金融數學買什麼樣的筆記本

❶ 麻煩誰給我介紹一下金融數學，金融工程，精算學！

金融數學
21世紀數學技術和計算機技術一樣成為任何一門科學發展過程中的必備工具。美國花旗
銀行副總裁柯林斯（Collins）1995年3月6日在英國劍橋大學牛頓數學科學研究所的講演
中敘述到：「在18世紀初，和牛頓同時代的著名數學家伯努利曾宣稱：『從事物理學研
究而不懂數學的人實際上處理的是意義不大的東西。』那時候，這樣的說法對物理學而
言是正確的，但對於銀行業而言不一定對。在18世紀，你可以沒有任何數學訓練而很好
地運作銀行。過去對物理學而言是正確的說法現在對於銀行業也正確了。於是現在可以
這樣說：『從事銀行業工作而不懂數學的人實際上處理的是意義不大的東西』。」他還
指出：花旗銀行70%的業務依賴於數學，他還特別強調，『如果沒有數學發展起來的工具
和技術，許多事情我們是一點辦法也沒有的……沒有數學我們不可能生存。」這里銀行
家用他的經驗描述了數學的重要性。在冷戰結束後，美國原先在軍事系統工作的數以千
計的科學家進入了華爾街，大規模的基金管理公司紛紛開始僱傭數學博士或物理學博士
。這是一個重要信號：金融市場不是戰場，卻遠勝於戰場。但是市場和戰場都離不開復
雜艱深，迅速的計算工作。
然而在國內卻不能迴避這樣一個事實：受過高等教育的專業人士都可以讀懂國內經濟類
，金融類核心期刊，但國內金融學專業的本科生卻很難讀懂本專業的國際核心期刊《Jo
urnal of Finance》，證券投資基金經理少有人去閱讀《Joural of Portfolio Manage
ment》，其原因不在於外語的熟練程度，而在於內容和研究方法上的差異，目前國內較
多停留在以描述性分析為主著重描述金融的定義，市場的劃分及金融組織等，或稱為描
述金融；而國外學術界以及實務界則以數量性分析為主，比如資本資產定價原理，衍生
資產的復制方法等，或稱為分析金融，即使在國內金融學的教材中，雖然涉及到了標的
資產（Underlying asset）和衍生資產（Derivative asset）定價，但對公式提出的原
文證明也予以迴避，這種現象是不合理的，產生這種現象的原因有如下幾個方面：首先
，根據研究方法的不同，我國金融學科既可以歸到我國哲學社會科學規劃辦公室，也可
以歸到國家自然科學基金委員會管理科學部，前者佔主要地位，且這支隊伍大多來自經
濟轉軌前的哲學和政治學隊伍，因此研究方法多為定性的方法。而西方正好相反，金融
研究方向的隊伍具有很好的數理功底。其次是我國的金融市場的實際環境所決定。我國
證券市場剛起步，也沒有一個統一的貨幣市場，投資者隊伍主要由中小投資者構成，市
場投機成分高，因此不會產生對現代投資理論的需求，相應地，學術界也難以對此產生
研究的熱情。
然而數學技術以其精確的描述，嚴密的推導已經不容爭辯地走進了金融領域。自從1952
年馬柯維茨（Markowitz）提出了用隨機變數的特徵變數來描述金融資產的收益性，不確
定性和流動性以來，已經很難分清世界一流的金融雜志是在分析金融市場還是在撰寫一
篇數學論文。再回到Collins的講話，在金融證券化的趨勢中，無論是我們採用統計學的
方法分析歷史數據，尋找價格波動規律，還是用數學分析的方法去復制金融產品，誰最
先發現了內在規律，誰就能在瞬息萬變的金融市場中獲取高額利潤。盡管由於森嚴的進
入堡壘，數學進入金融領域受到了一定的排斥和漠視，然而為了追求利潤，未知的恐懼
顯得不堪一擊。
於是，在未來我們可以想像有這樣一個充滿美好前景的產業鏈：金融市場--金融數學--
計算機技術。金融市場存在巨大的利潤和高風險，需要計算機技術幫助分析，然而計算
機不可能大概，左右等描述性語言，它本質上只能識別由0和1構成的空間，金融數學在
這個過程中正好扮演了一個中介角色，它可以用精確語言描述隨機波動的市場。比如，
通過收益率狀態矩陣在無套利的情形下找到了無風險貼現因子。因此，金融數學能幫助
IT產業向金融產業延伸，並獲取自己的利潤空間
金融數學（Financial Mathematics），又稱數理金融學、數學金融學、分析金融學，是利用數學工具 研究金融，進行數學建模、理論分析、數值計算等定量分析，以求找到金融學內在規律並用以指導實踐。金融數學也可以理解為現代數學與計算技術在金融領域的應用，因此，金融數學是一門新興的交叉學科，發展 很快，是目前十分活躍的前言學科之一。
金融數學是一門新興學科，是「金融高技術 」的重要 組成部分。研究金融數學有著重要的意義。 金融數學總的研究目標是利用我國數學界某些方面的優勢，圍繞金融市場的均衡與有價證券定價的數學理論進行深入剖析，建立適合我國國情的數學模型，編寫一定的計算機軟體，對理論研究結果進行模擬計算，對實際數據進行計量經濟分析研究，為實際金融部門提供較深入的技術分析咨詢。
金融數學主要的研究內容和擬重點解決的問題包括：
(1)有價證券和證券組合的定價理論
發展有價證券（尤其是期貨、期權等衍生工具）的定價理論。所用的數學方法主要是提出合適的隨機微分方程或隨機差分方程模型，形成相應的倒向方程。建立相應的非線性Feynman一Kac公式，由此導出非常一般的推廣的Black一Scho1es定價公式。所得到的倒向方程將是高維非線性帶約束的奇異方程。
研究具有不同期限和收益率的證券組合的定價問題。需要建立定價與優化相結合的數學模型，在數學工具的研究方面，可能需要隨機規劃、模糊規劃和優化演算法研究。
在市場是不完全的條件下，引進與偏好有關的定價理論。
(2）不完全市場經濟均衡理論（GEI）
擬在以下幾個方面進行研究：
1．無窮維空間、無窮水平空間、及無限狀態
2.隨機經濟、無套利均衡、經濟結構參數變異、非線資產結構
3．資產證券的創新（Innovation）與設計（Design）
4．具有摩擦（Friction）的經濟
5．企業行為與生產、破產與壞債
6.證券市場博奕。
（3）GEI 平板衡演算法、蒙特卡羅法在經濟平衡點計算中的應用， GEI的理論在金融財政經濟宏觀經濟調控中的應用，不完全市場條件下，持續發展理論框架下研究自然資源資產定價與自然資源的持續利用。
目前國內開設金融數學本科專業的高等院校中，實力較強的有北京大學、復旦大學、浙江大學、山東大學、南開大學。
後來從事計算機工作很出色。金融數學將後來在銀行、保險、股票、期貨領域從事研究分析，或做這些領域的軟體開發，具有很好的專業背景，而這些領域將來都很重要。
國內金融數學人才鳳毛麟角
諾貝爾經濟學獎已經至少3次授予以數學為工具分析金融問題的經濟學家。北京大學金融數學系王鐸教授說，但遺憾的是，我國相關人才的培養，才剛剛起步。現在，既懂金融又懂數學的復合型人才相當稀缺。
金融數學這門新興的交叉學科已經成為國際金融界的一枝奇葩。剛剛公布的2003年諾貝爾經濟學獎，就是表彰美國經濟學家羅伯特·恩格爾和英國經濟學家克萊夫·格蘭傑分別用「隨著時間變化易變性」和「共同趨勢」兩種新方法分析經濟時間數列給經濟學研究和經濟發展帶來巨大影響。
王鐸介紹，金融數學的發展曾兩次引發了「華爾街革命」。上個世紀50年代初期，馬科威茨提出證券投資組合理論，第一次明確地用數學工具給出了在一定風險水平下按不同比例投資多種證券收益可能最大的投資方法，引發了第一次「華爾街革命」。1973年，布萊克和斯克爾斯用數學方法給出了期權定價公式，推動了期權交易的發展，期權交易很快成為世界金融市場的主要內容，成為第二次「華爾街革命」。
今天，金融數學家已經是華爾街最搶手的人才之一。最簡單的例子是，保險公司中地位和收入最高的，可能就是總精算師。美國花旗銀行副主席保爾·柯斯林著名的論斷是，「一個從事銀行業務而不懂數學的人，無非只能做些無關緊要的小事」。
在美國，芝加哥大學、加州伯克利大學、斯坦福大學、卡內基·梅隆大學和紐約大學等著名學府，都已經設立了金融數學相關的學位或專業證書教育。
專家認為，金融數學可能帶來的發展應該凸現在亞洲，尤其是在金融市場正在開發和具有巨大潛力的中國。香港中文大學、科技大學、城市理工大學等學校都已推出有關的訓練課程和培養計劃，並得到銀行金融業界的熱烈響應。但中國內地對該項人才的培養卻有些艱辛。
王鐸介紹，國家自然科學基金委員會在一項「九五」重大項目中，列入金融工程研究內容，可以說全面啟動了國內的金融數學研究。可這比馬科威茨開始金融數學的研究應用已經晚了近半個世紀。
在金融衍生產品已成為國際金融市場重要角色的背景下，我國的金融衍生產品才剛剛起步，金融衍生產品市場幾乎是空白。「加入 W TO後，國際金融家們肯定將把這一系列業務帶入中國。如果沒有相應的產品和人才，如何競爭？」王鐸憂慮地說。
他認為，近幾年，接連發生的墨西哥金融危機、百年老店巴林銀行倒閉等事件都在警告我們，如果不掌握金融數學、金融工程和金融管理等現代化金融技術，缺乏人才，就可能在國際金融競爭中蒙受重大損失。我們現在最缺的，就是掌握現代金融衍生工具、能對金融風險做定量分析的既懂金融又懂數學的高級復合型人才。
據悉，目前國內不少高校都陸續開展了與金融數學相關的教學，但畢業的學生遠遠滿足不了整個市場的需求。
王鐸認為，培養這類人才還有一些難以逾越的障礙———金融數學最終要運用於實踐，可目前國內金融衍生產品市場還沒有成氣候，學生很難有實踐的機會，教和學都還是紙上談兵。另外，高校培養的人大多都是本科生，只有少量的研究生，這個領域的高端人才在國內還是鳳毛麟角。國家應該更多地關注金融和數學相結合的復合型人才的培養。
王鐸回憶，1997年，北京大學建立了國內首個金融數學系時，他曾想與一些金融界人士共商辦學。但相當一部分人對此顯然並不感興趣：「什麼金融衍生產品，什麼金融數學，那都是國家應該操心的事。」
盡管當初開設金融數學系時有人認為太超前，但王鐸堅持，教育應該走在產業發展的前頭，才能為市場儲備人才。如果今天還不重視相關領域的人才培養，就可能導致我們在國際競爭中的不利。
記者發現即使今天，在這個問題上，仍然一方面是高校教師對於人才稀缺的擔憂，一方面卻是一些名氣很大的專家對金融數學人才培養的冷漠。
