大脑处理信息量化模型中的细节汇编(五)
大脑处理信息量化模型中的细节汇编(五)
发表时间：2012-08-13T16:16:09.857Z 来源：《中外健康文摘》2012年第20期作者：谢勤[导读] 做比较多件事，但每经过比较短一段时间就切换到不同事情，在多件事情之间不断切换，注意力分散、涣散。谢勤（广州市科技和信息化局第16届亚运会组委会信息技术部 510000）
【中图分类号】R322.8 【文献标识码】A【文章编号】1672-5085（2012）20-0056-02
【摘要】目的文献[1-9]提出了血液循环在大脑处理信息的过程中具有时序控制作用，并用量化模型结合结构风险最小化相关理论说明时序控制作用的意义。文献[10-13]汇总介绍量化模型中的一些细节，本文将继续对更多细节进行介绍，以期同行能更深入理解该模型。文章包括两部分：第一部分给出了一些说明；第二部分介绍关于时间感知机制的一些细节。
【关键词】过程存储与重组模型时序控制微循环结构风险中枢神经系统信息处理时间认知 Details of Quantitative Model of Brain Information Processing V
【Abstract】Literatures [1-9] suggest that blood circulation plays the role of basic timer when brain processing information; and suggest a quantitative model of brain information processing.Literatures [10-13] introduced details of the quantitative model.This article introduces more details,including 2 parts.Part 1 gives some explanations; Part2 introduces some details about the mechanism of time cognition.
【Key words】model of process storing and recalling; timing control microcirculation structure riskminimization CNS information processing time cognition
1 一些说明
文献[11]第二部分中对“一个细胞各路输出不同”场景建模方法介绍的第一点“对于细胞的‘输出细胞角色’:以点I为观察点建立前向网络量化模型”，意思是“对于前面所叙述的场景，在建立量化模型过程中，采用选取点I为观察点的建模方法”；对“一个细胞各路输出不同”建模方法介绍第三点是对细胞的“输入细胞角色”而言。
2 关于时间感知机制的一些细节
文献[1]提到关于“时间长短”这一抽象概念由三个因素综合产生，其中第三个因素是“在T1和T2之间对动脉血周期性灌注的一个‘潜意识的计数’”，第三个因素的一个可能机制是：对于某一个区域的细胞，随着能灌注到达这一区域的动脉血次数的增加，这一区域积累的动脉血和细胞活动的某些产物或释放物质数量增加，以及上述各物质作用效果的积累，导致“压感”的强烈程度增加，从而产生时间“越来越长”的心理感觉。这一机制可以解释如下心理现象的产生：
（1）做比较少数的几件事，每件事情集中精神做比较长一段时间。
（2）做比较多件事，但每经过比较短一段时间就切换到不同事情，在多件事情之间不断切换，注意力分散、涣散。
在完成（1）或者（2）后，对比（2），在（1）的情况下会感觉经过了比较长的一段时间。参考文献
[1] 谢勤，王乙容.大脑处理信息的过程存储与重组模型[J].现代生物医学进展，2007，(3)：432-435，439. Xie Qin,Wang Yi-rong.Storing and Re-engineering of Models of Cerebral Information Process[J].Progress of Modern Biomedicine,2007, (3):432-435,439.
[2] 谢勤.血液循环在大脑信息处理过程中的时序控制作用[J].现代生物医学进展，2008，(6)：1152-1159. Xie Qin.Timer Role of Blood Circulation When Brain Processing Information[J].Progress of Modern Biomedicine,2008,(6):1152-1159.
[3] 谢勤.过程存储与重组模型[Z]https://www.360docs.net/doc/b01265547.html,，2006.
Xie Qin.Model of Process Storing and Recalling [Z]https://www.360docs.net/doc/b01265547.html,,2006.
[4] 谢勤.一种关于脑电波起源和含义的观点[C].中国神经科学学会第七次全国学术会议论文集.北京：科学出版社，2007:144. Xie Qin.A Viewpoint about origin and meaning of EEGs[C].Proceedings of the 7th Biennial Meeting and the 5th Congress of the Chinese Society for Neuroscience.Beijing:Science Press,2007:144.
[5] 谢勤.血液循环在大脑信息处理过程中的时序控制作用整理[C].中国神经科学学会第八次全国学术会议论文集.北京:科学出版社,2009:135. Xie Qin.A Review of
[6] 谢勤.血液循环在大脑信息处理过程中的时序控制作用整理[J].中外健康文摘，2011，8(20)：93-98. Xie Qin.A Review of
[7] 谢勤.大脑处理信息的样本量和网络规模问题[J].中外健康文摘，2011，8(21)：88-91.
Xie Qin.Matching Problem of Sample Quantity and Network Scale when Brain Processing Information[J].Worldhealth Digest,2011,8(21):88-91.
[8] 谢勤.大脑处理信息量化模型中的另一种样本重组方案[J].中外健康文摘，2011，8(22)：209-210. Xie Qin.Another Sample Recombination Solution for Quantitative Model of Brain Information Processing[J].Worldhealth Digest,2011,8(22):209-210.
[9] 谢勤.大脑处理信息的样本量和网络规模问题[C].中国神经科学学会第九次全国学术会议论文集.北京:科学出版社,2011:366. Xie Qin.Matching Problem of Sample Quantity and Network Scale when Brain Processing Information [C].Proceedings of the 9th Biennial Meeting of the Chinese Society for Neuroscience.Beijing:Science Press.2011:366.
[10] 谢勤.大脑处理信息量化模型中的细节汇编[J].中外健康文摘，2011，8(48)：78-80.
