建站
咨詢
售后
建站咨詢
新聞中心
金融的概念？
金融的概念是以貨幣本身為經(jīng)營(yíng)標(biāo)的、目的通過(guò)貨幣融通使貨幣增值的經(jīng)濟(jì)活動(dòng)。
創(chuàng)新互聯(lián)專注為客戶提供全方位的互聯(lián)網(wǎng)綜合服務(wù)，包含不限于成都做網(wǎng)站、網(wǎng)站制作、豐滿網(wǎng)絡(luò)推廣、成都微信小程序、豐滿網(wǎng)絡(luò)營(yíng)銷、豐滿企業(yè)策劃、豐滿品牌公關(guān)、搜索引擎seo、人物專訪、企業(yè)宣傳片、企業(yè)代運(yùn)營(yíng)等，從售前售中售后，我們都將竭誠(chéng)為您服務(wù)，您的肯定，是我們最大的嘉獎(jiǎng)；創(chuàng)新互聯(lián)為所有大學(xué)生創(chuàng)業(yè)者提供豐滿建站搭建服務(wù)，24小時(shí)服務(wù)熱線：13518219792，官方網(wǎng)址：www.cdcxhl.com
金融是信用貨幣出現(xiàn)以后形成的一個(gè)經(jīng)濟(jì)范疇，金融不包括實(shí)物借貸而專指貨幣資金的融通，除了通過(guò)借貸貨幣融通資金之外，還以發(fā)行股票的方式來(lái)融通資金。
金融的內(nèi)容為貨幣的發(fā)行與回籠，存款的吸收與付出，貸款的發(fā)放與回收，金銀、外匯的買賣，有價(jià)證券的發(fā)行與轉(zhuǎn)讓，保險(xiǎn)、信托、國(guó)內(nèi)、國(guó)際的貨幣結(jié)算等。
從事金融活動(dòng)的機(jī)構(gòu)主要有銀行、信托投資公司、保險(xiǎn)公司、證券公司、投資基金，還有信用合作社、財(cái)務(wù)公司、金融資產(chǎn)管理公司、郵政儲(chǔ)蓄機(jī)構(gòu)、金融租賃公司以及證券、金銀、外匯交易所等。
擴(kuò)展資料
金融中的股票和證券：
股票和證券都是一種金融資產(chǎn)，收益性是股票是最基本的特征，它是指持有股票可以為持有人帶來(lái)收益的特性。風(fēng)險(xiǎn)性是指股票可能產(chǎn)生經(jīng)濟(jì)利益損失的特性。持有股票要承擔(dān)一定的風(fēng)險(xiǎn)。股票交易價(jià)格經(jīng)常性變化，或者說(shuō)與股票票面價(jià)值經(jīng)常不一致。
證券代表更廣泛的金融資產(chǎn)，如銀行票據(jù)，債券，股票，期貨，遠(yuǎn)期，期權(quán)，掉期等。這些證券根據(jù)其區(qū)別特征分為不同類型。有價(jià)證券是一種具有一定票面金額，證明持券人有權(quán)按期取得一定收入，并可自由轉(zhuǎn)讓和買賣的所有權(quán)或債權(quán)證書，通常簡(jiǎn)稱為證券。主要形式有股票和債券兩大類。
參考資料來(lái)源：百度百科-金融
誰(shuí)有金融數(shù)據(jù)挖掘，關(guān)聯(lián)規(guī)則分析與挖掘的一些介紹啊
雨林算法的數(shù)據(jù)結(jié)構(gòu)：
AVC-set:節(jié)點(diǎn)n包含的所有紀(jì)錄在某個(gè)屬性上的投影，其中該AVC-set包括了屬性的不同值在每個(gè)類別上的計(jì)數(shù)。
AVC-group:一個(gè)節(jié)點(diǎn)n上所有的AVC -set的集合
AVC-set的所占內(nèi)存的大小正比于對(duì)應(yīng)屬性的不同值個(gè)數(shù)，AVC-group并不是數(shù)據(jù)庫(kù)信息的簡(jiǎn)單的壓縮，它只是提供了建立決策樹需要的信息， AVC-group所占用的內(nèi)存空間遠(yuǎn)遠(yuǎn)小于數(shù)據(jù)庫(kù)所實(shí)際占用的空間。
一般設(shè)計(jì)方案：
AVC_set
{
//存儲(chǔ)屬性的各個(gè)值
DistinctValue[]
//存儲(chǔ)屬性各個(gè)值在某個(gè)類上對(duì)應(yīng)的計(jì)數(shù)
DistinctValueCountForClassA[]
DistinctValueCountForClassB[]
… …
}
AVC_group
{
//節(jié)點(diǎn)n中的每個(gè)屬性的avc_set
AVC_set[]
}
自頂向下決策樹算法
BuildTree(Node m,datapatition D,algorithm decisionTree)
對(duì)D使用決策樹算法decisionTree得到分裂指標(biāo)crit(n)
令k為節(jié)點(diǎn)n的子節(jié)點(diǎn)個(gè)數(shù)
if(k0)
建立n的k個(gè)子節(jié)點(diǎn)c1,…,ck
使用最佳分割將D分裂為D1,…,Dk
for(i=1;i=k;i++)
BuildTree(ci,Di)
endfor
endif
RainForest 算法框架重新定義的部分：
1a) for 每一個(gè)屬性的謂詞p,尋找最佳的分割
1b) decisionTree.find_best_partitioning(AVC-set of p)
1c) endfor
2a) k= decisionTree.decide_splitting_criterion();//決定最終的分割
雨林算法的常規(guī)過(guò)程：
建立節(jié)點(diǎn)的AVC-group
(通過(guò)讀取整個(gè)原始數(shù)據(jù)庫(kù)或者某個(gè)分支的數(shù)據(jù)庫(kù)表或文件)
選擇分裂屬性和分裂標(biāo)準(zhǔn)：取決于使用雨林算法框架的具體算法，通過(guò)逐一檢查AVC-set來(lái)選擇。
將數(shù)據(jù)分解到各個(gè)子節(jié)點(diǎn)：必須讀取整個(gè)數(shù)據(jù)集(數(shù)據(jù)庫(kù)或文件)，將各條數(shù)據(jù)分解到各個(gè)子節(jié)點(diǎn)中，此時(shí)如果有足夠的內(nèi)存，我們將建立一個(gè)或多個(gè)子節(jié)點(diǎn)的AVC-group
參考資料：李岱 rainforest.ppt 什么是數(shù)據(jù)挖掘
數(shù)據(jù)挖掘(Data Mining)，又稱為數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn)(Knowledge Discovery in Database, KDD)，就是從大量數(shù)據(jù)中獲取有效的、新穎的、潛在有用的、最終可理解的模式的非平凡過(guò)程，簡(jiǎn)單的說(shuō)，數(shù)據(jù)挖掘就是從大量數(shù)據(jù)中提取或“挖掘”知識(shí)。
