金融数学买什么样的笔记本

❶ 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，和牛顿同时代的着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·柯斯林着名的论断是，“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着名学府，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

❷ 金融数学的研究内容

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。

❸ 数学周记

时间飞快，一个星期已经结束了，相信大家都有不少体会吧，是时候静下心来好好写写周记了。但是却发现不知道该写些什么，下面是我为大家整理的数学周记5篇，希望对大家有所帮助。

数学周记 篇1

时间过得飞快，一眨眼之间开学的第一次月考已经结束了。面对这一张张优而不尖和“绊脚石”似的的分数令我不禁陷入沉思；看看一道道不该错的题目被打上大大的叉时，心底里感到无限地自责……

数学分的成绩确实不能让自己满意。数学是开学以来主攻的科目，时间精力的投入收到了一定效果，但是细节与知识的结合还有漏洞，在以前没有养成良好的学习习惯，对概念的模糊，都在这份数学试卷中暴露了。压轴题上不去，细节还扣分，这样高不成低不就的学习是必须要摒弃的。学习知识就要新旧结合，同时还要锻炼思维的严谨性，把知识点学透不能摸棱两个。只有把只是学透了，思维才能得到充分的发散。还有一些完全是粗心造成的，使那本该属于我的分数离我而去。

学习必须循序渐进。只有地基打牢固了,高楼大厦才不会倾斜;只有走稳了,才会轻松地跑。学习任何知识，必须注重基本训练，要一步一个脚印，由易到难，扎扎实实地练好基本功，不要前面的内容没有学懂，就急着去学习后面的知识；更不能基本的习题没有做好，就一味去钻偏题、难题。这是十分有害的。

在今后的学习生活中，仍然有一段很长的路要走，良好的学习习惯是成功的保障。我的目标就是在所有考试中不丢让自己觉得遗憾的分。学习而不思考，等于吃饭不消化，我相信对于学习中的问题，有了好的学习态度，在经过自己的思考和总结一定会提升自己的学习质量。

数学周记 篇2

俗话说：考、考、考，老师的法宝；分、分、分，学生的命根。虽说我现在只上四年级，但大大小小的考试也经历过很多次。可以说身经百战，每次都是凯旋而归，因为咱学习好呗！但这次，哎，马失前蹄呀！

在这次数学小考前，我复习了一遍课本，自我感觉良好，于是就不想再复习了，甚至看见课本都嫌烦。时间过去了几天，有一天下午，老师说：“我们下节课要小考一下，请大家趁这节课抓紧复习复习。”看见别的同学都在又读又背，学得热火朝天，我也拿出课本装模作样地读起来，但我读得并不认真，一目十行，像蜻蜓点水一样，哈哈，厉害极了。

到了第二节上课，老师把卷子发了下来，我大致一看，题太简单了，于是很快就做完了。做完以后只是略微检查了一下，就开始东瞧西望，心不在焉，一直到下课铃声响。

过了好几天，我几乎都忘了考试，那天下午，数学老师拿着一摞卷子走进教室，双眉紧皱，不高兴地说：“这次考试很不理想，大家好好看看自己的分数吧。”我原本以为自己考了高分，可一看卷子，真叫人大吃一惊：什么？我才考了80分，这不可能！80分呀，这对我来说是前所未有的打击，我可从未考过这么差。“呜呜”当时我就放声大哭，惹得全班同学一阵嘲笑。

痛定思痛，抹干眼泪后，我认认真真地检查试卷，发现许多错题都是因为我的马虎而造成的，真是大意失荆州啊！

“骄兵必败”，现在我明白了这个道理。无论是大考还是小考，我们只有认真去对待，才能取得满意的成绩。

数学周记 篇3

瞧！那位站在讲台上拿着塑料棍指着数字教我们读数字的老师，就是我们的数学老师——黄老师。

黄老师后脑勺绑着一条马尾辩，一双炯炯有神的眼睛，总能看出一丝严厉，红彤彤的嘴唇，大约1米7的个子。

黄老师对付我们这些小淘气总能想出一套一套的办法，例如：如果你带计速器是来玩的话，那么很好，恭喜你，你的计速器要么即将被没收，然后当心送人；要么让你下课一个一个拨，到拨完为止；要么把你的计速器从二楼窗户向外一扔，“啪啦”一声，你的计速器“粉身碎骨”，渣都不剩。

