時間：2023-07-04 16:00:46
序論：在您撰寫金融數據論文時，參考他人的優秀作品可以開闊視野，小編為您整理的7篇范文，希望這些建議能夠激發您的創作熱情，引導您走向新的創作高度。
緊跟大數據時代的步伐，農業銀行積極推進大數據平臺建設及大數據的價值應用，確立了“大數據體系建設必須以應用為核心，數據平臺開發與業務應用統籌考慮，要做好內部的數據治理，逐步拓展數據來源范圍，充分利用內外部數據資源，不斷提升對全行經營管理的支撐水平。”的總體戰略思想，即：數據是基礎，應用是目標，平臺是支撐，治理是保障。
1.強化數據治行理念大數據革命必將顛覆銀行傳統觀念和經營模式。通過營造“數據治行”的文化，建立分析數據的習慣，落實全行的數據標準和數據治理，切實提升“大數據”開發利用的綜合能力，將現有數據轉化為信息資源，讓決策更加有的放矢，讓發展更加貼近市場需求。
2.建設大數據平臺構建處理能力強、擴展性好、開放度及共享度高的大數據存儲加工平臺，整合行內外、各種形態、跨歷史周期的海量數據，并構建統一、全面、穩定的企業級數據模型，為大數據的分析利用提供基礎的數據、環境、模型及配套工具等全方位立體式支撐。
3.打造數據分析應用體系構建適應大數據分析的多功能、跨渠道、多粒度的分析挖掘模型和應用體系，為服務質量改善、經營效率提升、金融模式創新提供支持。通過對海量數據的深度分析，全方位調整產品結構、營銷模式，從根本上提高風險管理、成本績效管理、資產負債管理和客戶關系管理水平。
4.實現智慧銀行的目標智慧銀行是指，通過大數據技術不斷優化業務辦理流程，高效配置金融資源，敏銳洞察并引領客戶需求的高度智能化的金融商業形態。智慧銀行可提供“銀行始終在客戶身邊”的全場景金融服務，為客戶創造最佳服務體驗。
二、農業銀行大數據平臺概述
經過多年的努力探索，農業銀行在大數據平臺建設的道路上銳意開拓，大膽創新，逐步形成了以四大基礎平臺、五類數據服務為核心的大數據平臺。
1.四大基礎平臺（1）企業級數據倉庫隨著銀行業數據利用能力的逐步提升，業務分析呈現跨領域分析、高度整合分析、長周期歷史分析等特點，企業級數據倉庫通過對行內跨領域海量數據的高度整合和模型化，形成對客戶、賬務、產品等的統一視圖，使大數據分析成為可能。農業銀行企業級數據倉庫以存儲和處理結構化數據為主要目標，全面涵蓋了農業銀行存、貸、中間業務等行內業務條線的核心類數據，實現PB級數據的高效存儲，可以滿足全行在各個領域數據分析和價值發現的各類需求，并為全行數據治理提供有力的支撐。如通過網點的多維度、全方位、長歷史周期數據挖掘給出網點資源配置建議，提升運營效率，優化業務流程。（2）信息共享平臺信息共享平臺以存儲和處理行內非結化數據為主，輔以來自行外的社會數據。基于非結構化數據的分析和深度挖掘，在客戶關系管理、中小企業信貸、風險管理、品牌建設等眾多領域發揮了重要的作用。如基于對社交網絡各類非結構化數據的綜合分析可以獲取行外目標客戶；通過機器學習、語音識別、情緒識別等技術，對客服語音記錄進行深度挖掘，發現客戶的需求。（3）實時流計算平臺傳統數據計算平臺多以批量計算為主，數據處理能力較強，但時效性較差。農業銀行的實時流計算平臺采用業界最先進的流計算框架，實現數據的快速采集、交換、處理和應用，主要用于實時營銷、實時客戶服務、欺詐監控、大額動賬監控、系統運營監控等各類對時效性要求比較高的業務場景。如結合持卡人的行為偏好為客戶實時推薦精準的營銷信息、優惠信息和特惠商戶信息，并為特定客戶群體提供實時的有針對性的服務提示。（4）高性能數據處理平臺海量數據的分析挖掘亟須一個高性能環境的支撐，農業銀行高性能數據處理平臺采用大內存處理、分布式、閃存等新技術，以高性能計算為主要特點，實現對海量結構化數據、非結構數據等進行綜合處理、全面分析和深度挖掘。如通過大數據語義分析和情緒分析追蹤海量網絡信息蘊藏的經濟金融“微信號”，借此判斷未來的市場走勢，為前瞻性風險管理提供參考。
2.五類數據服務農業銀行基于四大基礎平臺的優勢，大力發展應用系統建設，形成了五大類數據服務形式有機結合的數據服務體系。（1）指標檢索服務通過構建全行統一的指標庫，為各個業務條線提供常用指標的檢索服務，在此基礎上提供各類經營管理、監管報送等指標采集、加工及報送服務。（2）即席查詢服務采用特定的工具，構建功能強大的查詢支持庫，滿足各類靈活查詢、臨時查詢及特殊復雜查詢需求。如果說報表是經營管理的瞭望塔，那么靈活的即席查詢就是執行經營決策的指南針。以客戶營銷為例，即席查詢服務可以為全行的客戶經理提供多角度的客戶信息查詢，針對當前市場熱點，提供具體的業務指導。（3）定制化信息服務通過iReport智能資源視窗對信息進行統一管理、分層檢索、靈活配置和個性展示，并針對用戶的不同需求、不同層次及不同偏好，提供定制化、個性化的信息訂閱，聯動郵件、短信、微信等渠道提供主動信息推送服務。（4）多維分析服務多維分析可以幫助業務人員實現多維度、多視圖、多層次的分析，并可以通過下鉆、上鉆、切片、旋轉等操作，提供更加動態、智能的數據分析，發現數據背后的規律。如從機構、時間、客戶、產品類型、渠道、營銷活動等多個維度對產品盈利情況進行綜合分析，進而有效推動產品優化和創新。（5）深度數據挖掘服務海量數據中蘊含的規律和價值通常不直觀，大數據的顯著特點之一就是海量數據的知識發現和數據挖掘。農業銀行基于大數據平臺構建了多個特定領域或主題的數據挖掘實驗室，包括客戶洞察及精準營銷、信用評價及風險評估、輿情分析與客戶情感管理等，緊跟市場發展動態，直面業務熱點、難點，充分挖掘大數據的巨大價值，為業務發展和經營決策提供更加深入的洞察和更加有力的支撐
三、農行大數據應用實踐
農業銀行在構建大數據體系時堅持以應用為核心，統籌部署數據平臺開發與業務應用，加強業務創新與數據利用的良性迭代，實現傳統業務和新型業態的融合發展，充分發揮了數據對全行業務發展和經營管理的支撐作用。借助大數據這把利劍，實現了“營銷更精準、服務更貼心、管理更精細、監管更透明、風險更可控、決策更智能”，有效促進了全行經營理念、業務運營、組織流程的不斷創新，為全行業務發展和經營管理提供了有力的科技引擎。以下三類應用案例可充分說明情況。
1.精準營銷基于大數據的客戶營銷“三步曲”：獲取客戶、客戶畫像、精準營銷（如圖1所示）。通過大數據強大的信息獲取和處理能力，充分挖掘行內外的潛在客戶；通過大數據實現對客戶的360°立體畫像，在掌控客戶行為、洞察客戶情感的基礎上，準確地預測客戶需求，從而實現精準營銷及交叉營銷。以貴賓客戶信用卡精準營銷為例，農業銀行通過綜合行內外數據，應用聚類分析、關聯規則發現、決策樹等數據挖掘算法，構建了完整的精準交叉營銷模型庫和應用體系，動態實現目標客戶識別、客群劃分、優先級劃分、產品推薦、渠道推薦等功能。在合適的時間，以合適的渠道，通過合適的方式，為合適的客戶推介甚至定制合適的產品，實現差異化、個性化的精準營銷。2.熱點分析農業銀行基于大數據平臺構建了熱點問題專題分析模型庫，對當前的熱點事件進行定期跟進、深度分析和動態監測，為策略制定、產品創新及運營模
