En el siglo XXI, la tecnología matemática, al igual que la tecnología informática, se ha convertido en una herramienta indispensable en el desarrollo de cualquier ciencia. Citigroup de Estados Unidos
El 6 de marzo de 1995, el vicepresidente del banco Collins pronunció un discurso en el Instituto Newton de Ciencias Matemáticas de la Universidad de Cambridge en el Reino Unido.
“A principios del siglo XVIII, Bernoulli, un famoso matemático contemporáneo de Newton, declaró: 'Dedicaos al estudio de la física'.
Gente que no entiende las matemáticas En realidad, se trata de cosas que tienen poco significado. En ese momento, esta afirmación era perjudicial para la física, pero no era necesariamente cierta en el siglo XVIII y se podía hacer sin ninguna formación matemática.
Administrar un banco de manera efectiva Lo que antes se aplicaba a la física ahora se aplica a la banca. Así que ahora se puede decir: 'Trabaja en un banco pero no lo hace'. También señaló que el 70% del negocio de Citibank depende de las matemáticas. También enfatizó que 'no existen herramientas desarrolladas por las matemáticas.
Con la tecnología, hay muchas cosas de las que no podemos prescindir... No podemos prescindir de las matemáticas. "El banco está aquí.
La familia utilizó su experiencia para describir la importancia de las matemáticas. Después del final de la Guerra Fría, miles de estadounidenses trabajaron en el sistema militar.
Los científicos entran en Wall Street, las grandes empresas de gestión de fondos empezaron a contratar doctores en matemáticas o física. Esta es una señal importante: el mercado financiero no es un campo de batalla, pero es mucho mejor que un campo de batalla. Pero el mercado y el campo de batalla son inseparables.
Trabajo de cálculo complejo, difícil y rápido.
Pero en China, no podemos evitar que profesionales altamente formados puedan estudiar economía nacional, una revista fundamental en finanzas, pero lo es. Es difícil para los estudiantes de finanzas nacionales entender la revista central internacional Jo
En el campo financiero, pocos administradores de fondos de inversión en valores leen "Journey to Portfolio Management"
Ment", la razón no es el dominio de la lengua extranjera, sino la diferencia en el contenido y los métodos de investigación.
La mayoría de ellos se centran en el análisis descriptivo, centrándose en describir la definición de finanzas, la división del mercado y la organización financiera, o descripción.
Describir las finanzas; sin embargo, los círculos académicos y prácticos extranjeros se centran principalmente en el análisis cuantitativo, como los principios de fijación de precios de los activos de capital y los derivados.
El método de copiar activos o analizar las finanzas. incluso en los libros de texto de finanzas nacionales, aunque el tema está involucrado.
Los activos (activos básicos) y los activos derivados (activos derivados) tienen un precio, pero la fórmula original propuesta
Este fenómeno no es razonable. Las razones de este fenómeno son las siguientes: Primero,
Según diferentes métodos de investigación, la disciplina financiera china se puede dividir en la Oficina de Planificación de Filosofía y Ciencias Sociales de China o
Para volver a la Fundación Nacional de Ciencias Naturales de China, el Departamento de Ciencias de la Gestión, el primero ocupa el puesto principal, este equipo proviene en su mayoría de los clásicos.
La transición económica precede a los equipos de filosofía y ciencias políticas, por lo que la mayoría de los métodos de investigación son cualitativos. En cambio, en Occidente los equipos de investigación financiera tienen una buena base en matemáticas y física. En segundo lugar, está determinada por el entorno real del mercado financiero de China. El mercado de valores de mi país acaba de comenzar y no existe un mercado de divisas unificado. El equipo inversor está compuesto principalmente por pequeños y medianos inversores.
Si la especulación es alta, no habrá demanda de una teoría de inversión moderna y, en consecuencia, será difícil para los círculos académicos producirla.
Pasión por la investigación.
Sin embargo, las técnicas matemáticas han entrado indiscutiblemente en el campo financiero con sus descripciones precisas y su derivación rigurosa. A partir de 1952, Markowitz propuso utilizar variables características de variables aleatorias para describir la rentabilidad de los activos financieros, lo cual es inexacto.
Debido a su naturaleza y fluidez, se ha vuelto difícil distinguir si una revista financiera de talla mundial analiza los mercados financieros o escribe un
artículo matemático. Volviendo al discurso de Collins, en la tendencia de la titulización financiera, ¿utilizamos métodos estadísticos para analizar datos históricos para encontrar patrones de fluctuación de precios o replicamos productos financieros mediante análisis matemático?
Quien descubra primero las leyes inherentes podrá obtener grandes beneficios en el mercado financiero en constante cambio.