不过，黄老师也有对我们好的时候，譬如：这节数学课考完试卷之后，下节数学课让我们到操场上放松放松，不过，如果你没写完试卷，或是昨天的作业没做，（没写完也算）就只能坐在教室里呆呆地望着我们玩啦！虽然那种滋味我没试过，但我也知道，那种滋味可不好受。

这就是我的数学黄老师！

数学周记 篇4

生活中处处有数学，下面就举两个我生活中遇到的数学问题：

一、省钱

暑假时我们全家三口都办了“太原旅游一卡通”，有了这张卡，我们先去了趟晋祠。晋祠门票70元/人，我们有卡不用买票。回来的路上妈妈问我：“我们省了多少钱？”我想了想，说：“一张卡50元，一张门票70元，一个人就省了70-50=20元，那三个人一共省了20×3=60元。真的是很划算呢！”

二、攒时间

我不喜欢睡午觉，但是妈妈说睡不着也得躺着，可是有一天她又跟我商量占用我中午20分钟，5分钟口算+5分钟听写汉字+10分钟背英语单词。然后妈妈让我算一下，如果一年中我能坚持300天将是多少时间？简单嘛，20×300=6000分钟，6000÷60=100小时。算出来的结果吓了我一跳，感觉一天20分钟不长，日积月累却有这么长时间呀！

虽然这个计划我没有做到天天坚持，但我还是慢慢学着利用零星时间做事，因为我明白了积少成多的道理。

20xx年9月30日星期五晴

生活中物体的重量

今天晚上，我和妈妈去超市买东西，因为刚学了“千克和克”，所以我专门看了每件商品的重量。

我们先去买吃的，一袋奶粉400克，一袋太谷饼260克，一袋脆枣118克，一盒健达巧克力100克，一袋榨菜60克，最轻的是绿箭薄荷糖23克??买了不少东西，重量全是多少克，都是比较轻的。我说：“怎么没有重千克的东西呢？”妈妈说：“当然有了。”然后带我到卖粮食的地方，我马上看到一大袋面粉10千克，这个太重了，得爸爸来才能买。

买柠檬的时侯，我发现价签上写着500克和12.80元，这是什么意思呢？原来500克就是人们常说的1斤，所以1斤柠檬12元8角。

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

20xx年10月16日星期日晴

口算两位数加两位数

数学课新学的内容是：两位数加两位数的口算方法。

刘老师教给我们两种方法：第一种是先用其中一个两位数加另一个两位数的整十数，得数再加个位数；第二种是先把两个加数的整十数相加，再把两个加数的个位数相加，然后把两次的得数相加。我给妈妈复述了这两个方法，然后妈妈又让我举个例子，我就说：“比如23+49，用第一种方法就是23+40=63，然后63+9=72；用第二个方法就是20+40=60，3+9=12，然后60+12=72。”妈妈夸我这个例子举得好，又教了我一个方法：23+50=73，然后73-1=72。我觉得这个方法也挺好的，不过需要至少其中一个加数接近整十才好用。

我自己做两位数加两位数的口算还是觉得第一个方法好用，所以我先用好这个方法，只要口算速度又快又准确就行了。

算算医药费

今天一早，爸爸把我手臂上裹的纱布拆开，谢天谢地！手臂上的烫伤恢复得挺好，我不用再去医院了。整整两周，让我来算算这次烫伤花的医药费吧。用了一管生长因子，55元；换了5次药，每次处置费是40元，一共是5×40=200元；挂号费，有4次挂得是急诊号，急诊挂号费是4元5角，4次就是18元，1次是普通挂号费5角，所以挂号费一共用了18元5角。这样算下来，医药费大约就是200+55+18=273元。如果再算上打车费，差不多300元了。

