6.2 策略模型 76
2.6.3 实证案例：一致预期模型案例 78
2.7 趋势追踪 84
2.7.1 基本概念 84
2.7.2 策略模型 86
2.7.3 实证案例：趋势追踪选股模型 92
2.8 筹码选股 94
2.8.1 基本概念 95
2.8.2 策略模型 97
2.8.3 实证案例：筹码选股模型 99
2.9 业绩评价 104
2.9.1 收益率指标 104
2.9.2 风险度指标 105
第 3章 量化择时 111
3.1 趋势追踪 112
3.1.1 基本概念 112
3.1.2 传统趋势指标 113
3.1.3 自适应均线 121
3.2 市场情绪 125
3.2.1 基本概念 126
3.2.2 情绪指数 128
3.2.3 实证案例：情绪指标择时策略 129
3.3 有效资金 133
3.3.1 基本概念 133
3.3.2 策略模型 134
3.3.3 实证案例：有效资金择时模型 137
3.4 牛熊线 141
3.4.1 基本概念 141
3.4.2 策略模型 143
3.4.3 实证案例：牛熊线择时模型 144
3.5 husrt指数 146
3.5.1 基本概念 146
3.5.2 策略模型 148
3.5.3 实证案例 149
3.6 支持向量机 152
3.6.1 基本概念 152
3.6.2 策略模型 153
3.6.3 实证案例：svm择时模型 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 实证案例：swarch模型 164
3.8 异常指标 168
3.8.1 市场噪声 168
3.8.2 行业集中度 170
3.8.3 兴登堡凶兆 172
第 4章 股指期货套利 180
4.1 基本概念 181
4.1.1 套利介绍 181
4.1.2 套利策略 183
4.2 期现套利 185
4.2.1 定价模型 185
4.2.2 现货指数复制 186
4.2.3 正向套利案例 190
4.2.4 结算日套利 192
4.3 跨期套利 195
4.3.1 跨期套利原理 195
4.3.2 无套利区间 196
4.3.3 跨期套利触发和终止 197
4.3.4 实证案例：跨期套利策略 199
4.3.5 主要套利机会 200
4.4 冲击成本 203
4.4.1 主要指标 204
4.4.2 实证案例：冲击成本 205
4.5 保证金管理 208
4.5.1 var方法 208
4.5.2 var计算方法 209
4.5.3 实证案例 211
第 5章 商品期货套利 214
5.1 基本概念 215
5.1.1 套利的条件 216
5.1.2 套利基本模式 217
5.1.3 套利准备工作 219
5.1.4 常见套利组合 221
5.2 期现套利 225
5.2.1 基本原理 225
5.2.2 操作流程 226
5.2.3 增值税风险 230
5.3 跨期套利 231
5.3.1 套利策略 231
5.3.2 实证案例：pvc跨期套利策略 233
5.4 跨市场套利 234
5.4.1 套利策略 234
5.4.2 实证案例：伦铜—沪铜跨市场套利 235
5.5 跨品种套利 236
5.5.1 套利策略 237
5.5.2 实证案例 238
5.6 非常状态处理 240
第 6章 统计套利 242
6.1 基本概念 243
6.1.1 统计套利定义 243
6.1.2 配对交易 244
6.2 配对交易 247
6.2.1 协整策略 247
6.2.2 主成分策略 254
6.2.3 绩效评估 256
6.2.4 实证案例：配对交易 258
6.3 股指套利 261
6.3.1 行业指数套利 261
6.3.2 国家指数套利 263
6.3.3 洲域指数套利 264
6.3.4 全球指数套利 266
6.4 融券套利 267
6.4.1 股票—融券套利 267
6.4.2 可转债—融券套利 268
6.4.3 股指期货—融券套利 269
6.4.4 封闭式基金—融券套利 271
6.5 外汇套利 272
6.5.1 利差套利 273
6.5.2 货币对套利 275
第 7章 期权套利 277
7.1 基本概念 278
7.1.1 期权介绍 278
7.1.2 期权交易 279
7.1.3 牛熊证 280
7.2 股票/期权套利 283
7.2.1 股票—股票期权套利 283
7.2.2 股票—指数期权套利 284
7.3 转换套利 285
7.3.1 转换套利 285
7.3.2 反向转换套利 287
7.4 跨式套利 288
7.4.1 买入跨式套利 289
7.4.2 卖出跨式套利 291
7.5 宽跨式套利 293
7.5.1 买入宽跨式套利 293
7.5.2 卖出宽跨式套利 294
7.6 蝶式套利 296
7.6.1 买入蝶式套利 296
7.6.2 卖出蝶式套利 298
7.7 飞鹰式套利 299
7.7.1 买入飞鹰式套利 300
7.7.2 卖出飞鹰式套利 301
第 8章 算法交易 304
8.1 基本概念 305
8.1.1 算法交易定义 305
8.1.2 算法交易分类 306
8.1.3 算法交易设计 308