Xie Qin.Details of Quantitative Model of Brain Information Processing[J].Worldhealth Digest,2011,8(48):78-80.
[11] 谢勤.大脑处理信息量化模型中的细节汇编二[J].中外健康文摘，待发表.
Xie Qin.Details of Quantitative Model of Brain Information Processing II[J].Worldhealth Digest.
[12] 谢勤.大脑处理信息量化模型中的细节汇编三[J].中外健康文摘，待发表.
Xie Qin.Details of Quantitative Model of Brain Information Processing III[J].Worldhealth Digest.
7种量化选股模型
7种量化选股模型 1、【多因子模型】 2、【风格轮动模型】 3、【行业轮动模型】 4、【资金流模型】 5、【动量反转模型】 6、【一致预期模型】 7、【趋势追踪模型】 1、【多因子模型】 多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。 基本概念 举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。 各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。 一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。 打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。 回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。 多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。
候选因子的选取 候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。 例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。 从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。 选股因子有效性的检验 一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验， 具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n 个组合并持有到月末，每月如此，一直重复到模型形成期末。 上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2 个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。 有效但冗余因子的剔除 不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。 冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余因子剔除步骤为： （1）先对不同因子下的n个组合进行打分，分值与该组合在整个模型形成期的收益相关，收益越大，分值越高 （2）按月计算个股的不同因子得分间的相关性矩阵； （3）在计算完每月因子得分相关性矩阵后，计算整个样本期内相关性矩阵的平均值 （4）设定一个得分相关性阀值 MinScoreCorr，将得分相关性平均值矩阵中大于该阀值的元素所对应的因子只保留与其他因子相关性较小、有效性更强的因子，而其它因子则作为冗余因子剔除。
股票定价模型增长模型
股票定价模型 －、零增长模型 零增长模型假定股利增长率等于零，即G=0，也就是说未来的股利按一个固定数量支付。 [例] 假定某公司在未来无限时期支付的每股股利为8元，其公司的必要收益率为10％，可知一股该公司股票的价值为8／0．10＝80元，而当时一股股票价格为65元，每股股票净现值为80—65＝15元，因此该股股票被低估15元，因此建议可以购买该种股票。 [应用] 零增长模型的应用似乎受到相当的限制，毕竟假定对某一种股票永远支付固定的股利是不合理的。但在特定的情况下，在决定普通股票的价值时，这种模型也是相当有用的，尤其是在决定优先股的内在价值时。因为大多数优先股支付的股利不会因每股收益的变化而发生改变，而且由于优先股没有固定的生命期，预期支付显然是能永远进行下去的。 二、不变增长模型 (1)一般形式。如果我们假设股利永远按不变的增长率增长，那么就会建立不变增长模型。 [例]假如去年某公司支付每股股利为1.80元，预计在未来日子里该公司股票的股利按每年5％的速率增长。因此，预期下一年股利为1.80×(1十0.05)＝1.89元。假定必要收益率是11％，该公司的股票等于1．80×[(1十0．05)／(0.11—0．05)]＝1．89／(0．11—0．05)＝31．50元。而当今每股股票价格是40元，因此，股票被高估8．50元，建议当前持有该股票的投资者出售该股票。 (2)与零增长模型的关系。零增长模型实际上是不变增长模型的一个特例。特别是，假定增长率合等于零，股利将永远按固定数量支付，这时，不变增长模型就是零增长模型。 从这两种模型来看，虽然不变增长的假设比零增长的假设有较小的应用限制，但在许多情况下仍然被认为是不现实的。但是，不变增长模型却是多元增长模型的基础，因此这种模型极为重要。 三、多元增长模型 多元增长模型是最普遍被用来确定普通股票内在价值的贴现现金流模型。这一模型假设股利的变动在一段时间7、内并没有特定的模式可以预测，在此段时间以后，股利按不变增长模型进行变动。因此，股利流可以分为两个部分。 第一部分包括在股利无规则变化时期的所有预期股利的现值。
