大脑处理信息量化模型中的细节汇编十
- 407 -
【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[10-18]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：第一部分给出了应用结构风险最小化相关理论对大脑处理信息的过程进行分析的图示。第二部分给出了一些说明。
【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
【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 [10-18] introduced details of the quantitative model. This article introduces more details, including 2 parts. Part 1 gives two figures about application of structural risk minimization theory. Part 2 gives some explanations.
【Keywords 】 model of process storing and recalling timing control microcirculation structure risk minimization CNS information processing time cognition
大脑处理信息量化模型中的细节汇编十
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】R318【文献标识码】A【文章编号】1672-5085（2012）39-0407-02
1．应用结构风险最小化工具分析大脑处理信息过程的图示图一和图二给出了应用结构风险最小化工具分析大脑处理信息过程的图示：
（1）以时间轴上的点t0为参考点，在每个样本时间长度L固定的情况下，如果样本开始时间点为t0 + t，对于t在实数域的每个取值，对应一种样本量化方法，神经网络在时间轴上的兴奋状况将会量化成一个向量集合。例如样本开始时间点为图中的开始时间点1，开始时间点2，开始时间点3对应三种量化方法。
（2）样本开始时间点为t0 + t + N*L (N为整数)的各种量化方法量化得到的向量集合相同， 例如样本开始时间点为图中的开始时间点1和开始时间点3的两种量化方法量化得到的向量集合相同，向量的分布函数也相同。
（3）如果样本量化得到的向量增加一维时戳标记，标记的值可以是这个样本的观察点（参考文献[10]）所对应的时间点，则各种量化方法量化可得到一系列的扩维向量集合，每两个扩维的向量集合内的元素可以建立一一映射。
（4）当相关网络范围减小时，对于每种量化方法（t取不同的值）都可看到，在训练样本数量有限的情况下， 相关网络范围
减小了，降低了结构风险，有利于网络正确而高效地处理信息。
2．一些说明
(1）文献[16]图三中的“80%”是为了说明红圈内外细胞之间的连接修改程度差异（细胞兴奋程度差异决定）而约定的值，也可约定为“30%”，“50%”，“90%”等。在图三中，为方便理解，可改约定为“30%”。
(2）神经网络中受体调整次数的总和也是网络训练过程中网络调整次数的一个上界；但在考虑信息处理系统行为的时候，还要考虑调整程度足够强的次数的总和。
(3）在考察生物神经网络运作时，如果输入输出向量样本对相应网络各边的权值都没有修改，可作为信息提取过程处理。
(4）另外一种量化方案：对于网络中的每个细胞，在时间轴上每个时间点都建立观察点，将该时间点上细胞的阈值电位和膜电位考虑各种因素后换算成波动阈值输入。对其他每维输入扩展一维伴生输入，如图三中对细胞A 输入Input 1扩展伴生维Input 1’，对输入Input 2扩展伴生Input 2’…；伴生输入Input i’的权值和输入Input i的权值相同,在网络训练过程中，如果权值有修改，两者修改值相同； Input i’的取值是，如果产生输入Input i的输入样本对应的时间点属于细胞（图三中是细胞B1或者B2）的绝对不应期（或约定膜电位超过阈值电位后一定长时间内，不包
含达到阈值电位时间点），则Input i’取1，其他时间取0。
由（2）、（3），结构风险最小化理论可以和这种量化方案结合起来分析生物神经网络的运作。
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/043250494.html,，2006
Xie Qin. Model of Process Storing and Recalling [Z]. https://www.360docs.net/doc/043250494.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
X i e Q i n. A R e v i e w o f