采訪中，記者多次試圖聯系幾位國內金融數學界或金融理論界專家，可屢屢遭到拒絕。原因很簡單，他們認為，談人才培養這樣的話題太小兒科，有的甚至說，「我不了解，也根本不關注什麼人才培養」。還有的說，「我現在有很多課題要做，是我的課題重要，還是討論人才培養重要」、「我沒有時間，也沒義務向公眾解釋什麼諾貝爾經濟學獎，老百姓要不要曉得金融數學和我沒有關系」。
[編輯本段]金融中的數據挖掘
1.什麼是關聯規則
在描述有關關聯規則的一些細節之前，我們先來看一個有趣的故事： "尿布與啤酒"的故事。
在一家超市裡，有一個有趣的現象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，並一直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是："跟尿布一起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了一個隱藏在"尿布與啤酒"背後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
按常規思維，尿布與啤酒風馬牛不相及，若不是藉助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這一有價值的規律的。
數據關聯是資料庫中存在的一類重要的可被發現的知識。若兩個或多個變數的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。有時並不知道資料庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等於1993年首先提出了挖掘顧客交易資料庫中項集間的關聯規則問題，以後諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的演算法進行優化，如引入隨機采樣、並行的思想等，以提高演算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是一個重要的課題，最近幾年已被業界所廣泛研究。
2.關聯規則挖掘過程、分類及其相關演算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。
關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某一項目組出現的頻率相對於所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含{A,B}項目組的支持度，若支持度大於等於所設定的最小支持度(Minimum Support)門檻值時，則{A,B}稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，一般表示為Large k或Frequent k。演算法並從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組{A,B}所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。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%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了「大部份購買尿布的交易，會同時購買啤酒」的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始資料庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變數的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變數之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型欄位進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然數值型關聯規則中也可以包含種類變數。例如：性別=「女」=>職業=「秘書」 ，是布爾型關聯規則；性別=「女」=>avg（收入）=2300，涉及的收入是數值類型，所以是一個數值型關聯規則。
2.基於規則中數據的抽象層次，可以分為單層關聯規則和多層關聯規則。
在單層的關聯規則中，所有的變數都沒有考慮到現實的數據是具有多個不同的層次的；而在多層的關聯規則中，對數據的多層性已經進行了充分的考慮。例如：IBM台式機=>Sony列印機，是一個細節數據上的單層關聯規則；台式機=>Sony列印機，是一個較高層次和細節層次之間的多層關聯規則。
3.基於規則中涉及到的數據的維數，關聯規則可以分為單維的和多維的。
在單維的關聯規則中，我們只涉及到數據的一個維，如用戶購買的物品；而在多維的關聯規則中，要處理的數據將會涉及多個維。換成另一句話，單維關聯規則是處理單個屬性中的一些關系；多維關聯規則是處理各個屬性之間的某些關系。例如：啤酒=>尿布，這條規則只涉及到用戶的購買的物品；性別=「女」=>職業=「秘書」，這條規則就涉及到兩個欄位的信息，是兩個維上的一條關聯規則。
2.3關聯規則挖掘的相關演算法
1.Apriori演算法：使用候選項集找頻繁項集
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
該演算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度一樣。然後由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。然後使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里採用的是中規則的定義。一旦這些規則被生成，那麼只有那些大於用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞推的方法。
可能產生大量的候選集,以及可能需要重復掃描資料庫，是Apriori演算法的兩大缺點。
2.基於劃分的演算法
Savasere等設計了一個基於劃分的演算法。這個演算法先把資料庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊並對它生成所有的頻集，然後把產生的頻集合並，用來生成所有可能的頻集，最後計算這些項集的支持度。這里分塊的大小選擇要使得每個分塊可以被放入主存，每個階段只需被掃描一次。而演算法的正確性是由每一個可能的頻集至少在某一個分塊中是頻集保證的。該演算法是可以高度並行的，可以把每一分塊分別分配給某一個處理器生成頻集。產生頻集的每一個循環結束後，處理器之間進行通信來產生全局的候選k-項集。通常這里的通信過程是演算法執行時間的主要瓶頸；而另一方面，每個獨立的處理器生成頻集的時間也是一個瓶頸。
3.FP-樹頻集演算法
針對Apriori演算法的固有缺陷，J. Han等提出了不產生候選挖掘頻繁項集的方法：FP-樹頻集演算法。採用分而治之的策略，在經過第一遍掃描之後，把資料庫中的頻集壓縮進一棵頻繁模式樹（FP-tree），同時依然保留其中的關聯信息，隨後再將FP-tree分化成一些條件庫，每個庫和一個長度為1的頻集相關，然後再對這些條件庫分別進行挖掘。當原始數據量很大的時候，也可以結合劃分的方法,使得一個FP-tree可以放入主存中。實驗表明，FP-growth對不同長度的規則都有很好的適應性，同時在效率上較之Apriori演算法有巨大的提高。
3.該領域在國內外的應用
3．1關聯規則發掘技術在國內外的應用
就目前而言，關聯規則挖掘技術已經被廣泛應用在西方金融行業企業中，它可以成功預測銀行客戶需求。一旦獲得了這些信息，銀行就可以改善自身營銷。現在銀行天天都在開發新的溝通客戶的方法。各銀行在自己的ATM機上就捆綁了顧客可能感興趣的本行產品信息，供使用本行ATM機的用戶了解。如果資料庫中顯示，某個高信用限額的客戶更換了地址，這個客戶很有可能新近購買了一棟更大的住宅，因此會有可能需要更高信用限額，更高端的新信用卡，或者需要一個住房改善貸款，這些產品都可以通過信用卡賬單郵寄給客戶。當客戶打電話咨詢的時候，資料庫可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點，同時也可以顯示出顧客會對什麼產品感興趣。
同時，一些知名的電子商務站點也從強大的關聯規則挖掘中的受益。這些電子購物網站使用關聯規則中規則進行挖掘，然後設置用戶有意要一起購買的捆綁包。也有一些購物網站使用它們設置相應的交叉銷售，也就是購買某種商品的顧客會看到相關的另外一種商品的廣告。
但是目前在我國，「數據海量，信息缺乏」是商業銀行在數據大集中之後普遍所面對的尷尬。目前金融業實施的大多數資料庫只能實現數據的錄入、查詢、統計等較低層次的功能，卻無法發現數據中存在的各種有用的信息，譬如對這些數據進行分析，發現其數據模式及特徵，然後可能發現某個客戶、消費群體或組織的金融和商業興趣，並可觀察金融市場的變化趨勢。可以說，關聯規則挖掘的技術在我國的研究與應用並不是很廣泛深入。
3．2近年來關聯規則發掘技術的一些研究
由於許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的范圍。如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。近年來圍繞關聯規則的研究主要集中於兩個方面，即擴展經典關聯規則能夠解決問題的范圍，改善經典關聯規則挖掘演算法效率和規則興趣性。