用大人的话总结一下：花钱事小，安全事大。一定要时刻注意安全呀！

20xx年10月28日星期五晴

用两步计算解决问题

今天我做黄冈练习册上一道培优题，刚开始不知怎么算，后来在妈妈的提示下，用两步计算的方法算出了这道题。

这道题是：4个小动物去爬山，准备了88袋食物。已知每个小动物每天吃2袋食物，请你帮算一算，它们的食物够吃几天？我去问妈妈怎么做，可妈妈却说：“不要看到‘培优’两个字就觉得题难，再好好读读题想一想。”可我怎么也没思路，妈妈看我发愁的样子，就问我：“4个小动物1天吃几袋食物？”我回答：“4×2=8袋。”“那么下一步怎么算知道了吗？”是的，算了第一步我就明白该怎么做这道题了。于是我一边在本上写，心里还默默地说：“先算4个小动物一天吃几袋食物：4×2=8袋，然后再算88袋食物够4个小动物吃几天：88÷8=11天。”

看来做题思路一定要清晰，而不是把数字乱拼凑。

20xx年11月12日

测量物体的周长

我们刚学了测量物体的周长，在上课时，我们测量了叶子的周长，先用一根绳子沿叶子边绕一周，然后再用尺子量封闭叶子一周的绳子长度，就得到了叶子的周长。今天，我拿一卷皮尺去量了一些物体的周长。我家门前的大树看起来不是很粗，可是我用长150厘米的皮尺竟然绕不了一圈，剩下的一段做记号又量是25厘米，那么这棵树的周长就是150+25=175厘米。

我小时侯的相片装在一个正方形的相框里，我用尺子量了一个边，长25厘米，因为正方形四个边一样长，所以这个相框的周长就是25×4=100厘米。

我家的书桌是长方形的，我量了它的宽是70厘米，长是140厘米，因为长方形相对的两边一样长，所以就是两个宽70×2=140厘米，两个长140×2=280厘米，书桌的周长就是140+280=420厘米。

我量了三种不同形状物体的`周长，用了三种测量方法，这就是活学活用吧！

20xx年11月25日星期五阴

三位数乘一位数

这周，我们开始学三位数乘一位数的算

先学了整百数乘一位数，这个最简单，就是用三位数中百位上的数乘一位数，得到的积末尾加两个“0”。比如：800×2，先算8×2=16，末尾加两个“0”是1600，就是这个算式的积。

然后学了三位数乘一位数（这三位数都不是“0”），就是从个位开始，依次把每个数位上的数分别乘这个一位数，哪一位上的乘积满几十，就向前一位进几。比如：196×2，先算6×2=12，向十位进1，个位留2；然后9×2=18，加上进的1得19，十位留9，向百位进1；然后1×2=2，加上进的1得3，所以最后的积是392。

三位数还会出现只有个位是“0”或十位是“0”的数，这样的三位数乘一位数的算法等我们学了以后再总结。

20xx年12月2日星期五晴

两步连乘应用题

我做完数学作业拿给妈妈签字，妈妈看了一下，指着练习八第9题问我：“这个15哪儿来的？”

9题是这样的：图上画着几箱苹果摆成一个长方体，从地面向上摞了3层，从图的正面看每层并排摆了5箱，侧面看有4排。问一共有多少箱苹果？

我列的算式是：15×4=60箱。我指着图说：“一横排有5箱，有3层，所以3×5=15箱。”妈妈笑着说：“好，看来这个15不是你1个1个数出来的，是算出来的。你们刚学了两步连乘，15也不是题上给出的条件，你是不是该改一下算式？”于是，我把算式改成：3×5=15箱，15×4=60箱。妈妈又问：“还能用什么方法？再看看图。”我从侧面看有4排，那么3层就有3×4=12箱苹果，竖排有5排，就是12×5=60箱。我把这个方法也写到本上，妈妈这才给我签了字。可是签完字，妈妈看着书又说：“其实还有一种方法。你想如果一层一层往上摞，这3层每层有几箱？”我一边看图一边想：一层横排5箱，竖排4箱，那1层就是5×4=20箱，3层就有20×3=60箱。