[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
X i e Q i n. A R e v i e w o f
[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].World Health 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]. World Health 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].World Health 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，2012，9(4)：101-102
Xie Qin. Details of Quantitative Model of Brain Information Processing II [J].World Health Digest, 2012, 9(4):101-102
[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].World Health Digest
[13] 谢勤．大脑处理信息量化模型中的细节汇编四[J]．中外健康文摘，待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing IV [J].World Health Digest
[14] 谢勤．大脑处理信息量化模型中的细节汇编五[J]．中外健康文摘，待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing V [J].World Health Digest
[15] 谢勤．大脑处理信息量化模型中的细节汇编六[J]．中外健康文摘，待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing VI [J].World Health Digest
[16] 谢勤．大脑处理信息量化模型中的细节汇编七[J]．中外健康文摘，待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing VII [J].World Health Digest
[17] 谢勤．大脑处理信息量化模型中的细节汇编八[J]．中外健康文摘，待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing VIII [J].World Health Digest
[18] 谢勤．大脑处理信息量化模型中的细节汇编九[J]．中外健康文摘，待发表
Xie Qin. Details of Quantitative Model of Brain Information Processing IX [J].World Health Digest
-408 -
大脑处理信息量化模型中的细节汇编十
作者：谢勤
作者单位：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刊名：
中外健康文摘
英文刊名：World Health Digest
年，卷(期)：2012(39)
本文链接：https://www.360docs.net/doc/043250494.html,/Periodical_zwjkwz201239455.aspx
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。
三维模型轻量化技术
三维模型轻量化技术 1 模型轻量化的必要性 设计模型是一种精确的边界描述(B-rep)模型，含有大量的几何信息，在现有的计算机软硬件条件下，使用设计模型直接建立大型复杂系统装配、维修仿真模型是不可能的，因此需要使用轻量化的模型建立仿真模型，以达到对仿真模型的快速交互、渲染。 2 细节层次轻量化技术 90年代中期以来，模型轻量化技术得到了快速的发展，出现了抽壳(hollow shell)技术和细节层次(Level of Details, LOD)技术。抽壳技术只关心产品模型的几何表示而不考虑产品建模的过程信息，LOD技术将产品几何模型设定不同的显示精度和显示细节，根据观察者眼点与产品几何模型之间的距离来使用不同的显示精度，以此达到快速交互模型的目的。 LOD技术是当前可视化仿真领域中处理图形显示实时性方面十分流行的技术之一。LOD模型就是在不影响画面视觉效果的条件下，对同一物体建立几个不同逼近精度的几何模型。根据物体与视点的距离来选择显示不同细节层次的模型，从而加快系统图形处理和渲染的速度。保证在视点靠近物体时对物体进行精细绘制，在远离物体时对物体进行粗略绘制，在总量上控制多边形的数量，不会出现由于显示的物体增多而使处理多边形的数量过度增加的情况，把多边形个数控制在系统的处理能力之内，这样就可以保证在不降低用户观察效果的情况下，大大减少渲染负载。 