金融工程的定義
關於金融工程的定義有多種說法，美國金融學家約翰·芬尼迪(John Finnerty)提出的定義最好：金融工程包括創新型金融工具與金融手段的設計、開發與實施，以及對金融問題給予創造性的解決。
金融工程的概念有狹義和廣義兩種。狹義的金融工程主要是指利用先進的數學及通訊工具，在各種現有基本金融產品的基礎上，進行不同形式的組合分解，以設計出符合客戶需要並具有特定P／L性的新的金融產品。而廣義的金融工程則是指一切利用工程化手段來解決金融問題的技術開發，它不僅包括金融產品設計，還包括金融產品定價、交易策略設計、金融風險管理等各個方面。本文採用的是廣義的金融工程概念。
[編輯本段]金融工程的核心內容
金融工程中，其核心在於對新型金融產品或業務的開發設計，其實質在於提高效率，它包括：
1.新型金融工具的創造，如創造第一個零息債券，第一個互換合約等；
2.已有工具的發展應用，如把期貨交易應用於新的領域，發展出眾多的期權及互換的品種等；
3.把已有的金融工具和手段運用組合分解技術，復合出新的金融產品，如遠期互換，期貨期權，新的財務結構的構造等。
[編輯本段]金融工程的運作程序
金融工程的運作具有規范化的程序:診斷—分析—開發—定價—交付使用，基本過程程序化。
其中從項目的可行性分析，產品的性能目標確定，方案的優化設計，產品的開發，定價模型的確定，模擬的模擬試驗，小批量的應用和反饋修正，直到大批量的銷售、推廣應用，各個環節緊密有序。大部分的被創新的新金融產品，成為運用金融工程創造性解決其他相關金融財務問題的工具，即組合性產品中的基本單元。