Aunque las matemáticas han sido excluidas e ignoradas en el ámbito financiero debido a la estricta entrada a la fortaleza. Pero en la búsqueda de ganancias, existe un miedo desconocido.
Parece frágil.
Así que en el futuro podemos imaginar una cadena industrial llena de perspectivas brillantes: mercados financieros - matemáticas financieras -
tecnología informática. Hay enormes ganancias y altos riesgos en el mercado financiero, lo que requiere tecnología informática para ayudar a analizar, pero la máquina de cálculo no puede ser un lenguaje descriptivo, como una aproximación, o algo así. Básicamente, solo reconoce el espacio compuesto por 0 y 1. Las matemáticas financieras
En este proceso, sólo desempeñan un papel intermediario y pueden describir las fluctuaciones aleatorias del mercado en un lenguaje preciso. Por ejemplo,
El factor de descuento libre de riesgo se encuentra a través de la matriz del estado de rendimiento sin arbitraje. Por lo tanto, las matemáticas financieras pueden ayudar
La industria de TI se extiende a la industria financiera para obtener sus propios márgenes de beneficio.
Las matemáticas financieras, también conocidas como finanzas matemáticas, finanzas matemáticas y finanzas analíticas, utilizan herramientas matemáticas para estudiar las finanzas y realizar análisis cuantitativos como modelos matemáticos, análisis teóricos y cálculos numéricos para descubrir las leyes inherentes de Finanzas y práctica de guía. Las matemáticas financieras también pueden entenderse como la aplicación de las matemáticas modernas y la tecnología informática en el campo financiero. Por lo tanto, las matemáticas financieras son una materia interdisciplinaria emergente que se está desarrollando rápidamente y es una de las materias fronterizas más activas en la actualidad.
Las matemáticas financieras son una disciplina emergente y una parte importante de la "alta tecnología financiera". Aprender matemáticas financieras tiene mucho sentido. El objetivo general de la investigación de las matemáticas financieras es utilizar las ventajas de mi país en ciertos aspectos de las matemáticas para realizar un análisis en profundidad de la teoría matemática del equilibrio del mercado financiero y la fijación de precios de los valores, establecer modelos matemáticos adecuados para las condiciones nacionales de mi país y escribir ciertos programas informáticos. , simular resultados de investigación teórica y aplicarlos a situaciones reales. Realizar análisis econométricos e investigaciones sobre datos para proporcionar análisis técnicos en profundidad y consultoría para el sector financiero real.
Los principales contenidos de investigación y problemas que deben resolverse en matemáticas financieras incluyen:
(1) Teoría de precios de carteras de valores y valores
Desarrollar valores (especialmente futuros, opciones y otros derivados) teoría de precios. El método matemático utilizado es principalmente proponer una ecuación diferencial estocástica adecuada o un modelo de ecuación en diferencias estocásticas para formar la ecuación inversa correspondiente. Se estableció la correspondiente fórmula no lineal de Feynman-Kac, de la que se derivó la muy generalizada fórmula de fijación de precios de Black-Scholes. La ecuación hacia atrás resultante será una ecuación singular no lineal restringida de alta dimensión.
Este artículo estudia el problema de fijación de precios de carteras de valores con diferentes vencimientos y rendimientos. Es necesario establecer un modelo matemático que combine fijación de precios y optimización. En el estudio de herramientas matemáticas, puede ser necesario estudiar programación estocástica, programación difusa y algoritmos de optimización.
Bajo la condición de mercado incompleto, se introduce la teoría de precios relacionada con la preferencia.
(2) Teoría del equilibrio económico de mercado (GEI) incompleta
Se prevé realizar investigaciones en los siguientes aspectos:
1. Espacio de dimensión infinita. Espacio de nivel infinito y estados infinitos
2. Economía estocástica, equilibrio sin arbitraje, cambios en los parámetros de la estructura económica y estructura de activos no lineal.
3. Innovación y diseño de titulizaciones de activos.
4. Economía friccional
5. Comportamiento y producción empresarial, quiebras y morosidad
6.
(3) La aplicación del algoritmo de equilibrio de placas de GEI y el método de Monte Carlo en el cálculo de puntos de equilibrio económico, la aplicación de la teoría de GEI en el macrocontrol fiscal, financiero y económico, sostenible en condiciones de mercado incompletas Investigación sobre fijación de precios de activos de recursos naturales y utilización sostenible de los recursos naturales bajo el marco de la teoría del desarrollo.
