高风险算法

A. 如何衡量风险与收益

风险与收益是投资者绕不开的话题，因为投资无非就是对风险和收益进行平衡。至于风险和收益之间的关系，很多人只是用很粗鄙的话来解释——风险越大，收益越大，这往往是一些人进行投资劝谏时经常引用的话，可是反过来说效果又不一样——收益越大，风险越大，变成了一个劝人保守的说辞。那么风险和收益到底什么关系呢？

风险评价曲线
收益是由风险决定的，这一点是毋庸置疑的。因为在资本量一定的情况下，风险越高，自然需要给予的风险溢价越高，否则没有人愿意投资。按照证券资本线的理论：

必要收益=无风险利率+风险溢价*风险系数

需要注意的一点：市场根据的是平均加权风险来决定给定的收益，即市场各方对于某一投资标的风险判断的加权平均，这里的权重由资金量来决定，资本越多的人，其对于标的的风险判断占整体风险评价的权重越高。可是这种对于某种标的的风险判断是在信息不完全的情况下作出的主观判断，每一个人都会有自己的看法，有可能是错的。

当市场人数足够多，交易足够通畅的情况下，所有人对于某标的的风险水平判断结果可以呈现一个正态分布的图表:

市场给出的收益率会按照加权平均风险来给出，即Y0。但是问题在于，市场是处在不完全信息条件下，市场的真实风险可能会比平均风险高，也有可能比平均风险低。

风险与收益的非线性正比例关系
如果某个标的的风险被高估，那么我们就能够在相对低风险的条件下享受高收益。比方说，目前市场的真实风险在1 处，本应该得到的收益率是Y1<Y0,可是由于市场普遍平均风险高于真实风险1，我们就可以获得超额收益。

如果某一个标的的风险被低估，那么我们就应该尽力避免这种投资。比方说，目前市场的真实风险处在2处，本应该得到的收益率为Y3>Y0，在理财市场上表现的就是更高的收益率，可是由于市场普遍低估了真实风险2，我们如果投资，那么就在高风险下获得了低收益。

因此，风险与收益是呈现正比，但是这种正比绝对不是线性的，个人识别真实风险的能力决定了最后的投资收益。而个人识别风险的能力取决于其知识结构，对于标的物本身的了解以及宏观的思维等。故价值投资的目的就是通过提高风险识别能力来寻找被市场高估风险的标的物。

另外一点，我们需要注意的是。人们对于不同标的的风险判断是不同的，但是这种差异表现在图表中就是，正态分布的胖瘦不同：

风险判断曲线

如果市场对某个标的的风险判断相对一致，那么这条曲线就是蓝色的那一条，更瘦，如果风险对某个标的的风险判断不一致，那么这条曲线就是红色的那一条，更胖。这个风险判断曲线的胖瘦决定了真实风险偏离平均加权风险的概率。

胖瘦风险判断曲线

以上图为例，如果真实风险1系数是0.9，真实风险2系数是1.1，平均风险系数为1。即真实风险1和真实风险2距离平均风险的距离是一致的。如果标的物1的风险判断曲线是瘦的，风险判断集中，标的物2的风险判断曲线是胖的，风险分散。那么，真实风险1靠近市场平均风险水平的概率跟高，即风险判断曲线越瘦，出现偏离的可能性越小。

举例来说，如果标的物是国债，那么市场对于国债的判断就会比较一致，风险偏离真实风险的可能性就会小，那么购买国债很难通过识别风险来获得超额收益。相反，如果标的物是股票，那么市场对于某一只具体股票的判断就会差别比较大，风险偏离真实风险的可能性就会增加，那么就相对容易通过识别真实风险来获得超额收益。

风险评价曲线移动条件下的投机行为
由于现实的平均风险所依据的信息是不完备的，因此随着信息的不断增加和删减，参与者的进入和退出，市场对于风险的判断会出现不同，平均风险曲线的胖瘦以及平均风险的位置都会出现变动(如上图)。投资者如果能够预测到平均风险的变动方向，原本与真实风险一致的市场平均风险可能会向右移动，出现真实风险低于平均风险的情况。那么就可以获得超额收益，在熊市期间，由于恐慌情绪，很容易出现这种情况。而在牛市中，人们纷纷低估风险，曲线向左移动，因此给出较低的收益率，从而给出较高的估值，股票价格上涨。