并非所有的信息發(fā)現(xiàn)任務(wù)都被視為數(shù)據(jù)挖掘。例如，使用數(shù)據(jù)庫(kù)管理系統(tǒng)查找個(gè)別的記錄，或通過(guò)因特網(wǎng)的搜索引擎查找特定的Web頁(yè)面，則是信息檢索（information retrieval）領(lǐng)域的任務(wù)。雖然這些任務(wù)是重要的，可能涉及使用復(fù)雜的算法和數(shù)據(jù)結(jié)構(gòu)，但是它們主要依賴傳統(tǒng)的計(jì)算機(jī)科學(xué)技術(shù)和數(shù)據(jù)的明顯特征來(lái)創(chuàng)建索引結(jié)構(gòu)，從而有效地組織和檢索信息。盡管如此，數(shù)據(jù)挖掘技術(shù)也已用來(lái)增強(qiáng)信息檢索系統(tǒng)的能力。
編輯本段數(shù)據(jù)挖掘的起源
為迎接前一節(jié)中的這些挑戰(zhàn)，來(lái)自不同學(xué)科的研究者匯集到一起，開始著手開發(fā)可以處理不同數(shù)據(jù)類型的更有效的、可伸縮的工具。這些工作建立在研究者先前使用的方法學(xué)和算法之上，在數(shù)據(jù)挖掘領(lǐng)域達(dá)到高潮。特別地是，數(shù)據(jù)挖掘利用了來(lái)自如下一些領(lǐng)域的思想：(1) 來(lái)自統(tǒng)計(jì)學(xué)的抽樣、估計(jì)和假設(shè)檢驗(yàn)，(2) 人工智能、模式識(shí)別和機(jī)器學(xué)習(xí)的搜索算法、建模技術(shù)和學(xué)習(xí)理論。數(shù)據(jù)挖掘也迅速地接納了來(lái)自其他領(lǐng)域的思想，這些領(lǐng)域包括最優(yōu)化、進(jìn)化計(jì)算、信息論、信號(hào)處理、可視化和信息檢索。
一些其他領(lǐng)域也起到重要的支撐作用。特別地，需要數(shù)據(jù)庫(kù)系統(tǒng)提供有效的存儲(chǔ)、索引和查詢處理支持。源于高性能（并行）計(jì)算的技術(shù)在處理海量數(shù)據(jù)集方面常常是重要的。分布式技術(shù)也能幫助處理海量數(shù)據(jù)，并且當(dāng)數(shù)據(jù)不能集中到一起處理時(shí)更是至關(guān)重要。
編輯本段數(shù)據(jù)挖掘能做什么
1)數(shù)據(jù)挖掘能做以下六種不同事情（分析方法）：
· 分類 （Classification）
· 估值（Estimation）
· 預(yù)言（Prediction）
· 相關(guān)性分組或關(guān)聯(lián)規(guī)則（Affinity grouping or association rules）
· 聚集（Clustering）
· 描述和可視化（Des cription and Visualization）
· 復(fù)雜數(shù)據(jù)類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
2)數(shù)據(jù)挖掘分類
以上六種數(shù)據(jù)挖掘的分析方法可以分為兩類：直接數(shù)據(jù)挖掘；間接數(shù)據(jù)挖掘
· 直接數(shù)據(jù)挖掘
目標(biāo)是利用可用的數(shù)據(jù)建立一個(gè)模型，這個(gè)模型對(duì)剩余的數(shù)據(jù)，對(duì)一個(gè)特定的變量（可以理解成數(shù)據(jù)庫(kù)中表的屬性，即列）進(jìn)行描述。
· 間接數(shù)據(jù)挖掘
目標(biāo)中沒(méi)有選出某一具體的變量，用模型進(jìn)行描述；而是在所有的變量中建立起某種關(guān)系 。
· 分類、估值、預(yù)言屬于直接數(shù)據(jù)挖掘；后三種屬于間接數(shù)據(jù)挖掘
3)各種分析方法的簡(jiǎn)介
· 分類 （Classification）
首先從數(shù)據(jù)中選出已經(jīng)分好類的訓(xùn)練集，在該訓(xùn)練集上運(yùn)用數(shù)據(jù)挖掘分類的技術(shù)，建立分類模型，對(duì)于沒(méi)有分類的數(shù)據(jù)進(jìn)行分類。
例子：
a. 信用卡申請(qǐng)者，分類為低、中、高風(fēng)險(xiǎn)
b. 分配客戶到預(yù)先定義的客戶分片
注意： 類的個(gè)數(shù)是確定的，預(yù)先定義好的
· 估值（Estimation）
估值與分類類似，不同之處在于，分類描述的是離散型變量的輸出，而估值處理連續(xù)值的輸出；分類的類別是確定數(shù)目的，估值的量是不確定的。
例子：
a. 根據(jù)購(gòu)買模式，估計(jì)一個(gè)家庭的孩子個(gè)數(shù)
b. 根據(jù)購(gòu)買模式，估計(jì)一個(gè)家庭的收入
c. 估計(jì)real estate的價(jià)值
一般來(lái)說(shuō)，估值可以作為分類的前一步工作。給定一些輸入數(shù)據(jù)，通過(guò)估值，得到未知的連續(xù)變量的值，然后，根據(jù)預(yù)先設(shè)定的閾值，進(jìn)行分類。例如：銀行對(duì)家庭貸款業(yè)務(wù)，運(yùn)用估值，給各個(gè)客戶記分（Score 0~1）。然后，根據(jù)閾值，將貸款級(jí)別分類。
· 預(yù)言（Prediction）
通常，預(yù)言是通過(guò)分類或估值起作用的，也就是說(shuō)，通過(guò)分類或估值得出模型，該模型用于對(duì)未知變量的預(yù)言。從這種意義上說(shuō)，預(yù)言其實(shí)沒(méi)有必要分為一個(gè)單獨(dú)的類。預(yù)言其目的是對(duì)未來(lái)未知變量的預(yù)測(cè)，這種預(yù)測(cè)是需要時(shí)間來(lái)驗(yàn)證的，即必須經(jīng)過(guò)一定時(shí)間后，才知道預(yù)言準(zhǔn)確性是多少。
· 相關(guān)性分組或關(guān)聯(lián)規(guī)則（Affinity grouping or association rules）
決定哪些事情將一起發(fā)生。
例子：
a. 超市中客戶在購(gòu)買A的同時(shí)，經(jīng)常會(huì)購(gòu)買B，即A = B(關(guān)聯(lián)規(guī)則)
b. 客戶在購(gòu)買A后，隔一段時(shí)間，會(huì)購(gòu)買B （序列分析）
· 聚集（Clustering）
聚集是對(duì)記錄分組，把相似的記錄在一個(gè)聚集里。聚集和分類的區(qū)別是聚集不依賴于預(yù)先定義好的類，不需要訓(xùn)練集。
例子：
a. 一些特定癥狀的聚集可能預(yù)示了一個(gè)特定的疾病
b. 租VCD類型不相似的客戶聚集，可能暗示成員屬于不同的亞文化群
聚集通常作為數(shù)據(jù)挖掘的第一步。例如，"哪一種類的促銷對(duì)客戶響應(yīng)最好？"，對(duì)于這一 類問(wèn)題，首先對(duì)整個(gè)客戶做聚集，將客戶分組在各自的聚集里，然后對(duì)每個(gè)不同的聚集，回答問(wèn)題，可能效果更好。