Actualmente, las universidades nacionales que ofrecen carreras de pregrado en matemáticas financieras incluyen la Universidad de Pekín, la Universidad de Fudan, la Universidad de Zhejiang, la Universidad de Shandong, la Universidad de Nankai, etc.
Más tarde, me volví muy bueno trabajando con la computadora. Las matemáticas financieras se dedicarán a la investigación y el análisis en banca, seguros, acciones, futuros y otros campos en el futuro, o al desarrollo de software en estos campos. Con una buena formación profesional, estos campos serán muy importantes en el futuro.
Hay pocos talentos en matemáticas financieras en China.
El Premio Nobel de Economía ha sido otorgado al menos en tres ocasiones a economistas que utilizan las matemáticas como herramienta para analizar problemas financieros. El profesor Wang Duo, del Departamento de Matemáticas Financieras de la Universidad de Pekín, dijo que lamentablemente el cultivo de talentos relevantes en nuestro país apenas ha comenzado.
Hoy en día, los talentos compuestos que entiendan tanto de finanzas como de matemáticas son bastante escasos.
Las matemáticas financieras, una materia interdisciplinaria emergente, se han convertido en una maravilla en la comunidad financiera internacional. El recién anunciado Premio Nobel de Economía de 2003 fue otorgado al economista estadounidense Robert Engel y al economista británico Clive Granger por sus dos nuevos métodos de análisis de series temporales económicas, a saber, la "variabilidad en el tiempo" y la " * * * misma tendencia". enorme impacto para la investigación económica y el desarrollo económico.
Wang Duo presentó que el desarrollo de las matemáticas financieras ha desencadenado dos veces la "Revolución de Wall Street". A principios de la década de 1950, Markowitz propuso la teoría de la cartera de valores y, por primera vez, utilizó herramientas matemáticas para proporcionar claramente un método de inversión para invertir en varios valores en diferentes proporciones bajo un cierto nivel de riesgo para obtener el máximo rendimiento posible, lo que desencadenó la primera Una "revolución de Wall Street". En 1973, Blake y Scholes utilizaron métodos matemáticos para proporcionar la fórmula de fijación de precios de opciones, lo que promovió el desarrollo del comercio de opciones. El comercio de opciones pronto se convirtió en el contenido principal del mercado financiero mundial y se convirtió en la segunda "revolución de Wall Street".
Hoy en día, los matemáticos financieros se encuentran entre los talentos más buscados en Wall Street. El ejemplo más simple es que la persona con mayor estatus e ingresos en una compañía de seguros puede ser el actuario jefe. Paul Koslin, vicepresidente de Citibank, tiene un dicho famoso: "Una persona que se dedica a negocios bancarios y no entiende matemáticas sólo puede hacer cosas triviales".
En Estados Unidos, la Universidad de Chicago y la Universidad de California, Berkeley Universidades famosas como sus filiales, la Universidad de Stanford, la Universidad Carnegie Mellon y la Universidad de Nueva York ofrecen educación de grado o certificado profesional relacionada con las matemáticas financieras.
Los expertos creen que el posible desarrollo de las matemáticas financieras debería destacarse en Asia, especialmente en China, donde el mercado financiero está en desarrollo y tiene un enorme potencial. La Universidad China de Hong Kong, la Universidad de Ciencia y Tecnología de Hong Kong, la Universidad de Ciencia y Tecnología de la Ciudad y otras escuelas han lanzado cursos y planes de capacitación relevantes, que han recibido una respuesta entusiasta de las industrias bancaria y financiera. Sin embargo, cultivar ese talento en China continental es algo difícil.
Wang Duo presentó que la Fundación Nacional de Ciencias Naturales de China ha incluido el contenido de investigación de ingeniería financiera en los principales proyectos del Noveno Plan Quinquenal, que se puede decir que ha lanzado por completo la investigación nacional en matemáticas financieras. Pero esto fue casi medio siglo después de la investigación y aplicación de las matemáticas financieras por parte de Markowitz.
En el contexto de que los derivados financieros se han convertido en un papel importante en el mercado financiero internacional, los derivados financieros de mi país acaban de comenzar y los derivados financieros están casi en blanco. "Después de unirse a la OMC, los financieros internacionales definitivamente traerán esta serie de negocios a China. Si no hay productos ni talentos correspondientes, ¿cómo podemos competir?", Dijo ansiosamente Wang Duo.
Cree que la crisis financiera mexicana de los últimos años y el colapso del centenario Banco Barings nos han advertido que si no dominamos las tecnologías financieras modernas como las matemáticas financieras, la ingeniería financiera y la gestión financiera , y la falta de talentos, podemos fracasar en la competencia financiera internacional sufrió grandes pérdidas. Lo que más nos falta ahora son talentos compuestos de alto nivel que puedan dominar los derivados financieros modernos, realizar análisis cuantitativos de riesgos financieros y comprender tanto las finanzas como las matemáticas.