式優化等提供有力支持。以互聯網理財客戶分析為例，該項分析旨在揭示個人客戶購買互聯網理財產品與農業銀行資金流失的關系。首先采集研究機構等第三方數據，融合內部數據，對整體購買規模進行分析；挖掘購買互聯網理財客戶的特點，對這一特定客戶群體進行綜合畫像。從而知道“正在發生什么?！比缓?，采用神經網絡、回歸等方法，對即將流失的客戶進行智能識別，針對不同的客戶特點制定不同的客戶挽留措施，知道“即將發生什么。”最后，通過對客戶和資產流失的深度分析，提出產品層面的創新策略，并給出具體建議；產品優化和創新后，再次綜合分析新產品的市場效果，并對產品進行持續優化，實現數據挖掘和產品創新的迭代。
(一)監督得不到有效合理的控制，導致統計工作產生風險我們大家都知道統計數據一般都是反映宏觀整體現象，這種宏觀整體現象往往都掩蓋了事物的個體本質，因此大多數公眾與某些部門對它產生懷疑卻無從下手去監管，另外統計部門在統計信息時，占有主動權，具有權威性，這種信息的不對稱性也容易產生職業道德風險，再有統計部門的垂直領導形式，使其工作都是“上派下行”，從而導致一些統計數據都是現有目標，再有統計，最后達到預期結果，統計工作的這種被動與尷尬已經成為普遍現象，這種從上到下無人監督，無人管理的現象所產生的后果是距離現實在越來越遠，“此地無銀三百兩”的故事距離我們越來越近，社會將進入顛倒是非，真假難辨的惡性循環之中。
(二)統計法的力度不夠，加速統計數據的風險產生從上邊統計風險產生原因我們可以看到都是由于某些政府和個人短期利益的因素，而導致統計產生巨大的風險，這種短期的效益與其產生的長期風險是遠遠不對稱的，但是許多政府與某些單位以及個人卻還是選擇了這一瞬間的短期利益，這是為何？我們常常聽到某些單位或個人由于違反各種會計法、經濟法，最后導致嚴重違反財經紀律、貪污腐化從而導致受到行政法律的制裁，嚴重者觸犯刑法，最高可判無期乃至死刑和罰金。但是統計法律法規卻沒有這么大的力度，即使提供了虛假數據，即使受到行政處罰，也都是輕描淡寫、隔靴搔癢而已，從根本起不到懲戒、震懾和遏止作用，卻反而助長了統計數據失真的力度，加速了統計風險的速度。最后形成了“統計統計，三分統計，七分估計”的熟語。這也很好地回答了上述問題產生的根本原因。
二、針對當前我國統計工作職業道德產生的風險應采取的措施
(一)全面提高相關業務人員的綜合業務素質統計工作涉及面廣，對理論知識與實際工作能力要求高，它要求相關業務人員不僅懂得國家的法律法規，而且還要求相關業務人員掌握一定的財務、審計、經濟、統計分析等一定理論知識，并且還特別強調了統計人員應該加強愛崗敬業、盡職盡責的職業道德，德才兼備，以德為先的職業道德和業務素質修養永遠是統計人員的最起碼要求，也是有效地避免統計風險的基本前提，所以統計人員應該通過各種渠道提高自己的綜合水平，如參加各種統計相關的考試、學習輔導班以及業務比賽活動，使他們融入當今社會潮流之中，這樣可以增強統計人員的自我提升、自我風險保護意識，這也是抵制社會上統計工作不正之風最有效的措施。
(二)政府及主管領導要用正確的發展觀去指導統計工作我們大家都知道統計是為政府部門服務的，這是國家參與宏觀調控的重要手段，但是在當今的市場經濟體制下，以市場微觀調控為主，國家宏觀調控為輔的理念指導下，統計需要減少政府的干涉，甚至消除人為干預，這樣才有助于國家的經濟建設。所以各級政府應該轉變職能態度，從而合理地引導各級主管領導具有科學的世界觀，進而正確指導統計工作，引導寬松的統計工作環境，使統計工作者在良好的工作氛圍中，放下包袱，努力工作，為國家制定合理有效的重大決策提供真實的數據，從而真實地反映國家的宏觀目標，這樣更有力促進社會經濟的發展，促進人們的安全、社會的和諧。
(三)加強統計數據的監督反映統計數據失真給統計工作帶來了一定的風險與隱患，其最大原因就是統計數據缺乏像會計工作那樣的監督機構，另外統計數據的公布也非?；\統化，不如財務指標那樣詳細，計算方法與方式也不像會計那樣進行詳細地披露。所以國家應該盡早地出臺一些法律法規以及有關政策，讓統計部門加大信息披露的力度，如時間間隔應該縮短，披露的數據來源、方法、處理的過程等統計信息應該詳細，讓數據的使用者與監督者能夠很好地分析數據的真實可靠程度，這樣不僅增強了統計的公眾監督力度，又有利于公眾對統計的了解與認可，進而也讓統計工作者工作起來有的放矢，避免了其左右為難的工作情緒，更避免了統計工作的重大隱患風險的存在。
(四)加強統計法律法規建設，完善統計規章制度目前國家對會計、經濟等各種法律法規都進行了不斷的完善與調整，此種方式方法得到了有效的反映，如偷稅漏稅逐步減少，行賄受賄、大吃大喝公款的現象極度收斂，這樣不僅促進國家經濟的發展，也受到了百姓的擁護與好評。那么如果在這種良好的氛圍下，大力加強統計法律法規的建設，對那些原來不合理、不完善、不適合市場經濟體制下的統計法律法規及規章制度進行刪除或者合理的更新，并加以完善和必要的補充，如加大對政府與部門人為反方向干擾統計工作的監督與懲罰，加大脅迫統計工作者編制虛假數據而承擔的法律后果，以及統計工作者在此過程中給予抵制而受到的獎勵制度和聽之任之、同流合污而承擔的法律后果等等規定。這樣統計工作者才能堅定地拿起法律的武器來保護自己，使自己勇敢地面對不法分子堅持真理，永不膽怯。因為誰也不能拿自己的一生和終身的家產去賭注，迫使不法分子沒有可乘之機。這是杜絕統計工作職業道德風險，強化統計職業道德意識最有效的措施。
三、結束語
關鍵字：數據挖掘金融數據
金融部門每天的業務都會產生大量數據，利用目前的數據庫系統可以有效地實現數據的錄入、查詢、統計等功能，但無法發現數據中存在的關系和規則，無法根據現有的數據預測未來的發展趨勢。缺乏挖掘數據背后隱藏的知識的手段，導致了數據爆炸但知識貧乏”的現象。與此同時，金融機構的運作必然存在金融風險，風險管理是每一個金融機構的重要工作。利用數據挖掘技術不但可以從這海量的數據中發現隱藏在其后的規律，而且可以很好地降低金融機構存在的風險。學習和應用數扼挖掘技術對我國的金融機構有重要意義。
一、數據挖掘概述
1.數據挖掘的定義對于數據挖掘，一種比較公認的定義是W.J.Frawley，G.PiatetskShapiro等人提出的。數據挖掘就是從大型數據庫的數據中提取人們感興趣的知識、這些知識是隱含的、事先未知的、潛在有用的信息，提取的知識表示為概念(Concepts)，規則(Rules)、規律(Regularities)、模式(Patterns)等形式。這個定義把數據挖掘的對象定義為數據庫。
隨著數據挖掘技術的不斷發展，其應用領域也不斷拓廣。數據挖掘的對象已不再僅是數據庫，也可以是文件系統，或組織在一起的數據集合，還可以是數據倉庫。與此同時，數據挖掘也有了越來越多不同的定義，但這些定義盡管表達方式不同，其本質都是近似的，概括起來主要是從技術角度和商業角度給出數據挖掘的定義。
從技術角度看，數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在的和有用的信息和知識的過程。它是一門廣義的交叉學科，涉及數據庫技術、人工智能、機器學習、神經網絡、統計學、模式識別、知識庫系統、知識獲取、信息檢索、高性能計算和數據可視化等多學科領域且本身還在不斷發展。目前有許多富有挑戰的領域如文本數據挖掘、Web信息挖掘、空間數據挖掘等。