平均风险曲线横向移动

这种风险平均曲线的变动有很多原因，有资本的大肆宣传引导，有基本面的情况变化等等，但在价值投资者眼中，这种依靠预测平均风险曲线移动方向和力度的操作方法叫做投机。

除了横向运动以外，平均风险曲线还有可能上下移动，以下图为例子，虚线为开始阶段的形状。可是随着人们观点的变化，可能会由于市场变得越来越清晰，人们的意见开始统一，那么曲线会变瘦，也有可能市场变得越来越难以琢磨，曲线可能向上变化，曲线形状会变胖。可是这与投资和风险有什么关系呢？

平均风险曲线上下移动

如果曲线变瘦，而实际风险和平均风险都没有变化，虽然认为风险水平介于真实风险和平均风险的人会增多，给出的溢价会增加，但是认为风险介于平均风险和对称风险之间的人数同样会增多，给出的溢价会缩小，综合来看，不会影响到市场根据平均风险给出的收益。

那么变瘦与变胖与投资者有什么关系呢？如果曲线更瘦，那么作为投资者就很容易获得筹码，自己的买入行为对于市场的改变力度会相对偏小，因为人们的观点比较一致。极端假设一下，如果市场大部分高估了风险，而只有一个人认为风险被高估，那么留给市场反映的时间就比较长，大家都愿意把自己的筹码给这个人。

相反，如果曲线更胖，那么作为投资者就不太容易获得筹码，因为自己的买入行为会对整体的风险曲线产生影响。极端假设一下，如果市场大部分高估了风险，但是却有100个人认为这个风险较低，那么投资者的买入行为会引起其他99个人的注意。

我们前面提到了，平均风险的产生是靠加权平均的，而且加权的是资本，而不是投资者的数量。那么投资者的买入行为就会使得平均风险向左移动，导致收益降低。在平均风险降低幅度一致的情况下，如果曲线更胖，那么涉及到的人数就会少，曲线更胖，影响到的资金总量就会降低。以下图为例，相同幅度的风险变动下，胖曲线的移动的空间占比总空间的幅度明显小于瘦曲线移动的空间占比总空间的比例。换句话说，瘦曲线对风险的敏感度更高。

B. 如何用matlab实现决策树多叉树

决策树是数学、计算机科学与管理学中经常使用的工具.
决策论中 (如风险管理),决策树(Decision tree)由一个决策图和可能的结果(包括资源成本和风险)组成,用来创建到达目标的规划.决策树建立并用来辅助决策,是一种特殊的树结构.决策树是一个利用像树一样的图形或决策模型的决策支持工具,包括随机事件结果,资源代价和实用性.它是一个算法显示的方法.决策树经常在运筹学中使用,特别是在决策分析中,它帮助确定一个能最可能达到目标的策略.如果在实际中,决策不得不在没有完备知识的情况下被在线采用,一个决策树应该平行概率模型作为最佳的选择模型或在线选择模型算法.决策树的另一个使用是作为计算条件概率的描述性手段.
决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法.比如,在贷款申请中,要对申请的风险大小做出判断,图是为了解决这个问题而建立的一棵决策树,从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子.
决策树中最上面的节点称为根节点,是整个决策树的开始.本例中根节点是“收入>￥40,000”,对此问题的不同回答产生了“是”和“否”两个分支.
决策树的每个节点子节点的个数与决策树在用的算法有关.如CART算法得到的决策树每个节点有两个分支,这种树称为二叉树.允许节点含有多于两个子节点的树称为多叉树.决策树的内部节点（非树叶节点）表示在一个属性上的测试.
每个分支要么是一个新的决策节点,要么是树的结尾,称为叶子.在沿着决策树从上到下遍历的过程中,在每个节点都会遇到一个问题,对每个节点上问题的不同回答导致不同的分支,最后会到达一个叶子节点.这个过程就是利用决策树进行分类的过程,利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）.
例如,
假如负责借贷的银行官员利用上面这棵决策树来决定支持哪些贷款和拒绝哪些贷款,那么他就可以用贷款申请表来运行这棵决策树,用决策树来判断风险的大小.“年收入>￥40,00”和“高负债”的用户被认为是“高风险”,同时“收入5年”的申请,则被认为“低风险”而建议贷款给他/她.
数据挖掘中决策树是一种经常要用到的技术,可以用于分析数据,同样也可以用来作预测（就像上面的银行官员用他来预测贷款风险）.常用的算法有CHAID、 CART、ID3、C4.5、 Quest 和C5.0.
建立决策树的过程,即树的生长过程是不断的把数据进行切分的过程,每次切分对应一个问题,也对应着一个节点.对每个切分都要求分成的组之间的“差异”最大.
对决策树算法的研究开发主要以国外为主,现有的涉及决策树算法的软件有SEE5、Weka、spss等,在国内也有不少人开展了对决策树算法的构建及应用研究,如中国测绘科学研究院在原有C5.0算法的基础上进行了算法重构,将其用于地表覆盖遥感影像分类中.