Se informa que muchos colegios y universidades en China han lanzado sucesivamente enseñanza relacionada con las matemáticas financieras, pero los graduados están lejos de satisfacer las necesidades de todo el mercado.
Wang Duo cree que todavía existen algunos obstáculos insuperables para cultivar tales talentos: las matemáticas financieras eventualmente deben aplicarse en la práctica, pero en la actualidad, los derivados financieros aún no son un clima y es difícil para los estudiantes tienen la oportunidad de practicar. La enseñanza y el aprendizaje permanecen en el papel. Además, la mayoría de las personas formadas en colegios y universidades son estudiantes universitarios y sólo un pequeño número de estudiantes de posgrado son todavía raros en el país. El país debería prestar más atención al cultivo de talentos compuestos que combinen finanzas y matemáticas.
Wang Duo recordó que en 1997, cuando la Universidad de Pekín estableció el primer departamento de matemáticas financieras en China, quería administrar una escuela junto con algunos expertos en finanzas. Pero es evidente que a un número considerable de personas esto no le interesa: "Los derivados financieros y las matemáticas financieras son cuestiones de las que el país debería preocuparse".
Aunque algunos pensaron que estaba demasiado avanzado cuando el Departamento de Finanzas Las matemáticas se establecieron por primera vez, Wang Duo Insistimos en que la educación debe estar a la vanguardia del desarrollo industrial y reservar talentos para el mercado. Si hoy no prestamos atención al cultivo de talentos en campos relacionados, podemos quedar en desventaja en la competencia internacional.
El periodista descubrió que incluso hoy en día, en este tema, por un lado, los profesores universitarios están preocupados por la escasez de talentos y, por otro lado, algunos expertos de renombre se muestran indiferentes al cultivo de talentos de matemáticas financieras.
Durante la entrevista, el periodista intentó repetidamente contactar a varios expertos nacionales en matemáticas financieras o teoría financiera, pero fue rechazado muchas veces. La razón es sencilla. Piensan que es demasiado ingenuo hablar sobre el cultivo de talentos. Algunos incluso dijeron: "No entiendo ni me importa en absoluto el cultivo de talentos". Otros dijeron: "Tengo muchos temas que abordar ahora. ¿Cuál es más importante? El mío". El tema es discutir el cultivo del talento". "No tengo tiempo ni obligación de explicar al público el Premio Nobel de Economía. Si el público entiende las matemáticas financieras no tiene nada que ver conmigo".
[Editar este párrafo] Minería de datos en finanzas
1. ¿Qué son las reglas de asociación?
Antes de describir algunos detalles sobre las reglas de la asociación, veamos una historia interesante: "Pañales y cerveza".
En un supermercado se produce un fenómeno interesante: pañales y cerveza se venden juntos. Pero la extraña medida aumentó las ventas de pañales y cerveza. Esto no es una broma, sino un caso real ocurrido en la cadena de supermercados estadounidense Wal-Mart, y del que han hablado las empresas. Walmart tiene el sistema de almacenamiento de datos más grande del mundo. Para comprender con precisión los hábitos de compra de los clientes en sus tiendas, Walmart realiza un análisis de la cesta sobre el comportamiento de compra de los clientes y quiere saber qué productos suelen comprar juntos. El almacén de datos de Walmart centraliza datos detallados de transacciones sin procesar de sus tiendas. Con base en estos datos de transacciones originales, Walmart utiliza métodos de minería de datos para analizar y extraer estos datos. Un descubrimiento inesperado fue: "¡El producto más comprado con pañales es la cerveza!". Después de muchas investigaciones y análisis, se reveló un patrón de comportamiento estadounidense escondido detrás de "pañales y cerveza": en los Estados Unidos, algunos padres jóvenes dejan de trabajar. Después, suelen ir al supermercado a comprar pañales para bebés y entre un 30% y un 40% de ellos también compran algo de cerveza. La razón de este fenómeno es que las esposas estadounidenses a menudo les dicen a sus maridos que compren pañales para sus hijos después de salir del trabajo. Después de comprarlos, el marido les trae su cerveza favorita.
Según el pensamiento convencional, los pañales no tienen nada que ver con la cerveza. Sin utilizar tecnología de minería de datos para extraer y analizar una gran cantidad de datos de transacciones, sería imposible para Wal-Mart descubrir patrones tan valiosos dentro de los datos.