大脑结构与功能
大脑结构与功能 大脑结构详解
大脑(Brain)包括左、右两个半球及连接两个半球的中间部分，即第三脑室前端的终板。大脑半球被覆灰质，称大脑皮质，其深方为白质，称为髓质。髓质内的灰质核团为基底神经节。在大脑两半球间由巨束纤维—相连。 具体内容有大脑半球各脑叶、大脑皮质功能定位、大脑半球深部结构、大脑半球内白质、嗅脑和边缘系统五大部分。 各叶的位臵、结构和主要功能如下： 1、额叶：也叫前额叶。位于中央沟以前。在中央沟和中央前沟之间为中央前回。在其前方有额上沟和饿下沟，被两沟相间的是额上回、额中回和额下回。额下回的后部有外侧裂的升支和水平分支分为眶部、三角部和盖部。额叶前端为额极。额叶底面有眶沟界出的直回和眶回，其最内方的深沟为嗅束沟，容纳嗅束和嗅球。嗅束向后分为内侧和外侧嗅纹，其分叉界出的三角区称为嗅三角，也称为前穿质，前部脑底动脉环的许多穿支血管由此入脑。在额叶的内侧面，中央前、后回延续的部分，称为旁中央小叶。负责思维、计划，与个体的需求和情感相关。 2、顶叶：位于中央沟之后，顶枕裂于枕前切迹连线之前。在中央沟和中央后沟之间为中央后回。横行的顶间沟将顶叶余部分为顶上小叶和顶下小叶。顶下小叶又包括缘上回和角回。响应疼痛、触摸、品尝、温度、压力的感觉，该区域也与数学和逻辑相关。 3、颞叶：位于外侧裂下方，由颞上、中、下三条沟分为颞上回、颞中回、颞下回。隐在外侧裂内的是颞横回。在颞叶的侧面和底面，在颞下沟和侧副裂间为梭状回，，侧副裂与海马裂之间为海马回，围绕海马裂前端的钩状部分称为海马钩回。负责处理听觉信息，也与记忆和情感有关。 4、枕叶位于枕顶裂和枕前切迹连线之后。在内侧面，，距状裂和顶枕裂之间为楔叶，与侧副裂候补之间为舌回。负责处理视觉信息。 5、岛叶：位于外侧裂的深方，其表面的斜行中央钩分为长回和短回。 6、边缘系统：与记忆有关，在行为方面与情感有关。 大脑的总结构 大脑皮质为中枢神经系统的最高级中枢，各皮质的功能复杂，不仅与躯体的各种感觉和运动有关，也与语言、文字等密切相关。根据大脑皮质的细胞成分、排列、构筑等特点，将皮质分为若干区。 现在按Brodmann提出的机能区定位简述如下： ·皮质运动区：位于中央前回（4区），是支配对侧躯体随意运动的中枢。它主要接受来自对侧骨骼肌、肌腱和关节的本体感觉冲动，以感受身体的位臵、姿势和运动感觉，并发出纤维，即锥体束控制对侧骨骼肌的随意运动。返回皮质运动前区：位于中央前回之前（6区），为锥体外系皮质区。它发出纤维至丘脑、基底神经节、红核、黑质等。与联合运动和姿势动作协调有关，也具有植物神经皮质中枢的部分功能。 ·皮质眼球运动区：位于额叶的8枢和枕叶19区，为眼球运动同向凝视中枢，管理两眼球同时向对侧注视。皮质一般感觉区：位于中央后回（1、2、3区），接受身体对侧的痛、温、触和本体感觉冲动，并形成相应的感觉。顶上小叶（5、
大脑是如何获取信息的
大脑是如何获取信息的 大脑是如何获取信息的外在的信息透过我们的五官进入到我们的大脑。 2. 我们的大脑透过删减、扭曲、一般化对这些信息进行处理。 3. 这些通过处理的信息再经过我们的信念系统进行加工。 4. 经过加工后的信息成为我们内在的表像系统中的一部份，或者和我们内在的表像系统进行对比。 5. 我们的大脑对对比和处理的数据做出行动的反应。 6. 我们的身体表现出大脑下达的行动指令。 于是，人们就看到了我们的行为和表现，这就是我们处理信息的全过程。我们与人沟通的时候大脑运作的过程也和现在的模式完全一样。 低级动物拥有的记忆模式是简单的反射，比如说碰到锋利的东西出血了，疼了，下次看到锋利的东西就害怕了。记忆的是锋利——疼。至于当时是哪天，来龙去脉则无法记得了。 这种记忆只需要神经元运行时的自我学习功能就够用了。因为有学习功能，经历过的事情都会在脑中留下痕迹，这些痕迹就是记忆本身。 智慧动物比如人，当然也有这种低级记忆。在这个基础上，人类还有更高级的解释型的记忆。大脑有一个积极活跃的功能，可以对各种痕迹进行解释，最后推理出一个合理的“记忆”来。
我们的大脑透过五官接收到外在的事件，然后，我们的大脑会自动的对这些所接收的数据(事件)进行处理。在这个处理的过程中会自动的进行删减、扭曲和一般化。 当我们的大脑对五种感官所接收的数据，用上面的三种功能进行处理后，这些数据就变成了，我们的脑内的记忆，包括：时间、地点、人物、语言等，并慢慢的成为我们的信念、性格和态度的综合体，这就是我们的思维蓝图。 大脑是如何记忆信息的 1. 删减 什么是删减呢?我们的大脑在每秒钟会接收到超过两百万的信息流，这些信息数据太过于庞大，因些我们的大脑需要对它们进行适当的删减。比如你要在火车站去接一个朋友，因为出站来的人太多了，所以你必须把你的注意力锁定在你朋友的这个形象上，这样才能让你快速定位找到你的朋友。那么，这个时候你的大脑就把与你朋友无关的信息删减掉了。这个时候，有个小偷正准备在划你的口袋，也许你就没有注意到了。 因此，删减的好处是可以让我们注意力聚焦。因为可以把令人分心的事物过滤掉，同样，删减却有可能把其它的有用的信息给删掉了。 2. 扭曲 扭曲就是我们对于外面的信息进行处理的时候，让这个信息变成是符合自己的观点与角度。 比如大家在看一本书的时候，书中的内容就突然激发了你当初拍拖时的感觉，然后你就说：“哇，这是一本好书，看着好爽。”其实，这就是在扭曲了。因为这本书与你的恋爱的感觉完全没有