8.2 被动交易算法 309
8.2.1 冲击成本 310
8.2.2 等待风险 312
8.2.3 常用被动型交易策略 314
8.3 vwap算法 316
8.3.1 标准vwap算法 316
8.3.2 改进型vwap算法 319
第 9章 其他策略 323
9.1 事件套利 324
9.1.1 并购套利策略 324
9.1.2 定向增发套利 325
9.1.3 套利重仓停牌股票的投资组合 326
9.1.4 封闭式投资组合套利 327
9.2 etf套利 328
9.2.1 基本概念 328
9.2.2 无风险套利 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 实证案例：lof 套利 337
9.4 高频交易 341
9.4.1 流动性回扣交易 341
9.4.2 猎物算法交易 342
9.4.3 自动做市商策略 343
9.4.4 程序化交易 343
理论篇
第 10章 人工智能 346
10.1 主要内容 347
10.1.1 机器学习 347
10.1.2 自动推理 350
10.1.3 专家系统 353
10.1.4 模式识别 356
10.1.5 人工神经网络 358
10.1.6 遗传算法 362
10.2 人工智能在量化投资中的应用 366
10.2.1 模式识别短线择时 366
10.2.2 rbf神经网络股价预测 370
10.2.3 基于遗传算法的新股预测 375
第 11章 数据挖掘 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 主要内容 385
11.2.1 分类与预测 385
11.2.2 关联规则 391
11.2.3 聚类分析 397
11.3 数据挖掘在量化投资中的应用 400
11.3.1 基于som 网络的股票聚类分析方法 400
11.3.2 基于关联规则的板块轮动 403
第 12章 小波分析 407
12.1 基本概念 408
12.2 小波变换主要内容 409
12.2.1 连续小波变换 409
12.2.2 连续小波变换的离散化 410
12.2.3 多分辨分析与mallat算法 411
12.3小波分析在量化投资中的应用 414
12.3.1 k线小波去噪 414
12.3.2 金融时序数据预测 420
第 13章 支持向量机 429
13.1 基本概念 430
13.1.1 线性svm 430
13.1.2 非线性svm 433
13.1.3 svm分类器参数选择 435
13.1.4 svm分类器从二类到多类的推广 436
13.2 模糊支持向量机 437
13.2.1 增加模糊后处理的svm 437
13.2.2 引入模糊因子的svm训练算法 439
13.3 svm在量化投资中的应用 440
13.3.1 复杂金融时序数据预测 440
13.3.2 趋势拐点预测 445
第 14章 分形理论 452
14.1 基本概念 453
14.1.1 分形定义 453
14.1.2 几种典型的分形 454
14.1.3 分形理论的应用 456
14.2 主要内容 457
14.2.1 分形维数 457
14.2.2 l系统 458
14.2.3 ifs系统 460
14.3 分形理论在量化投资中的应用 461
14.3.1 大趋势预测 461
14.3.2 汇率预测 466
第 15章 随机过程 473
15.1 基本概念 473
15.2 主要内容 476
15.2.1 随机过程的分布函数 476
15.2.2 随机过程的数字特征 476
15.2.3 几种常见的随机过程 477
15.2.4 平稳随机过程 479
15.3 灰色马尔可夫链股市预测 480
第 16章 it技术 486
16.1 数据仓库技术 486
16.1.1 从数据库到数据仓库 487
16.1.2 数据仓库中的数据组织 489
16.1.3 数据仓库的关键技术 491
16.2 编程语言 493
16.2.1 GPU算法交易 493
16.2.2 MATLAB 语言 497
16.2.3 c#语言 504
第 17章 主要数据与工具 509
17.1 名策多因子分析系统 509
17.2 MultiCharts：程序化交易平台 511
17.3 交易开拓者：期货自动交易平台 514
17.4 大连交易所套利指令 518
17.5 mt5：外汇自动交易平台 522
第 18章 量化对冲交易系统：D-alpha 528
18.1 系统构架 528
18.2 策略分析流程 530
18.3 核心算法 532
18.4 验证结果 534
表目录
表1 1 不同投资策略对比 7
表2 1 多因子选股模型候选因子 30
表2 2 多因子模型候选因子初步检验 31
表2 3 多因子模型中通过检验的有效因子 32
表2 4 多因子模型中剔除冗余后的因子 33
表2 5 多因子模型组合分段收益率 33
表2 6 晨星市场风格判别法 36
表2 7 夏普收益率基础投资风格鉴别 37
表2 8 中信标普风格指数 41
表2 9 风格动量策略组合月均收益率 43
表2 10 大小盘风格轮动策略月收益率均值 46