La asociación de datos es un importante conocimiento de descubrimiento en la base de datos. Si existe cierta regularidad entre los valores de dos o más variables, se llama correlación. La correlación se puede dividir en correlación simple, correlación de series temporales y correlación causal. El propósito del análisis de correlación es encontrar la red de correlación oculta en la base de datos. A veces no conocemos la función de correlación de los datos en la base de datos, e incluso si la conocemos, es incierta, por lo que las reglas generadas por el análisis de correlación son creíbles. La minería de reglas de asociación descubre asociaciones o correlaciones interesantes entre conjuntos de elementos en grandes cantidades de datos. Agrawal equivale a 1993. Primero, se presenta el problema de las reglas de asociación minera entre conjuntos de elementos en una base de datos de transacciones de clientes. Más tarde, muchos investigadores investigaron mucho sobre las reglas de las asociaciones mineras. Su trabajo incluye optimizar el algoritmo original, como introducir muestreo aleatorio e ideas paralelas para mejorar la eficiencia de las reglas de minería de algoritmos promoviendo la aplicación de reglas de asociación; La minería de reglas de asociación es un tema importante en la minería de datos y ha sido ampliamente estudiado por la industria en los últimos años.
2. El proceso de minería, clasificación y algoritmos relacionados de reglas de asociación.
2.1 Proceso de minería de reglas de asociación
El proceso de minería de reglas de asociación incluye principalmente dos etapas: en la primera etapa, todos los conjuntos de elementos de alta frecuencia deben encontrarse en el conjunto de datos; En la segunda etapa, las reglas de asociación se generan a partir de estos conjuntos de elementos de alta frecuencia.
En la primera etapa de la minería de reglas de asociación, todos los conjuntos de elementos grandes deben encontrarse a partir del conjunto de datos original. Alta frecuencia significa que la frecuencia de un determinado grupo de elementos en relación con todos los registros debe alcanzar un cierto nivel. La frecuencia con la que aparece el equipo del proyecto se llama soporte. Tomando como ejemplo un conjunto de 2 elementos que contiene dos elementos A y B, el soporte del grupo de elementos que contiene {A, B} se puede obtener mediante la fórmula (1). Si el soporte es mayor o igual al umbral mínimo de soporte establecido, {A, B} se denomina grupo de artículos de alta frecuencia. El conjunto de k elementos que satisface el soporte mínimo se denomina conjunto de k elementos frecuentes, generalmente expresado como k grande o k frecuente. El algoritmo también genera k + 1 grande a partir del grupo de k elementos grandes hasta que no se puedan encontrar elementos de alta frecuencia. encontrado más.
La segunda etapa de la minería de reglas de asociación es generar reglas de asociación. Generar reglas de asociación a partir de grupos de elementos de alta frecuencia consiste en utilizar las reglas de generación de grupos de elementos k de alta frecuencia en el paso anterior. Bajo el umbral condicional de confianza mínima, si la credibilidad obtenida por una regla satisface la confianza mínima, esta regla se denomina regla de asociación.
Por ejemplo, la confiabilidad de la regla AB generada por el grupo de elementos k de alta frecuencia {A, B} se puede obtener mediante la fórmula (2). Si la confiabilidad es mayor o igual que la confiabilidad mínima, AB se denomina regla de asociación.
En el caso de Vuormaa, al utilizar la tecnología de minería de reglas de asociación para extraer registros en la base de datos de transacciones, primero debemos establecer dos umbrales: soporte mínimo y confianza mínima. Supongamos que el soporte mínimo min_support=5%, el. confianza mínima min_confidence=70%. Por tanto, las normas de la asociación que satisfagan las necesidades de este supermercado deben cumplir las dos condiciones anteriores al mismo tiempo. Si la regla de asociación "pañal, cerveza" encontrada mediante el proceso de extracción satisface las siguientes condiciones, se aceptará la regla de asociación "pañal, cerveza". El apoyo (pañal, cerveza) se puede describir mediante la fórmula >:=5%, confianza (pañal, cerveza) >=70%. Entre ellos, soporte (pañales, cerveza) >: En este ejemplo de aplicación, la importancia de =5% es que al menos el 5% de todos los registros de transacciones muestran que los pañales y la cerveza se compraron al mismo tiempo. En este ejemplo de aplicación, el nivel de confianza (pañales, cerveza) > = 70 % significa que al menos el 70 % de todos los registros de transacciones, incluidos los pañales, también comprarán cerveza. Por lo tanto, si un consumidor compra pañales en el futuro, el supermercado podrá recomendarle que compre cerveza al mismo tiempo. Este comportamiento de recomendación de productos se basa en la regla de asociación "pañales, cerveza", porque los registros de transacciones anteriores del supermercado respaldan el comportamiento de consumo de "la mayoría de las compras de pañales también incluyen la compra de cerveza".
