风险模型

今天，我们来讲一讲“均值方差模型”。 介绍模型之前，先讲一下模型诞生背后的故事。 背后的故事 从前，有一个年轻人，叫 哈里·马科维兹（Harry Markowitz） ，彼时他正在芝加哥大学攻读经济学博士学位，一次偶然的机会他在办公室门外等待见导师、准备讨论博士论文时遇到了一个股票经纪人，和股票经纪人的一番交谈使他的研究方向转向了证券市场。导师鼓励他对这个领域进行研究，并给他推荐了当时著名的经济学家约翰·威廉姆斯（John Williams）最出名的一本书：《投资价值理论》（The Theory of Investment Value) 。 威廉姆斯认为，证券的价格反映了其“内在价值”，而 证券的价值就是其未来股息的折现价格 。但马科维兹很快就发现这个理论缺少了对“风险”的分析：投资者固然要最大化预期折现收益，同时也应该考虑到收益的方差（variance）是一个不好的东西，投资者在决策过程中应该同时考虑这两个方面，并且应该这样构建一个投资组合： 在“预期收益”和“收益的方差”之间做权衡取舍（trade-off） 。 （有点复杂，但这句话很重要...) 于是在1952年，25岁的马科维兹在The Journal of Finance这本顶级金融学期刊上发表了一篇论文，叫 《证券投资组合选择》（Portfolio Selection） 。 这篇论文当时并没有引起很大的轰动

在软件过程里面，从前言里面我们知道绝大多数软件企业长期面临许多质量，进度，成本的问题，所以产生了人物思维与过程思维两种方式，现在我们对其有了一个定义： 软件 过程为一个为建造高质量软件所需完成的任务的框架，即形成软件产品的一系列步骤，包括中间产品、资源、角色及过程中采取的方法、工具等范畴。它的基本活动是：问题提出，软件需求规格说明，软件设计，软件实现，软件确认与软件演化等活动。 第二节里我们学习了软件过程模型，其主要如下所示： 1. 瀑布模型 是最早出现的软件开发模型，在软件工程中占有重要的地位，它提供了软件开发的基本框架。 瀑布模型 的 本质 是一次通过，即每个活动只执行一次，最后得到软件产品，也称为“线性顺序模型”或者“传统生命周期”。其过程是从上一项活动接收该项活动的工作对象作为输入，利用这一输入实施该项活动应完成的内容给出该项活动的工作成果，并作为输出传给下一项活动。同时评审该项活动的实施，若确认，则继续下一项活动；否则返回前面，甚至更前面的活动。 瀑布模型 有利于大型软件开发过程中人员的组织及管理，有利于软件开发方法和工具的研究与使用，从而提高了大型软件项目开发的质量和效率。然而软件开发的实践表明，上述各项活动之间并非完全是自上而下且呈线性图式的，因此 瀑布模型 存在严重的缺陷。 ① 由于开发模型呈线性，所以当开发成果尚未经过测试时，用户无法看到软件的效果

话不多说， 十一种软件开发模式简介 边做边改模式（Build-and-Fix Model） 瀑布模式（Waterfall Model） 迭代模式（stagewise model） 快速原型模式（Rapid Prototype Model） 增量模式（Incremental Model） 螺旋模式（Spiral Model） 敏捷模式 (Agile development) 演化模式（evolutionary model） 喷泉模式（fountain model, (面向对象的生存期模型, 面向对象（Object Oriented,OO）模型）） 智能模式（四代技术（4GL）) 混合模式（hybrid model） 软件开发模式简介 边做边改模式（Build-and-Fix Model） 好吧，其实现在许多产品实际都是使用的“边做边改”模型来开发的，特别是很多小公司产品周期压缩的太短。在这种模型中，既没有规格说明，也没有经过设计，软件随着客户的需要一次又一次地不断被修改。 在这个模型中，开发人员拿到项目立即根据需求编写程序，调试通过后生成软件的第一个版本。在提供给用户使用后，如果程序出现错误，或者用户提出新的要求，开发人员重新修改代码，直到用户和测试等等满意为止。 这是一种类似作坊的开发方式，边做边改模型的优点毫无疑问就是前期出成效快。

螺旋模型的基本思想：使用原型及其他方法来尽量降低风险。 简单理解这种模型： 把它看作在每个阶段之前都增加了风险分析过程的快速原型模型。 螺旋模型的优点： ①对可选方案和约束条件的强调有利于已有软件的重用，也有助于把软件质量作为软件开发的一重要目标。 ②减少了过多测试（浪费资金）或测试不足（产品故障多）所带来的风险。 ③在螺旋模型中维护只是模型的另一个周期，在维护和开发之间并没有本质区别。 这是它的优势，也可能是它的一个弱点除非软件开发人员具有丰富的风险评估经验和这方面的专门知识，否则将出现真正的风险：当项目实际上正在走向灾难时，开发人员可能还认为一切正常。 来源： CSDN 作者： 青梅竹码 链接： https://blog.csdn.net/weixin_43258908/article/details/103524843

