第十六講決策支持與人工智能：企業(yè)的智囊商務(wù)智能分析方法統(tǒng)計(jì)分析數(shù)據(jù)挖掘人工智能統(tǒng)計(jì)分析研究如何測定、收集、整理、歸納和分析反映客觀現(xiàn)象總體數(shù)量的數(shù)據(jù)，以便給出正確認(rèn)識?？蛻舻钠骄挲g？平均收入水平？銷售額？銷售額是否與銷售員的年齡、廣告的強(qiáng)度等有密切關(guān)系？如果有關(guān)系，它們之間是什么關(guān)系？關(guān)系強(qiáng)度如何？數(shù)據(jù)挖掘：多功能分析從數(shù)據(jù)庫的大量數(shù)據(jù)中揭示出隱含的、先前未知的并有潛在價(jià)值的信息的非平凡過程。知識形成過程數(shù)據(jù)信息知識商務(wù)智能行為案例：零售店的尿布與啤酒購物籃分析：零售店的尿布與啤酒經(jīng)常一起被銷售知識：啤酒和尿布擺放在一起零售店：周五晚上尿布銷量在一周尿布銷量總量中占很大比例知識：促銷尿布？商務(wù)智能：誰買？為什么買？互補(bǔ)品？知識：周五晚上在尿布附近促銷啤酒！??！數(shù)據(jù)挖掘分類關(guān)聯(lián)分析：決定哪些事情將一起發(fā)生分類：如信用卡申請者，分類為低、中、高風(fēng)險(xiǎn)；客戶流失風(fēng)險(xiǎn)分析聚類：對記錄分組，把相似的記錄在一個(gè)聚集里?？蛻艏?xì)分，哪一種類的促銷對客戶響應(yīng)最好？分類舉例：決策樹分類舉例：決策樹分類舉例：決策樹聚類假設(shè)某銀行擁有以下數(shù)據(jù)：1．客戶號；

2．儲蓄賬戶余額；

3．活期賬戶余額；

4．投資賬戶余額；

5．日均交易次數(shù)；

6．信用卡支付模式；

7．是否有抵押貸款；

8．是否有賒賬額度；9．客戶年齡；

10．客戶性別；

11．客戶婚姻狀況；

12．客戶家庭情況（孩子數(shù)）；

13．客戶年收入；

14．客戶是否擁有一輛以上小汽車；

15．客戶流失狀態(tài)。

K-means聚類算法

人工智能：智能計(jì)算人工神經(jīng)網(wǎng)絡(luò)遺傳算法模擬退火算法模糊數(shù)學(xué)等等智能計(jì)算也稱“軟計(jì)算”，是們受自然（生物界）規(guī)律的啟迪，根據(jù)其原理，模仿求解問題的算法。從自然界得到啟迪，模仿其結(jié)構(gòu)進(jìn)行發(fā)明創(chuàng)造，這就是仿生學(xué)。這是我們向自然界學(xué)習(xí)的一個(gè)方面。另一方面，還可以利用仿生原理進(jìn)行設(shè)計(jì)(包括設(shè)計(jì)算法)，這就是智能計(jì)算的思想。如人工神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法、模擬退火算法等。人工神經(jīng)網(wǎng)絡(luò)指模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能，運(yùn)用大量的處理部件，由人工方式構(gòu)造的網(wǎng)絡(luò)系統(tǒng)突破了傳統(tǒng)的、線性處理的數(shù)字電子計(jì)算機(jī)的局限，是一個(gè)非線形動(dòng)力學(xué)系統(tǒng)，并以分布式存儲和并行協(xié)同處理為特色單個(gè)神經(jīng)元的結(jié)構(gòu)和功能極其簡單有限，但是大量的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)系統(tǒng)所實(shí)現(xiàn)的行為卻是極其豐富多彩的人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元隱藏單元輸入輸出人工神經(jīng)網(wǎng)絡(luò)隱藏層輸出層輸入層隱藏單元輸入隱藏輸出?10+?11A+

?12B+?13C?1+

?2AGE+

?3INCCOMBINATIONACTIVATIONtanh(?1+

?2AGE+

?3INC) =A?4+

?5AGE+

?6INCtanh(?4+

?5AGE+

?6INC) =B?7+

?8AGE+

?9INCtanh(?7+

?8AGE+

?9INC) =CCOMBINATIONCOMBINATIONACTIVATIONCOMBINATIONACTIVATION年齡收入人工神經(jīng)網(wǎng)絡(luò)規(guī)則：兩個(gè)以上輸入為1時(shí)，則輸出為1人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)即調(diào)整神經(jīng)元的權(quán)重人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用神經(jīng)網(wǎng)絡(luò)的應(yīng)用案例：銀行信用卡持有者的年齡、收入和職業(yè)信用卡顯示的大額購買額度大額購買次數(shù)大額購買交易地點(diǎn)良好的交易可能是欺詐性交易輸入層隱藏層輸出層遺傳算法（GeneticAlgorithm：GA）