· 描述和可視化（Des cription and Visualization）
是對(duì)數(shù)據(jù)挖掘結(jié)果的表示方式。
編輯本段數(shù)據(jù)挖掘中的關(guān)聯(lián)規(guī)則上面算法講的很清楚了，我來(lái)舉個(gè)例子：
Training data：
Id age income class
1 young 65 G
2 young 15 B
3 young 75 G
4 senior 40 B
5 senior 100 G
6 senior 60 G
AVC set ?age“ for N1：
value class count
young B 1
young G 2
senior B 1
senior G 2
AVC set ?income“ for N1：
value class count
15 B 1
40 B 1
60 G 1
65 G 1
75 G 1
100 G 1
AVC set ?income“ for N2：
value class count
15 B 1
65 G 1
75 G 1
AVC set ?age“ for N2:
value class count
young B 1
young G 2
最后推出雨林： N1
age=young / \ age=senior
/ \
N2 N3
最后提醒一點(diǎn)，對(duì)于雨林算法，訓(xùn)練樣本集不要大于3百萬(wàn)。否則改用SPRINT。
1.什么是關(guān)聯(lián)規(guī)則
在描述有關(guān)關(guān)聯(lián)規(guī)則的一些細(xì)節(jié)之前，我們先來(lái)看一個(gè)有趣的故事： "尿布與啤酒"的故事。
在一家超市里，有一個(gè)有趣的現(xiàn)象：尿布和啤酒赫然擺在一起出售。但是這個(gè)奇怪的舉措?yún)s使尿布和啤酒的銷量雙雙增加了。這不是一個(gè)笑話，而是發(fā)生在美國(guó)沃爾瑪連鎖店超市的真實(shí)案例，并一直為商家所津津樂(lè)道。沃爾瑪擁有世界上最大的數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)，為了能夠準(zhǔn)確了解顧客在其門店的購(gòu)買習(xí)慣，沃爾瑪對(duì)其顧客的購(gòu)物行為進(jìn)行購(gòu)物籃分析，想知道顧客經(jīng)常一起購(gòu)買的商品有哪些。沃爾瑪數(shù)據(jù)倉(cāng)庫(kù)里集中了其各門店的詳細(xì)原始交易數(shù)據(jù)。在這些原始交易數(shù)據(jù)的基礎(chǔ)上，沃爾瑪利用數(shù)據(jù)挖掘方法對(duì)這些數(shù)據(jù)進(jìn)行分析和挖掘。一個(gè)意外的發(fā)現(xiàn)是："跟尿布一起購(gòu)買最多的商品竟是啤酒！經(jīng)過(guò)大量實(shí)際調(diào)查和分析，揭示了一個(gè)隱藏在"尿布與啤酒"背后的美國(guó)人的一種行為模式：在美國(guó)，一些年輕的父親下班后經(jīng)常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時(shí)也為自己買一些啤酒。產(chǎn)生這一現(xiàn)象的原因是：美國(guó)的太太們常叮囑她們的丈夫下班后為小孩買尿布，而丈夫們?cè)谫I尿布后又隨手帶回了他們喜歡的啤酒。
按常規(guī)思維，尿布與啤酒風(fēng)馬牛不相及，若不是借助數(shù)據(jù)挖掘技術(shù)對(duì)大量交易數(shù)據(jù)進(jìn)行挖掘分析，沃爾瑪是不可能發(fā)現(xiàn)數(shù)據(jù)內(nèi)在這一有價(jià)值的規(guī)律的。
數(shù)據(jù)關(guān)聯(lián)是數(shù)據(jù)庫(kù)中存在的一類重要的可被發(fā)現(xiàn)的知識(shí)。若兩個(gè)或多個(gè)變量的取值之間存在某種規(guī)律性，就稱為關(guān)聯(lián)。關(guān)聯(lián)可分為簡(jiǎn)單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)、因果關(guān)聯(lián)。關(guān)聯(lián)分析的目的是找出數(shù)據(jù)庫(kù)中隱藏的關(guān)聯(lián)網(wǎng)。有時(shí)并不知道數(shù)據(jù)庫(kù)中數(shù)據(jù)的關(guān)聯(lián)函數(shù)，即使知道也是不確定的，因此關(guān)聯(lián)分析生成的規(guī)則帶有可信度。關(guān)聯(lián)規(guī)則挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間有趣的關(guān)聯(lián)或相關(guān)聯(lián)系。Agrawal等于1993年首先提出了挖掘顧客交易數(shù)據(jù)庫(kù)中項(xiàng)集間的關(guān)聯(lián)規(guī)則問(wèn)題，以后諸多的研究人員對(duì)關(guān)聯(lián)規(guī)則的挖掘問(wèn)題進(jìn)行了大量的研究。他們的工作包括對(duì)原有的算法進(jìn)行優(yōu)化，如引入隨機(jī)采樣、并行的思想等，以提高算法挖掘規(guī)則的效率；對(duì)關(guān)聯(lián)規(guī)則的應(yīng)用進(jìn)行推廣。關(guān)聯(lián)規(guī)則挖掘在數(shù)據(jù)挖掘中是一個(gè)重要的課題，最近幾年已被業(yè)界所廣泛研究。
2.關(guān)聯(lián)規(guī)則挖掘過(guò)程、分類及其相關(guān)算法
2.1關(guān)聯(lián)規(guī)則挖掘的過(guò)程
關(guān)聯(lián)規(guī)則挖掘過(guò)程主要包含兩個(gè)階段：第一階段必須先從資料集合中找出所有的高頻項(xiàng)目組(Frequent Itemsets)，第二階段再由這些高頻項(xiàng)目組中產(chǎn)生關(guān)聯(lián)規(guī)則(Association Rules)。
關(guān)聯(lián)規(guī)則挖掘的第一階段必須從原始資料集合中，找出所有高頻項(xiàng)目組(Large Itemsets)。高頻的意思是指某一項(xiàng)目組出現(xiàn)的頻率相對(duì)于所有記錄而言，必須達(dá)到某一水平。一項(xiàng)目組出現(xiàn)的頻率稱為支持度(Support)，以一個(gè)包含A與B兩個(gè)項(xiàng)目的2-itemset為例，我們可以經(jīng)由公式(1)求得包含{A,B}項(xiàng)目組的支持度，若支持度大于等于所設(shè)定的最小支持度(Minimum Support)門檻值時(shí)，則{A,B}稱為高頻項(xiàng)目組。一個(gè)滿足最小支持度的k-itemset，則稱為高頻k-項(xiàng)目組(Frequent k-itemset)，一般表示為L(zhǎng)arge k或Frequent k。算法并從Large k的項(xiàng)目組中再產(chǎn)生Large k+1，直到無(wú)法再找到更長(zhǎng)的高頻項(xiàng)目組為止。
