高風險演算法

A. 如何衡量風險與收益

風險與收益是投資者繞不開的話題，因為投資無非就是對風險和收益進行平衡。至於風險和收益之間的關系，很多人只是用很粗鄙的話來解釋——風險越大，收益越大，這往往是一些人進行投資勸諫時經常引用的話，可是反過來說效果又不一樣——收益越大，風險越大，變成了一個勸人保守的說辭。那麼風險和收益到底什麼關系呢？

風險評價曲線
收益是由風險決定的，這一點是毋庸置疑的。因為在資本量一定的情況下，風險越高，自然需要給予的風險溢價越高，否則沒有人願意投資。按照證券資本線的理論：

必要收益=無風險利率+風險溢價*風險系數

需要注意的一點：市場根據的是平均加權風險來決定給定的收益，即市場各方對於某一投資標的風險判斷的加權平均，這里的權重由資金量來決定，資本越多的人，其對於標的的風險判斷占整體風險評價的權重越高。可是這種對於某種標的的風險判斷是在信息不完全的情況下作出的主觀判斷，每一個人都會有自己的看法，有可能是錯的。

當市場人數足夠多，交易足夠通暢的情況下，所有人對於某標的的風險水平判斷結果可以呈現一個正態分布的圖表:

市場給出的收益率會按照加權平均風險來給出，即Y0。但是問題在於，市場是處在不完全信息條件下，市場的真實風險可能會比平均風險高，也有可能比平均風險低。

風險與收益的非線性正比例關系
如果某個標的的風險被高估，那麼我們就能夠在相對低風險的條件下享受高收益。比方說，目前市場的真實風險在1 處，本應該得到的收益率是Y1<Y0,可是由於市場普遍平均風險高於真實風險1，我們就可以獲得超額收益。

如果某一個標的的風險被低估，那麼我們就應該盡力避免這種投資。比方說，目前市場的真實風險處在2處，本應該得到的收益率為Y3>Y0，在理財市場上表現的就是更高的收益率，可是由於市場普遍低估了真實風險2，我們如果投資，那麼就在高風險下獲得了低收益。

因此，風險與收益是呈現正比，但是這種正比絕對不是線性的，個人識別真實風險的能力決定了最後的投資收益。而個人識別風險的能力取決於其知識結構，對於標的物本身的了解以及宏觀的思維等。故價值投資的目的就是通過提高風險識別能力來尋找被市場高估風險的標的物。

另外一點，我們需要注意的是。人們對於不同標的的風險判斷是不同的，但是這種差異表現在圖表中就是，正態分布的胖瘦不同：

風險判斷曲線

如果市場對某個標的的風險判斷相對一致，那麼這條曲線就是藍色的那一條，更瘦，如果風險對某個標的的風險判斷不一致，那麼這條曲線就是紅色的那一條，更胖。這個風險判斷曲線的胖瘦決定了真實風險偏離平均加權風險的概率。

胖瘦風險判斷曲線

以上圖為例，如果真實風險1系數是0.9，真實風險2系數是1.1，平均風險系數為1。即真實風險1和真實風險2距離平均風險的距離是一致的。如果標的物1的風險判斷曲線是瘦的，風險判斷集中，標的物2的風險判斷曲線是胖的，風險分散。那麼，真實風險1靠近市場平均風險水平的概率跟高，即風險判斷曲線越瘦，出現偏離的可能性越小。

舉例來說，如果標的物是國債，那麼市場對於國債的判斷就會比較一致，風險偏離真實風險的可能性就會小，那麼購買國債很難通過識別風險來獲得超額收益。相反，如果標的物是股票，那麼市場對於某一隻具體股票的判斷就會差別比較大，風險偏離真實風險的可能性就會增加，那麼就相對容易通過識別真實風險來獲得超額收益。