精算學
精算學在西方已經有三百年的歷史，它是一門運用概率論等數學理論和多種金融工具，研究如何處理保險業及其他金融業中各種風險問題的定量方法和技術的學科，是現代保險業、金融投資業和社會保障事業發展的理論基礎。
精算是一門運用概率數學理論和多種金融工具對經濟活動進行分析預測的學問。在西方發達國家，精算在保險、投資、金融監管、社會保障以及其他與風險管理相關領域發揮著重要作用。精算師是同"未來不確定性"打交道的，宗旨是為金融決策提供依據。
精算師

❷ 金融數學的研究內容

金融數學主要的研究內容和擬重點解決的問題包括：
(1)有價證券和證券組合的定價理論
發展有價證券（尤其是期貨、期權等衍生工具）的定價理論。所用的數學方法主要是提出合適的隨機微分方程或隨機差分方程模型，形成相應的倒向方程。建立相應的非線性Feynman一Kac公式，由此導出非常一般的推廣的Black一Scholes定價公式。所得到的倒向方程將是高維非線性帶約束的奇異方程。
研究具有不同期限和收益率的證券組合的定價問題。需要建立定價與優化相結合的數學模型，在數學工具的研究方面，可能需要隨機規劃、模糊規劃和優化演算法研究。
在市場是不完全的條件下，引進與偏好有關的定價理論。
(2）不完全市場經濟均衡理論（GEI）
擬在以下幾個方面進行研究：
1．無窮維空間、無窮水平空間、及無限狀態
2.隨機經濟、無套利均衡、經濟結構參數變異、非線資產結構
3．資產證券的創新（Innovation）與設計（Design）
4．具有摩擦（Friction）的經濟
5．企業行為與生產、破產與壞債
6.證券市場博弈。
（3）GEI 平板衡演算法、蒙特卡羅法在經濟平衡點計算中的應用， GEI的理論在金融財政經濟宏觀經濟調控中的應用，不完全市場條件下，持續發展理論框架下研究自然資源資產定價與自然資源的持續利用。
1.什麼是關聯規則
在描述有關關聯規則的一些細節之前，我們先來看一個有趣的故事："尿布與啤酒"的故事。
在一家超市裡，有一個有趣的現象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，並一直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是："跟尿布一起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了一個隱藏在"尿布與啤酒"背後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。按常規思維，尿布與啤酒風馬牛不相及，若不是藉助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這一有價值的規律的。
數據關聯是資料庫中存在的一類重要的可被發現的知識。若兩個或多個變數的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。有時並不知道資料庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等於1993年首先提出了挖掘顧客交易資料庫中項集間的關聯規則問題，以後諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的演算法進行優化，如引入隨機采樣、並行的思想等，以提高演算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是一個重要的課題，最近幾年已被業界所廣泛研究。
2.關聯規則挖掘過程、分類及其相關演算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(FrequentItemsets)，第二階段再由這些高頻項目組中產生關聯規則(AssociationRules)。
關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(LargeItemsets)。高頻的意思是指某一項目組出現的頻率相對於所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含{A,B}項目組的支持度，若支持度大於等於所設定的最小支持度(MinimumSupport)門檻值時，則{A,B}稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequentk-itemset)，一般表示為Largek或Frequentk。演算法並從Largek的項目組中再產生Largek+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(AssociationRules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(MinimumConfidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組{A,B}所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5%且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。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%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了「大部份購買尿布的交易，會同時購買啤酒」的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始資料庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變數的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變數之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型欄位進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然數值型關聯規則中也可以包含種類變數。例如：性別=「女」=>職業=「秘書」，是布爾型關聯規則；性別=「女」=>avg（收入）=2300，涉及的收入是數值類型，所以是一個數值型關聯規則。
2.基於規則中數據的抽象層次，可以分為單層關聯規則和多層關聯規則。
在單層的關聯規則中，所有的變數都沒有考慮到現實的數據是具有多個不同的層次的；而在多層的關聯規則中，對數據的多層性已經進行了充分的考慮。例如：IBM台式機=>Sony列印機，是一個細節數據上的單層關聯規則；台式機=>Sony列印機，是一個較高層次和細節層次之間的多層關聯規則。
3.基於規則中涉及到的數據的維數，關聯規則可以分為單維的和多維的。
在單維的關聯規則中，我們只涉及到數據的一個維，如用戶購買的物品；而在多維的關聯規則中，要處理的數據將會涉及多個維。換成另一句話，單維關聯規則是處理單個屬性中的一些關系；多維關聯規則是處理各個屬性之間的某些關系。例如：啤酒=>尿布，這條規則只涉及到用戶的購買的物品；性別=「女」=>職業=「秘書」，這條規則就涉及到兩個欄位的信息，是兩個維上的一條關聯規則。 Apriori演算法
2.3關聯規則挖掘的相關演算法
1.Apriori演算法：使用候選項集找頻繁項集
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
該演算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度一樣。然後由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。然後使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里採用的是中規則的定義。一旦這些規則被生成，那麼只有那些大於用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞推的方法。
可能產生大量的候選集,以及可能需要重復掃描資料庫，是Apriori演算法的兩大缺點。
2.基於劃分的演算法：Savasere等設計了一個基於劃分的演算法。這個演算法先把資料庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊並對它生成所有的頻集，然後把產生的頻集合並，用來生成所有可能的頻集，最後計算這些項集的支持度。這里分塊的大小選擇要使得每個分塊可以被放入主存，每個階段只需被掃描一次。而演算法的正確性是由每一個可能的頻集至少在某一個分塊中是頻集保證的。該演算法是可以高度並行的，可以把每一分塊分別分配給某一個處理器生成頻集。產生頻集的每一個循環結束後，處理器之間進行通信來產生全局的候選k-項集。通常這里的通信過程是演算法執行時間的主要瓶頸；而另一方面，每個獨立的處理器生成頻集的時間也是一個瓶頸。
3.FP-樹頻集演算法：針對Apriori演算法的固有缺陷，J.Han等提出了不產生候選挖掘頻繁項集的方法：FP-樹頻集演算法。採用分而治之的策略，在經過第一遍掃描之後，把資料庫中的頻集壓縮進一棵頻繁模式樹（FP-tree），同時依然保留其中的關聯信息，隨後再將FP-tree分化成一些條件庫，每個庫和一個長度為1的頻集相關，然後再對這些條件庫分別進行挖掘。當原始數據量很大的時候，也可以結合劃分的方法,使得一個FP-tree可以放入主存中。實驗表明，FP-growth對不同長度的規則都有很好的適應性，同時在效率上較之Apriori演算法有巨大的提高。
3.該領域在國內外的應用
3.1關聯規則發掘技術在國內外的應用
就目前而言，關聯規則挖掘技術已經被廣泛應用在西方金融行業企業中，它可以成功預測銀行客戶需求。一旦獲得了這些信息，銀行就可以改善自身營銷。現在銀行天天都在開發新的溝通客戶的方法。各銀行在自己的ATM機上就捆綁了顧客可能感興趣的本行產品信息，供使用本行ATM機的用戶了解。如果資料庫中顯示，某個高信用限額的客戶更換了地址，這個客戶很有可能新近購買了一棟更大的住宅，因此會有可能需要更高信用限額，更高端的新信用卡，或者需要一個住房改善貸款，這些產品都可以通過信用卡賬單郵寄給客戶。當客戶打電話咨詢的時候，資料庫可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點，同時也可以顯示出顧客會對什麼產品感興趣。
同時，一些知名的電子商務站點也從強大的關聯規則挖掘中的受益。這些電子購物網站使用關聯規則中規則進行挖掘，然後設置用戶有意要一起購買的捆綁包。也有一些購物網站使用它們設置相應的交叉銷售，也就是購買某種商品的顧客會看到相關的另外一種商品的廣告。
但是目前在我國，「數據海量，信息缺乏」是商業銀行在數據大集中之後普遍所面對的尷尬。目前金融業實施的大多數資料庫只能實現數據的錄入、查詢、統計等較低層次的功能，卻無法發現數據中存在的各種有用的信息，譬如對這些數據進行分析，發現其數據模式及特徵，然後可能發現某個客戶、消費群體或組織的金融和商業興趣，並可觀察金融市場的變化趨勢。可以說，關聯規則挖掘的技術在我國的研究與應用並不是很廣泛深入。
3.2近年來關聯規則發掘技術的一些研究
由於許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的范圍。如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。近年來圍繞關聯規則的研究主要集中於兩個方面，即擴展經典關聯規則能夠解決問題的范圍，改善經典關聯規則挖掘演算法效率和規則興趣性。