從商業角度看，數據挖掘是一種深層次的商業信息分析技術。它按照企業既定業務目標，對大量的企業數據進行探索和分析，揭示隱藏的、未知的或驗證已知的規律性并進一步將其模型化，從而自動地提取出用以輔助商業決策的相關商業模式。
2.數據挖掘方法
數據挖掘技術是數據庫技術、統計技術和人工智能技術發展的產物。從使用的技術角度，主要的數據挖掘方法包括：
2.1決策樹方法：利用樹形結構來表示決策集合，這些決策集合通過對數據集的分類產生規則。國際上最有影響和最早的決策樹方法是ID3方法，后來又發展了其它的決策樹方法。
2.2規則歸納方法：通過統計方法歸納，提取有價值的if-then規則。規則歸納技術在數據挖掘中被廣泛使用，其中以關聯規則挖掘的研究開展得較為積極和深入。
2.3神經網絡方法：從結構上模擬生物神經網絡，以模型和學習規則為基礎，建立3種神經網絡模型：前饋式網絡、反饋式網絡和自組織網絡。這種方法通過訓練來學習的非線性預測模型，可以完成分類、聚類和特征挖掘等多種數據挖掘任務。
2.4遺傳算法：模擬生物進化過程的算法，由繁殖(選擇)、交叉(重組)、變異(突變)三個基本算子組成。為了應用遺傳算法，需要將數據挖掘任務表達為一種搜索問題，從而發揮遺傳算法的優化搜索能力。
2.5粗糙集(RoughSet)方法：Rough集理論是由波蘭數學家Pawlak在八十年代初提出的一種處理模糊和不精確性問題的新型數學工具。它特別適合于數據簡化，數據相關性的發現，發現數據意義，發現數據的相似或差別，發現數據模式和數據的近似分類等，近年來已被成功地應用在數據挖掘和知識發現研究領域中。
2.6K2最鄰近技術：這種技術通過K個最相近的歷史記錄的組合來辨別新的記錄。這種技術可以作為聚類和偏差分析等挖掘任務。
2.7可視化技術：將信息模式、數據的關聯或趨勢等以直觀的圖形方式表示，決策者可以通過可視化技術交互地分析數據關系。可視化數據分析技術拓寬了傳統的圖表功能，使用戶對數據的剖析更清楚。
二、數據挖掘在金融行業中的應用數據挖掘已經被廣泛應用于銀行和商業中，有以下的典型應用：
1.對目標市場(targetedmarketing)客戶的分類與聚類。例如，可以將具有相同儲蓄和貨款償還行為的客戶分為一組。有效的聚類和協同過濾(collaborativefiltering)方法有助于識別客戶組，以及推動目標市場。
2..客戶價值分析。
在客戶價值分析之前一般先使用客戶分類，在實施分類之后根據“二八原則”，找出重點客戶，即對給銀行創造了80%價值的20%客戶實施最優質的服務。重點客戶的發現通常采用一系列數據處理、轉換過程、AI人工智能等數據挖掘技術來實現。通過分析客戶對金融產品的應用頻率、持續性等指標來判別客戶的忠誠度；通過對交易數據的詳細分析來鑒別哪些是銀行希望保持的客戶；通過挖掘找到流失的客戶的共同特征，就可以在那些具有相似特征的客戶還未流失之前進行針對性的彌補。
3.客戶行為分析。
找到重點客戶之后，可對其進行客戶行為分析，發現客戶的行為偏好，為客戶貼身定制特色服務?？蛻粜袨榉治鲇址譃檎w行為分析和群體行為分析。整體行為分析用來發現企業現有客戶的行為規律。同時，通過對不同客戶群組之間的交叉挖掘分析，可以發現客戶群體間的變化規律，并可通過數據倉庫的數據清潔與集中過程，將客戶對市場的反饋自動輸人到數據倉庫中。通過對客戶的理解和客戶行為規律的發現，企業可以制定相應的市場策略。
4.為多維數據分析和數據挖掘設計和構造數據倉庫。例如，人們可能希望按月、按地區、按部門、以及按其他因素查看負債和收入的變化情況，同時希望能提供諸如最大、最小、總和、平均和其他等統計信息。數據倉庫、數據立方體、多特征和發現驅動數據立方體，特征和比較分析，以及孤立點分析等，都會在金融數據分析和挖掘中發揮重要作用。
5.貨款償還預測和客戶信用政策分析。有很多因素會對貨款償還效能和客戶信用等級計算產生不同程度的影響。數據挖掘的方法，如特征選擇和屬性相關性計算，有助于識別重要的因素，別除非相關因素。例如，與貨款償還風險相關的因素包括貨款率、資款期限、負債率、償還與收入(payment——to——income)比率、客戶收入水平、受教育程度、居住地區、信用歷史，等等。而其中償還與收入比率是主導因素，受教育水平和負債率則不是。銀行可以據此調整貨款發放政策，以便將貨款發放給那些以前曾被拒絕，但根據關鍵因素分析，其基本信息顯示是相對低風險的申請。
6.業務關聯分析。通過關聯分析可找出數據庫中隱藏的關聯網，銀行存儲了大量的客戶交易信息，可對客戶的收人水平、消費習慣、購買物種等指標進行挖掘分析，找出客戶的潛在需求;通過挖掘對公客戶信息，銀行可以作為廠商和消費者之間的中介，與廠商聯手，在掌握消費者需求的基礎上，發展中間業務，更好地為客戶服務。
7.洗黑錢和其他金融犯罪的偵破。要偵破洗黑錢和其他金融犯罪，重要的一點是要把多個數據庫的信息集成起來，然后采用多種數據分析工具找出異常模式，如在某段時間內，通過某一組人發生大量現金流量等，再運用數據可視化工具、分類工具、聯接工具、孤立點分析工具、序列模式分析工具等，發現可疑線索，做出進一步的處理。
數據挖掘技術可以用來發現數據庫中對象演變特征或對象變化趨勢，這些信息對于決策或規劃是有用的，金融
行業數據的挖掘有助于根據顧客的流量安排工作人員?？梢酝诰蚬善苯灰讛祿?，發現可能幫助你制定投資策略的趨勢數據。挖掘給企業帶來的潛在的投資回報幾乎是無止境的。當然，數據挖掘中得到的模式必須要在現實生活中進行驗證。
參考文獻：
丁秋林，力士奇.客戶關系管理.第1版.北京：清華人學出版社，2002
張玉春.數據挖掘在金融分析中的應用.華南金融電腦.2004
無論是政治，還是經濟形勢，任何政府、企業、個人，面對未來進行投融資等項目決策，不經過數據分析論證就簡單的決定會帶來巨大的危害，已經漸漸的被人們認同。所以，只要參與社會政治、經濟等活動，進行投融資，期望帶來一定的經濟效益，或者社會效益，就必須加強數據分析工作，對投融資意向進行評估，為決策提供科學的依據。
（一）項目數據分析
1、什么是項目數據分析工作
項目數據分析就是研究將經濟學理論用數學模型表示，并應用于項目投資分析的方法論。項目數據分析過程是：提出項目（研究機會）、初步可行性研究（市場、技術、資源、環境研究、效益、風險分析評價）、測算經濟效益、評估和決策、可行性研究（市場、技術、資源、環境研究、效益、風險分析評價）、評估和決策、項目實施。
2、項目數據分析工作的內容、特點
（1）項目分析工作的內容
一般來說，項目數據分析的內容包括項目的經濟效益評價、項目的風險分析和項目的比較選擇。
項目的經濟效益評價主要是在假設項目沒有風險情況下的經濟效益，主要針對非貼現指標（會計收益率和投資回收期）和貼現指標（凈現值、內部收益率、獲利指數和動態投資回收期）。
項目的風險分析，主要是進行盈虧平衡分析、敏感性分析和概率分析。
項目的比較選擇，主要是獨立方案、互斥方案和不完全互斥方案的設計、評估等選擇。
（2）項目分析工作的特點