遺傳算法是一類通過模擬生物界自然選擇和自然遺傳機(jī)制的隨機(jī)化搜索算法，由美國J.Holand教授于1975年首次提出。它是利用某種編碼技術(shù)作用于稱為染色體的二進(jìn)制數(shù)串，其基本思想是模擬由這些串組成的種群的進(jìn)化過程，通過有組織地然而是隨機(jī)地信息交換來重新組合那些適應(yīng)性好的串遺傳算法對求解問題的本身一無所知，它所需要的僅是對算法所產(chǎn)生的每個(gè)染色體進(jìn)行評價(jià)，并根據(jù)適應(yīng)性來選擇染色體，使適應(yīng)性好的染色體比適應(yīng)性差的染色體有更多的繁殖機(jī)會。遺傳操作采用整數(shù)的二進(jìn)制編碼x={10111}表示了16+4+2+1=23初始化種群計(jì)算適應(yīng)度選擇交叉變異停止條件最優(yōu)個(gè)體是否遺傳算法流程圖優(yōu)點(diǎn)：解決非線性最優(yōu)化問題可以簡化復(fù)雜的目標(biāo)函數(shù)以及制約條件最優(yōu)化過程相對簡單

缺點(diǎn)：不能很清楚地表示對那些部分進(jìn)行了遺傳運(yùn)算不能對數(shù)據(jù)進(jìn)行可視化解釋TSP問題位置編號X坐標(biāo)Y坐標(biāo)116.4796.1216.4794.44320.0992.54422.3993.37525.2397.2462296.05720.4797.02817.296.29916.397.381014.0598.121116.5397.381221.5295.591319.4197.131420.0992.55TSP問題隨機(jī)路線為：4—>5—>10—>11—>13—>14—>1—>8—>12—>7—>6—>3—>2—>9—>411—>7—>10—>4—>12—>9—>14—>8—>13—>5—>2—>3—>6—>1—>118—>7—>9—>12—>2—>5—>1—>4—>11—>14—>6—>3—>13—>10—>8…………總距離：71.1144TSP問題最優(yōu)解路線:5—>4—>3—>14—>2—>1—>10—>9—>11—>8—>13—>7—>12—>6—>5總距離：29.3405大數(shù)據(jù)或稱巨量資料，指的是所涉及的資料量規(guī)模巨大到無法透過目前主流軟件工具，在合理時(shí)間內(nèi)達(dá)到擷取、管理、處理、并整理成為幫助企業(yè)經(jīng)營決策更積極目的的資訊。大數(shù)據(jù)更準(zhǔn)確的應(yīng)該叫“大數(shù)據(jù)挖掘”大數(shù)據(jù)-資料一天之中，互聯(lián)網(wǎng)產(chǎn)生的全部內(nèi)容可以刻滿1.68億張DVD；發(fā)出的郵件有2940億封之多（相當(dāng)于美國兩年的紙質(zhì)信件數(shù)量）；發(fā)出的社區(qū)帖子達(dá)200萬個(gè)（相當(dāng)于《時(shí)代》雜志770年的文字量）；賣出的手機(jī)為37.8萬臺，高于全球每天出生的嬰兒數(shù)量37.1萬……截止到2023年，數(shù)據(jù)量已經(jīng)從TB（1024GB=1TB）級別躍升到PB（1024TB=1PB）、EB（1024PB=1EB）乃至ZB(1024EB=1ZB)級別。國際數(shù)據(jù)公司（IDC）的研究結(jié)果表明，2023年全球產(chǎn)生的數(shù)據(jù)量為0.49ZB，2023年的數(shù)據(jù)量為0.8ZB，2023年增長為1.2ZB，2023年的數(shù)量更是高達(dá)1.82ZB，相當(dāng)于全球每人產(chǎn)生200GB以上的數(shù)據(jù)。而到2023年為止，人類生產(chǎn)的所有印刷材料的數(shù)據(jù)量是200PB，全人類歷史上說過的所有話的數(shù)據(jù)量大約是5EB。IBM的研究稱，整個(gè)人類文明所獲得的全部數(shù)據(jù)中，有90%是過去兩年內(nèi)產(chǎn)生的。而到了2023年，全世界所產(chǎn)生的數(shù)據(jù)規(guī)模將達(dá)到今天的44倍。大數(shù)據(jù)-案例你開心他就買，你焦慮他就拋華爾街“德溫特資本市場”公司首席執(zhí)行官保羅·霍廷每天的工作之一，就是利用電腦程序分析全球3.4億微博賬戶的留言，進(jìn)而判斷民眾情緒，再以“1”到“50”進(jìn)行打分。根據(jù)打分結(jié)果，霍廷再?zèng)Q定如何處理手中數(shù)以百萬美元計(jì)的股票?；敉⒌呐袛嘣瓌t很簡單：如果所有人似乎都高興，那就買入；如果大家的焦慮情緒上升，那就拋售。這一招收效顯著——今年第一季度，霍廷的公司獲得了7%的收益率。第十四章關(guān)于風(fēng)險(xiǎn)概念的進(jìn)一步討論