表2 11 中国货币周期分段（2000—2009年） 49
表2 12 沪深300行业指数统计 50
表2 13 不同货币阶段不同行业的收益率 51
表2 14 招商资金流模型（cmsmf）计算方法 58
表2 15 招商资金流模型（cmsmf）选股指标定义 59
表2 16 资金流模型策略——沪深300 61
表2 17 资金流模型策略——全市场 62
表2 18 动量组合相对基准的平均年化超额收益（部分） 68
表2 19 反转组合相对基准的平均年化超额收益(部分) 69
表2 20 动量策略风险收益分析 71
表2 21 反转策略风险收益分析 73
表2 22 趋势追踪技术收益率 93
表2 23 筹码选股模型中单个指标的收益率情况对比 99
表3 1 ma指标择时测试最好的20 组参数及其表现 117
表3 2 4个趋势型指标最优参数下的独立择时交易表现比较 120
表3 3 有交易成本情况下不同信号个数下的综合择时策略 120
表3 4 自适应均线择时策略收益率分析 124
表3 5 市场情绪类别 126
表3 6 沪深300指数在不同情绪区域的当月收益率比较 128
表3 7 沪深300指数在不同情绪变化区域的当月收益率比较 129
表3 8 沪深300指数在不同情绪区域的次月收益率比较 130
表3 9 沪深300指数在不同情绪变化区域的次月收益率比较 130
表3 10 情绪指数择时收益率统计 132
表3 11 svm择时模型的指标 156
表3 12 svm对沪深300指数预测结果指标汇总 156
表3 13 svm择时模型在整体市场的表现 156
表3 14 svm择时模型在单边上涨市的表现 157
表3 15 svm择时模型在单边下跌市的表现 158
表3 16 svm择时模型在震荡市的表现 159
表3 17 噪声交易在熊市择时的收益率 170
表4 1 各种方法在不同股票数量下的跟踪误差（年化） 190
表4-2 股指期货多头跨期套利过程分析 199
表4 3 不同开仓比例下的不同保证金水平能够覆盖的市场波动及其概率 211
表4 4 不同仓单持有期下的保证金覆盖比例 212
表6 1 融券标的股票中在样本期内最相关的50 对组合（部分） 248
表6 2 残差的平稳性、自相关等检验 249
表6 3 在不同的阈值下建仓、平仓所能获得的平均收益 251
表6 4 采用不同的模型在样本内获取的收益率及最优阈值 252
表6 5 采用不同的模型、不同的外推方法在样本外获取的收益率（%） 253
表6 6 主成分配对交易在样本内取得的收益率及最优阈值 255
表6 7 主成分配对交易在样本外的效果 255
表6-8 各种模型下统计套利的结果 256
表6 9 延后开仓+提前平仓策略实证结果 260
表6 10 各行业的配对交易结果 261
表7 1 多头股票-期权套利综合分析表 283
表7 2 多头股票—股票期权套利案例损益分析表 284
表7 3 多头股票-指数期权套利案例损益分析表 285
表7 4 转换套利分析过程 286
表7 5 买入跨式套利综合分析表 289
表7 6 买入跨式套利交易细节 289
表7 7 卖出跨式套利综合分析表 291
表7 8 卖出跨式套利交易细节 292
表7 9 买入宽跨式套利综合分析表 293
表7 10 卖出宽跨式套利综合分析表 294
表7 11 买入蝶式套利综合分析表 296
表7 12 卖出蝶式套利综合分析表 298
表7 13 买入飞鹰套利分析表 300
表7 14 卖出飞鹰式套利综合分析表 301
表9 1 主要并购方式 324
表9 2 并购套利流程 325
表9 3 鹏华300 lof两次正向套利的情况 339
表9 4 鹏华300 lof两次反向套利的情况 340
表10 1 自动推理中连词系统 352
表10 2 模式识别短线择时样本数据分类 369
表10 3 rbf神经网络股价预测结果 375
表10 4 遗传算法新股预测参数设置 379
表10 5 遗传算法新股预测结果 380
表11 1 决策树数据表 389
表11 2 关联规则案例数据表 392
表11 3 som股票聚类分析结果 403
表11 4 21种股票板块指数布尔关系表数据片断 404
表12 1 深发展a日收盘价小波分析方法预测值与实际值比较 427
表12 2 不同分解层数的误差均方根值 428
表13 1 svm沪深300指数预测误差情况 445
表13 2 svm指数预测和神经网络预测的比较 445
表13 3 技术反转点定义与图型 448
表13 4 svm趋势拐点预测结果 450
表14 1 持续大涨前后分形各主要参数值 463
表14 2 持续大跌前后分形个主要参数值 465
表14 3 外汇r/ s 分析的各项指标 469
表14 4 v(r/s)曲线回归检验 470
表15 1 灰色马尔可夫链预测深证成指样本内（2005/1—2006/8） 484
表15 2 灰色马尔可夫链预测深证成指样本外（2006/9—2006/12） 484
表16-1 vba的12种数据类型 499
表18-1 d-alpha系统在全球市场收益率分析 534