項目數據分析工作是一門邊緣科學，其特點是以定量分析為主要分析手段，通過分析翔實的數據進行項目的論證得出定性結論，并以定量數據進行說明。顯然，項目數據分析，必須通過建立數學模型的方法進行分析涉及經濟學、數學、統計學和預測學。
（二）什么是投融資
1、項目投融資的概念。
投資是指 “為了在獲得預期的收益而作出的確定的墊支或犧牲的各種經濟行為” 。因此，投資并不局限于與基礎建設相關的經濟活動，還包括證劵投資、信貸投資和信托投資。
2、項目投資的特點
項目投資的特點是現在投入資金進行經濟效益的博弈，通過對該項目的管理進行長期或者未來的收益，不僅具有時間性，而且具有較強的風險性，其本質就是獲得預期的收益。
一些大型的投資項目，通常都由一家專業的財務顧問公司擔任其項目的財務顧問，財務顧問公司做為資本市場中介于籌資者與投資者之間的中介機構憑借其對市場的了解以及專門的財務分析人才優勢，為項目制定嚴格的，科學的，技術的財務計劃以及形成最小的資本結構，并在資產的規劃和投入過程中做出理性的投資決策。
（三）項目數據分析工作對投融資具有重要的意義
1、數據分析工作提高了工作效率，增強了管理的科學性。無論是國家政府部門、企事業單位還是個人，數據分析工作都是進行決策和做出工作決定之前的重要環節，數據分析工作的質量高低直接決定著決策的成敗和效果的好壞。
2、越來越多的企業將選擇擁有中國項目數據分析師資質的專業人士為他們的項目做出科學、合理的分析，以便正確決策項目；越來越多的風險投資機構把中國項目數據分析師所出具的項目數據分析報告作為其判斷項目是否可行及是否值得投資的重要依據；越來越多的企業把中國項目數據分析師課程作為其中高管理層及決策層培訓計劃的重要內容；越來越多的有志之士把中國項目數據分析師培訓內容作為其職業生涯發展中必備的知識體系。
二、從事項目數據分析工作的感受
（一）從數據分析師的角度，項目數據工作需要做到以下幾個方面的服務，才可以為被服務對象提供優質的有價值的投融資報告。
1、真誠服務
所謂真誠服務，主要是因為投融資報告的價值來自于數據分析師精湛的業務能力，細致的數據搜集能力、閱讀能力、分析能力和預測能力。無論是競爭性項目、還是基礎性項目，由于數據分析工作時一門邊緣科學，需要對真實和翔實的數據進行定量或者是定性分析，需要對國家或者國際政策進行審讀，需要對經濟形勢進行判斷，需要對項目所屬的行業進行科學的宏觀把握，因此，項目數據分析師在搜集相關數據，在分析相關數據時，在閱讀國家或者國及政策時，在斟酌行業趨勢時，都需要真誠的付出，否則，閉門造車或者移花接木式的投融資報告，只能是危害客戶，只能給客戶帶來更大的風險，而不是豐厚的收益。
2、真心服務
所謂真心服務，主要是指項目數據分析師在服務客戶時，需要站在客戶的角度思考問題。由于項目數據分析師，是從屬于某公司，因此從公司利益出發，需要為公司賺取一定的利潤，這部分利潤就來自于數據分析師所服務的客戶。從客戶角度思考，實際上客戶委托數據分析師針對企業的項目意向而進行的數據分析，實際是希望數據分析師提供的項目方案，不僅是可行的，能夠為公司獲得預期利益，而且是風險較小的，可以操作實施的投融資報告。
3、真實服務
所謂真實服務，就是指數據分析師在進行項目數據分析，通過建立數學模型的方法進行分析并提出具有科學性的、前瞻性的、科學性的、可操作性的投融資項目預測報告時，需要是真實服務。一般來說，客戶在提出項目設想時，是充滿了憧憬，也具有天真的幻想，那么數據分析師提出的可行性報告如果是刻意逢迎客戶的主張，那么對客戶來說將是災難性的打擊。
4、真情服務
所謂真情服務，主要側重于項目付諸于實踐中，項目數據分析師跟蹤調查項目實施的禁毒，以及修正項目風險分析和比較選擇。
（二）從數據分析師所服務的客戶角度來看，客戶也需要做到以下幾個方面的工作：
1、信賴數據分析師的服務
對數據分析師服務的企業來說，信賴數據分析師是必要的。一方面，投融資項目報告，制定嚴格，具有科學性，是理性的投資決策；另一方面，
2、忠誠數據分析師的服務
3、誠摯和數據分析師的合作
數據分析師在進行投融資項目分析時，一方面，客戶的意項是否描述清晰、完整、完全，是非常重要的，它決定了投融資項目報告的起點和方向；另一方面，企業的真實經營狀況，也對項目報告具有決定性的意義。因此，企業需要同數據分析師進行誠摯的、真誠的合作，否則，項目數據報告就存在不可預知的、本可避免的巨大風險。
三、為項目方和投資方案例分析
支持創新 不忘避險—“倍愛康”生物科技項目作為股東類項目，“中投信保”為“倍愛康”提供4筆貸款擔保，累計擔保余額1900萬元，實現保費收入28.5萬元。
“倍愛康”是由冶金自動化研究院投資興辦的高新技術企業，主營磁分離酶聯免疫檢測系統等醫療器械和試劑的購銷與制造。企業貸款用途為引進加拿大的磁酶免系統。但貸款后對該產品的市場推廣未見成效，研發費用又較高，在銷售無法取得突破的情況下，使得公司的凈利水平偏低。同時，下游各地方醫院壓款情況嚴重。雖引入的國外先進技術不如預期般成功，企業仍按時還貸，該項目順利完結。
加法——上海住房面積的統計是否超乎想象地簡單？
每年，上海政府部門都要公布上海的人均建筑面積、人均居住面積指標。其目的為說明人民住房水平在“節節高”、“年年高”，更為了彰示政府部門的業績。那么，“人均建筑面積”、“人均居住面積”又是怎樣得來的？得到那些數據又經過了怎樣艱苦繁復的調查和計算過程？
筆者為了驗證上海統計部門有關住房統計數據的準確性，曾經歷過了艱苦繁復的計算，但計算結果總與政府公布的數據大相徑庭。是一個突發的奇想，使筆者在半個小時內就算出了與統計部門數據基本吻合的上海十年來的“居民住房總建筑面積”以及相關的“人均建筑面積”。其計算結果，“居民住房總建筑面積”與各類統計年鑒公布的相應數據平均只相差3.6%，“人均建筑面積”與建設部近三年的《城鎮房屋概況統計公報》中的相應數據百分之百相符。
是什么樣的“突發奇想”有如此神奇的效果？筆者是這樣“奇想”的：“嗎要那么認真？”鬼使神差，筆者信手將1995年以來每上一個年度的住宅建筑面積與當年竣工的商品住宅建筑面積相加，結果就與統計部門“統計”的“居民住房建筑面積”基本相符，再將統計年鑒中公布的“非農人口”與“居民住房建筑面積”相除，就得到了與建設部《城鎮房屋概況統計公報》數據一模一樣的精確到小數點后兩位的“上海人均住房建筑面積”！
當然，在1999年到2004年，筆者的計算結果與統計部門數據相比還略少些，多則少10個百分點，少則少5個百分點。于是，筆者再次“突發奇想”，“我如果把空置房、已拆遷房都拿來填空缺呢？”于是，“奇跡”再次出現——筆者“靈感”激發中計算得來的上海住房建筑面積就與政府部門的統計數據99%、100%地相符了！
難道政府統計部門是在如此搞笑的狀態下工作的嗎？
筆者不愿相信。
如果需要計算的是上海全部居住房屋總面積，那可以把上年的居住房屋面積加上當年的竣工住宅面積——竣工住宅面積指“報告期內房屋建筑按照設計要求已全部完工，達到住人和使用條件，經驗收鑒定合格，可正式移交使用的房屋居住面積的總和”（此解釋見由上海市房屋土地資源管理局和上海市統計局聯合編輯出版的年鑒類刊物《上海市房地產市場》，下同），但必須減去已經拆遷了的住房面積。然而這樣得出的全部居住房屋總面積數不能用作計算人均居住房屋面積的基數，因為當年和往年的竣工住宅中的沒有實現銷售的部分是不能按照已經移交使用的“人居房”來計算人均面積的。