C. 机器学习有哪些算法

1. 线性回归
在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。
2. Logistic 回归
Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。
3. 线性判别分析
Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。如果你有两个以上的类，那么线性判别分析算法（LDA）是首选的线性分类技术。
4.分类和回归树
决策树是一类重要的机器学习预测建模算法。
5. 朴素贝叶斯
朴素贝叶斯是一种简单而强大的预测建模算法。
6. K 最近邻算法
K 最近邻（KNN）算法是非常简单而有效的。KNN 的模型表示就是整个训练数据集。
7. 学习向量量化
KNN 算法的一个缺点是，你需要处理整个训练数据集。
8. 支持向量机
支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。
9. 袋装法和随机森林
随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。

想要学习了解更多机器学习的知识，推荐CDA数据分析师课程。CDA（Certified Data Analyst），即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证，旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。点击预约免费试听课。

D. 淘宝上为什么说我是高风险用户

退款次数或者比例较高。这样顾客就不会得到运费险。其实判定是系统根据算法所得。不是准确的。

E. 在高风险的新生儿疾病范围内，药明奥测的诊断方案好不好

在和国家儿童医学中心、复旦大学附属儿科医院的合作中，药明奥测聚焦胆道闭锁这种高风险的新生儿疾病。由于临床症状和黄疸等肝胆类疾病非常类似，过去胆道闭锁诊断的准确性长期低于80%，存在大量的漏诊和误诊。药明奥测开发了基于整合算法模型的创新诊断方案，并把诊断准确性提高到97%以上。同时，这一精准诊断突破性地实现只需要10μl的足底血便可完成采集。相比传统金标准的手术确诊，基于整合算法模型的创新诊断方案极大地降低了诊疗费用并提高患者体验感，具有极高的社会卫生经济学意义。 望网络采纳

F. 什么是决策树

决策树是数学、计算机科学与管理学中经常使用的工具。

决策论中 (如风险管理)，决策树(Decision tree)由一个决策图和可能的结果(包括资源成本和风险)组成， 用来创建到达目标的规划。决策树建立并用来辅助决策，是一种特殊的树结构。决策树是一个利用像树一样的图形或决策模型的决策支持工具，包括随机事件结果，资源代价和实用性。它是一个算法显示的方法。决策树经常在运筹学中使用，特别是在决策分析中，它帮助确定一个能最可能达到目标的策略。如果在实际中，决策不得不在没有完备知识的情况下被在线采用，一个决策树应该平行概率模型作为最佳的选择模型或在线选择模型算法。决策树的另一个使用是作为计算条件概率的描述性手段。

决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。

决策树中最上面的节点称为根节点，是整个决策树的开始。本例中根节点是“收入>￥40,000”，对此问题的不同回答产生了“是”和“否”两个分支。

决策树的每个节点子节点的个数与决策树在用的算法有关。如CART算法得到的决策树每个节点有两个分支，这种树称为二叉树。允许节点含有多于两个子节点的树称为多叉树。决策树的内部节点（非树叶节点）表示在一个属性上的测试。