❷ 考研金融学专业的研究方向都有哪些

一、金融经济(含国际金融、金融理论)
具体研究马克思、凯恩斯和斯密及当代著名经济学家所阐述的金融学原理；研究虚拟经济与实际经济的关联与影响;研究金融发展与经济增长之间的关系，分析金融政策的期限结构和动态反馈机制，以及各国银行制度与法规比较等。
热度分析：截至2007年3月末，我国外债余额为3315.62亿美元(不包括香港特区、澳门特区和台湾地区对外负债)，比上年末增加85.74亿美元，增长2.65%。许多新兴的名词如外汇储备增速、开放资本项目管制、国有银行股改、股票印花税都涉及到重要的金融经济理论问题。
就业方向：该方向就业范围比较广泛，与其他各个方向都有交叉的地方。毕业生主要去向是外向型投资银行、证券公司、保险公司、基金管理公司和商业银行等外资金融机构，以及中资金融机构的涉外部门、跨国公司投融资部门和政府经济管理部门等相关工作。
二、投资学
投资学主要包括证券投资、国际投资、企业投资等几个研究领域。
热度分析：中国股市经历牛市后，人们对投资学的兴趣也随之高涨，其实投资不仅仅是证券投资，其范围极广泛。国家发展、企业赢利、个人获利，都离不开投资。
就业方向：一般来说，投资学专业的毕业生主要有以下几个毕业去向：第一，到证券、信托投资公司和投资银行从事证券投资;第二，到企业的投资部门从事企业投资工作;第三，到政府相关部门从事有关投资的政策制定和政策管理;第四，到高校、科研部门从事教学、科研工作。需要说明的是，应届毕业生的第一份工作一般都是一线的操作员，因为没有任何单位会让一个没有工作经验的员工进入管理层，即使是基层管理岗位。
三、货币银行学
主要研究的是跟银行及国家货币政策相关的问题，这里的银行包括中央银行和商业银行等等。
热度分析：2006年以来，借助人民币汇率对美元升值效应，各家银行纷纷推出本、外币理财新产。之前就倍受关注的银行业持续加温，成为热点。
就业方向：该专业方向主要在银行系统、学校和科研单位从事金融业务和管理工作，多在金融教学、研究领域就业。随着我国证券市场的不断完善，进入工商企业和上市公司成为许多金融人才的就业方向。
四、保险学
保监会将保险专业的教学模式分为"西财模式"、"武大模式"和"南开模式"，其对应的大学分别是西南财经大学、武汉大学和南开大学。而保险业的"黄埔军校"则是位于湖南长沙的保险职业学院。
热度分析：在我国，保险业被誉为2l世纪的朝阳产业。首先，我国巨大的人口基数以及人口的老龄化有利于保险业市场的扩张；其次，我国目前的保险深度及保险密度都很低，有很大的市场潜力；第三，人均收入水平的不断提高，为保险业市场扩大规模提供良好的经济基础。保监会《中国保险业发展"十一五"规划纲要(讨论稿)》预计，未来5年我国保险业务收入年均增长15%左右。今年来许多险种受到关注：银行保险、航意险、交强险、健康险、体育保险、房贷险、农业保险、高管责任险。
就业方向：许多人误以为保险专业就业就是卖保险，实际上保险营销只是保险业中一部分工作，其它工作诸如组训、培训讲师、核赔核保人员和资金运作人员、精算人员。毕业生主要到保险公司、其他金融机构、社会保险部门及保险监管机构从事保险实务工作，也可到高等院校从事教学和研究工作。此外，还有中介企业、社会保障机构、政府监管机构、银行和证券投资机构、大型企业风险管理部门等也需要该方向的毕业生。比较热门的职业有保险代理人、保险核保、保险理赔、保险精算师(FIA)等等。
五、公司理财(公司金融)
又称公司财务管理，公司理财等。一般来说，公司金融学会利用各种分析工具来管理公司的财务，例如使用贴现法(DCF)来为投资计划总值作出评估，使用决策树分析来了解投资及营运的弹性。
热度分析：公司理财近年创下多个之最：贷款之最(E.On)、并购之最(Hospital Corporation of America)、证券化之最(Lloyds TSB Arkle)以及全球第一大IPO交易(中国工商银行)。公司理财相比其他方向是历史较短但发展很迅猛。
就业方向：该专业毕业生可选择各类公司从事融资、投资工作;商业银行、证券公司、基金管理公司等金融机构从事实务工作;也可以在金融监管机构、政府部门从事经济管理工作，或进一步深造后从事教学科研工作。