關(guān)聯(lián)規(guī)則挖掘的第二階段是要產(chǎn)生關(guān)聯(lián)規(guī)則(Association Rules)。從高頻項(xiàng)目組產(chǎn)生關(guān)聯(lián)規(guī)則，是利用前一步驟的高頻k-項(xiàng)目組來(lái)產(chǎn)生規(guī)則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規(guī)則所求得的信賴度滿足最小信賴度，稱此規(guī)則為關(guān)聯(lián)規(guī)則。例如：經(jīng)由高頻k-項(xiàng)目組{A,B}所產(chǎn)生的規(guī)則AB，其信賴度可經(jīng)由公式(2)求得，若信賴度大于等于最小信賴度，則稱AB為關(guān)聯(lián)規(guī)則。
就沃爾馬案例而言，使用關(guān)聯(lián)規(guī)則挖掘技術(shù)，對(duì)交易資料庫(kù)中的紀(jì)錄進(jìn)行資料挖掘，首先必須要設(shè)定最小支持度與最小信賴度兩個(gè)門檻值，在此假設(shè)最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關(guān)聯(lián)規(guī)則將必須同時(shí)滿足以上兩個(gè)條件。若經(jīng)過(guò)挖掘過(guò)程所找到的關(guān)聯(lián)規(guī)則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關(guān)聯(lián)規(guī)則。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%于此應(yīng)用范例中的意義為:在所有的交易紀(jì)錄資料中，至少有5%的交易呈現(xiàn)尿布與啤酒這兩項(xiàng)商品被同時(shí)購(gòu)買的交易行為。Confidence(尿布，啤酒)=70%于此應(yīng)用范例中的意義為:在所有包含尿布的交易紀(jì)錄資料中，至少有70%的交易會(huì)同時(shí)購(gòu)買啤酒。因此，今后若有某消費(fèi)者出現(xiàn)購(gòu)買尿布的行為，超市將可推薦該消費(fèi)者同時(shí)購(gòu)買啤酒。這個(gè)商品推薦的行為則是根據(jù)「尿布，啤酒」關(guān)聯(lián)規(guī)則，因?yàn)榫驮摮羞^(guò)去的交易紀(jì)錄而言，支持了“大部份購(gòu)買尿布的交易，會(huì)同時(shí)購(gòu)買啤酒”的消費(fèi)行為。
從上面的介紹還可以看出，關(guān)聯(lián)規(guī)則挖掘通常比較適用與記錄中的指標(biāo)取離散值的情況。如果原始數(shù)據(jù)庫(kù)中的指標(biāo)值是取連續(xù)的數(shù)據(jù)，則在關(guān)聯(lián)規(guī)則挖掘之前應(yīng)該進(jìn)行適當(dāng)?shù)臄?shù)據(jù)離散化（實(shí)際上就是將某個(gè)區(qū)間的值對(duì)應(yīng)于某個(gè)值），數(shù)據(jù)的離散化是數(shù)據(jù)挖掘前的重要環(huán)節(jié)，離散化的過(guò)程是否合理將直接影響關(guān)聯(lián)規(guī)則的挖掘結(jié)果。
2.2關(guān)聯(lián)規(guī)則的分類
按照不同情況，關(guān)聯(lián)規(guī)則可以進(jìn)行分類如下：
1.基于規(guī)則中處理的變量的類別，關(guān)聯(lián)規(guī)則可以分為布爾型和數(shù)值型。
布爾型關(guān)聯(lián)規(guī)則處理的值都是離散的、種類化的，它顯示了這些變量之間的關(guān)系；而數(shù)值型關(guān)聯(lián)規(guī)則可以和多維關(guān)聯(lián)或多層關(guān)聯(lián)規(guī)則結(jié)合起來(lái)，對(duì)數(shù)值型字段進(jìn)行處理，將其進(jìn)行動(dòng)態(tài)的分割，或者直接對(duì)原始的數(shù)據(jù)進(jìn)行處理，當(dāng)然數(shù)值型關(guān)聯(lián)規(guī)則中也可以包含種類變量。例如：性別=“女”=職業(yè)=“秘書” ，是布爾型關(guān)聯(lián)規(guī)則；性別=“女”=avg（收入）=2300，涉及的收入是數(shù)值類型，所以是一個(gè)數(shù)值型關(guān)聯(lián)規(guī)則。
2.基于規(guī)則中數(shù)據(jù)的抽象層次，可以分為單層關(guān)聯(lián)規(guī)則和多層關(guān)聯(lián)規(guī)則。
在單層的關(guān)聯(lián)規(guī)則中，所有的變量都沒(méi)有考慮到現(xiàn)實(shí)的數(shù)據(jù)是具有多個(gè)不同的層次的；而在多層的關(guān)聯(lián)規(guī)則中，對(duì)數(shù)據(jù)的多層性已經(jīng)進(jìn)行了充分的考慮。例如：IBM臺(tái)式機(jī)=Sony打印機(jī)，是一個(gè)細(xì)節(jié)數(shù)據(jù)上的單層關(guān)聯(lián)規(guī)則；臺(tái)式機(jī)=Sony打印機(jī)，是一個(gè)較高層次和細(xì)節(jié)層次之間的多層關(guān)聯(lián)規(guī)則。
3.基于規(guī)則中涉及到的數(shù)據(jù)的維數(shù)，關(guān)聯(lián)規(guī)則可以分為單維的和多維的。
在單維的關(guān)聯(lián)規(guī)則中，我們只涉及到數(shù)據(jù)的一個(gè)維，如用戶購(gòu)買的物品；而在多維的關(guān)聯(lián)規(guī)則中，要處理的數(shù)據(jù)將會(huì)涉及多個(gè)維。換成另一句話，單維關(guān)聯(lián)規(guī)則是處理單個(gè)屬性中的一些關(guān)系；多維關(guān)聯(lián)規(guī)則是處理各個(gè)屬性之間的某些關(guān)系。例如：啤酒=尿布，這條規(guī)則只涉及到用戶的購(gòu)買的物品；性別=“女”=職業(yè)=“秘書”，這條規(guī)則就涉及到兩個(gè)字段的信息，是兩個(gè)維上的一條關(guān)聯(lián)規(guī)則。
2.3關(guān)聯(lián)規(guī)則挖掘的相關(guān)算法