7种量化选股模型
【多因子模型】 多因子模型是应用最广泛的一种选股模型，基本原理是采用一系列的因子作为选股标准，满足这些因子的股票则被买入，不满足的则卖出。 基本概念 举一个简单的例子：如果有一批人参加马拉松，想要知道哪些人会跑到平均成绩之上，那只需在跑前做一个身体测试即可。那些健康指标靠前的运动员，获得超越平均成绩的可能性较大。多因子模型的原理与此类似，我们只要找到那些对企业的收益率最相关的因子即可。各种多因子模型核心的区别第一是在因子的选取上，第二是在如何用多因子综合得到一个最终的判断。 一般而言，多因子选股模型有两种判断方法，一是打分法，二是回归法。 打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。 多因子选股模型的建立过程主要分为候选因子的选取、选股因子有效性的检验、有效但冗余因子的剔除、综合评分模型的建立和模型的评价及持续改进等5个步骤。 候选因子的选取 候选因子的选择主要依赖于经济逻辑和市场经验，但选择更多和更有效的因子无疑是增强模型信息捕获能力，提高收益的关键因素之一。 例如：在2011年1月1日，选取流通市值最大的50支股票，构建投资组合，持有到2011年底，则该组合可以获得10%的超额收益率。这就说明了在2011年这段时间，流通市值与最终的收益率之间存在正相关关系。 从这个例子可以看出这个最简单的多因子模型说明了某个因子与未来一段时间收益率之间的关系。同样的，可以选择其他的因子，例如可能是一些基本面指标，如 PB、PE、EPS 增长率等，也可能是一些技术面指标，如动量、换手率、波动等，或者是其它指标，如预期收益增长、分析师一致预期变化、宏观经济变量等。 同样的持有时间段，也是一个重要的参数指标，到底是持有一个月，还是两个月，或者一年，对最终的收益率影响很大。 选股因子有效性的检验 一般检验方法主要采用排序的方法检验候选因子的选股有效性。例如：可以每月检验，具体而言，对于任意一个候选因子，在模型形成期的第一个月初开始计算市场中每只正常交易股票的该因子的大小，按从小到大的顺序对样本股票进行排序，并平均分为n个组合，一直持有到月末，在下月初再按同样的方法重新构建n个组合并持有到月末，每月如此，一直重复到模型形成期末。 上面的例子就已经说明了这种检验的方法，同样的可以隔N个月检验，比如2个月，3个月，甚至更长时间。还有一个参数是候选组合的数量，是50支，还是100支，都是非常重要的参数。具体的参数最优的选择，需要用历史数据进行检验。 有效但冗余因子的剔除 不同的选股因子可能由于内在的驱动因素大致相同等原因，所选出的组合在个股构成和收益等方面具有较高的一致性，因此其中的一些因子需要作为冗余因子剔除，而只保留同类因子中收益最好，区分度最高的一个因子。例如成交量指标和流通量指标之间具有比较明显的相关性。流通盘越大的，成交量一般也会比较大，因此在选股模型中，这两个因子只选择其中一个。 冗余因子剔除的方法：假设需要选出k 个有效因子，样本期共m 月，那么具体的冗余
有关课程关系量化分析的数学模型
承诺书 我们仔细阅读了中国大学生数学建模竞赛的竞赛规则. 我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括、电子、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。 我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。 我们重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。 我们参赛选择的题号是（从A/B/C/D中选择一项填写）： 我们的参赛报名号为（如果赛区设置报名号的话）：05 所属学校（请填写完整的全名）：大学 参赛队员(打印并签名) ：1. 瑞 2. 呼建雪 3. 朱培育 指导教师或指导教师组负责人(打印并签名)： 日期：2012 年8 月27 日赛区评阅编号（由赛区组委会评阅前进行编号）：
编号专用页 赛区评阅编号（由赛区组委会评阅前进行编号）： 全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：
关于课程关系量化分析的数学模型 摘要 本文探讨研究了关于某高校两个专业四门课程分数、学生学习水平的差异显著性以及课程间相互影响的情况。 首先我们对两个专业的各科成绩分别统计了平均值、标准差、及格率以及优秀率这些统计量值，又根据这些数据作出了特性指标矩阵；然后采用模糊聚类分析中的最优划分法得到了聚类分类结果，得到结论为：两专业的高级程序设计语言分数差异性显著，其他三门科目均没有显著差异。 接着我们根据课程间的联系，采用层次分析法得到各个科目在总成绩中所占的权重，即得到关于衡量学生学习水平的总成绩模型： 4j 3j 2j 1j 0.2323x 0.3619x 0.6090x 0.6664x +++=y 然后利用单因素方差分析法得到专业对学生学习水平影响的显著性05.0132.0>，即两个专业学生的学习水平无明显差异。 对于问题（3），我们直接利用SPSS 软件中的回归分析法得到高级程序语言设计、离散数学两门课程学习的优劣会影响到数据结构和数据库原理的学习。 最后，综合以上分析得到对于专业主干课的学习，我们应该认真学好专业基础课，以便为后续课程的学习打好基础。 关键词： 模糊聚类分析 层次分析 单因素方差分析 回归分析
几种常用的股票价值计算法