風險評價曲線移動條件下的投機行為
由於現實的平均風險所依據的信息是不完備的，因此隨著信息的不斷增加和刪減，參與者的進入和退出，市場對於風險的判斷會出現不同，平均風險曲線的胖瘦以及平均風險的位置都會出現變動(如上圖)。投資者如果能夠預測到平均風險的變動方向，原本與真實風險一致的市場平均風險可能會向右移動，出現真實風險低於平均風險的情況。那麼就可以獲得超額收益，在熊市期間，由於恐慌情緒，很容易出現這種情況。而在牛市中，人們紛紛低估風險，曲線向左移動，因此給出較低的收益率，從而給出較高的估值，股票價格上漲。

平均風險曲線橫向移動

這種風險平均曲線的變動有很多原因，有資本的大肆宣傳引導，有基本面的情況變化等等，但在價值投資者眼中，這種依靠預測平均風險曲線移動方向和力度的操作方法叫做投機。

除了橫向運動以外，平均風險曲線還有可能上下移動，以下圖為例子，虛線為開始階段的形狀。可是隨著人們觀點的變化，可能會由於市場變得越來越清晰，人們的意見開始統一，那麼曲線會變瘦，也有可能市場變得越來越難以琢磨，曲線可能向上變化，曲線形狀會變胖。可是這與投資和風險有什麼關系呢？

平均風險曲線上下移動

如果曲線變瘦，而實際風險和平均風險都沒有變化，雖然認為風險水平介於真實風險和平均風險的人會增多，給出的溢價會增加，但是認為風險介於平均風險和對稱風險之間的人數同樣會增多，給出的溢價會縮小，綜合來看，不會影響到市場根據平均風險給出的收益。

那麼變瘦與變胖與投資者有什麼關系呢？如果曲線更瘦，那麼作為投資者就很容易獲得籌碼，自己的買入行為對於市場的改變力度會相對偏小，因為人們的觀點比較一致。極端假設一下，如果市場大部分高估了風險，而只有一個人認為風險被高估，那麼留給市場反映的時間就比較長，大家都願意把自己的籌碼給這個人。

相反，如果曲線更胖，那麼作為投資者就不太容易獲得籌碼，因為自己的買入行為會對整體的風險曲線產生影響。極端假設一下，如果市場大部分高估了風險，但是卻有100個人認為這個風險較低，那麼投資者的買入行為會引起其他99個人的注意。

我們前面提到了，平均風險的產生是靠加權平均的，而且加權的是資本，而不是投資者的數量。那麼投資者的買入行為就會使得平均風險向左移動，導致收益降低。在平均風險降低幅度一致的情況下，如果曲線更胖，那麼涉及到的人數就會少，曲線更胖，影響到的資金總量就會降低。以下圖為例，相同幅度的風險變動下，胖曲線的移動的空間佔比總空間的幅度明顯小於瘦曲線移動的空間佔比總空間的比例。換句話說，瘦曲線對風險的敏感度更高。