本章我們將指出上述風(fēng)險(xiǎn)的定義中的問題，提出風(fēng)險(xiǎn)的各種不同的定義方法，研究投資者對待風(fēng)險(xiǎn)的態(tài)度，進(jìn)一步討論回報(bào)率與風(fēng)險(xiǎn)的關(guān)系。這些討論，對于把握難以捉摸的風(fēng)險(xiǎn)概念是至關(guān)重要的。齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社第一節(jié)風(fēng)險(xiǎn)定義的問題一、“E－σ”分析失效的情形二、風(fēng)險(xiǎn)的其他定義齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社一、“E－σ”分析失效的情形傳統(tǒng)的投資組合分析中，每一備選方案都用兩個(gè)數(shù)據(jù)來衡量：回報(bào)率的期望值E和回報(bào)率的均方差σ，并且假定投資者都偏好于大的期望回報(bào)率和小的均方差。

每個(gè)投資者都偏好于大的回報(bào)率期望值是一種理性的選擇假設(shè)，任何情況下都不會發(fā)生懷疑。齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社一、“E－σ”分析失效的情形（續(xù)）但是說投資者都是避免風(fēng)險(xiǎn)的，卻值得懷疑。如果風(fēng)險(xiǎn)是指日常用語是指壞事而非好事，這倒也沒錯(cuò)。但事實(shí)上用均方差定義風(fēng)險(xiǎn)，它表示回報(bào)率與期望值偏差的平方的期望值的方根，因此只是表明回報(bào)率的離散程度，而這種偏離可正可負(fù)。若是正偏離，即回報(bào)離高于其期望值，并不是壞事而是好事。只有負(fù)偏離，即回報(bào)率低于其期望值才是不好的事。在這種風(fēng)險(xiǎn)定義下，無法證明投資者都是避免風(fēng)險(xiǎn)的這一假設(shè)的完全正確性。齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社二、風(fēng)險(xiǎn)的其他定義1.概率分布函數(shù)。2．VaR。3．半方差。4．負(fù)偏差均值。5．分布跨度。齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社1.概率分布函數(shù)。如果把風(fēng)險(xiǎn)理解為隨機(jī)性，我們認(rèn)為證券回報(bào)率的概率分布函數(shù)是對證券風(fēng)險(xiǎn)完全合理的描述?？梢酝ㄟ^其分布函數(shù)的大小關(guān)系，定義諸方案的優(yōu)劣。分布函數(shù)包含的信息數(shù)量大，是對隨機(jī)性的全面描述。但分布函數(shù)不是一個(gè)數(shù)值，這就使得不同方案比較起來十分困難，不容易分出優(yōu)劣齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社2．VaR。VaR（ValueatRisk）譯為風(fēng)險(xiǎn)的價(jià)值，其定義為分布函數(shù)的逆函數(shù)。它與分布函數(shù)實(shí)質(zhì)上是一碼事。這種風(fēng)險(xiǎn)的度量方法才興起只有幾年的時(shí)間，大多為銀行機(jī)構(gòu)所采用。齊寅峰公司財(cái)務(wù)學(xué)經(jīng)濟(jì)科學(xué)出版社3．半方差。可以把回報(bào)率的半方差，或均半方差定義為該證券的風(fēng)險(xiǎn)，半方差的定義為：半方差表示負(fù)偏離平方的平均值。這一定義，與日常用語中的風(fēng)險(xiǎn)概述接