如果需要計算的是上海已經實現了“人居”的全部住房面積，那么在每個當年度的竣工住宅中必須扣除還沒有發生“人居”的面積，并減去已經拆遷了的住房面積。請注意，如果扣除了每個當年度竣工住宅中的沒有發生“人居”的面積，在此就不發生“空置房”的概念——空置房指“銷售物業報告年度內某類物業經初始登記一年后未售出的數量”，該面積已經包含在初始登記年的竣工住宅面積中。
筆者“第一次奇想”時的計算方法謬誤在于：如果是計算全部居住房屋總面積，其沒有減去已拆遷房的面積；如果是計算實現了“人居”的全部房屋總面積，其一沒有減去已拆遷房的面積，其二沒有減去以往年度積存的空置房面積，其三沒有減去當年竣工住宅面積中沒有實現銷售的部分。
照筆者“第一次奇想”時的計算方法來計算“人均住房面積”，那是偷換了“人均住房面積”的概念——雖然統計部門沒有對“人均住房面積”的計算方法作出定論，但是，作為體現住房條件改善的最重要指標，人們對“人均住房面積”的約定俗成的理解就是已經實現了“人居”的房屋的人均住房面積！
筆者“第二次奇想”時的計算方法謬誤更是顯而易見——那是明知故犯了——不但不將這些沒有發生的、不存在的因素做減法，相反還把這些因素又做了一次加法！每一個按常規思維的人會為此感到不可思議。筆者同樣不信政府部門工作人員會故意這么做。這么做的后果是嚴重的，這使得上海在2005年時的人均住房建筑面積平添了13.33平方米——在把2005年全部竣工住宅作為已經實現了“人居”的前提下！因為1999年到2004年，上海城市的拆遷面積總和加上每年空置住宅面積的累計數是5520萬平方米，這些數字不扣除，就是多計算了5520萬平方米未實現“人居”和已經滅失了的住房面積，這些數字還要再加一次，那就是在1999年到2004年，多計算了5520×2=11040萬平方米未實現“人居”和已經滅失了的住房面積；同樣，在1996年~1998年以及2005年的住房面積中，也因為沒有扣除拆遷面積和空置住宅面積，導致多計算了4278萬平方米的未實現“人居”和已經滅失了的住房面積，只不過沒有再重復加一次而已。這樣，1996年到2005年每年多計算的“人居”住房面積累計一共是11040萬+4278萬=15318萬平方米——2005年竣工面積中的未實現銷售部分還未計算在內，2005年上海的非農業人口是1148.94萬，15318÷1148.94=13.33，這13.33就是按照筆者“搞笑計算法”計算出來的屬于“多算”的人均建筑面積！
筆者相信政府工作人員不會這么搞笑，筆者也認為，計算結果一樣不等于計算過程一樣，但是，由于政府部門對住房面積的計算過程不見公布，作為上海市民，希望能看到政府統計部門對于上海住房面積的計算過程。
筆者的計算過程見表（一）、表（二）。
表（一）、上海居民“人居”住房面積計算過程表(與統計部門的統計結果相符)單位：萬平方米
注：1.“統計部門提供的市區住宅建筑面積”中，97、98、99三年的數據來自《上海投資建設統計年鑒》，其他數據來自年鑒刊物《上海市房地產市場》。2.“當年商品住宅竣工面積”來自年鑒刊物《上海市房地產市場》。
3.此表中的已拆遷住宅面積和空置住宅面積不包括1976、1997、1998、2005年數據，這些數據見表三和表四。已拆遷住宅面積來源：見《上海市房地產市場》，空置住宅面積來源：2000年前數據見《上海統計年鑒》，2000年后數據散見于媒體報道的官方統計數據。
4．撤縣改市增加的住房面積中，99年數據是指青浦、松江的住房面積，2002年數據是指南匯、奉賢的住房面積，2003年數據是指崇明的住房面積。數據來自《上海統計年鑒》。
表（二）、2003~2005年上海城鎮人均住房建筑面積計算表(與統計部門的統計結果相符)
數據來源：《上海市房地產年鑒》，2005年數據見《上海統計年鑒（2006）》
2．搜集了自2000年到2005年由政府部門認定的每年的空置住宅面積數據。
之所以稱為“搜集”，是從2000年開始，《上海統計年鑒》就不再公布每年的空置住宅面積，《上海市房地產年鑒》也不見公布?，F在統計部門公布的居民居住房屋總面積中是把空置住宅也當作已居住的房屋面積計算的（年鑒刊物《上海市房地產市場》明確居住房屋面積中包括空置住宅面積），但是就常識而論，空置住宅面積是不能作為“居民人均建筑面積”來充數的。所以，筆者要把空置住宅面積剔除出人均居住面積指標體系。雖然統計部門關于空置量的計算自1999年以來都是“根據上市量與銷售量的變化判斷空置量的增減或升降趨勢”，然而，有總勝于無?？罩米≌娣e見表（四）：
表（四）、商品住宅空置面積（95-2005），單位：萬平方米
注：1.2005年空置住宅面積根據當年商品房空置面積536.56平方米的60%計算。
2.對于空置量的概念和計算方法，2000年到2005年的年鑒類刊物《上海市房地產市場》均這樣注解：“空置量是銷售物業報告年度內某物業經濟竟初始登記一年后未售出的數量（建筑面積）。由于本市樓宇個數眾多，目前根據上市量與銷售量的變化判斷空置量的增減或升降趨勢”。
3．計算了不應該當作“居民居住水平提高”來展示的住房面積增加因素。
上海市區居住房屋面積增長由多種因素造成，并非所有的增長因素都是“住房改革的成果”，有些增長甚至還是住房改革導致的“后果”。因此，不論是住房總面積增加還是人均住房面積增加，并非都能為之歌頌的。
筆者先計算了從1993年浦東新區成立以來，在撤縣改區過程中新增加的原縣屬城鎮住房面積。
1991年浦東新區成立前，上海市區區域面積是745平方公里，九個郊縣的面積是5590.5平方公里，到2005年，上海市區區域面積是5155平方公里，一個郊縣（崇明縣）的面積是1185.49平方公里；1991年時市區戶口數是269萬，郊縣戶口數是167萬，當2005年，市區戶口數是468.1萬，郊縣戶口數28.6萬。這樣的變動當然會對市區住房總面積產生影響——光從1997年金山撤縣改區起算，到2002年上海先后有松江、青浦、奉賢、南匯等整區建制的2000多萬平方米的原縣屬城鎮居民住宅面積并入了市區居民住宅面積，而崇明縣的鎮建制住房也有305萬平方米在2003年并入市區住宅面積。上海2002年的居住房屋總面積比1997年多了12677萬平方米，減去5434萬平方米的空置住宅、拆遷住宅面積，余下的住宅增加面積是7243萬平方米，這其中22%是原縣屬鎮居民住房劃并為城區居民住房所致。顯然，這些因行政區劃變動帶來的城區住房面積增加不能視作“住房改革的成果”，不能視作“居民居住水平提高”的佐證。