B. 如何用matlab實現決策樹多叉樹

決策樹是數學、計算機科學與管理學中經常使用的工具.
決策論中 (如風險管理),決策樹(Decision tree)由一個決策圖和可能的結果(包括資源成本和風險)組成,用來創建到達目標的規劃.決策樹建立並用來輔助決策,是一種特殊的樹結構.決策樹是一個利用像樹一樣的圖形或決策模型的決策支持工具,包括隨機事件結果,資源代價和實用性.它是一個演算法顯示的方法.決策樹經常在運籌學中使用,特別是在決策分析中,它幫助確定一個能最可能達到目標的策略.如果在實際中,決策不得不在沒有完備知識的情況下被在線採用,一個決策樹應該平行概率模型作為最佳的選擇模型或在線選擇模型演算法.決策樹的另一個使用是作為計算條件概率的描述性手段.
決策樹提供了一種展示類似在什麼條件下會得到什麼值這類規則的方法.比如,在貸款申請中,要對申請的風險大小做出判斷,圖是為了解決這個問題而建立的一棵決策樹,從中我們可以看到決策樹的基本組成部分：決策節點、分支和葉子.
決策樹中最上面的節點稱為根節點,是整個決策樹的開始.本例中根節點是「收入>￥40,000」,對此問題的不同回答產生了「是」和「否」兩個分支.
決策樹的每個節點子節點的個數與決策樹在用的演算法有關.如CART演算法得到的決策樹每個節點有兩個分支,這種樹稱為二叉樹.允許節點含有多於兩個子節點的樹稱為多叉樹.決策樹的內部節點（非樹葉節點）表示在一個屬性上的測試.
每個分支要麼是一個新的決策節點,要麼是樹的結尾,稱為葉子.在沿著決策樹從上到下遍歷的過程中,在每個節點都會遇到一個問題,對每個節點上問題的不同回答導致不同的分支,最後會到達一個葉子節點.這個過程就是利用決策樹進行分類的過程,利用幾個變數（每個變數對應一個問題）來判斷所屬的類別（最後每個葉子會對應一個類別）.
例如,
假如負責借貸的銀行官員利用上面這棵決策樹來決定支持哪些貸款和拒絕哪些貸款,那麼他就可以用貸款申請表來運行這棵決策樹,用決策樹來判斷風險的大小.「年收入>￥40,00」和「高負債」的用戶被認為是「高風險」,同時「收入5年」的申請,則被認為「低風險」而建議貸款給他/她.
數據挖掘中決策樹是一種經常要用到的技術,可以用於分析數據,同樣也可以用來作預測（就像上面的銀行官員用他來預測貸款風險）.常用的演算法有CHAID、 CART、ID3、C4.5、 Quest 和C5.0.
建立決策樹的過程,即樹的生長過程是不斷的把數據進行切分的過程,每次切分對應一個問題,也對應著一個節點.對每個切分都要求分成的組之間的「差異」最大.
對決策樹演算法的研究開發主要以國外為主,現有的涉及決策樹演算法的軟體有SEE5、Weka、spss等,在國內也有不少人開展了對決策樹演算法的構建及應用研究,如中國測繪科學研究院在原有C5.0演算法的基礎上進行了演算法重構,將其用於地表覆蓋遙感影像分類中.

C. 機器學習有哪些演算法

1. 線性回歸
在統計學和機器學習領域，線性回歸可能是最廣為人知也最易理解的演算法之一。
2. Logistic 回歸
Logistic 回歸是機器學習從統計學領域借鑒過來的另一種技術。它是二分類問題的首選方法。
3. 線性判別分析
Logistic 回歸是一種傳統的分類演算法，它的使用場景僅限於二分類問題。如果你有兩個以上的類，那麼線性判別分析演算法（LDA）是首選的線性分類技術。
4.分類和回歸樹
決策樹是一類重要的機器學習預測建模演算法。
5. 樸素貝葉斯
樸素貝葉斯是一種簡單而強大的預測建模演算法。
6. K 最近鄰演算法
K 最近鄰（KNN）演算法是非常簡單而有效的。KNN 的模型表示就是整個訓練數據集。
7. 學習向量量化
KNN 演算法的一個缺點是，你需要處理整個訓練數據集。
8. 支持向量機
支持向量機（SVM）可能是目前最流行、被討論地最多的機器學習演算法之一。
9. 袋裝法和隨機森林
隨機森林是最流行也最強大的機器學習演算法之一，它是一種集成機器學習演算法。

想要學習了解更多機器學習的知識，推薦CDA數據分析師課程。CDA（Certified Data Analyst），即「CDA 數據分析師」，是在數字經濟大背景和人工智慧時代趨勢下，面向全行業的專業權威國際資格認證，旨在提升全民數字技能，助力企業數字化轉型，推動行業數字化發展。點擊預約免費試聽課。