虽然第3种方法我没写到作业本上，不过跟妈妈讨论这道题让我感觉思路扩宽了。

20xx年12月9日星期五晴

统计与可能性

数学书上第93页第一题是：做一个小正方体，四个面上写“1”，一个面上写“2”，一个面上写“3”。把小正方体抛30次，用涂方格的方法记录“1”“2”和“3”朝上的次数。

第一次做这道题时，我没看清题的要求，直接拿着上数学课时用的“1”“2”“3”各标了两面的小正方体统计。最后统计出来的结果是：“1”5次，“2”14次，“3”11次。妈妈看了我的统计结果，开玩笑地说：“机会均等，可得第一还是不容易呀！”可是，又马上说：“不对呀。你看错题了吧！”我拿过书仔细一看，真是我弄错了。于是我把小正方体上标的数字改了，妈妈帮我抛，我重新统计。这次的结果是：“1”23次，“2”2次，“3”6次。虽然一开始就知道一定会是“1”多，但还是吃惊不小。虽然妈妈抛小正方体时还念念有词地说：“天灵灵，地灵灵。”，逗得我哈哈大笑，但还是没有改变这个意料中的结果。

通过学习统计，我明白了：可能性是有根据的预测，但是跟实际还是有差距的。

20xx年12月17日星期五

生活中的分数

我正在看一本数学漫画书《哆啦A梦学数学》，里面有很多数学故事，非常有意思。其实我们刚学的分数不只是数学课本上的知识，生活中处处有分数。

一天有24小时，上午下午各占一半时间，也就是各占1／2，或者上午、下午各12小时，就是各占一天的12/24。早晨，我吃了一个肉松面包，一袋面包有3个，也就是我吃了这袋面包的1/3。我吃完早饭，去上学。

今天是星期五，一天一共有6节课，上午的体育课没上，改成了语文课，所以今天上了3节语文课，语文课就占全天课程的3/6。另外数学、美术、信息课各一节，就各占1/6。现在就今天的课我提三个问题：

1、语文课和数学课共占全天课程的几分之几？3/6+1/6=4/6

2、数学课比语文课少几分之几？3/6-1/6=2/6

3、美术课和信息课共占全天课程的几分之几？1/6+1/6=2/6

20xx年3月27日

估算

今天午饭后，我和爸爸站在阳台上看花园的风景。突然，爸爸问我：“你能不能估算出海冰花园北区大约有多少住户呢？”这一问可把我难住了，我总不能挨家挨户敲门去问吧！

我想了一会儿，脑海里终于有了思路，我们海滨花园北区这边有4栋高楼，每栋有30层，每层有4户人家。列式就是：30×4＝120（层），120×4＝480（户），假设每户住有3人，480×3＝1440（人），1440≈1500.我高兴地说：“我做出来了，约有1500人。”爸爸问：“你这个得数是怎么来的？”我连忙把我的解题思路说得一清二楚，爸爸听了，哈哈大笑起来！

买文具

今天,妈妈给我15元去买文具。

我来道一间小文具店里。我先了一下店品和价格：本子1元3本，笔记本1元1本，一根笔芯。我想买本子、笔记本和笔芯。然后，我算了一下：15元分成3份每份是几？我算到：15元÷3＝5元。接着，我算了一下：3种商品平均用5元可以买多少？我算到：本子：5÷1＝5，3×5＝15（本）。抄老师说话的本子：5÷1＝5（本）。笔芯：5÷0.5＝10（枝）。可是，我买了这几样东西，然后，高高兴兴地回了自己的小家。

我十分开心！

玩“二十四”游戏

今天,我和爸爸妈妈“二十四点”游戏。

首先，我全部扑克牌没有数字的那一面做为我们所看到的面。然后，我叫妈妈抽4张牌。于是，妈妈抽了四张——5，6，2和8。接着，我叫爸爸：“你可以用＋、－、×、÷和（）把它们得数为24了”我知道了答案,所以笑笑跳跳的。可爸爸说：“不知道！”最后我诉他、“是5×6＋2－8＝24。”

今天，和爸爸妈妈“24点”游戏真开心。

数学周记 篇5

金融数学专业实习周记(一)