筆者再根據第五次人口普查數據，計算了各社會層面擁有的房屋資源狀況。這個計算揭示了“人均住房指標”已經對國計民生的真實情況產生了誤導。在“住房商品化”前后擁有權力資源的家庭集中擠上了“單位分房末班車”，這是導致1998年到2001時上海居民住房面積激增的原因之一。在這個時期，商品住宅還輪不到普通市民來“商品化”——那時普通市民接受的“商品化”，不過是在1998年~2001年差價換房5000戶、10694戶、16941戶、10888戶，出售已購公有住宅10155套、19771套、43411套、69832套（見年鑒刊物《上海市房地產市場》）。最多是到1999年底，居民在出售已購公有住房后再購新房時“吸納新建商品房總建筑面積達250平方米”（《上海房地產市場（2000）》。1999年以后不見有關統計數了，但根據2000年和2001年居民出售已購公有住房560萬平方米的數據，那到2001年，全市居民在出售原有公房后再購置的新建商品房不過是10萬套左右。這就是住房商品化開始前后上海普通市民消化商品化住房的能力——2001年，上海城市居民中等收入家庭的人均可支配收入是11155元，恩格爾系數是47！
這個時期內銷商品房（包括住宅、辦公樓、商業用房，住宅面積平均占95%）的出售情況是：1997年出售3.76萬套，1998年7.46萬套，1999年11.95萬套，2000年16.16萬套，2001年20.01萬套，總共59.36萬套。其中外地個人購買6.61萬套，本地單位購買4.27萬套，本地個人購買48萬套（見年鑒刊物《上海市房地產市場》）。注意，1997年到2001年“本地個人”購買的商品房中購買的商品住宅是40萬套，而“本地個人”購買的套數其實是有假的，因為從1999年“住房商品化”政策起步開始，就有不少有“實力”有“勢力”的單位以事實上的單位出資來為少部分個人購置房產；而各級黨政企事業單位負責人，也在此時加緊讓自己的住房面積“達標”、“超標”，“達標”、“超標”的標準，是1995年頒布的滬房地改（1995）767號文件《職工家庭購買公有住房建筑面積控制標準》，在這個文件中，明確一般職工、干部和初級技術職稱人員可購買公有住房面積的上限是75平方米，科級干部、中級技術職稱人員、具有證書的高級工購買上限85平方米，縣處級干部、副高級職稱人員購買上限100平方米，副局級購買上限120平方米，正局級、正高級和享受正高級待遇的專業技術職稱人員購買上限140平方米。購買公有住房面積的前提是要首先住房要達到這個面積標準，不少掌握權力資源者趁機將自己的住房面積大大地上了幾個臺階，當他們將自己突擊得來的房屋用“購買公用住宅的標準價”買下，他們就擁有了比普通市民多得多的住房資產——他們才是住房商品化的最大得益者。
根據第五次人口普查資料，到2000年為止，上海的中心城區和新建城區共有457.16萬家庭戶，其中15.5%家庭戶（70.6萬戶）人均建筑面積40平方米以上，這部分家庭戶擁有城區35.2%的房屋資源，這些家庭戶以國家機關、黨群組織、企業、事業單位負責人為絕對主體；而人均建筑面積19平方米以下家庭幾乎全都是底層社會普通勞動者家庭，這部分家庭占到城區家庭戶總數的53.3%（244.1萬戶），他們擁有的房屋資源只占到24.8%，當時城區有80萬戶家庭、225.5萬人居住在人均建筑面積8平方米以下的居所，65.2萬戶家庭、183.1萬人居住在人均建筑面積9~12平方米的居所。
在以后的“住房商品化”過程中，“負責人”群體在家庭住房上占有的地段優勢更是遠遠超出了其在2000年時單純的面積優勢，這種地段優勢體現的商品化價值遠不是面積優勢體現的商品化價值所能比擬。因此，不分職別不分區域地段的籠統的全市性的人均住房指標已經失去了統計的意義、公布的意義。
需要指出，筆者曾經在有關投資建設統計年鑒（可能是《上海投資建設統計年鑒》？）中見過1994年~1999年的上海市區建筑面積、居住面積、市區人口統計數（見表五），不管數據是否準確，起碼，此表將人均居住水平指標是如何產生的過程透明化了。而現在的統計數據對于公眾來說，是從根本上缺乏透明度的。此次筆者能把上海的住宅建筑面積和人均住宅建筑面積算到與統計數據差不離，不過是“蒙”對了而已。
原表說明：人均居住面積一般以各類建筑房屋的實際建筑面積乘以各自平面K值折算成居住面積，與市公安局提供的年末長期人口數相除后求得。73年通過房屋普查，以實際測得居住面積計算。
但此表中的“市區人口數”在《上海統計年鑒中》中是找不到出處的?！渡虾＝y計年鑒中》提供的1994年到1999年的“非農業人口”與此表中的“市區人口”相比，少則相差4%，多則相差14%，“年末區人口”與此表中的“市區人口”相比，相差得就更多。
筆者叢觀歷年的住房統計數據，發現有的年份以“市區人口數”為人口計算基數（1994-1999），有的年份則以“非農業人口”為計算基數（2003~2005），而更多年份的人口計算基數還無從核對無從查找。這樣，上海的人均住房統計指標光是因為“人口數的統計口徑不同”，就已經沒有可比性了。
還有必要認真對待“人均居住面積”、“人均建筑面積”嗎？
“人均居住面積”、“人均建筑面積”還能反映絕大部分居民的真實居住狀況嗎？作為一個公民，筆者提請政府部門變更上海住房指標的統計方法。事實上，這并不是需要白手起家的作業——第五次人口普查已經提供了全國各地的非常詳細的住房統計資料，上海當然不例外。一個疑點：第五次人口普查中有關住房的數據為何不見引用？
2000年的全國第五次人口普查提供了非常詳細的住房統計資料。這個住房統計資料反映，在2000年，上海中心城區一共有627.92萬人，人均建筑面積15.85平方米；新建城區有657.21萬人，人均建筑面積27.45平方米，將城區人均建筑面積乘以人數，上海城區范圍內的住房建筑面積應該是27993萬平方米，比統計部門用因襲下來的統計方法計算出來的面積要多7128萬平方米——統計年鑒公布的2000年上海各區的住房建筑面積統計數是20865萬平方米。
第五次人口普查是“重大的國情國力調查，是和平時期最大的社會動員，涉及到社會的各個方面、每一個家庭和每一個人”，“對于全面實現我國現代化建設戰略目標，研究下個世紀的社會、人口變化情況具有重要意義”（見《國務院關于進行第五次全國人口普查的通知》）。通過這樣的調查得來的有根有據的數據卻不見引用，這又是為什么？
不解決為什麼人的問題，住房改革不可能成功
近年來，有關住房改革是否成功的討論進行得轟轟烈烈，筆者不諱言，筆者認為住房改革是失敗的。即使這樣，筆者還沒有對上海的居民居住房屋總面積和人均住房面積提出過懷疑，筆者還是相信政府統計部門是在嚴肅認真的工作態度下科學地得出這些統計數據的。但因為筆者搞笑般地計算了一番上海住房數據竟意外地與政府統計部門的計算結果相同，而這樣的計算結果是要讓上海的人均建筑面積平添出13.33平方米的，這不由得筆者誠惶誠恐——即使筆者認定住房改革是失敗的，也不希望以“統計部門多算人均建筑面積13.33平方米”來作為佐證呀！
筆者猜度，目前有關上海的住房數據可能是“數出多門”，卻缺乏對這些數據的整體性的把關。國家對房地產宏觀調控措施不能從根本上奏效，恐怕與我國的數目字管理的基礎還相當薄弱有關?，F代化管理的基礎一是法治，二是“用數字說話”，從宏觀而言，一個國家的基礎數據管理情況和應用情況反映了一個國家現代化的水平。第五次人口普查得來的住房數據是基礎數據，而怎樣對這些基礎數據有效管理和應用，則是一個龐大的課題——缺乏管理，數據就只是一堆令人頭昏目旋眼花繚亂的阿拉伯數字。
關鍵詞：最小二乘支持向量回歸機，金融時間序列，統計學習理論