1.Apriori算法：使用候選項(xiàng)集找頻繁項(xiàng)集
Apriori算法是一種最有影響的挖掘布爾關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。其核心是基于兩階段頻集思想的遞推算法。該關(guān)聯(lián)規(guī)則在分類上屬于單維、單層、布爾關(guān)聯(lián)規(guī)則。在這里，所有支持度大于最小支持度的項(xiàng)集稱為頻繁項(xiàng)集，簡(jiǎn)稱頻集。
該算法的基本思想是：首先找出所有的頻集，這些項(xiàng)集出現(xiàn)的頻繁性至少和預(yù)定義的最小支持度一樣。然后由頻集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則，這些規(guī)則必須滿足最小支持度和最小可信度。然后使用第1步找到的頻集產(chǎn)生期望的規(guī)則，產(chǎn)生只包含集合的項(xiàng)的所有規(guī)則，其中每一條規(guī)則的右部只有一項(xiàng)，這里采用的是中規(guī)則的定義。一旦這些規(guī)則被生成，那么只有那些大于用戶給定的最小可信度的規(guī)則才被留下來(lái)。為了生成所有頻集，使用了遞推的方法。
可能產(chǎn)生大量的候選集,以及可能需要重復(fù)掃描數(shù)據(jù)庫(kù)，是Apriori算法的兩大缺點(diǎn)。
2.基于劃分的算法
Savasere等設(shè)計(jì)了一個(gè)基于劃分的算法。這個(gè)算法先把數(shù)據(jù)庫(kù)從邏輯上分成幾個(gè)互不相交的塊，每次單獨(dú)考慮一個(gè)分塊并對(duì)它生成所有的頻集，然后把產(chǎn)生的頻集合并，用來(lái)生成所有可能的頻集，最后計(jì)算這些項(xiàng)集的支持度。這里分塊的大小選擇要使得每個(gè)分塊可以被放入主存，每個(gè)階段只需被掃描一次。而算法的正確性是由每一個(gè)可能的頻集至少在某一個(gè)分塊中是頻集保證的。該算法是可以高度并行的，可以把每一分塊分別分配給某一個(gè)處理器生成頻集。產(chǎn)生頻集的每一個(gè)循環(huán)結(jié)束后，處理器之間進(jìn)行通信來(lái)產(chǎn)生全局的候選k-項(xiàng)集。通常這里的通信過(guò)程是算法執(zhí)行時(shí)間的主要瓶頸；而另一方面，每個(gè)獨(dú)立的處理器生成頻集的時(shí)間也是一個(gè)瓶頸。
3.FP-樹頻集算法
針對(duì)Apriori算法的固有缺陷，J. Han等提出了不產(chǎn)生候選挖掘頻繁項(xiàng)集的方法：FP-樹頻集算法。采用分而治之的策略，在經(jīng)過(guò)第一遍掃描之后，把數(shù)據(jù)庫(kù)中的頻集壓縮進(jìn)一棵頻繁模式樹（FP-tree），同時(shí)依然保留其中的關(guān)聯(lián)信息，隨后再將FP-tree分化成一些條件庫(kù)，每個(gè)庫(kù)和一個(gè)長(zhǎng)度為1的頻集相關(guān)，然后再對(duì)這些條件庫(kù)分別進(jìn)行挖掘。當(dāng)原始數(shù)據(jù)量很大的時(shí)候，也可以結(jié)合劃分的方法,使得一個(gè)FP-tree可以放入主存中。實(shí)驗(yàn)表明，F(xiàn)P-growth對(duì)不同長(zhǎng)度的規(guī)則都有很好的適應(yīng)性，同時(shí)在效率上較之Apriori算法有巨大的提高。
3.該領(lǐng)域在國(guó)內(nèi)外的應(yīng)用
3．1關(guān)聯(lián)規(guī)則發(fā)掘技術(shù)在國(guó)內(nèi)外的應(yīng)用
就目前而言，關(guān)聯(lián)規(guī)則挖掘技術(shù)已經(jīng)被廣泛應(yīng)用在西方金融行業(yè)企業(yè)中，它可以成功預(yù)測(cè)銀行客戶需求。一旦獲得了這些信息，銀行就可以改善自身營(yíng)銷?，F(xiàn)在銀行天天都在開發(fā)新的溝通客戶的方法。各銀行在自己的ATM機(jī)上就捆綁了顧客可能感興趣的本行產(chǎn)品信息，供使用本行ATM機(jī)的用戶了解。如果數(shù)據(jù)庫(kù)中顯示，某個(gè)高信用限額的客戶更換了地址，這個(gè)客戶很有可能新近購(gòu)買了一棟更大的住宅，因此會(huì)有可能需要更高信用限額，更高端的新信用卡，或者需要一個(gè)住房改善貸款，這些產(chǎn)品都可以通過(guò)信用卡賬單郵寄給客戶。當(dāng)客戶打電話咨詢的時(shí)候，數(shù)據(jù)庫(kù)可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點(diǎn)，同時(shí)也可以顯示出顧客會(huì)對(duì)什么產(chǎn)品感興趣。
同時(shí)，一些知名的電子商務(wù)站點(diǎn)也從強(qiáng)大的關(guān)聯(lián)規(guī)則挖掘中的受益。這些電子購(gòu)物網(wǎng)站使用關(guān)聯(lián)規(guī)則中規(guī)則進(jìn)行挖掘，然后設(shè)置用戶有意要一起購(gòu)買的捆綁包。也有一些購(gòu)物網(wǎng)站使用它們?cè)O(shè)置相應(yīng)的交叉銷售，也就是購(gòu)買某種商品的顧客會(huì)看到相關(guān)的另外一種商品的廣告。
但是目前在我國(guó)，“數(shù)據(jù)海量，信息缺乏”是商業(yè)銀行在數(shù)據(jù)大集中之后普遍所面對(duì)的尷尬。目前金融業(yè)實(shí)施的大多數(shù)數(shù)據(jù)庫(kù)只能實(shí)現(xiàn)數(shù)據(jù)的錄入、查詢、統(tǒng)計(jì)等較低層次的功能，卻無(wú)法發(fā)現(xiàn)數(shù)據(jù)中存在的各種有用的信息，譬如對(duì)這些數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)其數(shù)據(jù)模式及特征，然后可能發(fā)現(xiàn)某個(gè)客戶、消費(fèi)群體或組織的金融和商業(yè)興趣，并可觀察金融市場(chǎng)的變化趨勢(shì)?？梢哉f(shuō)，關(guān)聯(lián)規(guī)則挖掘的技術(shù)在我國(guó)的研究與應(yīng)用并不是很廣泛深入。
3．2近年來(lái)關(guān)聯(lián)規(guī)則發(fā)掘技術(shù)的一些研究