❸ 數學周記

時間飛快，一個星期已經結束了，相信大家都有不少體會吧，是時候靜下心來好好寫寫周記了。但是卻發現不知道該寫些什麼，下面是我為大家整理的數學周記5篇，希望對大家有所幫助。

數學周記 篇1

時間過得飛快，一眨眼之間開學的第一次月考已經結束了。面對這一張張優而不尖和「絆腳石」似的的分數令我不禁陷入沉思；看看一道道不該錯的題目被打上大大的叉時，心底里感到無限地自責……

數學分的成績確實不能讓自己滿意。數學是開學以來主攻的科目，時間精力的投入收到了一定效果，但是細節與知識的結合還有漏洞，在以前沒有養成良好的學習習慣，對概念的模糊，都在這份數學試卷中暴露了。壓軸題上不去，細節還扣分，這樣高不成低不就的學習是必須要摒棄的。學習知識就要新舊結合，同時還要鍛煉思維的嚴謹性，把知識點學透不能摸稜兩個。只有把只是學透了，思維才能得到充分的發散。還有一些完全是粗心造成的，使那本該屬於我的分數離我而去。

學習必須循序漸進。只有地基打牢固了,高樓大廈才不會傾斜;只有走穩了,才會輕松地跑。學習任何知識，必須注重基本訓練，要一步一個腳印，由易到難，扎扎實實地練好基本功，不要前面的內容沒有學懂，就急著去學習後面的知識；更不能基本的習題沒有做好，就一味去鑽偏題、難題。這是十分有害的。

在今後的學習生活中，仍然有一段很長的路要走，良好的學習習慣是成功的保障。我的目標就是在所有考試中不丟讓自己覺得遺憾的分。學習而不思考，等於吃飯不消化，我相信對於學習中的問題，有了好的學習態度，在經過自己的思考和總結一定會提升自己的學習質量。

數學周記 篇2

俗話說：考、考、考，老師的法寶；分、分、分，學生的命根。雖說我現在只上四年級，但大大小小的考試也經歷過很多次。可以說身經百戰，每次都是凱旋而歸，因為咱學習好唄！但這次，哎，馬失前蹄呀！

在這次數學小考前，我復習了一遍課本，自我感覺良好，於是就不想再復習了，甚至看見課本都嫌煩。時間過去了幾天，有一天下午，老師說：「我們下節課要小考一下，請大家趁這節課抓緊復習復習。」看見別的同學都在又讀又背，學得熱火朝天，我也拿出課本裝模作樣地讀起來，但我讀得並不認真，一目十行，像蜻蜓點水一樣，哈哈，厲害極了。

到了第二節上課，老師把卷子發了下來，我大致一看，題太簡單了，於是很快就做完了。做完以後只是略微檢查了一下，就開始東瞧西望，心不在焉，一直到下課鈴聲響。

過了好幾天，我幾乎都忘了考試，那天下午，數學老師拿著一摞卷子走進教室，雙眉緊皺，不高興地說：「這次考試很不理想，大家好好看看自己的分數吧。」我原本以為自己考了高分，可一看卷子，真叫人大吃一驚：什麼？我才考了80分，這不可能！80分呀，這對我來說是前所未有的打擊，我可從未考過這么差。「嗚嗚」當時我就放聲大哭，惹得全班同學一陣嘲笑。

痛定思痛，抹乾眼淚後，我認認真真地檢查試卷，發現許多錯題都是因為我的馬虎而造成的，真是大意失荊州啊！

「驕兵必敗」，現在我明白了這個道理。無論是大考還是小考，我們只有認真去對待，才能取得滿意的成績。

數學周記 篇3

瞧！那位站在講台上拿著塑料棍指著數字教我們讀數字的老師，就是我們的數學老師——黃老師。

黃老師後腦勺綁著一條馬尾辯，一雙炯炯有神的眼睛，總能看出一絲嚴厲，紅彤彤的嘴唇，大約1米7的個子。

黃老師對付我們這些小淘氣總能想出一套一套的辦法，例如：如果你帶計速器是來玩的話，那麼很好，恭喜你，你的計速器要麼即將被沒收，然後當心送人；要麼讓你下課一個一個撥，到撥完為止；要麼把你的計速器從二樓窗戶向外一扔，「啪啦」一聲，你的計速器「粉身碎骨」，渣都不剩。

不過，黃老師也有對我們好的時候，譬如：這節數學課考完試卷之後，下節數學課讓我們到操場上放鬆放鬆，不過，如果你沒寫完試卷，或是昨天的作業沒做，（沒寫完也算）就只能坐在教室里獃獃地望著我們玩啦！雖然那種滋味我沒試過，但我也知道，那種滋味可不好受。

這就是我的數學黃老師！

數學周記 篇4

生活中處處有數學，下面就舉兩個我生活中遇到的數學問題：

一、省錢

暑假時我們全家三口都辦了「太原旅遊一卡通」，有了這張卡，我們先去了趟晉祠。晉祠門票70元/人，我們有卡不用買票。回來的路上媽媽問我：「我們省了多少錢？」我想了想，說：「一張卡50元，一張門票70元，一個人就省了70-50=20元，那三個人一共省了20×3=60元。真的是很劃算呢！」