D. 淘寶上為什麼說我是高風險用戶

退款次數或者比例較高。這樣顧客就不會得到運費險。其實判定是系統根據演算法所得。不是准確的。

E. 在高風險的新生兒疾病范圍內，葯明奧測的診斷方案好不好

在和國家兒童醫學中心、復旦大學附屬兒科醫院的合作中，葯明奧測聚焦膽道閉鎖這種高風險的新生兒疾病。由於臨床症狀和黃疸等肝膽類疾病非常類似，過去膽道閉鎖診斷的准確性長期低於80%，存在大量的漏診和誤診。葯明奧測開發了基於整合演算法模型的創新診斷方案，並把診斷准確性提高到97%以上。同時，這一精準診斷突破性地實現只需要10μl的足底血便可完成採集。相比傳統金標準的手術確診，基於整合演算法模型的創新診斷方案極大地降低了診療費用並提高患者體驗感，具有極高的社會衛生經濟學意義。 望網路採納

F. 什麼是決策樹

決策樹是數學、計算機科學與管理學中經常使用的工具。

決策論中 (如風險管理)，決策樹(Decision tree)由一個決策圖和可能的結果(包括資源成本和風險)組成， 用來創建到達目標的規劃。決策樹建立並用來輔助決策，是一種特殊的樹結構。決策樹是一個利用像樹一樣的圖形或決策模型的決策支持工具，包括隨機事件結果，資源代價和實用性。它是一個演算法顯示的方法。決策樹經常在運籌學中使用，特別是在決策分析中，它幫助確定一個能最可能達到目標的策略。如果在實際中，決策不得不在沒有完備知識的情況下被在線採用，一個決策樹應該平行概率模型作為最佳的選擇模型或在線選擇模型演算法。決策樹的另一個使用是作為計算條件概率的描述性手段。

決策樹提供了一種展示類似在什麼條件下會得到什麼值這類規則的方法。比如，在貸款申請中，要對申請的風險大小做出判斷，圖是為了解決這個問題而建立的一棵決策樹，從中我們可以看到決策樹的基本組成部分：決策節點、分支和葉子。

決策樹中最上面的節點稱為根節點，是整個決策樹的開始。本例中根節點是「收入>￥40,000」，對此問題的不同回答產生了「是」和「否」兩個分支。

決策樹的每個節點子節點的個數與決策樹在用的演算法有關。如CART演算法得到的決策樹每個節點有兩個分支，這種樹稱為二叉樹。允許節點含有多於兩個子節點的樹稱為多叉樹。決策樹的內部節點（非樹葉節點）表示在一個屬性上的測試。

每個分支要麼是一個新的決策節點，要麼是樹的結尾，稱為葉子。在沿著決策樹從上到下遍歷的過程中，在每個節點都會遇到一個問題，對每個節點上問題的不同回答導致不同的分支，最後會到達一個葉子節點。這個過程就是利用決策樹進行分類的過程，利用幾個變數（每個變數對應一個問題）來判斷所屬的類別（最後每個葉子會對應一個類別）。

例如，
假如負責借貸的銀行官員利用上面這棵決策樹來決定支持哪些貸款和拒絕哪些貸款，那麼他就可以用貸款申請表來運行這棵決策樹，用決策樹來判斷風險的大小。「年收入>￥40,00」和「高負債」的用戶被認為是「高風險」，同時「收入5年」的申請，則被認為「低風險」而建議貸款給他/她。

數據挖掘中決策樹是一種經常要用到的技術，可以用於分析數據，同樣也可以用來作預測（就像上面的銀行官員用他來預測貸款風險）。常用的演算法有CHAID、 CART、ID3、C4.5、 Quest 和C5.0。

建立決策樹的過程，即樹的生長過程是不斷的把數據進行切分的過程，每次切分對應一個問題，也對應著一個節點。對每個切分都要求分成的組之間的「差異」最大。

對決策樹演算法的研究開發主要以國外為主， 現有的涉及決策樹演算法的軟體有SEE5、Weka、spss等，在國內也有不少人開展了對決策樹演算法的構建及應用研究，如中國測繪科學研究院在原有C5.0演算法的基礎上進行了演算法重構，將其用於地表覆蓋遙感影像分類中。