每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）。

例如，
假如负责借贷的银行官员利用上面这棵决策树来决定支持哪些贷款和拒绝哪些贷款，那么他就可以用贷款申请表来运行这棵决策树，用决策树来判断风险的大小。“年收入>￥40,00”和“高负债”的用户被认为是“高风险”，同时“收入5年”的申请，则被认为“低风险”而建议贷款给他/她。

数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测（就像上面的银行官员用他来预测贷款风险）。常用的算法有CHAID、 CART、ID3、C4.5、 Quest 和C5.0。

建立决策树的过程，即树的生长过程是不断的把数据进行切分的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。

对决策树算法的研究开发主要以国外为主， 现有的涉及决策树算法的软件有SEE5、Weka、spss等，在国内也有不少人开展了对决策树算法的构建及应用研究，如中国测绘科学研究院在原有C5.0算法的基础上进行了算法重构，将其用于地表覆盖遥感影像分类中。

G. 贷款里面的万元基数如何计算

1、万元基数（一般）由财务公司按每万元贷款金额按等额本息法计算（一般默认为3年）。一万元的基数335，就是通过利率来计算你的每月还款额。有兴趣的可以通过excel的PMT公式计算一下。 2、335的1万元基数，已经算是比较优惠的利率了。转换后的年利率约为 12.74%。相应的月利率为1.06%。 3. 可以尝试向银行申请贷款。与经销商提供的理财产品相比，银行贷款利率较低，但门槛较高（对信用、学历、收入等要求），手续麻烦，贷款时间较长。这取决于个人的权衡。

建议：如果近期有贷款计划，使用信用卡需谨慎。最好在贷款前做好准备，以保持较低的信用卡债务水平。如果资金真的很紧，一定要用信用卡，又不想负债率居高不下，可以考虑做零账单。也就是信用卡有消费，但是是在账单前一天付款，所以出账单后账单为零；直接降低信用卡的使用率 。

H. AI系统是如何通过扫描视网膜识别出心脏病发作高风险患者的

人工智能，缩写为AI。它是研究和发展模拟、延伸和扩展人类智能的理论、方法、技术和应用系统的一门新技术科学。人工智能是计算机科学的一个分支，它试图理解智能的本质，并产生一种新的智能机器，能够以类似于人类智能的方式做出反应。该领域的研究包括机器人学、语言识别、图像识别、自然语言处理和专家系统等。不同领域的人对人工智能的理解有不同的看法。

就是AI是一个能够按照思维的逻辑规律来思考的程序。这种思潮最本质的问题是，到目前为止，人类对大脑如何实现学习、记忆、归纳、推理等思维过程的机制还缺乏了解。况且我们也不知道在什么层面(大脑各功能区之间相互作用的层面？细胞交换化学物质和电信号的水平？还是分子和原子运动的水平？只有真正模拟人脑的运作，才能创造出可以媲美人类智慧的智能机器。

I. 密钥算法

您的查询字词都已标明如下：公钥加密 (点击查询词，可以跳到它在文中首次出现的位置)
(网络和网页http://www.gnupg.org/(en)/howtos/ch/GPGMiniHowto-1.html的作者无关，不对其内容负责。网络快照谨为网络故障时之索引，不代表被搜索网站的即时页面。)

--------------------------------------------------------------------------------
下页 上页 目录
--------------------------------------------------------------------------------

1. 概念

1.1 公钥加密

加密的传统方法只用一把密钥加密。发出讯息者用这把钥匙对讯息加密。接收讯息者需要有完全相同的钥匙才能将加密了的讯息解密。这把钥匙必须以一种其他人没有机会得到它的方式给予接收讯息者。如果其他人得到了这把钥匙，这种加密方式就没用了。

使用一种称为"公开钥匙"的方法可以解决这个问题。公开钥匙的概念涉及两把钥匙。一把钥匙称为"公开钥匙"（公钥），可以以所有方式传递，任何人都可以得到。另一把钥匙称为"隐密钥匙"（密钥）。这把钥匙是秘密的，不能传递出去。只有它的拥有者才能接触和使用它。如果正确实施了这种方法，从公钥不能得出密钥。发出讯息者以接收讯息者的公钥将讯息加密，接收者则以自己的密钥解密。