También se puede ver en la introducción anterior que la minería de reglas de asociación suele ser más adecuada para situaciones en las que los indicadores de los registros toman valores discretos. Si los valores del índice en la base de datos original son datos continuos, entonces los datos deben discretizarse adecuadamente antes de las reglas de asociación minera (en realidad, un valor en un determinado intervalo corresponde a un determinado valor). La discretización de datos es un paso importante antes de la extracción de datos. Si el proceso de discretización es razonable afectará directamente los resultados de la extracción de las reglas de asociación.
2.2 Clasificación de las reglas de asociación
Según las diferentes situaciones, las reglas de asociación se pueden clasificar de la siguiente manera:
1. Según las categorías de variables procesadas en el reglas, las reglas de asociación se pueden dividir en tipos booleanos y numéricos.
Los valores procesados por reglas de asociación booleanas son discretos y categóricos, mostrando la relación entre estas variables. Las reglas de asociación numérica se pueden combinar con reglas de asociación multidimensional o reglas de asociación de múltiples niveles para procesar campos numéricos y dividirlos dinámicamente, o pueden procesar directamente datos sin procesar. Por supuesto, las reglas de asociación numérica también pueden contener variables categóricas. Por ejemplo: género = "femenino" = & gtocupación = "secretaria", esta es una regla de asociación booleana Género = "femenino" = & gtAvg (ingresos) =2300, los ingresos involucrados son numéricos, por lo que es una regla de asociación numérica; .
2. Según el nivel de abstracción de los datos en las reglas, se pueden dividir en reglas de asociación de una sola capa y reglas de asociación de múltiples capas.
En las reglas de asociación de un solo nivel, todas las variables no tienen en cuenta que los datos reales tienen muchos niveles diferentes; en las reglas de asociación de varios niveles, la naturaleza multinivel de los datos se considera completamente. Por ejemplo: IBM escritorio = & gt impresora Sony es una regla de asociación de una sola capa para datos detallados; Escritorio = & gt impresora Sony es una regla de asociación de múltiples capas entre un nivel superior y un nivel de detalle.
3. Según las dimensiones de los datos involucrados en las reglas, las reglas de asociación se pueden dividir en unidimensionales y multidimensionales.
En las reglas de asociación unidimensionales, solo involucramos una dimensión de datos, como los artículos comprados por los usuarios; en las reglas de asociación multidimensional, los datos a procesar involucran múltiples dimensiones. En otras palabras, las reglas de asociación unidimensionales se ocupan de algunas relaciones en un único atributo; las reglas de asociación multidimensionales se ocupan de algunas relaciones entre varios atributos. Por ejemplo: Cerveza = & gt Pañales, esta regla solo involucra artículos comprados por el usuario; Género = "mujer" = & gt Ocupación = "Secretaria", esta regla involucra información en dos campos y es una regla de asociación bidimensional.
2.3 Algoritmo de minería de reglas de asociación
1. Algoritmo a priori: utilice conjuntos de elementos candidatos para descubrir conjuntos de elementos frecuentes.
El algoritmo Apriori es el algoritmo más influyente para extraer conjuntos de elementos frecuentes de reglas de asociación booleanas. Su núcleo es un algoritmo recursivo basado en la idea de conjuntos de frecuencias de dos etapas.
Esta regla de asociación se clasifica como regla de asociación booleana unidimensional y de un solo nivel. Aquí, todos los conjuntos de elementos cuyo soporte es mayor que el soporte mínimo se denominan conjuntos de elementos frecuentes o, para abreviar, conjuntos de frecuencia.
La idea básica del algoritmo es: primero encuentre todos los conjuntos de frecuencias y las frecuencias de estos conjuntos de elementos sean al menos las mismas que el soporte mínimo predefinido. Luego, se generan reglas de asociación sólidas a partir del conjunto de frecuencias, y estas reglas deben satisfacer un soporte mínimo y una confianza mínima. Luego, el conjunto de frecuencias encontrado en el paso 1 se usa para generar las reglas deseadas, y se generan todas las reglas que contienen solo elementos establecidos, en las que solo hay un elemento en la mitad derecha de cada regla. Aquí se usa la definición de regla intermedia. . Una vez generadas estas reglas, solo quedan aquellas reglas que sean mayores que el nivel mínimo de confianza dado por el usuario. Para generar todos los conjuntos de frecuencias, se utiliza un enfoque recursivo.