几种常用的股票价值计算法 1.DDM模型（Dividend discount model /股利折现模型) 2.DCF /Discount Cash Flow /折现现金流模型） （1）FCFE （Free cash flow for the equity equity /股权自由现金流模型)模型 （2）FCFF模型（Free cash flow for the firm firm /公司自由现金流模型） DDM模型 V代表普通股的内在价值，Dt为普通股第t期支付的股息或红利，r为贴现率 对股息增长率的不同假定，股息贴现模型可以分为 ：零增长模型、不变增长模型（高顿增长模型）、二阶段股利增长模型（H模型）、三阶段股利增长模型和多元增长模型等形式。 最为基础的模型；红利折现是内在价值最严格的定义；DCF法大量借鉴了DDM的一些逻辑和计算方法（基于同样的假设/相同的限制）。 1. DDM DDM模型模型法（Dividend discount model / Dividend discount model / 股利折现模型股利折现模型) DDM模型 2. DDM DDM模型的适用分红多且稳定的公司，非周期性行业； 3. DDM DDM模型的不适用分红很少或者不稳定公司，周期性行业； DDM模型在大陆基本不适用； 大陆股市的行业结构及上市公司资金饥渴决定，分红比例不高，分红的比例与数量不具有稳定性，难以对股利增长率做出预测。 DCF 模型 2.DCF /Discount Cash Flow /折现现金流模型）DCF估值法为最严谨的对企业和股票估值的方法，原则上该模型适用于任何类型的公司。 自由现金流替代股利，更科学、不易受人为影响。 当全部股权自由现金流用于股息支付时，FCFE模型与DDM模型并无区别；但总体而言，股息不等同于股权自由现金流，时高时低，原因有四： 稳定性要求（不确定未来是否有能力支付高股息）； 未来投资的需要（预计未来资本支出/融资的不便与昂贵）； 税收因素（累进制的个人所得税较高时）； 信号特征（股息上升/前景看好；股息下降/前景看淡） DCF模型的优缺点 优点：比其他常用的建议评价模型涵盖更完整的评价模型，框架最严谨但相对较复杂的评价模型。需要的信息量更多,角度更全面, 考虑公司发展的长期性。较为详细，预测时间较长，而且考虑较多的变数，如获利成长、资金成本等，能够提供适当思考的模型。 缺点：需要耗费较长的时间，须对公司的营运情形与产业特性有深入的了解。考量公司的未来获利、成长与风险的完整评价模型，但是其数据估算具有高度的主观性与不确定性。复杂的模型，可能因数据估算不易而无法采用，即使勉强进行估算，错误的数据套入完美的模型中，也无法得到正确的结果。小变化在输入上可能导致大变化在公司的价值上。该模型的准确性受输入值的影响很大（可作敏感性分析补救）。FCFE /FCFF模型区别
股票定价模型.doc
股票定价模型 一、零增长模型六、开放式基金的价格决定 二、不变增长模型七、封闭式基金的价格决定 三、多元增长模型八、可转换证券 四、市盈率估价方法九、优先认股权的价格 五、贴现现金流模型 一、零增长模型 零增长模型假定股利增长率等于零，即G=0，也就是说未来的股利按一个固定数量支付。 [例] 假定某公司在未来无限时期支付的每股股利为8元，其公司的必要收益率为10％，可知一股该公司股票的价值为8
／0．10＝80元，而当时一股股票价格为65元，每股股票净现值为80-65＝15元，因此该股股票被低估15元，因此建议可以购买该种股票。 [应用] 零增长模型的应用似乎受到相当的限制，毕竟假定对某一种股票永远支付固定的股利是不合理的。但在特定的情况下，在决定普通股票的价值时，这种模型也是相当有用的，尤其是在决定优先股的内在价值时。因为大多数优先股支付的股利不会因每股收益的变化而发生改变，而且由于优先股没有固定的生命期，预期支付显然是能永远进行下去的。 二、不变增长模型 (1)一般形式。如果我们假设股利永远按不变的增长率增长，那么就会建立不变增长模型。 [例]假如去年某公司支付每股股利为1.80元，预计在未来日子里该公司股票的股利按每年5％的速率增长。因此，预期下一年股利为1.80×(1十0.05)＝1.89元。假定必要收益率是11％，该公司的股票等于1．80×[(1十0．05)／(0.11-0．05)]＝1．89／(0．11-0．05)＝31．50元。而当今每股股票价格是40元，因此，股票被高估8．50元，建议当前持有该股票的投资者出售该股票。
(2)与零增长模型的关系。零增长模型实际上是不变增长模型的一个特例。特别是，假定增长率合等于零，股利将永远按固定数量支付，这时，不变增长模型就是零增长模型。 从这两种模型来看，虽然不变增长的假设比零增长的假设有较小的应用限制，但在许多情况下仍然被认为是不现实的。但是，不变增长模型却是多元增长模型的基础，因此这种模型极为重要。 三、多元增长模型 多元增长模型是最普遍被用来确定普通股票内在价值 的贴现现金流模型。这一模型假设股利的变动在一段时间7、内并没有特定的模式可以预测，在此段时间以后，股利按不变增长模型进行变动。因此，股利流可以分为两个部分。 第一部分包括在股利无规则变化时期的所有预期股利 的现值。 第二部分包括从时点T来看的股利不变增长率变动时期的所有预期股利的现值。因此，该种股票在时间了的价值(VT)可通过不变增长模型的方程求出 [例]假定A公司上年支付的每股股利为0．75元，下一年预期支付的每股票利为2元，因而再下一年预期支付的每股股利为3元，即
股票估值模型及其应用