❸ 管理学-决策树问题，求详解

----------销路好0.7 100万
......1--|
. ----------销路差0.3 -20万
.
. ------------销路好0.7 40万
I--......2--|
. ------------销路差0.3 30万
.
. -----扩建4 95万
. -----------Ⅱ---|
. | -----不扩建5 40万
......3--|
|
|
---------------销路差0.3 30万

方案一：结点1的期望收益是（0.7*100-0.3*20）*10-300=340
方案二：结点2的期望收益是（0.7*40+0.3*30）*10-140=230
方案三：结点4的期望收益是95*7-200=465，大于结点5的期望收益40*7=280，所以销路好时，扩建比不扩建好，结点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，三种方案中方案三最好

弄着一个决策树真费劲，不如在word上好弄

❹ 10、决策树属于（ ）。

风险型决策：在未来的决定因素，可能出现的结果不能作出充分肯定的情况下，根据各种可能结果的客观概率作出的决策。决策者对此要承担一定的风险。风险型问题具有决策者期望达到的明确标准，存在两个以上的可供选择方案和决策者无法控制的两种以上的自然状态，并且在不同自然状态下不同方案的损益值可以计算出来，对于未来发生何种自然状态，决策者虽然不能作出确定回答，但能大致估计出其发生的概率值。对这类决策问题，常用损益矩阵分析法和决策树法求解；
程序化决策：就是可以根据既定的信息建立数学模型，把决策目标和约束条件统一起来，进行优化的一种决策。比如工厂选址、采购运输等等决策。这种决策是可以运用筹学技术来完成的。在这种程序化决策中，决策所需要的信息都可以通过计量和统计调查得到，它的约束条件也是明确而具体的，并且都是能够量化的。对于这种决策，运用计算机信息技术可以取得非常好的效果。通过建立数学模型，让计算机代为运算，并找出最优的方案，都是在价值观念之外做出的，至少价值观念对这种决策的约束作用不是主导因素。
悲观决策：采用悲观决策准则，通常要放弃最大利益，但由于决策者是从每一方案最坏处着眼，因此风险较小。小中取大法又称为最小风险法，是一种把风险降低到最小程度来获取收益的股票投资方法。最小风险法是一种较为稳妥的股票投资决策方法，较适合保守型的股票投资者采用。
乐观决策：
大中取大法又称乐观法、大中取大原则、乐观决策法、冒险法、最大的最大收益法，采用这种方法的管理者对未来持乐观的看法，认为未来会出现最好的自然状态，因此不论采取哪种方案，都能获取该方案的最大收益。

由于决策树，是对事物进行定量和定性分析，采用各类事物产生的概率及风险进行评估，所以选A

❺ 求最小最大后悔值和决策树问题各两道!急!