G. 貸款裡面的萬元基數如何計算

1、萬元基數（一般）由財務公司按每萬元貸款金額按等額本息法計算（一般默認為3年）。一萬元的基數335，就是通過利率來計算你的每月還款額。有興趣的可以通過excel的PMT公式計算一下。 2、335的1萬元基數，已經算是比較優惠的利率了。轉換後的年利率約為 12.74%。相應的月利率為1.06%。 3. 可以嘗試向銀行申請貸款。與經銷商提供的理財產品相比，銀行貸款利率較低，但門檻較高（對信用、學歷、收入等要求），手續麻煩，貸款時間較長。這取決於個人的權衡。

建議：如果近期有貸款計劃，使用信用卡需謹慎。最好在貸款前做好准備，以保持較低的信用卡債務水平。如果資金真的很緊，一定要用信用卡，又不想負債率居高不下，可以考慮做零賬單。也就是信用卡有消費，但是是在賬單前一天付款，所以出賬單後賬單為零；直接降低信用卡的使用率 。

H. AI系統是如何通過掃描視網膜識別出心臟病發作高風險患者的

人工智慧，縮寫為AI。它是研究和發展模擬、延伸和擴展人類智能的理論、方法、技術和應用系統的一門新技術科學。人工智慧是計算機科學的一個分支，它試圖理解智能的本質，並產生一種新的智能機器，能夠以類似於人類智能的方式做出反應。該領域的研究包括機器人學、語言識別、圖像識別、自然語言處理和專家系統等。不同領域的人對人工智慧的理解有不同的看法。

就是AI是一個能夠按照思維的邏輯規律來思考的程序。這種思潮最本質的問題是，到目前為止，人類對大腦如何實現學習、記憶、歸納、推理等思維過程的機制還缺乏了解。況且我們也不知道在什麼層面(大腦各功能區之間相互作用的層面？細胞交換化學物質和電信號的水平？還是分子和原子運動的水平？只有真正模擬人腦的運作，才能創造出可以媲美人類智慧的智能機器。

I. 密鑰演算法

您的查詢字詞都已標明如下：公鑰加密 (點擊查詢詞，可以跳到它在文中首次出現的位置)
(網路和網頁http://www.gnupg.org/(en)/howtos/ch/GPGMiniHowto-1.html的作者無關，不對其內容負責。網路快照謹為網路故障時之索引，不代表被搜索網站的即時頁面。)

--------------------------------------------------------------------------------
下頁 上頁 目錄
--------------------------------------------------------------------------------

1. 概念

1.1 公鑰加密

加密的傳統方法只用一把密鑰加密。發出訊息者用這把鑰匙對訊息加密。接收訊息者需要有完全相同的鑰匙才能將加密了的訊息解密。這把鑰匙必須以一種其他人沒有機會得到它的方式給予接收訊息者。如果其他人得到了這把鑰匙，這種加密方式就沒用了。

使用一種稱為"公開鑰匙"的方法可以解決這個問題。公開鑰匙的概念涉及兩把鑰匙。一把鑰匙稱為"公開鑰匙"（公鑰），可以以所有方式傳遞，任何人都可以得到。另一把鑰匙稱為"隱密鑰匙"（密鑰）。這把鑰匙是秘密的，不能傳遞出去。只有它的擁有者才能接觸和使用它。如果正確實施了這種方法，從公鑰不能得出密鑰。發出訊息者以接收訊息者的公鑰將訊息加密，接收者則以自己的密鑰解密。

這個概念的關鍵之處在於密鑰必須保持秘密，不能隨便給出或讓任何除了密鑰擁有者之外的人得到。請千萬不要將你的密鑰通過Internet寄出！另外，通過telnet使用GnuPG是非常不明智的（基於使用telnet的高風險，你可以考慮絕不使用telnet）。