1 引言
金融時間序列是一種特殊的時間序列，通常具有如下三大特點[1]：(1) 產生過程的隨機性、復雜性；(2)數據多含有高噪聲，并伴有異常值；(3) 數據間具有較強的非線性。 股票市場是一個受多方因素交互影響的復雜系統，對于股票價格的精確預測是非常困難的，甚至不可能的，但對于短期的趨勢預測則相對較為簡單，而且對投資者的投資行為具有極其重要的指導意義。論文格式，金融時間序列。
支持向量機（Supportvector machine, SVM）是由Vapnik等人根據統計學習理論提出的一種借助于最優化方法解決機器學習問題的新工具。它以結構風險最小化為原則，具有結構簡單、全局最優、泛化能力好等優點，已廣泛應用于模式識別、回歸分析以及時間序列預測等領域[2-4]。
在SVM的基礎上，Suykens等[5]提出了最小二乘支持向量機(Leastsquares support vector machine，LS-SVM)，通過替換SVM的不等式約束為等式約束，將二次規劃的求解問題轉換為求解線性方程組的問題，從而大大簡化問題的計算復雜度和存儲量。本文將最小二乘支持向量回歸機應用于上證180指數和香港恒生指數的收盤價的預測。實驗結果表明，該模型具有學習速度快，預測精度較高的優點，適合于高噪聲、非線性的股指預測，對于投資者的短期投資行為具有一定的參考價值和實用價值。
2 最小二乘支持向量回歸機
設給定一個訓練集，其中，。論文格式，金融時間序列。通過將支持向量機的不等式約束改為等式，Suykens等提出了最小二乘支持向量回歸機的數學模型：
S．t ，(1)
(1)
其中:為權向量，為正則化參數，為經驗誤差，是一個非線性映射，為偏置。 為求解這個約束優化問題，構造Lagrange函數：
(2)
其中:為Lagrange乘子。
根據KKT條件可知，
(3)
(4)
(5)
(6)
消去和，方程(3)-(6)可寫成如下形式：
(7)
其中:，為單位矩陣， ，，為核矩陣。
通過求解線性方程組(7)，得到最小二乘支持向量機的回歸函數為：
(8)
3 實證分析
為了驗證最小二乘支持向量回歸機的有效性，選取在滬市較有影響力的上證180指數和香港恒生指數為實驗數據，將它們的收盤價格作為預測對象。 需要說明的是，這里選取的核函數為徑向基核函數。論文格式，金融時間序列。最優參數由網格搜索獲得，搜索區間均為。實驗環境為windows XP，內存512M，主頻1.86GHz，Matlab7.0。論文格式，金融時間序列。均方根誤差(RMSE)、平均絕對誤差(MAE)、平均相對誤差(MRE)是常見的衡量回歸模型性能的評價指標，這里我們采用如下三種指標評價模型的預測性能：
(1) RMSE=，
(2) MAE=，
(3) MRE=，
其中:代表第天股票指數的收盤價；代表第天股票指數的收盤價的預測值，N代表預測樣本的總個數。
3.1 實驗數據的選取
3.2 實驗及結果分析
對以上數據，采用LS-SVM進行數值實驗，兩種指數的預測結果如圖1、圖2和表1所示。論文格式，金融時間序列。由圖1和圖2可以看出，LS-SVM對上證180指數和香港恒生指數的預測，真實值與預測值的擬合程度較好，且變化趨勢與實際情況比較接近。論文格式，金融時間序列。表1反映出LS-SVM在預測過程中具有較高的預測精度，并且在學習時間上也有優勢，其中上證180指數的運行時間為0.211690s，香港恒生指數的運行時間為0.214235s，這在實際操作中具有非常重要的意義。
表1金融時間序列實驗結果
計量經濟學論文2400字(一)：金融數學專業計量經濟學與金融理論及實踐的結合論文
摘要：目前，在社會發展的過程中，教育水平的發展也有了前所未有的提高。金融大數據爆炸性發展要求金融學專業學生具備一定的金融數據分析與處理能力，計量經濟學作為培養學生數據處理與分析能力的核心課程，新的歷史時期應當承擔起培養學生金融大數據視野的責任。
關鍵詞：金融數學專業；計量經濟學；金融理論；實踐結合
引言
計量經濟學作為一門非常強調應用性的學科，是應用型本科院校的一門重要的課程，是應用型本科學生知識能力結構中不可缺少的組成部分。近年來的教育教學改革的探索注重實踐環境的強化，人們已越來越清醒地認識到，實踐教學是培養學生實踐能力和創新能力的重要環節，也是提高學生社會職業素養和就業競爭力的重要途徑。計量經濟學作為經濟學核心課程之一，在當前教育新常態下，產生了一些新的問題，因此應用型本科教育背景下的計量經濟學也應該被重新賦予新的屬性。
一、教學內容和教學方式的問題
（1）傳統計量經濟學教學強調回歸分析背后模型的假設及相關內容，但現代經驗研究強調因果關系。因此，當前計量經濟學教學過分強調對隨機擾動項分布、異方差及自相關的長篇討論，顯得不合時宜，而對國內外廣泛流行的新穎工具較少提及，其結果是學生對計量經濟學應用仍是一知半解。（2）由于現有課時安排等原因，教師教學過程中著重講授計量經濟學原理和方法，而輕視實際應用和數據處理能力的培養。例如，教學中主要講授參數估計和各種檢驗的理論和方法，對如何從經濟問題出發建立模型，如何應用模型分析實際的經濟問題討論得較少。（3）由于課堂教學注重理論知識的講授，不能分配更多的實驗課時，導致學生難以真正理解和運用計量經濟學理論知識，特別難以將理論知識靈活應用于金融數據建模與處理。（4）現有的計量經濟學課程缺乏將計量經濟學方法與金融數據相融合的缺陷。在課堂教學內容安排中，著重講述計量經濟學的基本原理和方法，而沒有將計量方法與金融大數據的獲取與加工處理結合起來進行講解。導致多數學生具備一定的計量經濟學基礎，但面對查找和處理金融數據時卻束手無策。（5）已有計量經濟學教學內容安排上，一般將經典的計量經濟學和現代時間序列方法安排在一個學期內完成。由于教學內容過多而教學課時有限，其結果是導致無法詳細講解金融時間序列部分，金融學專業學生對金融大數據處理及建模能力不強。
二、金融數學專業計量經濟學與金融理論及實踐的結合的優化措施
（一）突出案例教學
豐富多彩又符合專業特色的案例教學可以激發學生的學習興趣。案例教學一方面能夠使理論知識更加通俗易懂，另一方面案例教學重視師生互動，可以提高學生的興趣，為課程論文和畢業論文的寫作打下良好的基礎。計量經濟學教學案例的選取一定要突出目的性、代表性和趣味性等特點，應結合學生所學專業的差異，多搜集一些與該專業密切相關的經濟熱點問題和前沿問題，激發學生的學習積極性和主動性。
（二）金融數學專業計量經濟學與金融理論及實踐的結合
就金融數學專業學生而言，在為這些學生開展計量經濟學課程教學時，需要注重將金融理論和具體的金融實踐知識緊密結合起來，以此來引導他們正確使用計量經濟模型方法來研究金融相關實踐問題。金融市場相關實踐知識更傾向于股票投資和資金資本等的利用，不能僅僅依靠消費-收入這一知識以偏概全，這就要求計量經濟學老師在為金融數學專業學生開展課程教學時，需要拓展到相關金融領域，通過講解相關金融理論和具體的市場實踐數據來開展課程教學。
（三）“案例+微課”的教學模式改革