二、攢時間

我不喜歡睡午覺，但是媽媽說睡不著也得躺著，可是有一天她又跟我商量佔用我中午20分鍾，5分鍾口算+5分鍾聽寫漢字+10分鍾背英語單詞。然後媽媽讓我算一下，如果一年中我能堅持300天將是多少時間？簡單嘛，20×300=6000分鍾，6000÷60=100小時。算出來的結果嚇了我一跳，感覺一天20分鍾不長，日積月累卻有這么長時間呀！

雖然這個計劃我沒有做到天天堅持，但我還是慢慢學著利用零星時間做事，因為我明白了積少成多的道理。

20xx年9月30日星期五晴

生活中物體的重量

今天晚上，我和媽媽去超市買東西，因為剛學了「千克和克」，所以我專門看了每件商品的重量。

我們先去買吃的，一袋奶粉400克，一袋太谷餅260克，一袋脆棗118克，一盒健達巧克力100克，一袋榨菜60克，最輕的是綠箭薄荷糖23克??買了不少東西，重量全是多少克，都是比較輕的。我說：「怎麼沒有重千克的東西呢？」媽媽說：「當然有了。」然後帶我到賣糧食的地方，我馬上看到一大袋麵粉10千克，這個太重了，得爸爸來才能買。

買檸檬的時侯，我發現價簽上寫著500克和12.80元，這是什麼意思呢？原來500克就是人們常說的1斤，所以1斤檸檬12元8角。

現在我不但知道1千克=1000克，還知道了500克=1斤，所以1千克=2斤。

20xx年10月16日星期日晴

口算兩位數加兩位數

數學課新學的內容是：兩位數加兩位數的口算方法。

劉老師教給我們兩種方法：第一種是先用其中一個兩位數加另一個兩位數的整十數，得數再加個位數；第二種是先把兩個加數的整十數相加，再把兩個加數的個位數相加，然後把兩次的得數相加。我給媽媽復述了這兩個方法，然後媽媽又讓我舉個例子，我就說：「比如23+49，用第一種方法就是23+40=63，然後63+9=72；用第二個方法就是20+40=60，3+9=12，然後60+12=72。」媽媽誇我這個例子舉得好，又教了我一個方法：23+50=73，然後73-1=72。我覺得這個方法也挺好的，不過需要至少其中一個加數接近整十才好用。

我自己做兩位數加兩位數的口算還是覺得第一個方法好用，所以我先用好這個方法，只要口算速度又快又准確就行了。

算算醫葯費

今天一早，爸爸把我手臂上裹的紗布拆開，謝天謝地！手臂上的燙傷恢復得挺好，我不用再去醫院了。整整兩周，讓我來算算這次燙傷花的醫葯費吧。用了一管生長因子，55元；換了5次葯，每次處置費是40元，一共是5×40=200元；掛號費，有4次掛得是急診號，急診掛號費是4元5角，4次就是18元，1次是普通掛號費5角，所以掛號費一共用了18元5角。這樣算下來，醫葯費大約就是200+55+18=273元。如果再算上打車費，差不多300元了。

用大人的話總結一下：花錢事小，安全事大。一定要時刻注意安全呀！

20xx年10月28日星期五晴

用兩步計算解決問題

今天我做黃岡練習冊上一道培優題，剛開始不知怎麼算，後來在媽媽的提示下，用兩步計算的方法算出了這道題。

這道題是：4個小動物去爬山，准備了88袋食物。已知每個小動物每天吃2袋食物，請你幫算一算，它們的食物夠吃幾天？我去問媽媽怎麼做，可媽媽卻說：「不要看到『培優』兩個字就覺得題難，再好好讀讀題想一想。」可我怎麼也沒思路，媽媽看我發愁的樣子，就問我：「4個小動物1天吃幾袋食物？」我回答：「4×2=8袋。」「那麼下一步怎麼算知道了嗎？」是的，算了第一步我就明白該怎麼做這道題了。於是我一邊在本上寫，心裡還默默地說：「先算4個小動物一天吃幾袋食物：4×2=8袋，然後再算88袋食物夠4個小動物吃幾天：88÷8=11天。」

看來做題思路一定要清晰，而不是把數字亂拼湊。

20xx年11月12日

測量物體的周長

我們剛學了測量物體的周長，在上課時，我們測量了葉子的周長，先用一根繩子沿葉子邊繞一周，然後再用尺子量封閉葉子一周的繩子長度，就得到了葉子的周長。今天，我拿一卷皮尺去量了一些物體的周長。我家門前的大樹看起來不是很粗，可是我用長150厘米的皮尺竟然繞不了一圈，剩下的一段做記號又量是25厘米，那麼這棵樹的周長就是150+25=175厘米。

我小時侯的相片裝在一個正方形的相框里，我用尺子量了一個邊，長25厘米，因為正方形四個邊一樣長，所以這個相框的周長就是25×4=100厘米。

我家的書桌是長方形的，我量了它的寬是70厘米，長是140厘米，因為長方形相對的兩邊一樣長，所以就是兩個寬70×2=140厘米，兩個長140×2=280厘米，書桌的周長就是140+280=420厘米。

我量了三種不同形狀物體的`周長，用了三種測量方法，這就是活學活用吧！

20xx年11月25日星期五陰

三位數乘一位數

這周，我們開始學三位數乘一位數的算

先學了整百數乘一位數，這個最簡單，就是用三位數中百位上的數乘一位數，得到的積末尾加兩個「0」。比如：800×2，先算8×2=16，末尾加兩個「0」是1600，就是這個算式的積。

然後學了三位數乘一位數（這三位數都不是「0」），就是從個位開始，依次把每個數位上的數分別乘這個一位數，哪一位上的乘積滿幾十，就向前一位進幾。比如：196×2，先算6×2=12，向十位進1，個位留2；然後9×2=18，加上進的1得19，十位留9，向百位進1；然後1×2=2，加上進的1得3，所以最後的積是392。