由于許多應(yīng)用問(wèn)題往往比超市購(gòu)買問(wèn)題更復(fù)雜，大量研究從不同的角度對(duì)關(guān)聯(lián)規(guī)則做了擴(kuò)展，將更多的因素集成到關(guān)聯(lián)規(guī)則挖掘方法之中，以此豐富關(guān)聯(lián)規(guī)則的應(yīng)用領(lǐng)域，拓寬支持管理決策的范圍。如考慮屬性之間的類別層次關(guān)系，時(shí)態(tài)關(guān)系，多表挖掘等。近年來(lái)圍繞關(guān)聯(lián)規(guī)則的研究主要集中于兩個(gè)方面，即擴(kuò)展經(jīng)典關(guān)聯(lián)規(guī)則能夠解決問(wèn)題的范圍，改善經(jīng)典關(guān)聯(lián)規(guī)則挖掘算法效率和規(guī)則興趣性。
編輯本段數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)
在技術(shù)上可以根據(jù)它的工作過(guò)程分為：數(shù)據(jù)的抽取、數(shù)據(jù)的存儲(chǔ)和管理、數(shù)據(jù)的展現(xiàn)等關(guān)鍵技術(shù)。
·數(shù)據(jù)的抽取
數(shù)據(jù)的抽取是數(shù)據(jù)進(jìn)入倉(cāng)庫(kù)的入口。由于數(shù)據(jù)倉(cāng)庫(kù)是一個(gè)獨(dú)立的數(shù)據(jù)環(huán)境，它需要通過(guò)抽取過(guò)程將數(shù)據(jù)從聯(lián)機(jī)事務(wù)處理系統(tǒng)、外部數(shù)據(jù)源、脫機(jī)的數(shù)據(jù)存儲(chǔ)介質(zhì)中導(dǎo)入數(shù)據(jù)倉(cāng)庫(kù)。數(shù)據(jù)抽取在技術(shù)上主要涉及互連、復(fù)制、增量、轉(zhuǎn)換、調(diào)度和監(jiān)控等幾個(gè)方面的處理。在數(shù)據(jù)抽取方面，未來(lái)的技術(shù)發(fā)展將集中在系統(tǒng)功能集成化方面，以適應(yīng)數(shù)據(jù)倉(cāng)庫(kù)本身或數(shù)據(jù)源的變化，使系統(tǒng)更便于管理和維護(hù)。
·數(shù)據(jù)的存儲(chǔ)和管理
數(shù)據(jù)倉(cāng)庫(kù)的組織管理方式?jīng)Q定了它有別于傳統(tǒng)數(shù)據(jù)庫(kù)的特性，也決定了其對(duì)外部數(shù)據(jù)的表現(xiàn)形式。數(shù)據(jù)倉(cāng)庫(kù)管理所涉及的數(shù)據(jù)量比傳統(tǒng)事務(wù)處理大得多，且隨時(shí)間的推移而快速累積。在數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)存儲(chǔ)和管理中需要解決的是如何管理大量的數(shù)據(jù)、如何并行處理大量的數(shù)據(jù)、如何優(yōu)化查詢等。目前，許多數(shù)據(jù)庫(kù)廠家提供的技術(shù)解決方案是擴(kuò)展關(guān)系型數(shù)據(jù)庫(kù)的功能，將普通關(guān)系數(shù)據(jù)庫(kù)改造成適合擔(dān)當(dāng)數(shù)據(jù)倉(cāng)庫(kù)的服務(wù)器。
·數(shù)據(jù)的展現(xiàn)
在數(shù)據(jù)展現(xiàn)方面主要的方式有：
查詢：實(shí)現(xiàn)預(yù)定義查詢、動(dòng)態(tài)查詢、OLAP查詢與決策支持智能查詢；報(bào)表：產(chǎn)生關(guān)系數(shù)據(jù)表格、復(fù)雜表格、OLAP表格、報(bào)告以及各種綜合報(bào)表；可視化：用易于理解的點(diǎn)線圖、直方圖、餅圖、網(wǎng)狀圖、交互式可視化、動(dòng)態(tài)模擬、計(jì)算機(jī)動(dòng)畫技術(shù)表現(xiàn)復(fù)雜數(shù)據(jù)及其相互關(guān)系；統(tǒng)計(jì)：進(jìn)行平均值、最大值、最小值、期望、方差、匯總、排序等各種統(tǒng)計(jì)分析；挖掘：利用數(shù)據(jù)挖掘等方法，從數(shù)據(jù)中得到關(guān)于數(shù)據(jù)關(guān)系和模式的知識(shí)。
編輯本段數(shù)據(jù)挖掘與數(shù)據(jù)倉(cāng)庫(kù)融合發(fā)展
數(shù)據(jù)挖掘和數(shù)據(jù)倉(cāng)庫(kù)的協(xié)同工作，一方面，可以迎合和簡(jiǎn)化數(shù)據(jù)挖掘過(guò)程中的重要步驟，提高數(shù)據(jù)挖掘的效率和能力，確保數(shù)據(jù)挖掘中數(shù)據(jù)來(lái)源的廣泛性和完整性。另一方面，數(shù)據(jù)挖掘技術(shù)已經(jīng)成為數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用中極為重要和相對(duì)獨(dú)立的方面和工具。
數(shù)據(jù)挖掘和數(shù)據(jù)倉(cāng)庫(kù)是融合與互動(dòng)發(fā)展的，其學(xué)術(shù)研究?jī)r(jià)值和應(yīng)用研究前景將是令人振奮的。它是數(shù)據(jù)挖掘?qū)＜?、?shù)據(jù)倉(cāng)庫(kù)技術(shù)人員和行業(yè)專家共同努力的成果，更是廣大渴望從數(shù)據(jù)庫(kù)“奴隸”到數(shù)據(jù)庫(kù)“主人”轉(zhuǎn)變的企業(yè)最終用戶的通途。
統(tǒng)計(jì)學(xué)與數(shù)據(jù)挖掘
統(tǒng)計(jì)學(xué)和數(shù)據(jù)挖掘有著共同的目標(biāo)：發(fā)現(xiàn)數(shù)據(jù)中的結(jié)構(gòu)。事實(shí)上，由于它們的目標(biāo)相似，一些人（尤其是統(tǒng)計(jì)學(xué)家）認(rèn)為數(shù)據(jù)挖掘是統(tǒng)計(jì)學(xué)的分支。這是一個(gè)不切合實(shí)際的看法。因?yàn)閿?shù)據(jù)挖掘還應(yīng)用了其它領(lǐng)域的思想、工具和方法，尤其是計(jì)算機(jī)學(xué)科，例如數(shù)據(jù)庫(kù)技術(shù)和機(jī)器學(xué)習(xí)，而且它所關(guān)注的某些領(lǐng)域和統(tǒng)計(jì)學(xué)家所關(guān)注的有很大不同。
1．統(tǒng)計(jì)學(xué)的性質(zhì)
試圖為統(tǒng)計(jì)學(xué)下一個(gè)太寬泛的定義是沒(méi)有意義的。盡管可能做到，但會(huì)引來(lái)很多異議。相反，我要關(guān)注統(tǒng)計(jì)學(xué)不同于數(shù)據(jù)挖掘的特性。