為了提高金融專業本科生金融大數據處理能力，改善教學效果，擬重點對《計量經濟學（Ⅱ）》的教學方法進行創新。為了改變以課堂為中心的單一教學方法“重在教，逼學生學”的缺陷，我們將使用“案例+微課”的教學模式?！鞍咐虒W”是計量經濟學一種非常有效的輔助教學模式（楊汭華，2005；黃佐钘，2008；張玲，2014）。與傳統的案例教學不同：（1）項目強調針對金融大數據開發相關案例，并以“微課”的形式將教學內容呈現給學生。“案例+微課”的教學模式的好處在于能激發學生對計量經濟學理論學習的興趣，更加生動和直觀地將金融大數據處理呈現給學生，引導學生自主學習。此外，“案例+微課”模式能對課堂教學形成有效補充，課堂上沒有解決的問題，學生可以在課外通過“案例+微課”進一步鞏固與提高課堂知識。（2）傳統計量經濟學經驗案例強調計量經濟學理論知識的應用，重點介紹數學與統計技術，而忽視其內在的經濟問題與變量間的內生關系。項目強調以真實的金融大數據為載體，在案例分析中，更加注重因果關系的討論，從而案例分析更加接近現實。因此，相比于傳統的案例分析，項目經驗分析更接近現代研究范式，故而具有更好的實用價值。
（四）完善考核體系
作為一門應用型的學科，考核方式也應該多樣化?？梢試L試采用課程論文的考核方式，課程論文一方面可以深化學生對課程內容的學習，另一方面也能加強學生的應用能力，提高學生的獨立思考能力和對知識的靈活運用能力。課程論文可以與學生的畢業設計結合，突出學生所在學科屬性，充分調動學生的積極性。同時不能將試卷考核的方式拋棄，例如可以將紙質試卷改為上機考試，增加操作題的比重。完善的考核方式會提高學生對計量經濟學課程的重視程度，強化計量經濟學的教學效果。
結語
總之，計量經濟學教學改革是高等教育供給側改革的一個縮影，只有明確清晰教學定位，有效提升高等教育供給體系的質量和效率，重點解決好高校人才培養能力、支撐引領國家創新發展能力的問題，才能提供更多有選擇的本科教育，建成更有競爭力的本科教育，開創更有特色的本科教育，發展更加公平的本科教育。
計量經濟學畢業論文范文模板(二)：基于計量經濟學的電力企業經濟效益與管理決策實證研究論文
摘要：在我國快速發展的過程中，我國的電力建設在不斷的完善，中國的現代化建設離不開電力的發展，同時國民經濟的發展也將推動電力工業的進步。處于新時代的電力企業需要具備超前的思維與意識，在外對國民經濟的發展具備清晰的預判，在內要做好企業內部的管理建設，針對未來長遠發展制定科學的規劃。要做好這幾點，就離不開對電力企業經濟效益、經營管理的分析以及數學建模工具的運用。本文選取2001-2017年中國的國內生產總值（GDP），全社會用電量數據以及典型電力企業華電國際年度報告數據，分析了華電國際的經濟效益與外部經濟環境以及企業經營管理之間的關系。首先從時間序列非平穩角度出發，利用協整理論并通過單位根檢驗以及協整關系檢驗對華電國際的經濟效益建立了長期均衡模型。再對模型進行短期誤差修正，在證明了模型有效性的基礎上，利用所建模型對提升華電國際的經濟效益進行實證分析預測。最后對以華電國際為代表的中國電力企業的發展提出相關建議。結果表明，對華電國際而言其供電成本、管理與財務及人力資源成本的完善對其經濟效益的影響將是一個長期過程，而其短期內經濟效益主要受國民經濟的發展水平以及全社會用電量需求的影響。該模型具有廣泛的適用性，可以為其他電力企業的經濟效益及其影響因素進行分析與預測，對企業未來的管理決策規劃提供參考。
關鍵詞：電力企業；經濟效益；管理決策
經濟研究的方法在于總結典型的經驗特征與收集數據，并在此基礎上建立相應的經濟理論或經濟模型。經濟研究的科學性在很大程度上取決于經濟理論或經濟模型的可驗證性，即能否通過數據實證檢驗相關的經濟理論與經濟模型來解釋事實，并預測未來的經濟變動趨勢以及提供科學的政策建議。計量經濟學和實驗經濟學則猶如硬幣的雙面，從不同的角度為經濟學的實證分析提供重要的方法論基礎。計量經濟學以實際經濟數據的建模與分析為主要研究對象。當實際數據不可得，或實際數據過于復雜而導致因果關系不易梳理時，實驗經濟學則有可能從另一個角度出發，通過可控的實驗數據代替實際數據，成為實證經濟分析的又一個有力工具。
一、協整理論概述
協整的概念是由恩格爾一格蘭杰（Engle-Granger）在1987年“協整與誤差修正，描述、估計與檢驗”中正式提出的，協整的基本思想認為，盡管兩個或兩個以上變量中的每一個都是非平穩的，但他們的線性組合可能會相互抵消趨勢項的影響，使該組合是平穩的。這一理論的提出為經濟時間序列分析樹立了新的里程碑，對經濟學和計量經濟學產生了革命性的影響。之所以協整理論會產生如此大的影響，是與一協整理論所具有的深厚的經濟學背景密不可分的。
二、基于計量經濟學的電力企業經濟效益與管理決策實證
（一）非均衡博弈論框架的建立和實驗驗證
策略性思考是博弈理論及其應用的基礎。納什均衡以及相關均衡的概念過去一直是描述策略性思考的核心內容，其定義為每個博弈參與者的策略都是在給定其他方策略下的最優反應。顯然這種均衡的定義內在要求每個博弈參與者在決策信念上達到均衡，即每個參與者對其他方的策略持有正確的信念。在過去的研究中，經濟學者通常假定均衡框架存在從而做出對參與者行為的預測。盡管在一些博弈場景下，基于均衡概念的行為預測是準確的，但在多數情況下實驗經濟學研究結果表明博弈參與者的行為會系統性地偏離基于均衡概念的行為預測。由于來自實驗經濟學數據對原有理論框架的挑戰，經濟學研究人員逐漸提出了基于非均衡概念的策略性思考理論框架并且運用實驗經濟學的方法收集數據來檢驗這些新理論。這些基于非均衡概念的策略性思考理論框架的核心在于繼續假定博弈參與者在決策時仍然有策略性思考的因素在里面，但放棄了均衡的概念以及嵌入在均衡概念里面的很強的理性假設。
（二）ECM誤差修正
通過Granger定理易知，具有協整關系的一系列變量會對應一個包含誤差修正的表達形式?？梢赃M一步通過誤差修正來研究華電國際經濟效益的短期行為。具體而言可根據由Hendry提出的一般到特殊的建模理論，逐步剔除從三階滯后變量及誤差修正項開始的不顯著量，從而得到最終的誤差修正模型：（見下面公式）式中：ECMt-1代表協整回歸厚的一階滯后誤差，括號內的數字代表不拒絕相應零假設的概率。從該方程式以及統計結果的數據可以發現，文中所進行的統計檢驗在置信水平上表現顯著。這一結果也證明了文中構建的誤差修正的具有良好的適用性。圖中給出了LY的實際數據與擬合結果以及殘差結果，從圖中可以看出，協整以及誤差修正之后的模型具有較為理想的結果。
（三）計量經濟學應用研究中的多重共線性問題
在計量經濟學模型方法常用的回歸分析中，當解釋變量之間存在多重共線性問題時，常會對模型估計的準確性帶來不利影響。因此，在應用計量經濟學方法建模的過程中，進行多重共線性檢驗以及消除多重共線性問題是很重要的環節。部分計量經濟學應用研究中存在對多重共線性問題處理不恰當的現象。某篇研究股權激勵對盈余管理影響的文章，以計量方法中的回歸分析為主要研究方法。作者在研究中單純依靠方差膨脹因子VIl的臨界值，來判斷出解釋變量之間存在多重共線性問題，便直接將模型中的其中一個變量刪掉。模型中是否應該包含某個解釋變量，應該以實際經濟理論分析為基礎，不能單純以是否存在多重共線性來判斷。