Puede haber una gran cantidad de conjuntos de candidatos y es posible que sea necesario escanear la base de datos repetidamente. Estas son las dos principales deficiencias del algoritmo Apriori.
2. Algoritmo basado en particiones
Savasere et al. El algoritmo primero divide lógicamente la base de datos en varios bloques separados, considera un bloque individualmente a la vez y genera todos los conjuntos de frecuencias para él, luego combina los conjuntos de frecuencias generados para generar todos los conjuntos de frecuencias posibles y finalmente calcula estos elementos. Aquí, el tamaño de cada bloque se elige de manera que cada bloque pueda caber en la memoria principal y solo deba escanearse una vez en cada etapa. La exactitud del algoritmo está garantizada por el hecho de que cada posible conjunto de frecuencias es una frecuencia establecida en al menos un bloque. El algoritmo puede estar altamente paralelizado y cada bloque puede asignarse a un procesador para generar conjuntos de frecuencias. Después de cada ciclo de generación de conjuntos de frecuencias, los procesadores se comunican entre sí para generar k-itemsets candidatos globales. Por lo general, el proceso de comunicación aquí es el principal cuello de botella en el tiempo de ejecución del algoritmo; por otro lado, el tiempo que tarda cada procesador independiente en generar el conjunto de frecuencias también es un cuello de botella;
3. Algoritmo de conjunto de frecuencias de árbol FP
Apuntando a las deficiencias inherentes del algoritmo Apriori, J. Han et al. propusieron un método que no genera conjuntos de elementos frecuentes para la minería candidata: FP- algoritmo de conjunto de frecuencias de árbol. Adopte una estrategia de divide y vencerás. Después del primer escaneo, la frecuencia establecida en la base de datos se comprime en un árbol de patrones frecuentes (árbol FP), mientras que la información relevante aún se conserva. Luego, el árbol FP se divide en varias bases de condiciones, cada base de condiciones se asocia con un conjunto de frecuencias de longitud 1 y luego estas bases de condiciones se extraen por separado. Cuando la cantidad de datos originales es grande, el árbol FP se puede colocar en la memoria principal en combinación con el método de partición. Los experimentos muestran que el crecimiento de FP tiene buena adaptabilidad a reglas de diferentes longitudes y su eficiencia mejora enormemente en comparación con el algoritmo a priori.
3. Aplicaciones en este campo en el país y en el extranjero
3.1 Aplicaciones de la tecnología de minería de reglas de asociación en el país y en el extranjero
En la actualidad, la tecnología de minería de reglas de asociación tiene Se ha utilizado ampliamente en los negocios financieros occidentales y puede anticipar con éxito las necesidades de los clientes bancarios. Una vez que tengan esta información, los bancos pueden mejorar su marketing. Ahora, los bancos están desarrollando nuevas formas de comunicarse con los clientes todos los días. Cada banco agrupa la información de los productos del banco que pueden interesar a los clientes en su propio cajero automático para que los usuarios la comprendan. Si la base de datos muestra que un cliente con un límite de crédito alto ha cambiado su dirección, entonces existe una buena posibilidad de que el cliente haya comprado recientemente una casa más grande y, por lo tanto, necesite un límite de crédito más alto, una nueva tarjeta de crédito de alta gama o una préstamo para mejoras en el hogar. Estos productos se pueden enviar por correo a los clientes mediante extractos de tarjetas de crédito. La base de datos puede ayudar eficazmente a los representantes de telemercadeo cuando los clientes llaman para realizar consultas. La pantalla de la computadora de un representante de ventas puede mostrar las características del cliente y también mostrar qué productos le interesarían.
Al mismo tiempo, algunos sitios web de comercio electrónico conocidos también se benefician de una poderosa minería de reglas de asociación. Estos sitios de compras electrónicas explotan utilizando reglas de asociación y luego configuran paquetes que los usuarios pretenden comprar juntos. También hay algunos sitios web de compras que los utilizan para configurar las ventas cruzadas correspondientes, es decir, los clientes que compran un determinado producto verán anuncios de otro producto relacionado.
Sin embargo, actualmente en China, "los datos masivos y la falta de información" son una vergüenza común que enfrentan los bancos comerciales después de la concentración de datos.
La mayoría de las bases de datos implementadas actualmente en la industria financiera solo pueden implementar funciones subyacentes como entrada de datos, consultas, estadísticas, etc., pero no pueden encontrar información útil en los datos, como analizar estos datos, descubrir sus patrones y características de datos, y luego descubrir ciertos intereses financieros y comerciales de clientes individuales, grupos de consumidores u organizaciones, y observar las tendencias cambiantes en los mercados financieros. Se puede decir que la investigación y aplicación nacional de la tecnología minera de reglas de asociación no es muy extensa ni profunda.