实习第一周是培训阶段：

(1)通过培训了解单位基本情况和机构设置，人员配备，企业文化和营业网点安全保卫等。

(2)学习掌握人民币的基本方法，鉴别钞票真伪的主要方法和数钞的基本技巧及零售业务技能操作的训练。学习银行卡及基本知识。

(3)学习银行的基本业务流程，主要包括以下方面：银行的储蓄业务如定活期一本通存款、整存整取、定活两便、教育储蓄等。银行的对公业务，如受理现金支票，转账支票，签发银行汇票等。银行的信用卡业务，如贷记卡、准贷记卡的开户、销户、现金存取等;联行业务;贷款业务等。

(3)学习银行会计核算方法，科目设置与账户设置，记账方法的确定等。区别与比较银行会计科目账户与企业的异同。

(4)学习外汇英语及中行柜台营销技巧与服务礼仪。并进行零售业务的综合操作测试。

金融数学专业实习周记(二)

本周实习内容：

跟支行主任学习相应的理论基础知识及银行相关各种文件

在实习的前几天里，我主要跟主任学习相应的理论基础知识及银行相关各种文件。一方面要学习相关的实务操作，其中会计占决大多数，既要强化已有的知识，还要学习新的知识，另一方面，还要学习人民银行下达的相关文件。结合中行金融报，金融研究等杂志刊物，了解银行改革的方向，动态。银行的创新和进步，是与国外银行竞争的基本条件。所以银行从上到下，都要树立一种竞争意识，服务意识。对于4月在各支行开展的 atm机竞赛 活动就是要提高银行人员的服务意识，增强其服务理念，以优质的服务让顾客满意。同时通过实习还让我们了解银行的业务，中行的业务结构较为多元化有公司业务，个人业务，资金业务，网上银行业务以及国际业务，西大街支行主要划分有4个板块，有对公业务，对私业务，其他业务以及和平安保险公司联合的平保业务等。我实习的主要是对私业务，主要包括个人结算、银行卡业务、个人理财类产品为主的个人中间业务体系。

金融数学专业实习报告(二)

我被安排在营销部工作，主要跟Xx学习。我从以下几个方面介绍我的实习工作;

首先是每天9：00上班，早到的话可以在公司的大厅阅读证券报刊、杂志。了解国家的宏观经济政策，财经要闻，以及证券市场最新信息，如上市公司信息披露等公告，主要分析市场热点和读一些股评。

接下来就是开始一天的基本工作

整理客户资料，客户资料包括开户申请书，开户合同书，银证对应申请书，客户资料变更表。及客户身份证，银行卡，股东代码卡等复印件，所作的相关工作大致包括以下三个方面：

1、理清相关的客户资料，并及时核对当天业务所产生的各项单据，确保完整准确，没有遗漏。如果有什么缺失，一定要及时给予纠正。有什么出入大的问题要上报反映。很长一段时间弄得我们都对单据特别敏感，总怕有什么闪失。

2、把理清整理过的客户资料按顺序装入客户的档案袋。然后归到档案的柜子里。

3、有时间我们要把当天产生的自然人注册表和身份证的复印件，开户文本一同扫描到各个业务科目目录下，然后统一发到总部。

整理客户资料在实习中占了一定分量工作，这是一个简单但是相当繁琐的过程，需要细心和耐心;客户资料档案的有序整理是为了将来需要时能够方便迅速查找，所以工作人员对我们进行认真的指导，还有就是对开户文本的扫描。对新开户和以前开户还没有扫描的文件都要统一进行扫描以电子版的形式保存。

此次实习不管在知识的巩固还是经验的积累上都使我有很大的进步。在证券市场这个大海洋里，个人只有不断磨练直到成熟才能取得成功。虽然实习只有两个月，但是使我十分受益。在这次实习中学院努力为我们争取这个难得的实习机会，在他们的努力下我们才能顺利地完成此次实习。在今后的时间里我还需要寻找机会不断地锻炼自己，并积累经验，为自己以后从事这个方面的工作奠定基础。

金融数学专业实习周记(四)