　　统计学习方法都是由模型、策略和算法构成的，即统计学习方法由三要素构成，可以简单地表示为： 　　 方法＝模型＋策略＋算法 　　非监督学习、强化学习也同样拥有这三要素。构建一种统计学习方法就是确定具体的统计学习三要素。 　　1.模型 　　统计学习首要考虑的问题是学习什么样的模型。在监督学习过程中，模型就是所要学习的条件概率分布或决策函数。模型的假设空间（hypothesis space）包含所有可能的条件概率分布或决策函数。例如，假设决策函数是输入变量的线性函数，那么模型的假设空间就是所有这些线性函数构成的函数集合。假设空间中的模型一般有无穷多个。 假设空间用F表示，假设空间可以定义为决策函数的集合F={f|Y=f(x)}，其中，X和Y是定义在输入空间x和输出空间y上的变量。这时y通常是由一个参数向量决定的函数族。参数向量取值于n维欧氏空间Rn，称为参数空间（parameter space）。假设空间也可以定义为条件概率的集合，其中，X和Y是定义在输入空间x和输出空间y上的随机变量。 这时通常是由一个参数向量决定的条件概率分布族， 参数向量取值于n维欧氏空间Rn，也称为参数空间。 一般由决策函数表示的模型为非概率模型，由条件概率表示的模型为概率模型。 　　2.策略 　　有了模型的假设空间，统计学习接着需要考虑的是按照什么样的准则学习或选择最优的模型

ISDM定义 ISDM不仅只是—种如何开发信息系统的方法／过程模型。ISDM是—套整体方法，包含： —个通过分析方法、工具和技术操作的分析框架。描述系统开发中分析问题与解决问题的行为特征。主要指，面向过程、面向数据、面向对象。 支持分析框架的过程模型(process-model , 指开发活动的次序和持续时间）。描述系统开发随时间变化而呈现的阶段特征和项目管理与组织上的特征。有些类似SDLC, 如，瀑布模型、原型法、螺旋模型、敏捷软件开发等。 从技术上来讲， mis开发是系统阶段特征和行为特征的结合。因此， ISDM可视为包含开发信息系统用到的所有方法、操作和过程的框架。 完整的ISDM包含SDLC与开发方法、开发技术、开发工具及环境三层。 • SDLC ：ISDM开发方法的过程模型可能混用多种SDLC 以适用不同项目需求。 • 开发方法：主要指面向过程、面向数据、面向对象。是—个通过分析方法、工具和开发技术操作的分析框架。 • 开发技术：中间件、可视化、软件复用等 • 开发环境和工具： CASE 、SDE 、SEE 、IPSE等 ISDM 中的这四项内容彼此相互联系、相互支持、相互制约。 • 开发环境／工具位于最底层，说明其他层面均需要开发环境／工具的支持 • 开发技术是组成开发方法的基本成分，例如，结构化开发方法是由结构化分析技术、结构化设计技术、结构化程序设计技术组成

机器学习概述 @(机器学习) 什么是机器学习？ 机器学习主要是研究如何使计算机从给定的数据中学习规律，即从观测数据（样本）中寻找规律，并利用学习到的规律（模型）对位置或无法观测的数据进行预测。 机器学习基本概念 1、机器学习算法类型   根据训练数据提供的信息以及反馈方式的不同，可以分为： * 有监督学习(Supervised Learning)：每组训练数据都有一个明确的标签和结果，利用这些已知的数据来学习模型的参数，使得模型预测的目标标签和真实标签尽可能接近。涉及的应用：预测房屋的价格，股票的涨停，垃圾邮件检测。神经网络也是一种监督学习的方式。常见算法有逻辑回归(Logistic Regression)和反向传递神经网络(Back Propagation Neural Network)。根据目标标签的类型不同，又可以分为： * 回归 (Regression)问题：目标标签y是连续值（实数或连续整数）,f(x)的输出也是连续值。 * 分类 (Classification)问题：目标标签y是离散的类别（符号）。在此问题中，通过学习得到的决策函数也叫 分类器 。 无监督学习(Unsupervised Learning)：学习的数据不包含目标标签，需要学习算法自动学习到一些有价值的信息。一个典型的问题就是 聚类 ，常见算法包括Apriori算法以及k-Means算法。 半监督学习