三位數還會出現只有個位是「0」或十位是「0」的數，這樣的三位數乘一位數的演算法等我們學了以後再總結。

20xx年12月2日星期五晴

兩步連乘應用題

我做完數學作業拿給媽媽簽字，媽媽看了一下，指著練習八第9題問我：「這個15哪兒來的？」

9題是這樣的：圖上畫著幾箱蘋果擺成一個長方體，從地面向上摞了3層，從圖的正面看每層並排擺了5箱，側面看有4排。問一共有多少箱蘋果？

我列的算式是：15×4=60箱。我指著圖說：「一橫排有5箱，有3層，所以3×5=15箱。」媽媽笑著說：「好，看來這個15不是你1個1個數出來的，是算出來的。你們剛學了兩步連乘，15也不是題上給出的條件，你是不是該改一下算式？」於是，我把算式改成：3×5=15箱，15×4=60箱。媽媽又問：「還能用什麼方法？再看看圖。」我從側面看有4排，那麼3層就有3×4=12箱蘋果，豎排有5排，就是12×5=60箱。我把這個方法也寫到本上，媽媽這才給我簽了字。可是簽完字，媽媽看著書又說：「其實還有一種方法。你想如果一層一層往上摞，這3層每層有幾箱？」我一邊看圖一邊想：一層橫排5箱，豎排4箱，那1層就是5×4=20箱，3層就有20×3=60箱。

雖然第3種方法我沒寫到作業本上，不過跟媽媽討論這道題讓我感覺思路擴寬了。

20xx年12月9日星期五晴

統計與可能性

數學書上第93頁第一題是：做一個小正方體，四個面上寫「1」，一個面上寫「2」，一個面上寫「3」。把小正方體拋30次，用塗方格的方法記錄「1」「2」和「3」朝上的次數。

第一次做這道題時，我沒看清題的要求，直接拿著上數學課時用的「1」「2」「3」各標了兩面的小正方體統計。最後統計出來的結果是：「1」5次，「2」14次，「3」11次。媽媽看了我的統計結果，開玩笑地說：「機會均等，可得第一還是不容易呀！」可是，又馬上說：「不對呀。你看錯題了吧！」我拿過書仔細一看，真是我弄錯了。於是我把小正方體上標的數字改了，媽媽幫我拋，我重新統計。這次的結果是：「1」23次，「2」2次，「3」6次。雖然一開始就知道一定會是「1」多，但還是吃驚不小。雖然媽媽拋小正方體時還念念有詞地說：「天靈靈，地靈靈。」，逗得我哈哈大笑，但還是沒有改變這個意料中的結果。

通過學習統計，我明白了：可能性是有根據的預測，但是跟實際還是有差距的。

20xx年12月17日星期五

生活中的分數

我正在看一本數學漫畫書《哆啦A夢學數學》，裡面有很多數學故事，非常有意思。其實我們剛學的分數不只是數學課本上的知識，生活中處處有分數。

一天有24小時，上午下午各佔一半時間，也就是各佔1／2，或者上午、下午各12小時，就是各佔一天的12/24。早晨，我吃了一個肉鬆麵包，一袋麵包有3個，也就是我吃了這袋麵包的1/3。我吃完早飯，去上學。

今天是星期五，一天一共有6節課，上午的體育課沒上，改成了語文課，所以今天上了3節語文課，語文課就佔全天課程的3/6。另外數學、美術、信息課各一節，就各佔1/6。現在就今天的課我提三個問題：

1、語文課和數學課共佔全天課程的幾分之幾？3/6+1/6=4/6

2、數學課比語文課少幾分之幾？3/6-1/6=2/6

3、美術課和信息課共佔全天課程的幾分之幾？1/6+1/6=2/6

20xx年3月27日

估算

今天午飯後，我和爸爸站在陽台上看花園的風景。突然，爸爸問我：「你能不能估算出海冰花園北區大約有多少住戶呢？」這一問可把我難住了，我總不能挨家挨戶敲門去問吧！

我想了一會兒，腦海里終於有了思路，我們海濱花園北區這邊有4棟高樓，每棟有30層，每層有4戶人家。列式就是：30×4＝120（層），120×4＝480（戶），假設每戶住有3人，480×3＝1440（人），1440≈1500.我高興地說：「我做出來了，約有1500人。」爸爸問：「你這個得數是怎麼來的？」我連忙把我的解題思路說得一清二楚，爸爸聽了，哈哈大笑起來！

買文具

今天,媽媽給我15元去買文具。

我來道一間小文具店裡。我先了一下店品和價格：本子1元3本，筆記本1元1本，一根筆芯。我想買本子、筆記本和筆芯。然後，我算了一下：15元分成3份每份是幾？我算到：15元÷3＝5元。接著，我算了一下：3種商品平均用5元可以買多少？我算到：本子：5÷1＝5，3×5＝15（本）。抄老師說話的本子：5÷1＝5（本）。筆芯：5÷0.5＝10（枝）。可是，我買了這幾樣東西，然後，高高興興地回了自己的小家。

我十分開心！

玩「二十四」游戲

今天,我和爸爸媽媽「二十四點」游戲。

首先，我全部撲克牌沒有數字的那一面做為我們所看到的面。然後，我叫媽媽抽4張牌。於是，媽媽抽了四張——5，6，2和8。接著，我叫爸爸：「你可以用＋、－、×、÷和（）把它們得數為24了」我知道了答案,所以笑笑跳跳的。可爸爸說：「不知道！」最後我訴他、「是5×6＋2－8＝24。」

今天，和爸爸媽媽「24點」游戲真開心。

數學周記 篇5

金融數學專業實習周記(一)

實習第一周是培訓階段：

(1)通過培訓了解單位基本情況和機構設置，人員配備，企業文化和營業網點安全保衛等。

(2)學習掌握人民幣的基本方法，鑒別鈔票真偽的主要方法和數鈔的基本技巧及零售業務技能操作的訓練。學習銀行卡及基本知識。

(3)學習銀行的基本業務流程，主要包括以下方面：銀行的儲蓄業務如定活期一本通存款、整存整取、定活兩便、教育儲蓄等。銀行的對公業務，如受理現金支票，轉賬支票，簽發銀行匯票等。銀行的信用卡業務，如貸記卡、准貸記卡的開戶、銷戶、現金存取等;聯行業務;貸款業務等。

(3)學習銀行會計核算方法，科目設置與賬戶設置，記賬方法的確定等。區別與比較銀行會計科目賬戶與企業的異同。

(4)學習外匯英語及中行櫃台營銷技巧與服務禮儀。並進行零售業務的綜合操作測試。

金融數學專業實習周記(二)

本周實習內容：

跟支行主任學習相應的理論基礎知識及銀行相關各種文件

在實習的前幾天里，我主要跟主任學習相應的理論基礎知識及銀行相關各種文件。一方面要學習相關的實務操作，其中會計占決大多數，既要強化已有的知識，還要學習新的知識，另一方面，還要學習人民銀行下達的相關文件。結合中行金融報，金融研究等雜志刊物，了解銀行改革的方向，動態。銀行的創新和進步，是與國外銀行競爭的基本條件。所以銀行從上到下，都要樹立一種競爭意識，服務意識。對於4月在各支行開展的 atm機競賽 活動就是要提高銀行人員的服務意識，增強其服務理念，以優質的服務讓顧客滿意。同時通過實習還讓我們了解銀行的業務，中行的業務結構較為多元化有公司業務，個人業務，資金業務，網上銀行業務以及國際業務，西大街支行主要劃分有4個板塊，有對公業務，對私業務，其他業務以及和平安保險公司聯合的平保業務等。我實習的主要是對私業務，主要包括個人結算、銀行卡業務、個人理財類產品為主的個人中間業務體系。