股票估值模型及其应用 一、 股票估值模型 股票估值比债券估值更难一些。在债券估值情况下，现金流系列（利息）和时 间范围（到期日）都需要确定好，但在股票估值情况下，这些因素应更仔细地斟酌。 所以，介绍股票估值时，需考虑构成股票收益的因素是什么，我们先考虑持有时间 在1年的股票，然后再考虑期限无限长的股票。 一年期的投资者在其持有股票时期内，股票回报率公式如下 01P P P D k -+= （1） 简单地说，回报率k 等于支付的红利D 加上这一年内价格的变化P1-P0，再除 以初始股票价格P0。若采取熟悉的现值公式，可得： k P k D P +++=1110 （2） 这说明，股票的目前价格等于年末红利加年末股票价格以折现率k 折现到现在 的值。对于较长时间范围的投资者，可以以更一般的形式描述如下： ∑=+++=T t T t t t k P k D P 10) 1()1( （3） 随着投资期限越来越长——T 趋近于无穷，公式第二部分趋近于零，以至预期 的收益全部由红利流构成。求解下面的等式可求出预期的回报率k ： ∑=+=T t t t k D P 10) 1( （4） 此公式表明：对于时间范围无限长的投资者（或者，从实际考虑，任何有足够 长远眼光的人），决定股票价值的基本决定因素是红利流。我们可以间接推断出：对 于一个相对短期的投资者来说，即使他是一个因想卖股票而买股票的人，红利流也 是股票价值的基本决定因素。因为若投资者所卖股票的价格被别的投资者接受，那 么这个价格即是有别的投资者根据未来预计的红利流判断确定的。 应注意：不管股票是否在当前支付红利，这种分析都是适用的。对不支付红利 的股票，如典型的高增长的股票，持有期不是无限期的股票持有者都希望一笔当前 支付红利的股票较高的价格卖出股票，获得他唯一的收益。这个卖价又是未来预计 支付红利的函数。所以对于一个投资者而言，无论是从短期还是从长期投资来看， 红利都是公司价值的决定因素。
操作股票的几种模型
一、MACD空中加油 （一）原理：空中加油就是是指主力在拉升一只股票过程中，暂时性的休整，已达到清除浮筹的目的。在MACD指标上就显示成为：1、当DIFF上穿DEA指标形成金叉，股价经过一波上攻出现短期的震荡回调DIFF下穿DEA形成死叉。当DIFF和DEA接近0轴时，不破0轴再次形成金叉。2、DIFF下探DEA，刚一接触马上反身拉起。3、DIFF下探DEA后马上反身拉起再次形成金叉。4、DIFF下探DEA后两线缠绕。 DIFF下穿DEA后马上反身向上再次形成金 叉 DIF下穿DEA后缠绕
问题一：如何区别是暂时修整？与修整相对的就是出货，如修整买入可以赢利；如出货进去就要割肉。所以这是第一个关键问题！ 出现空中加油姿态后，要判断庄家是否为出货： 1、如股价经过长期调整后能判断出有大资金入住，可计算庄家成本判断其有无出货空间。如股票已经距底部有很大的涨幅，出现加油姿态后，更要慎重。 2、结合量能与筹码峰，量能上应为缩量修整，筹码峰上底部获利筹码稳定才符合加油状态。如放量修整、筹码峰显示底部筹码大幅减少则是出货状态。 【小贴士】庄家成本计算： 1、庄家的成本要素。主要有进货成本，利息成本，拉升成本、公关成本，交易成本等。 （1）进货成本：庄家进场时需要用大量资金买入股票，这部分资金是庄家的进货成本。 （2）利息成本（融资成本）：除了少数自由资金充足的机构外，大多数庄家的资金都是从各种渠道的短期借贷资金，要支他一定利息，有的借贷方还要从坐庄盈利中按比例分成。因此坐庄时间越久利息支出越高，持仓成本也就越高，有时庄家贷款到期，而股票又没有获利，那只好再临时拆借找资金，拆东墙补西墙了，或者被迫平仓出局。 （3）拉升成本：大多数庄家需要盘中对到放量制造股票成交活跃的假象，因此近交易费用一项就花费不少。另外庄家还要准备护盘资金在大盘跳水或者技术形态变坏时进行护盘，有时甚至要高买低卖。 （4）公关成本：庄家的公关费用包括多个层面，主要有管理层、券商、银行、上市公司、中介机构等，这些机构的重要性是不言而喻的，庄家也应为此付出必要成本，否则庄家就很难做上去。 （5）交易成本：尽管庄家可享受高额佣金返还，但交易过程中的印花税还是免，返笔费用也计入持仓成本之中。 2、庄家成本的简易计算方法：
股票定价模型
股票定价模型 贴现现金流模型 贴现现金流模型是运用收入的资本化定价方法来决定普通股票的内在价值的。按照收入的资本化定价方法，任何资产的内在价值是由拥有这种资产的投资者在未来时期中所接受的现金流决定的。由于现金流是未来时期的预期值，因此必须按照一定的贴现率返还成现值，也就是说，一种资产的内在价值等于预期现金流的贴现值。对于股票来说，这种预期的现金流即在未来时期预期支付的胜利，因此，贴现现金流模型的公式为 式中：Dt为在时间T内与某一特定普通股相联系的预期的现金流，即在未来时期以现金形式表示的每股股票的股利；K为在一定风险程度下现金流的合适的贴现率； V为股票的内在价值。 在这个方程里，假定在所有时期内，贴现率都是一样的。由该方程我们可以引出净现值这个概念。净现值等于内在价值与成本之差，即式中：P为在t=0时购买股票的成本。 如果NPV>0，意味着所有预期的现金流入的净现值之和大于投资成本，即这种股票被低估价格，因此购买这种股票可行； 如果NPV<0，意味着所有预期的现金流入的净现值之和小于投资成本，即这种股票被高估价格，因此不可购买这种股票。 在了解了净现值之后，我们便可引出内部收益率这个概念。内部收益率就是使投资净现值等于零的贴现率。如果用K*代表内部收益率，通过方程可得 由方程可以解出内部收益率K*。把K*与具有同等风险水平的股票的必要收益率（用K表示）相比较：如果K*>K，则可以购买这种股票；如果K* 习惯上把大脑的两个不同特色的处理中心称为左脑和右脑！