差異之一同上節(jié)中最后一段提到的相關(guān)，即統(tǒng)計(jì)學(xué)是一門比較保守的學(xué)科，目前有一種趨勢(shì)是越來(lái)越精確。當(dāng)然，這本身并不是壞事，只有越精確才能避免錯(cuò)誤，發(fā)現(xiàn)真理。但是如果過(guò)度的話則是有害的。這個(gè)保守的觀點(diǎn)源于統(tǒng)計(jì)學(xué)是數(shù)學(xué)的分支這樣一個(gè)看法，我是不同意這個(gè)觀點(diǎn)的,盡管統(tǒng)計(jì)學(xué)確實(shí)以數(shù)學(xué)為基礎(chǔ)（正如物理和工程也以數(shù)學(xué)為基礎(chǔ)，但沒(méi)有被認(rèn)為是數(shù)學(xué)的分支），但它同其它學(xué)科還有緊密的聯(lián)系。
數(shù)學(xué)背景和追求精確加強(qiáng)了這樣一個(gè)趨勢(shì)：在采用一個(gè)方法之前先要證明，而不是象計(jì)算機(jī) 這
想自學(xué)金融，方便以后賺點(diǎn)小錢做外快，誰(shuí)能提供點(diǎn)建議？？？大三在讀，空閑頗多。成績(jī)優(yōu)秀
1、曼昆的經(jīng)濟(jì)學(xué)原理不錯(cuò)(我正在看第四版),看起來(lái)很簡(jiǎn)單,很基礎(chǔ),寫的很好。
2、要有高數(shù)基，政治經(jīng)濟(jì)學(xué)， 西方經(jīng)濟(jì)學(xué) ，國(guó)際經(jīng)濟(jì)學(xué) 國(guó)際貿(mào)易 ，貨幣銀行學(xué)，國(guó)際經(jīng)濟(jì)學(xué)， 保險(xiǎn)學(xué) 投資學(xué)，這是最基礎(chǔ)的。西方經(jīng)濟(jì)學(xué)，證券投資學(xué)，國(guó)際貿(mào)易，貨幣銀行學(xué)，，國(guó)際金融，政治經(jīng)濟(jì)學(xué)，管理學(xué)，統(tǒng)計(jì)學(xué)，還有就是心理學(xué)，風(fēng)險(xiǎn)管理方面的，博弈論，會(huì)記學(xué)，財(cái)務(wù)報(bào)表的要會(huì)看，保險(xiǎn)學(xué)是沒(méi)必要看的。
3、先看西方經(jīng)濟(jì)學(xué)，宏觀微觀的，這是入門，再看國(guó)際貿(mào)易，金融市場(chǎng)學(xué)，貨幣銀行學(xué)，可以考慮金融聯(lián)考研究生，比較容易 。央財(cái)北大復(fù)旦都有自己的出版社，你可以進(jìn)去瀏覽一下一般這些相關(guān)的專業(yè)書籍，本校出版社自己印刷的。再有就是進(jìn)入這些學(xué)校的研究生網(wǎng)站查詢一下，初試和復(fù)試的參考書目里也有的。 首先建議你看一下基礎(chǔ)會(huì)計(jì)，金融學(xué)和會(huì)計(jì)有關(guān)聯(lián)，還有就是一些相關(guān)的經(jīng)濟(jì)學(xué)著作。如：斯蒂格利茨、平狄克、多恩布什的經(jīng)濟(jì)學(xué)，外文版最好。還有高鴻業(yè)的經(jīng)濟(jì)學(xué)書也很不錯(cuò)的。 金融基本概念的理解，然后融會(huì)貫通。
1經(jīng)濟(jì)學(xué)必看書籍
個(gè)人推薦的閱讀書目 1776年《國(guó)民財(cái)富的性質(zhì)和原因的研究》 亞當(dāng).斯密
1890年 《經(jīng)濟(jì)學(xué)原理》（上下冊(cè)） 馬歇爾
1848年 《經(jīng)濟(jì)學(xué)》（上下冊(cè)） 薩繆爾森
《西方世界的興起》
這幾本書是學(xué)習(xí)經(jīng)濟(jì)學(xué)金融學(xué)應(yīng)閱讀的書目，但只有在大的圖書館才借閱得到。
對(duì)你了解經(jīng)濟(jì)學(xué)會(huì)有一定的幫助。
2金融學(xué)必看書籍
資本主義國(guó)家貨幣流通與信用》中國(guó)人民大學(xué)出版社1957
《貨幣信用學(xué)（上冊(cè)）》中國(guó)人民大學(xué)出版社1959
《社會(huì)主義財(cái)政金融問(wèn)題》中國(guó)人民大學(xué)出版社1981（全國(guó)高校優(yōu)秀教材獎(jiǎng)，北京市首屆 哲學(xué)社會(huì)科學(xué)和政策研究?jī)?yōu)秀成果一等獎(jiǎng)， 中國(guó)財(cái)政學(xué)會(huì)全國(guó)優(yōu)秀財(cái)政理論研究成果獎(jiǎng)）
《貨幣銀行學(xué)》四川人民出版社1992：“國(guó)家教委審定全國(guó)高校財(cái)經(jīng)類專業(yè)核心課教材”獲：全國(guó)普通高校國(guó)家級(jí)教學(xué)成果一等獎(jiǎng)，全國(guó)高校優(yōu)秀教材一等獎(jiǎng)，北京市第三屆哲學(xué)社會(huì)科學(xué)優(yōu)秀成果一等獎(jiǎng)
《貨幣銀行學(xué)（修訂版）》中國(guó)人民大學(xué)出版社1999年3月出版：“教育部國(guó)家級(jí)重點(diǎn)教材”
《貨幣銀行學(xué)（第二版）》中國(guó)人民大學(xué)出版社2000年版：“教育部面向21世紀(jì)經(jīng)濟(jì)、管理類核心課程教材”獲：教育部2002年全國(guó)普通高等學(xué)校優(yōu)秀教材一等獎(jiǎng)1999
《金融學(xué)》中國(guó)人民大學(xué)出版社2003年版。列入“國(guó)家‘十五’規(guī)劃教材”；同時(shí)是教育部“新世紀(jì)高等教育教學(xué)改革工程·21世紀(jì)中國(guó)金融學(xué)專業(yè)教育教學(xué)改革與發(fā)展戰(zhàn)略研究”項(xiàng)目中五本教材之一。
專著：
《我國(guó)社會(huì)主義經(jīng)濟(jì)中的貨幣和貨幣流通》中國(guó)財(cái)經(jīng)出版社1964
《財(cái)政信貸綜合平衡導(dǎo)論》中國(guó)金融出版社1984（1986年度孫冶方經(jīng)濟(jì)科學(xué)著作獎(jiǎng)，1995全國(guó)高校人文社會(huì)科學(xué)研究?jī)?yōu)秀成果獎(jiǎng)）
《工農(nóng)產(chǎn)品比價(jià)剪刀差》中國(guó)社會(huì)科學(xué)出版社1990
《宏觀調(diào)控與貨幣供給》中國(guó)人民大學(xué)出版社1997；《宏觀調(diào)控與貨幣供給》（修訂版）中國(guó)人民大學(xué)出版社1999
《金融—詞義、學(xué)科、形勢(shì)、方法及其他》中國(guó)金融出版社 2001年9月
主譯：
《第二次世界大戰(zhàn)后資本主義體系中的黃金》中國(guó)財(cái)經(jīng)出版社1965
主要論文：
《黃達(dá)選集》山西人民出版社1988（收1985年以前主要論文）、《黃達(dá)文集》中國(guó)人民大學(xué)出版社1999（收1952～1998論文及短文）
其中：《中國(guó)財(cái)政信貸綜合平衡和通貨物價(jià)問(wèn)題》，首屆孫冶方經(jīng)濟(jì)科學(xué)論文獎(jiǎng)