1.结合实例说明什么是最小最大后悔值法。

最小最大后悔值法也称萨凡奇决策准则
最小最大后悔值法是指管理者在选择了某方案后，如果将来发生的自然状态表明其他方案的收益更大，那么他(或她)会为自已的选择而后悔。最小最大后悔值法就是使后悔值最小的方法。
最小最大后悔值法的运用
在股票市场上，最小最大后悔值法被称为最小后悔法，是股票投资者力图使后悔值降到最低限度的证券投资方法。
由于选取的购买方案往往与预测的企业经营状况存在很大的差异，这样就会出现实际收益大大低于目标收益的状况而使投资者产生后悔。最小后悔法的目的就是要使投资者将这种后悔降低到最低程度。
利用最小后悔法买卖股票的操作程序：
1、列出投资者在各种状态下的购买方案，并在每一购买方案中选出各自然状态下的最大收益值。
2、求出各种自然状态下各种方案的后悔值，其后悔值的公式是：“某方案后悔值”＝ “某自然状态下的最大收益值”-“该方案的收益值”，然后，将此方案的后悔值填入该方案栏中。
3、由此找出各方案在不同自然状态下的最大后悔值。
4、在各方案的最大后悔值中找出最小的后悔值，最小后悔值所对应的方案即为最优方案。

2.举例说明决策树的作用。

决策树是用二叉树形图来表示处理逻辑的一种工具。可以直观、清晰地表达加工的逻辑要求。特别适合于判断因素比较少、逻辑组合关系不复杂的情况。
决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。
决策树中最上面的节点称为根节点，是整个决策树的开始。本例中根节点是“收入>￥40,000”，对此问题的不同回答产生了“是”和“否”两个分支。
决策树的每个节点子节点的个数与决策树在用的算法有关。如CART算法得到的决策树每个节点有两个分支，这种树称为二叉树。允许节点含有多于两个子节点的树称为多叉树。
每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）。
假如负责借贷的银行官员利用上面这棵决策树来决定支持哪些贷款和拒绝哪些贷款，那么他就可以用贷款申请表来运行这棵决策树，用决策树来判断风险的大小。“年收入>￥40,00”和“高负债”的用户被认为是“高风险”，同时“收入<￥40,000”但“工作时间>5年”的申请，则被认为“低风险”而建议贷款给他/她。
数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测（就像上面的银行官员用他来预测贷款风险）。常用的算法有CHAID、 CART、 Quest 和C5.0。
建立决策树的过程，即树的生长过程是不断的把数据进行切分的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。
各种决策树算法之间的主要区别就是对这个“差异”衡量方式的区别。对具体衡量方式算法的讨论超出了本文的范围，在此我们只需要把切分看成是把一组数据分成几份，份与份之间尽量不同，而同一份内的数据尽量相同。这个切分的过程也可称为数据的“纯化”。看我们的例子，包含两个类别--低风险和高风险。如果经过一次切分后得到的分组，每个分组中的数据都属于同一个类别，显然达到这样效果的切分方法就是我们所追求的。
到现在为止我们所讨论的例子都是非常简单的，树也容易理解，当然实际中应用的决策树可能非常复杂。假定我们利用历史数据建立了一个包含几百个属性、输出的类有十几种的决策树，这样的一棵树对人来说可能太复杂了，但每一条从根结点到叶子节点的路径所描述的含义仍然是可以理解的。决策树的这种易理解性对数据挖掘的使用者来说是一个显著的优点。
然而决策树的这种明确性可能带来误导。比如，决策树每个节点对应分割的定义都是非常明确毫不含糊的，但在实际生活中这种明确可能带来麻烦（凭什么说年收入￥40,001的人具有较小的信用风险而￥40,000的人就没有）。

❻ 在股市投资中，什么能称得上是量化投资

量化交易是利用数学、统计、计算机的模型和方法来指导在金融市场的交易，可以自动下单业可以半自动下单，这个不是核心，核心在于是不是系统化交易（systematic trading）。

比如主观交易会看K线交易，量化交易业会，但区别在于量化交易可以在历史数据上回测各种交易规则，找到表现好的，然后才用来交易。这或许会有过度拟合的风险，但也有一些方法克服。

本人认为"量化交易系统、指标体系交易系统"均为"技术分析系统"的子集，"量化交易系统"与“指标体系系统"等价，即技术分析的概念更广，因波浪理论属于技术分析，但难说它属于量化交易，因有些事情的"量化"有很高难度，量化交易强调必须精准量化，必须能用指标体系表示，必须能精确的历史数据回测。