3.2 Algunas investigaciones sobre la tecnología de minería de reglas de asociación en los últimos años
Dado que muchos problemas de aplicación suelen ser más complejos que los problemas de adquisición de los supermercados, una gran cantidad de estudios han ampliado las reglas de asociación desde diferentes perspectivas. , integrando más factores en el método de minería de reglas de asociación, enriqueciendo así los campos de aplicación de las reglas de asociación y ampliando el alcance de las decisiones de gestión de apoyo. Por ejemplo, considere las relaciones jerárquicas entre atributos, relaciones temporales, minería de tablas múltiples, etc. En los últimos años, la investigación sobre reglas de asociación se ha centrado principalmente en dos aspectos: ampliar el alcance de los problemas que las reglas de asociación clásicas pueden resolver y mejorar la eficiencia y el interés de los algoritmos de minería de reglas de asociación clásicas.
Definición de ingeniería financiera
Existen muchas definiciones de ingeniería financiera. El economista financiero estadounidense John Finnerty propuso la mejor definición: la ingeniería financiera incluye la innovación El diseño, desarrollo e implementación de la ingeniería financiera. instrumentos e instrumentos, y soluciones creativas a los problemas financieros.
La ingeniería financiera tiene dos conceptos: sentido estricto y sentido amplio. La ingeniería financiera en un sentido estricto se refiere principalmente al uso de matemáticas avanzadas y herramientas de comunicación para realizar diferentes formas de combinación y descomposición sobre la base de varios productos financieros básicos existentes para diseñar nuevos productos financieros con características específicas de pérdidas y ganancias que satisfagan las necesidades de los clientes. La ingeniería financiera en un sentido amplio se refiere a todos los desarrollos tecnológicos que utilizan medios de ingeniería para resolver problemas financieros. Incluye no sólo el diseño de productos financieros, sino también el precio de los productos financieros, el diseño de estrategias comerciales, la gestión de riesgos financieros y otros aspectos. Este artículo adopta el concepto amplio de ingeniería financiera.
[Editar este párrafo] El contenido central de la ingeniería financiera
En ingeniería financiera, el núcleo radica en el desarrollo y diseño de nuevos productos o negocios financieros, y su esencia es mejorar eficiencia, incluyendo:
1. Crear nuevos instrumentos financieros, como la creación del primer bono cupón cero y el primer contrato de swap
2. a medida que el comercio de futuros se aplica a nuevas áreas y se desarrolla una gran cantidad de opciones y swaps
3 Combinar las herramientas y métodos financieros existentes con la tecnología de descomposición de carteras para componer nuevos productos financieros, como swaps a plazo y futuros. opciones, etc., y construir nuevas estructuras financieras.
[Editar este párrafo] Procedimientos operativos de la ingeniería financiera
El funcionamiento de la ingeniería financiera tiene procedimientos estandarizados: diagnóstico-análisis-desarrollo-precio-entrega, y el proceso básico está programado.
Entre ellos, desde análisis de viabilidad de proyectos, determinación de objetivos de rendimiento del producto, diseño de optimización de soluciones, desarrollo de productos, determinación del modelo de precios, pruebas de simulación, aplicación de lotes pequeños y corrección de retroalimentación, hasta ventas de gran volumen y Promoción, todos los enlaces son estrechos y ordenados. La mayoría de los nuevos productos financieros innovadores se han convertido en herramientas que utilizan la ingeniería financiera para resolver creativamente otros problemas financieros relacionados, es decir, la unidad básica de una cartera de productos.
Ciencia actuarial
La ciencia actuarial tiene una historia de 300 años en Occidente. Es una disciplina que utiliza teorías matemáticas como la teoría de la probabilidad y diversas herramientas financieras para estudiar métodos y técnicas cuantitativos sobre cómo la industria de seguros y otras industrias financieras responden a diversos riesgos. Es la base teórica para el desarrollo de la industria de seguros moderna, la industria de inversiones financieras y la seguridad social.
La ciencia actuarial es una disciplina que utiliza la teoría matemática de probabilidad y diversas herramientas financieras para analizar y predecir actividades económicas. En los países desarrollados occidentales, la ciencia actuarial desempeña un papel importante en los seguros, las inversiones, la supervisión financiera, la seguridad social y otros campos relacionados con la gestión de riesgos. Los actuarios se ocupan de la "incertidumbre futura" y su propósito es proporcionar una base para las decisiones financieras.
Actuario