这个概念的关键之处在于密钥必须保持秘密，不能随便给出或让任何除了密钥拥有者之外的人得到。请千万不要将你的密钥通过Internet寄出！另外，通过telnet使用GnuPG是非常不明智的（基于使用telnet的高风险，你可以考虑绝不使用telnet）。

1.2 数字签名

为证明一则讯息确实是宣称发出讯息的人所发，发明了数字签名的概念。正如其名称显示，发出讯息者数字化地在讯息上签名。别人可以通过这个签名检验这个讯息的真实性。使用这种方法，可以减少中"特洛伊木马计"的风险（即一则讯息宣称是对某个问题的补丁，实际却包含病毒或乱动你计算机上的数据），同时信息或数据可以被确认是来自正当合法的来源，而被认为属实。

一个数字签名是通过密钥和讯息本身而得来。讯息可以通过发出讯息者的公钥来验证。这样，不仅可以验证讯息是正确的发出讯息者所发，而且内容也得到验证。这样，得到讯息者可以确认：讯息来自该发出讯息者，而且在传递过程中其内容没有改变。

1.3 信任网

公开钥匙算法的一个弱点在于如何传播公开钥匙。有可能有用户传递一把有虚假身份的公开钥匙。如果别人不知就里，用这把公钥加密讯息，持有该虚假钥匙的侵入者就可以解密而读到讯息。如果侵入者再将解密的讯息以真正的公开钥匙加密，然后传送出去，这种进攻无法被发现。

对此问题，PGP的解决方法（因此也自动是GnuPG的解决方法）是对公开钥匙签名。每把公开钥匙都有一个相应的用户身份。一个人的公开钥匙可以由别人来签名。这些签名承认这把钥匙确实属于它所宣称的用户。至于有多信任这些签名，完全取决于GnuPG用户。当你信任给这把钥匙签名的人时，你认为这把钥匙是可信的，并确信这把钥匙确实属于拥有相应用户身份的人。只有当你信任签名者的公开钥匙时，你才能信任这个签名。要想绝对确信一把钥匙是正确和真实的，你就得在给予绝对信任之前，通过可靠渠道比较钥匙的"指纹"。

1.4 安全边界

如果你有数据想要保密，你所需做的远不止选择加密算法这一件事。你应该统筹考虑你的系统安全。一般我们认为PGP是安全的。在作者写本文时，尚未听说任何PGP被破译的事例。但这并不表示所有用PGP加密的讯息都是安全的（举例说，如果NSA--美国国家安全局破解了PGP，它绝不会通知我。别的为真正邪恶目的破译密码的人也不会）。反过来说，即使PGP是完全"无法破译"的，也可以用别的方法来损害安全。今年二月初，发现了一种"特洛伊木马"，它寻找硬盘上的密钥，然后将其FTP出去。如果密码选得不好，这些被盗的密钥可以被轻易破解。

另一种可能的技术（虽然更难做到）是使用一种"特洛伊木马"程序，它可以传出用户所敲的键。也可以（但非常困难）传出屏幕显示的内容。使用这些技术，就根本不需要破译加密的讯息了。针对以上这些危险，需要制定一个好的，深思熟虑的安全计划并付诸实施。

提到上述这些，目的并非想让人们怀疑一切，而是想指出需要采取很多措施才能达到更安全。最重要的是意识到加密只是安全的一个步骤，而不是全部的解决方案。正如在一九九九年三月Melissa病毒事件中所显示，许多公司并未准备好应付这类特洛伊木马式病毒。

J. 运费险高风险用户在哪里看

通过您的退货退款率看判断查看的。
目前买家版运费险中影响定价风险率的因素包括买家退货率、商品类目、账户风险、卖家退货率等。保费的定价纳入了多重考虑因素后，带给消费者最直接的体验就是，信用越高的消费者在运费险中获得的收益越多。
如果通过不同维度算法认定某个消费者是潜在高风险用户时，系统会暂停该用户的运费险服务，许多爱网购的爱好购物者也因此被划入了运费险黑名单。