1.2 數字簽名

為證明一則訊息確實是宣稱發出訊息的人所發，發明了數字簽名的概念。正如其名稱顯示，發出訊息者數字化地在訊息上簽名。別人可以通過這個簽名檢驗這個訊息的真實性。使用這種方法，可以減少中"特洛伊木馬計"的風險（即一則訊息宣稱是對某個問題的補丁，實際卻包含病毒或亂動你計算機上的數據），同時信息或數據可以被確認是來自正當合法的來源，而被認為屬實。

一個數字簽名是通過密鑰和訊息本身而得來。訊息可以通過發出訊息者的公鑰來驗證。這樣，不僅可以驗證訊息是正確的發出訊息者所發，而且內容也得到驗證。這樣，得到訊息者可以確認：訊息來自該發出訊息者，而且在傳遞過程中其內容沒有改變。

1.3 信任網

公開鑰匙演算法的一個弱點在於如何傳播公開鑰匙。有可能有用戶傳遞一把有虛假身份的公開鑰匙。如果別人不知就裡，用這把公鑰加密訊息，持有該虛假鑰匙的侵入者就可以解密而讀到訊息。如果侵入者再將解密的訊息以真正的公開鑰匙加密，然後傳送出去，這種進攻無法被發現。

對此問題，PGP的解決方法（因此也自動是GnuPG的解決方法）是對公開鑰匙簽名。每把公開鑰匙都有一個相應的用戶身份。一個人的公開鑰匙可以由別人來簽名。這些簽名承認這把鑰匙確實屬於它所宣稱的用戶。至於有多信任這些簽名，完全取決於GnuPG用戶。當你信任給這把鑰匙簽名的人時，你認為這把鑰匙是可信的，並確信這把鑰匙確實屬於擁有相應用戶身份的人。只有當你信任簽名者的公開鑰匙時，你才能信任這個簽名。要想絕對確信一把鑰匙是正確和真實的，你就得在給予絕對信任之前，通過可靠渠道比較鑰匙的"指紋"。

1.4 安全邊界

如果你有數據想要保密，你所需做的遠不止選擇加密演算法這一件事。你應該統籌考慮你的系統安全。一般我們認為PGP是安全的。在作者寫本文時，尚未聽說任何PGP被破譯的事例。但這並不表示所有用PGP加密的訊息都是安全的（舉例說，如果NSA--美國國家安全局破解了PGP，它絕不會通知我。別的為真正邪惡目的破譯密碼的人也不會）。反過來說，即使PGP是完全"無法破譯"的，也可以用別的方法來損害安全。今年二月初，發現了一種"特洛伊木馬"，它尋找硬碟上的密鑰，然後將其FTP出去。如果密碼選得不好，這些被盜的密鑰可以被輕易破解。

另一種可能的技術（雖然更難做到）是使用一種"特洛伊木馬"程序，它可以傳出用戶所敲的鍵。也可以（但非常困難）傳出屏幕顯示的內容。使用這些技術，就根本不需要破譯加密的訊息了。針對以上這些危險，需要制定一個好的，深思熟慮的安全計劃並付諸實施。

提到上述這些，目的並非想讓人們懷疑一切，而是想指出需要採取很多措施才能達到更安全。最重要的是意識到加密只是安全的一個步驟，而不是全部的解決方案。正如在一九九九年三月Melissa病毒事件中所顯示，許多公司並未准備好應付這類特洛伊木馬式病毒。

J. 運費險高風險用戶在哪裡看

通過您的退貨退款率看判斷查看的。
目前買家版運費險中影響定價風險率的因素包括買家退貨率、商品類目、賬戶風險、賣家退貨率等。保費的定價納入了多重考慮因素後，帶給消費者最直接的體驗就是，信用越高的消費者在運費險中獲得的收益越多。
如果通過不同維度演算法認定某個消費者是潛在高風險用戶時，系統會暫停該用戶的運費險服務，許多愛網購的愛好購物者也因此被劃入了運費險黑名單。