传统个人征信的分析维度包括： 1 ）个人基本数据，如年龄、性别、职业、收入、婚姻状况、工作年限、 工作状况等； 2） 信贷情况，主要是信贷和信用卡相关数据； 3）公共数据，包括税务、工商、法院、电信、水电煤气等部门的数据； 4） 个人信用报告查询记录。 如今随着 大数据 时代的到来和发展，可用于评估人们的数据越来越丰富，如电商的交易数据、社交类数据（强社交关系如何转化为信用资产）、网络行为数据等， 来自互联网的数据将帮助金融机构更充分地了解客户。 （一） 侧重电商： 芝麻信用 以芝麻信用所构建的信用体系来看，芝麻信用分根据当前采集的个人用户信息进行加工、整理、计算后得出的信用评分，分值范围是 350 到 950，分值越高代表信用水平越好，较高的芝麻分可以帮助个人获得更高效、更优质的服务。 芝麻分综合考虑了个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度的信息，其中来自淘宝、支付宝等“阿里系”的数据占 30-40%。 1） 信用历史： 过往信用账户还款记录及信用账户历史。目前这一块内容大多来自支付宝，特别是支付宝转账和用支付宝还信用卡的历史。 2） 行为偏好： 在购物、缴费、转账、理财等活动中的偏好及稳定性。比如一个人每天打游戏 10 小时，那么就会被认为是无所事事；如果一个人经常买纸尿裤，那这个人便被认为已为人父母，相对更有责任心。 3） 履约能力：

一、瀑布模型 1.1 什么是瀑布模型 1970年温斯顿.罗伊斯提出了著名的“瀑布模型”，直到80年代早期，它一直是唯一被广泛采用的软件开发模型 瀑布模型将 软件生命周期划分为制定计划、需求分析、软件设计、程序编写、软件测试和运行维护等六个基本活动 ，并且规定了它们 自上而下、相互衔接 的固定次序，如同瀑布流水，逐级下落 瀑布模型是最早出现的软件开发模型，在软件工程中占有重要的地位，它提供了软件开发的基本框架。其过程是从上一项活动接收该项活动的工作对象作为输入，利用这一输入实施该项活动应完成的内容给出该项活动的工作成果，并作为输出传给下一项活动 从本质来讲，它是一个软件开发架构 ，开发过程是通过一系列阶段顺序展开的，从系统需求分析开始直到产品发布和维护，每个阶段都会产生 循环反馈 ，因此，如果有信息未被覆盖或者发现了问题，那么最好 “返回”上一个阶段并进行适当的修改，开发进程从一个阶段“流动”到下一个阶段，这也是瀑布开发名称的由来 对于经常变化的项目而言，瀑布模型毫无价值 1.2 特点 1、阶段间具有顺序性和依赖性 该阶段具有两重含义 必须等前一阶段的工作完成后，才能开始后一阶段的工作 前一阶段的输出文档就是后一阶段的输入文档，因此只有前一阶段的输出文档正确，后一阶段的工作才能获得正确的结果 2、推迟实现的观点 对于规模较大的软件项目来说，往往编码开始的越早，最终完成开发所需时间越长

生存分析 三大块内容： 1，描述性的 生存率、中位生存期、生存曲线等，常用Kaplan-meier法 2，比较分析 两组的生存曲线是否有差别，log-rank检验（单个因素） 3，cox比例风险回归 类似logistic回归，多个变量对Y的影响，得到一个概率值，只不过加了时间 多花点时间聊聊cox的感受 首先理解一个概念 风险函数（hazard function）h(t)=f(t)/S(t) f(t)为瞬时死亡率，其实就是时间趋近于零时刻的死亡率，又称死亡概率密度函数，曲线下面积为1. S(t)为生存率：a, 若无删失，表示为t时刻存活人数/总观察人数 　　　　　　　b，若有删失，计算为各个时段下生存概率的乘积（ 生存概率：活过该年的人数/年初人数） 象形的理解，瞬时死亡率只受到某时刻，死亡人数的影响，若t时刻死亡10人，瞬时死亡率肯定高于t+1时刻死亡1人 而，生存率，会越来越低。分子/分母，h(t)风险函数肯定增大。 对于COX风险比例模型，h(t,x)=h0(t)exp(βX)=h0(t)exp(β1x1+β2x2+```+βx) 前半部分为基线风险函数，不需要特定分布，为非参 后半部分相当于对多重线性回归的输出进行了次方变换，保证了 正值和 单调性 （参数模型） 两者相乘即为COX，（半参） 那么聊聊参数估计 对偏似然函数 ，采用极大似然估计 先不管这个所谓偏似然函数