❼ 查理·芒格的名言

1、不要同一头猪摔跤，因为这样你会把全身弄脏，而对方却乐此不疲。

2、许多IQ很高的人却是糟糕的投资者，原因是他们的品性缺陷。我认为优秀的品性比大脑更重要，你必须严格控制那些非理性的情绪，你需要镇定、自律，对损失与不幸淡然处之，同样地也不能被狂喜冲昏头脑。

3、我认识一位制造钓钩的人，他制作了一些闪闪发光的绿色和紫色鱼饵。我问：“鱼会喜欢这些鱼饵吗？”“查理”，他说，“我可并不是把鱼饵卖给鱼的呀”。

4、我想自己不是受到良好教育的典范，我是自己学会通过阅读而获取自己想要的信息的。我一生中常常如此。我经常是更喜欢已经作古的杰出导师而不喜欢仍在人世的老师。

5、在遭遇一件令你难以接受的悲剧时，你永远也不能因为摆脱不掉它的困扰、在生活中再屡遭失败而让这一件悲剧变成两件、三件。

6、生活就是一连串的“机会成本”，你要与你能较易找到的最好的人结婚，投资与此何其相似啊。

7、我喜欢资本家的独立。我素来有一种赌博倾向。我喜欢构思计划然后下赌注，所以无论发生什么事我都能泰然处之。

8、一个素质良好的企业和一个苟延残喘的企业之间的区别就在于，好企业一个接一个轻松地作出决定，而糟糕的企业则不断地需要作出痛苦的抉择。

9、如果你的思维完全依赖于他人，只要一超出你的领域，就求助专家建议，那么你将遭受很多灾难。

10、本杰明·格雷厄姆有一些盲点，他过低估计事实，而那些事实值得花大本钱投入。

11、我从不为股票而支付内在价值，除非像沃伦·巴菲特那种人所掌管的股票，只有很少人值得为了长期利益投资一点，投资游戏总是蕴含考虑质量与价格，技巧就是从你付出的价格中获得更好的质量，很简单。

12、人们低估了那些简单大道理的重要性。我认为，在某种意义上说，伯克夏·哈萨维是一个教导性的企业，它教会一种正确的思维体系。最关键的课程是，一些大的道理真的在起作用。我想我们的这种渗透已经起到了非常好的作用——因为它们是如此简单。

13、所谓投资这种游戏就是比别人更好地对未来作出预测。你怎样才能够比别人做出更好的预测呢？一种方法是把你的种种尝试限制在自己能力许可的那些个领域当中。如果你花费力气想要预测未来的每一件事情，那你尝试去做的事情太多了。你将会因为缺乏限制而走向失败。

14、人类并没有被赋予随时随地感知一切、了解一切的天赋。但是人类如果努力去了解、去感知——通过筛选众多的机会——就一定能找到一个错位的赌注。而且，聪明的人会在世界提供给他这一机遇时下大赌注。当成功概率很高时他们下了大赌注，而其余的时间他们按兵不动，事情就是这么简单。

15、我与巴菲特工作这么多年，他这个人的优点之一是他总是自觉地从决策树的角度思考问题，并从数学的排列与组合的角度思考问题。

16、分散投资只会令自己分身不暇，宜重锤出击，集中火力专攻少数优质企业，创富路上便能一本万利。

17、要记住那些竭力鼓吹你去做什么事的经纪人，都是被别人支付佣金和酬金的，那些初涉这一行、什么都不懂的投资者不如先从指数基金入手，因为它们毕竟由公共机构管理，个人化的因素少一些。一个投资者应当掌握格雷厄姆的基本投资方法，并且对商业经营有深入的了解，你要树立一个观念：对任何价值进行量化，并比较不同价值载体之间的优劣，这需要非常复杂的知识架构。

18、芒格大体上同意“市场是有效率的”这种说法，“正因如此，成为一个聪颖的投资者就尤其艰难。但我认为市场不是完全有效的，因此这个部分的有效性(some what efficient)就能够带来巨大的盈利空间，令人咋舌的投资纪录很难实现，但绝非不可能，也不是金字塔顶尖的人才能做到，我认为投资管理界高端30%-40%的人都有这个潜力。学院派赞美多样化的投资理念，这对优秀的投资者是一个伤害。波克夏风格的投资者极少尝试多样化。学院派的观点只会使你对自己的投资纪录与平均水平相差不远、感受好一点而已。”