《財(cái)政收支與信貸收支相互配合中的接合部問(wèn)題》，中國(guó)社會(huì)科學(xué)院優(yōu)秀理論文章一等獎(jiǎng)
《黃達(dá)文集》（1952～1998）中國(guó)人民大學(xué)出版社1999
主持科研課題：
⑴ 國(guó)家“七五”重點(diǎn)課題《貨幣供求量問(wèn)題研究》，成果為《貨幣供求問(wèn)題研究系列專著·1～5》
中國(guó)人民大學(xué)出版社1990-1993
作者：鄧樂(lè)平；周慕冰；王松奇；尚 明、吳曉靈、羅蘭波；王慶彬、周升業(yè)
⑵ “八五”延期項(xiàng)目《資金宏觀配置問(wèn)題的研究》。最終成果為《中國(guó)資金宏觀配置問(wèn)題研究》
中國(guó)金融出版社2001年5月，作者：李鷹。
⑶《關(guān)于我國(guó)部門經(jīng)濟(jì)研究現(xiàn)狀與發(fā)展趨勢(shì)調(diào)查》——社科基金布置的項(xiàng)目
1995年6月完成研究報(bào)告，社科基金印刷，寫作主力：楊瑞龍
⑷《全球經(jīng)濟(jì)調(diào)整中的中國(guó)經(jīng)濟(jì)增長(zhǎng)與宏觀調(diào)控體系研究》
教育部哲學(xué)社會(huì)科學(xué)重大課題攻關(guān)項(xiàng)目——2003年12月
中國(guó)人民大學(xué)財(cái)政金融政策研究中心申報(bào)
博士點(diǎn)項(xiàng)目：
1.《貨幣供給的宏觀調(diào)控》（1985）：并入國(guó)家哲學(xué)社會(huì)科學(xué)基金的《貨幣供求量問(wèn)題研究》項(xiàng)目執(zhí)行
2.《社會(huì)主義市場(chǎng)經(jīng)濟(jì)制度下儲(chǔ)蓄向投資轉(zhuǎn)換機(jī)制的重構(gòu)》 1993-1995
成果：陳雨露博士論文《中國(guó)經(jīng)濟(jì)增長(zhǎng)中的外部?jī)?chǔ)蓄機(jī)制研究》
金融學(xué)（精編版）/普通高等教育“十五”國(guó)家級(jí)規(guī)劃教材·教育部經(jīng)濟(jì)管理類核心課程教材
《金融學(xué)》（精編版）是對(duì)當(dāng)前正在采用的《貨幣銀行學(xué)》教材的重大改造和推進(jìn)。目標(biāo)是在繼續(xù)加強(qiáng)基本理論和基本知識(shí)的基礎(chǔ)上結(jié)合中國(guó)實(shí)際。充分反映近年來(lái)金融領(lǐng)域日新月異的發(fā)展、變革、演進(jìn)和金融學(xué)科建設(shè)不斷取得的開拓性成果以滿足大步幅地提高金融教學(xué)質(zhì)量的迫切要求。
全書共分六篇。
第一篇講述金融領(lǐng)域的基本概念和范疇，是進(jìn)入金融學(xué)術(shù)殿堂所必需的基本準(zhǔn)備。
第二篇講述微觀金融即金融市場(chǎng)和金融機(jī)構(gòu)的基本知識(shí)、基本理論和相關(guān)政策觀點(diǎn)。金融市場(chǎng)和金融機(jī)構(gòu)的相互作用是當(dāng)前金融發(fā)展的焦點(diǎn)之一本篇專章討論。
第三篇講述現(xiàn)代貨幣的創(chuàng)造機(jī)制。破解現(xiàn)代貨幣創(chuàng)造機(jī)制是理解微觀金融與宏觀金融不可分割地連結(jié)為一體的關(guān)鍵。
第四篇講述宏觀金融、即貨幣對(duì)內(nèi)、對(duì)外均衡和圍繞貨幣政策的基本知識(shí)、基本理論和相關(guān)政策觀點(diǎn)注意把獨(dú)立發(fā)展的宏觀調(diào)控和國(guó)際協(xié)調(diào)的理論思路納入視野。
第五篇講述金融監(jiān)管。
第六篇是講述不宜納入以上各篇但又具有基礎(chǔ)意義和現(xiàn)實(shí)意義的重要金融理論。
證券投資學(xué)（第二版）
叢書名： 經(jīng)濟(jì)管理類課程教材·金融系列，教育部“十五”規(guī)劃教材
作 者： 吳曉求 主編
出 版 社： 人民大學(xué)出版社
全書除導(dǎo)論外共分為五篇。
第一篇是總論篇，系統(tǒng)講述了關(guān)于證券投資工具和證券市場(chǎng)的一般性基礎(chǔ)知識(shí)。這是深入進(jìn)行資本市場(chǎng)領(lǐng)域和證券投資研究所必需的基礎(chǔ)理論準(zhǔn)備。
第二篇是基本分析篇，系統(tǒng)講述了有價(jià)證券的價(jià)格決定、證券投資的宏觀經(jīng)濟(jì)分析、證券投資的產(chǎn)業(yè)周期分析和公司價(jià)值分析等內(nèi)容。
第三篇是技術(shù)分析篇，系統(tǒng)講述了證券投資技術(shù)分析的基本理論、方法和若干主要技術(shù)指標(biāo)。
第四篇是組合管理篇，系統(tǒng)講述了證券組合管理、風(fēng)險(xiǎn)資產(chǎn)定價(jià)與證券組合管理應(yīng)用、投資組合管理業(yè)績(jī)?cè)u(píng)價(jià)等內(nèi)容。
第五篇是市場(chǎng)監(jiān)管篇，系統(tǒng)講述了證券市場(chǎng)監(jiān)管的理念、要素、體制、實(shí)踐和開放條件下的中國(guó)證券市場(chǎng)監(jiān)管問(wèn)題。
本教材可作為高等院校財(cái)經(jīng)類各專業(yè)特別是金融學(xué)專業(yè)的本科教材，也可以作為金融證券從業(yè)人員和證券投資者系統(tǒng)學(xué)習(xí)相關(guān)理論知識(shí)的參考用書。
經(jīng)濟(jì)學(xué)原理（第3版英文版）
作 者：（美）曼昆（Mankiw,N.G.） 著出版社：清華大學(xué)出版社
本書主要從供給與需求、企業(yè)行為與消費(fèi)者選擇理論、長(zhǎng)期經(jīng)濟(jì)增長(zhǎng)與短期經(jīng)濟(jì)波動(dòng)以及宏觀經(jīng)濟(jì)政策等角度深入淺出地剖析講述了經(jīng)濟(jì)學(xué)的基本原理。
本書以最淺顯易懂的方式闡釋了經(jīng)濟(jì)學(xué)最基本的思想，強(qiáng)調(diào)經(jīng)濟(jì)學(xué)原理的應(yīng)用和政策分析。書中還提供了大量案例，以說(shuō)明經(jīng)濟(jì)學(xué)原理在現(xiàn)實(shí)經(jīng)濟(jì)生活中的應(yīng)用。
從經(jīng)濟(jì)學(xué) 金融學(xué) 和 投資學(xué)三個(gè)角度去探討 基本上可以囊括簡(jiǎn)單的經(jīng)濟(jì)學(xué) 和金融學(xué)的知識(shí)
本文題目：金融zblog 金融專業(yè)主要學(xué)什么
網(wǎng)頁(yè)URL：http://www.dlmjj.cn/article/ddogghs.html