来工行xx县支行实习的短短两个月的时间里，使我在思想上有了很大的转变。以前，在学校里学知识的时候总是老师往我的头脑里灌知识，自己根本没有那么强烈的求知欲，大多是逼着去学的。然而到这里实习，确使我的感触很大，自己的知识太贫乏了，银行员工的学习气氛特别浓无形中给我营造了一个自己求知的欲望。在这里大家都在抓紧时间学习，这种刻苦的精神特别让我敬佩。给我一种特别想融入他们其中的感觉。这将对我以后的人生路上一种很大的推进。

只有坚持学习新的知识，才会使自己更加提高，而这里就有这样的气氛。同时这次实习也为我提供了与众不同的学习方法和学习机会，让我从传统的被动授学转变为主动求学;从死记硬背的模式中脱离出来，转变为在实践中学习，增强了领悟、创新和推断的能力。掌握自学的方法，这些方方法的提高是终身受益的，我认为这难得的两个月让我真正懂得了工作和学习的基本规律。

金融数学专业实习周记(五)

在会计处实习的时间里，我主要学习了综合业务处理系统，熟悉了银行的会计科目，基本掌握了该系统的记账和复核的操作，并能独立处理同城交换、证券清算和外汇核算。通过看、问和动手操作，我对会计处的主要工作有了更加系统的了解，特别是支票汇票等，在实习之前，我只从书上学到过它的基本概念，对真正的票据并没有具体的认识。现在我已经大致明白了审票和解付的过程。而在国际部实习的时间里，我边干边学，发现其实大部分知识已在《国际结算学》中学过，我所要做的就是熟悉各种票据，掌握它们在国际贸易中的作用，同时帮助和指导客户填单和审单。在实习过程中有带教领导、银行员工的协助、自己的努力，自感收益不小。

这次实习把我从学校纯理论学习中拉到了在实践中学习的环境。一进入岗位，我就意识到，该把学生时代的野性收敛了。总之，这次实习为我从各方面融会知识，为我将来的工作和生活 铺垫了精彩的一幕，我认为这种改变是质的飞跃。

❹ 数学与应用数学（金融数学）可以考注册会计师或者精算师吗

学会计并不需要数学学习特别好，现在会计对数学的依赖并不高，只要会基本的预算能力有数学头脑就可以。

数学不好，你的专业不会受到太大的影响。

数学不好，你毕业后的会计工作也不会有太大影响。

主要课程

管理学、微观经济学、宏观经济学、管理信息系统、统计学、会计学、财务管理、市场营销、经济法、财务会计、成本会计、管理会计、审计学、高等数学、概率统计、概率论与数理统计等。

会计学（Accounting），是以研究财务活动和成本资料的收集、分类、综合、分析和解释的基础上形成协助决策的信息系统，以有效地管理经济的一门应用学科，可以说它是社会学科的组成部分，也是一门重要的管理学科。会计学的研究对象是资金的运动。关于会计的定义，历来学界仁智各见，有信息系统说、管理活动说，还有其他学说。其实各个学说都是对会计的不同角度的考察。会计学由阐明会计制度、会计准则赖以建立的会计理论，以及会计工作如何组织和进行的会计方法组成。会计学主要分支，可以这样分类：从大的分类来看可分为盈利会计和非盈利会计，在盈利会计中，又可分为财务会计、管理会计。

急速通关计划 ACCA全球私播课 大学生雇主直通车计划 周末面授班 寒暑假冲刺班 其他课程

❺ 我是今年的大一新生，我读的是数学与数学应用（金融数学）专业，对笔记本电脑的配置要求高吗需要i5吗

没有太大的配置要求，你需要用的电脑的内存要求较高，因为后面会用到Minitab，SPSS等计量经济学的软件，还有就是MATLAB矩阵实验室。日常的用EXCEL，对于分辨率的要求较高，综合我推荐联想的ThinkPad T440P，i5-4300M的处理器，自己花400左右升级12GB内存，1600 900的分辨率足够你使用了。
PS 楼上的说不用i5是指的如果你不用计量经济学的软件的前提下，我个人认为还是比较重要的