19、我们不会把450亿美元随便撂在那儿，但你必须能判断出那个高科技股票直蹿云霄的癫狂时刻并控制自己远离。你挣不到任何钱，但却可能幸免于灭顶之灾。

20、对于被动式投资者而言，不同国家的文化对他们有不同的亲和特质。有些是可信赖的，比如美国市场，有些则充满不确定风险。我们很难量化这种亲和特质和可信的原因，所以很多人就自欺欺人。这很危险，对于新兴市场而言这是最重要的研究课题。

21、芒格认为，深刻理解怎样变成一个卓越的投资者，有助于成为一个更好的经营者，“反之亦如是。沃伦经营产业的方式不需要花费多少时间，我敢打赌我们一半的生意巴菲特都不曾涉足，但这种轻松的管理方式带来的绩效却有目共睹。巴菲特是一个从不介入微观管理的优秀经营者。

22、本杰明·富兰克林之所以能有所贡献，是因为他有（资金）自由。”他说，“我常 想做一个对人类有用的人，而不愿死得像一个守财奴一样。但有时，我离这样一种思想境界还差得很远。

23、我就想知道我会死在何处，然后我永远不去那里。

❽ 2019金融专硕考研有哪些专业方向呢考研难度大吗

你好，据 研涂宝 考研方面的相关信息，了解 金融专硕 的研究方向 主要有：货币银行学、金融经济、投资学、保险学、公司理财。不同学校都会有所差异，你可以去具体了解下
2019金融专硕院校考研难度及报考情况分析
★难度level 1：
1、北大光华：400；报录比3%以内；专业课极难；公共课改卷压分；就业极好；学费很高；但难度极大；复试比较公平；偏好理工科背景。
2、上交高金：400+；报录比为4.5%；但差额比例为2:1；师资极强；国际化程度全国第一招生人数少；基本复试被刷；不是顶尖大学的本科；偏好理工科背景。
3、北大CCER：370+；报录比为4%；出国质量好；复试刷人厉害；难度极大；对本科学校要求很高；偏好理工科背景。
4、北大汇丰：370+；报录比5%；双学位极具吸引力；就业前途非常好；学费贵。
5、清华经管：金融只招收金融专业硕士；名额为97人；在深圳校区；学费和光华看齐；偏好理工科背景；第一年的报考人数不是很多；难度一般；2011年清华经管调剂生源；以前清华经管招收1名左右的统考生；分数线在360+；报录比5%；考数一。
6、复旦经院：一般招20人；报1000人；就业极好，不比北大清华差，在上海的声望超过清华；复试很公平；很多二本学生都不会被刷。
7、复旦管院：2011年新的金融工程和财务工程项目和国外顶尖大学合作培养，极具吸引力，第一年的生源一般，今后的生源看涨。
8、上交安泰：400+；报录比4%；复试不太公开透明；国际化程度极高；就业极好；分数线很高；复试刷人非常厉害；偏好理工科背景。
9、北大经院：370+；报录比4%；就业一般；学术相对落伍；复试极其公平。
★难度level 2：
1、五道口：360+；报录比4%；主要实力集中在货币市场、银行，在资本市场、券商上表现不佳；就业还可以，与四大名校还是有差距；偏好科班。
2、人民大学：360+；难度很高；就业有局限性；偏好科班。
3、上海财大：390左右；报录比为4%；难度看涨；偏好理工科背景。
4、南京大学：390左右；报录比5%；金融联考分数线仅次于复旦和上财。
★难度level 3：
1、中央财经：分数很低，340左右，但北京公共课压分，而且央财专业课给分极低，导致分数线不是太高偏好科班。
2、对外经贸：分数不高，340左右，但北京压分，报录比9%，难度其实很大；两个学院招200+人；就业很好；对英语要求非常高，专业课都要求考专业英语。
3、南开大学：360左右，天津也压分，但南开的难度也就和央财差不多。
4、中山大学：390左右；岭南学院的分数极高；管理学院分数也较高。5、厦门大学：360左右；金融联考；师资很强；位置偏远。6、武汉大学：370+；试卷简单。
★难度level 4：
1、华中科大：350+；报录比8%；有高人坐镇。
2、浙江大学：360左右；没有博士点；导师是原杭州大学的老师；项目是省级项目；就业基本为浙江省内的分行；偏好科班；有5%的录取人数将会分配到浙江大学城市学院，三本，联合培养。
3、西南财大：招生人数多；就业不错。
4、西安交大：很难。