但是这并不完全准确，虽然一般认为左脑是低速的逻辑脑（意识脑），右脑是高速的图像脑（潜意识脑），但是大脑科学家们发现，在因特殊原因被切除掉一半大脑的人，在对信息处理的速度上，仍然具有低速和高速的区别！这证明大脑不是简单地分为左右的问题。更新一些的研究表明大脑的海马区和膑邸体可能是高速信息处理区。 除非经过特别的训练，成年人的大脑，特别是受过教育的成年人，已经习惯了主要使用逻辑脑，擅长于计算和符号记忆等不需要高速信息处理的功能，也就是所谓思考的功能，他们一般都是由低速脑也就是学术脑来完成！它具有良好的逻辑记忆功能，也负责逻辑判断和推理，具有短时记忆，总体记忆容量比较小，如果一个信息经常出现，逻辑脑就会把它转移到另一个大脑，也就是深层记忆中保存下来！所以逻辑脑很容易遗忘！ 遗忘是逻辑脑自我保护的需要，否则大量的记忆信息会影响思维判断的有效性。因此这个大脑是不合适用来学习外语的，也不能用来处理音乐，运动，图像等高速信息，而主要用来学习知识和分析研究学术问题！依据语言学家的研究表明，这个大脑要彻底记住一个英语单词需要重复500次以上，艾宾浩斯记忆心理曲线就是对这个低速大脑的记忆现象研究的结果！ 由于逻辑脑主宰人的思维，所以人们最重视的就是这个大脑！甚至于长期以来，我们以为只有这个大脑存在，它代表理性和思维。另一个潜意识的高速大脑的存在没有被认识。这并不奇怪，人类对自己的思维和大脑的功能经常很无知，长期以来还认为思想是心脏来进行的。人类对非逻辑脑的研究是弗罗依德开始的潜意识理论，目前已经是一门很重要的学科！引起了心理学家，语言学家，人类学家及哲学家的极大重视！ 研究表明：信息量特别大的图像，如运动，音乐和快速的信息处理，必然是由高速脑也就是非逻辑脑来完成的！它具有庞大而快速的记忆能力，可以过目不忘，在不经意中完成学习和记忆！但非逻辑脑很难通过有意识的控制来学习知识。也有一些人经过训练，可以用高速脑来完成普通人用低速脑做的事情，给人的感觉他们简直就是天才：如一些人看一付牌后，马上就可以毫无差错地说出所有花色的排列次序！也有人可以进行几乎不需要时间的复杂算术计算！比计算器还要快得多！可是大多数人都不善于使用自己的快速脑，在学习的时候基本上使用慢速脑，所以学习很吃力。更要命的：语言的信息量和记忆量都很大，必须用快速脑来学习，如果用慢速脑，就算学二十年都学不好英语！ 现在，国外心理学家们已经注意到了这两个大脑完全不同的学习能力，开始研究用非逻辑脑也就是高速脑来学习的方法：比如经过速读训练的人一分钟可以看完三万字的材料，经过速算训练的人在出题人刚刚说完题目就报出答案，英语学习者一天之内记住1400个单词，一年之内学会一门语言等，就是开发了快速脑的学习功能的结果！中国古代，把经过非逻辑脑快速处理得出结论的过程称为“不假思索”，其实这就是跳过了逻辑脑的思维过程，由快速的潜意识脑直接得出结论！现在有人把这种学习潜能开发方式称为[全脑学习法]。 如果你认为以上这些说法匪夷所思，只需一分钟就可以检验出来：你学到的英语是存放在低速的学术脑还是高速的潜意识图像脑里。我们的母语是用潜意识的快速脑学会并应用的，所以当你与同伴说话的时候用的是思维流，以非语言的图像形式出现的！请问你说话前事先想过用什么样的词汇没有？脑子里会出现汉字和句子吗？根本没有，你仅仅是有一个思想，嘴巴马上就说出来了！你的大脑里没有中文字出现！你的思维像放电影一样连续地播放出来，而你的嘴巴就像解说词一样在解释你的思维图景，而且你思维的速度比语言的速度快，你在不断地选择合适的语言表达你的思维，有时还会词不达意，会出现一些废话来接上思维！如“嗯，这个，这个----”等。听别人说话的时候也一样！你的大脑里也没有中文字符，而是一个具有意义的图景在连续的播放！因为你是用快速的潜意识脑来解读语言！不过如果你突然被叫上讲台去做一个正式的发言，你用逻辑脑开始想应该讲什么，用什么词汇才得体等，反而会讲不出来！因为这时用学术脑，思维的速度降低了！结果是：你考虑得越多，讲的就越不流畅！ 相反，如果你听到的是英语，脑子里开始出现一串串的单词和句子，然后大脑费劲地把这些词汇与你的记忆库对照看是什么单词，什么意思！大脑经常忙不过来，于是句子快速地溜走，即使是很简单的句子，你也根本就听不懂!但你可以看得懂！因为看书用的是逻辑脑。如果要“说”英语就更悲惨了：首先大脑出现 15金融专硕仰军 均线模型量化股票交易 摘要:移动平均线(MA)是股市中最常用的一种分析技术，用于在大行情的波动段找到有效的交易信号。移动平均线简单、有效，对股市操作具有较好的指导作用。均线模型能有效地打败了大部分的主观策略，成为炒股，炒期货的必备基本工具。 本文选用阿里巴巴 2014 年 9 月至今的股票数据，对其每日收盘价进行了 5 日、20 日和60 日移动平均。先用每日收盘价和 20 日平均分析一条均线的交易策略，通过找出交易信号并模拟交易，发现一条均线交易策略会有些许的亏损，但通过图表分析，此策略能够较好的预测股价走势，相对主观投资更为合理；然后用 5 日平均和 20 日平均做两条均线的交易策略，这是对一条均线模型的优化，模拟交易后发现此交易能够盈利。 关键词：股票移动平均均线交易策略模拟交易II 1.均线模型的简单介绍 移动平均线 本文采用统计学中”移动平均”的原理，计算一股票每日收盘价的简单移动平均，将一段时期内的股票价格平均值连成曲线，来显示股价的历史波动情况，进而反映股价指数未来发展趋势。 均线的特性 （1）平滑性。通过均线的平滑移动来修复股价的不规则偶然变动。 （2）灵敏性、稳定性。均线参数取值不同，其特性也不同。参数越小，灵敏性越强，稳定性越差；参数越大，稳定性越强，灵敏性越差。 （3）助涨性、助跌性。上升趋势线有助涨的特性，下降趋势线有助跌的特性。 