金融數學專業實習報告(二)

我被安排在營銷部工作，主要跟Xx學習。我從以下幾個方面介紹我的實習工作;

首先是每天9：00上班，早到的話可以在公司的大廳閱讀證券報刊、雜志。了解國家的宏觀經濟政策，財經要聞，以及證券市場最新信息，如上市公司信息披露等公告，主要分析市場熱點和讀一些股評。

接下來就是開始一天的基本工作

整理客戶資料，客戶資料包括開戶申請書，開戶合同書，銀證對應申請書，客戶資料變更表。及客戶身份證，銀行卡，股東代碼卡等復印件，所作的相關工作大致包括以下三個方面：

1、理清相關的客戶資料，並及時核對當天業務所產生的各項單據，確保完整准確，沒有遺漏。如果有什麼缺失，一定要及時給予糾正。有什麼出入大的問題要上報反映。很長一段時間弄得我們都對單據特別敏感，總怕有什麼閃失。

2、把理清整理過的客戶資料按順序裝入客戶的檔案袋。然後歸到檔案的櫃子里。

3、有時間我們要把當天產生的自然人注冊表和身份證的復印件，開戶文本一同掃描到各個業務科目目錄下，然後統一發到總部。

整理客戶資料在實習中佔了一定分量工作，這是一個簡單但是相當繁瑣的過程，需要細心和耐心;客戶資料檔案的有序整理是為了將來需要時能夠方便迅速查找，所以工作人員對我們進行認真的指導，還有就是對開戶文本的掃描。對新開戶和以前開戶還沒有掃描的文件都要統一進行掃描以電子版的形式保存。

此次實習不管在知識的鞏固還是經驗的積累上都使我有很大的進步。在證券市場這個大海洋里，個人只有不斷磨練直到成熟才能取得成功。雖然實習只有兩個月，但是使我十分受益。在這次實習中學院努力為我們爭取這個難得的實習機會，在他們的努力下我們才能順利地完成此次實習。在今後的時間里我還需要尋找機會不斷地鍛煉自己，並積累經驗，為自己以後從事這個方面的工作奠定基礎。

金融數學專業實習周記(四)

來工行xx縣支行實習的短短兩個月的時間里，使我在思想上有了很大的轉變。以前，在學校里學知識的時候總是老師往我的頭腦里灌知識，自己根本沒有那麼強烈的求知慾，大多是逼著去學的。然而到這里實習，確使我的感觸很大，自己的知識太貧乏了，銀行員工的學習氣氛特別濃無形中給我營造了一個自己求知的慾望。在這里大家都在抓緊時間學習，這種刻苦的精神特別讓我敬佩。給我一種特別想融入他們其中的感覺。這將對我以後的人生路上一種很大的推進。

只有堅持學習新的知識，才會使自己更加提高，而這里就有這樣的氣氛。同時這次實習也為我提供了與眾不同的學習方法和學習機會，讓我從傳統的被動授學轉變為主動求學;從死記硬背的模式中脫離出來，轉變為在實踐中學習，增強了領悟、創新和推斷的能力。掌握自學的方法，這些方方法的提高是終身受益的，我認為這難得的兩個月讓我真正懂得了工作和學習的基本規律。

金融數學專業實習周記(五)

在會計處實習的時間里，我主要學習了綜合業務處理系統，熟悉了銀行的會計科目，基本掌握了該系統的記賬和復核的操作，並能獨立處理同城交換、證券清算和外匯核算。通過看、問和動手操作，我對會計處的主要工作有了更加系統的了解，特別是支票匯票等，在實習之前，我只從書上學到過它的基本概念，對真正的票據並沒有具體的認識。現在我已經大致明白了審票和解付的過程。而在國際部實習的時間里，我邊干邊學，發現其實大部分知識已在《國際結算學》中學過，我所要做的就是熟悉各種票據，掌握它們在國際貿易中的作用，同時幫助和指導客戶填單和審單。在實習過程中有帶教領導、銀行員工的協助、自己的努力，自感收益不小。

這次實習把我從學校純理論學習中拉到了在實踐中學習的環境。一進入崗位，我就意識到，該把學生時代的野性收斂了。總之，這次實習為我從各方面融會知識，為我將來的工作和生活 鋪墊了精彩的一幕，我認為這種改變是質的飛躍。

❹ 數學與應用數學（金融數學）可以考注冊會計師或者精算師嗎

學會計並不需要數學學習特別好，現在會計對數學的依賴並不高，只要會基本的預算能力有數學頭腦就可以。

數學不好，你的專業不會受到太大的影響。

數學不好，你畢業後的會計工作也不會有太大影響。

主要課程

管理學、微觀經濟學、宏觀經濟學、管理信息系統、統計學、會計學、財務管理、市場營銷、經濟法、財務會計、成本會計、管理會計、審計學、高等數學、概率統計、概率論與數理統計等。

會計學（Accounting），是以研究財務活動和成本資料的收集、分類、綜合、分析和解釋的基礎上形成協助決策的信息系統，以有效地管理經濟的一門應用學科，可以說它是社會學科的組成部分，也是一門重要的管理學科。會計學的研究對象是資金的運動。關於會計的定義，歷來學界仁智各見，有信息系統說、管理活動說，還有其他學說。其實各個學說都是對會計的不同角度的考察。會計學由闡明會計制度、會計准則賴以建立的會計理論，以及會計工作如何組織和進行的會計方法組成。會計學主要分支，可以這樣分類：從大的分類來看可分為盈利會計和非盈利會計，在盈利會計中，又可分為財務會計、管理會計。

急速通關計劃 ACCA全球私播課 大學生僱主直通車計劃 周末面授班 寒暑假沖刺班 其他課程

❺ 我是今年的大一新生，我讀的是數學與數學應用（金融數學）專業，對筆記本電腦的配置要求高嗎需要i5嗎

沒有太大的配置要求，你需要用的電腦的內存要求較高，因為後面會用到Minitab，SPSS等計量經濟學的軟體，還有就是MATLAB矩陣實驗室。日常的用EXCEL，對於解析度的要求較高，綜合我推薦聯想的ThinkPad T440P，i5-4300M的處理器，自己花400左右升級12GB內存，1600 900的解析度足夠你使用了。
PS 樓上的說不用i5是指的如果你不用計量經濟學的軟體的前提下，我個人認為還是比較重要的