均线模型 在日K线图中除了标准的价格K线以外，另外还有4条线，分别是白线、黄线、紫线、绿 线依次分别表示：5日、10日、20日和60日移动平均线，通过这4条线与价格K线的交叉，就可以形成不同的均线模型。 利用均线平滑的特点，可以发现均线与价格K线会有叉，各均线之间也有交叉，我们可以通过这些交叉点判断交易信号：黄金交叉，当10日均线由下往上穿越30日均线，10日均线在上，30日均线在下，其交叉点就是黄金交叉，黄金交叉是多头的表现，出现黄金交叉后，后市会有一定的涨幅空间，这是进场的最佳时机；死亡交叉，当30日均线与10日平均线交叉时，30日均线由下住上穿越10日平均线，形成 30日平均线在上，10日均线在下时，其交点称之为”死亡交叉”，”死亡交叉”预示空头市场来临，股市将下跌此时是出场的最佳时机。 2.用R语言实现模型建立 从互联网下载股票数据 利用quantmod包的getSymbols()函数，默认会通过Yahoo的金融开放API下载数据，我们选择阿里巴巴的股票数据，从2014-09-19至今的1年多的日间交易数据。数据类型为xts格式的时间序列，数据包括7个列，以日期做索引列，其他6列分别为开盘价(Open), 最高价(High), 最低价(Low), 收盘价(Close), 交易量(Volume), 调整价(Adjusted)。 自定义均线图 自定义均线指标：以日期时间序列为索引，收盘价做为价格指标，不考虑成交量及其他维度字段。取2014-09-19至今，形成趋势的数据，画出价格曲线，5日均线，20日均线，60 日均线。 大脑处理信息量化模型中的细节汇编十一 发表时间：2013-03-05T10:26:42.653Z 来源：《中外健康文摘》2012年第50期作者：谢勤[导读] 文献[10-19]汇总介绍量化模型中的一些细节，本文将继续对更多细节进行介绍，以期同行能更深入理解该模型。 谢勤（广州市科技和信息化局<第16届亚运会组委会信息技术部> 510000）【中图分类号】R331 【文献标识码】A【文章编号】1672-5085（2012）50-0112-02 【摘要】文献[1-9]提出了血液循环在大脑处理信息的过程中具有时序控制作用，并用量化模型结合结构风险最小化相关理论说明时序控制作用的意义。文献[10-19]汇总介绍量化模型中的一些细节，本文将继续对更多细节进行介绍，以期同行能更深入理解该模型。文章说明文献[10]第四部分第二段第一句中，“形成‘速度’等概念”中的“形成‘速度’概念”是指形成速度概念中“表述物体运动快慢”等部分出现时间比较古老的内涵，这部分内涵在文献[10]提到的匀速直线运动相关理论中被保留下来。这里的叙述把“表述物体运动快慢”作为速度概念的一个重要属性，这个属性和其他一系列属性组成的属性集合把速度概念和其他概念区分开。【关键词】过程存储与重组模型时序控制微循环结构风险中枢神经系统信息处理时间认知智力起源 1．一些说明 文献[10]第四部分第二段第一句中，“形成‘速度’等概念”中的“形成‘速度’概念”是指形成速度概念中“表述物体运动快慢”等部分出现时间比较古老的内涵，这部分内涵在文献[10]提到的匀速直线运动相关理论中被保留下来。 在这里的叙述中，把“表述物体运动快慢”作为速度概念的一个重要属性，这个属性和其他一系列属性组成的属性集合把速度概念和其他概念区分开。 参考文献(References) [1] 谢勤，王乙容．大脑处理信息的过程存储与重组模型[J]．现代生物医学进展，2007，(3)：432-435，439. Xie Qin, Wang Yi-rong. Storing and Re-engineering of Models of Cerebral Information Process [J]. Progress of Modern Biomedicine, 2007,(3):432-435,439. [2] 谢勤．血液循环在大脑信息处理过程中的时序控制作用[J]．现代生物医学进展，2008，(6)：1152-1159. Xie Qin. Timer Role of Blood Circulation When Brain Processing Information [J].Progress of Modern Biomedicine, 2008, (6):1152-1159. [3] 谢勤．过程存储与重组模型[Z]．https://www.360docs.net/doc/b01265547.html,，2006. Xie Qin. Model of Process Storing and Recalling [Z]https://www.360docs.net/doc/b01265547.html,, 2006. [4] 谢勤．一种关于脑电波起源和含义的观点[C]．中国神经科学学会第七次全国学术会议论文集．北京：科学出版社，2007:144. Xie Qin. A Viewpoint about origin and meaning of EEGs[C].Proceedings of the 7th Biennial Meeting and the 5th Congress of the Chinese Society for Neuroscience. Beijing: Science Press, 2007:144. [5] 谢勤．血液循环在大脑信息处理过程中的时序控制作用整理[C]．中国神经科学学会第八次全国学术会议论文集．北京:科学出版社, 2009: 135. Xie Qin. A Review of 大脑工作原理
均线模型量化股票交易
大脑处理信息量化模型中的细节汇编十一