通常LOD算法包括生成、选择以及切换三个主要部分。 目前轻量化的技术有多种，具有代表性的有JT和3DXML两种。3DXML是Dassault、微软等提出的轻量化技术，JT是JT开放组织提出的轻量化技术。SIEMENS公司的可视化产品都采用JT技术，如我们使用的VisMockup软件。 JT技术用小平面表示几何模型，采用层次细节技术，具有较高的压缩比，模型显示速度很快。 jt、ajt模型及其结构 jt模型文件是三维实体模型经过三角化处理之后得到的数据文件，它将实体表面离散化为大量的三角形面片，依靠这些三角形面片来逼近理想的三维实体模型。 模型精度不同，三角形网格的划分也各不相同。精度越高，三角形网格的划分越细密，三角形面片形成的三维实体就越趋近于理想实体的形状。模型曲面精度由Chordal、Angular 两个参数控制。图1(a)，Chordal表示多边形的弦高的最大值，图1(b)，Angular表示多边形相邻弦的夹角的最大值。?????????????????????????????? 图1 Chordal和Angular示意图 jt模型有三种结构形式，都保持了原来的产品结构。分别是： (1)Standard(标准结构形式)。包含一个装配文件和多个零件文件，其中零件文件都放在一个和装配文件同名的目录下。我们建立的虚拟样机模型都采用这种结构形式。 (2)Shattered(分散结构形式)。包含多个子装配文件和多个零件文件，其中子装配文件和零件文件都放在一个目录下。这种结构的优点是有子装配文件，并可以直接使用子装配，缺点是文件管理比较乱、不清晰。
采用SPSS多元Logistic回归分析方法对船舶碰撞风险量化
采用SPSS多元Logistic回归分析方法对船舶碰撞风险量化 摘要：本文将采用SPSS多元Logistic回归分析方法，以1993-2013年英国港口海 域船舶碰撞事故调查资料进行统计后，论证人为因素对于后果严重度的影响。 关键词：SPSS多元Logistic回归分析方法；船舶风险；量化 一、船舶碰撞事故后果等级划分 （一）国内水上交通事故分级 船舶交通事故损失程度常常作为评估碰撞事故等级的标准，我国交通运输部《水上交通事故统计办法》中规定的水上交通事故分级标准表，根据伤亡人数、 造成的直接经济损失和水域环境污染情况等要素，将事故分为特别重大事故、重 大事故、较大事故、一般事故和小事故五个等级。 （二）国际水上交通事故分类 国际海事组织（IMO）按照事故后果的严重程度将事故分成三个级别，重大 事故、大事故和一般事故。 （三）本文碰撞后果等级划分 从上述表格可以看出，国内外常常把事故分为四个等级，而单纯针对碰撞事 故来说，事故中往往船舶受损较多，而人员伤亡较少。因此，本文将碰撞后果分 为四个等级，分级标准主要为船舶受损的严重程度。 二、评测指标确定 由上可见，国内外，关于事故等级的划分标准不尽相同，而单纯针对碰撞事 故来说，事故中常是船舶受损较多，而人员伤亡较少。如果出现人员死亡的情况，船体一般是受到很大的撞击，损坏比较严重，如果漏油造成严重的环境污染，那 么通常也是船体受损严重所引起的，所以本文主要将从船体受损程度的角度来选 定事故后果的评测指标。 本文将基于前人的研究成果，选取人的因素、船舶的设备因素和环境因素共 3个主要指标对英国船舶碰撞后果进行评估。 （一）人的因素 据保守统计，由人的因素直接或间接导致的船舶碰撞事故频发不断。本文通 过对众多船舶碰撞事故调查报告的分析与统计，将事故中人的因素分为6个等级，并按权重进行划分。对应的模型中参数值如表1所示。 表1人的因素参数表 （二）船舶的设备因素 船舶的设备性能不同，船舶碰撞事故的后果也有差别。本文通过对众多船舶 碰撞事故调查报告的分析与统计，将事故中船舶的设备因素分为5个等级，并按 权重进行划分。对应的模型中参数值如表5所示。 表5 船舶的设备因素参数表 （三）环境因素 恶劣的自然环境不利于船舶航行，易导致不同程度的船舶碰撞后果。本文通 过对众多船舶碰撞事故调查报告的分析与统计，将事故中环境因素分为5个等级，并按权重进行划分。对应的模型中参数值如表6所示。 表6环境因素参数表
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、
信用风险量化的4种模型
信贷风险管理的信用评级方法 信贷风险管理是当今金融领域的一个重要课题。银行在贷款或贷款组合的风险度量中特别注意运用信贷风险管理的工具。除了专家系统、评分系统和信用打分系统等传统方法外，新的信贷风险管理方法主要有KMV模型、JP摩根的VAR模型、RORAC模型和EVA模型。 1、KMV——以股价为基础的信用风险模型 历史上，银行在贷款决策时，曾经长时间忽视股票的市价。KMV模型基于这样一个假设——公司股票价格的变化为企业信用度的评估提供了可靠的依据。从而，贷款银行就可以用这个重要的风险管理工具去处理金融市场上遇到的问题了。尽管很少有银行在贷款定价中将KMV模型作为唯一的信用风险指示器，但非常多的银行将其用为信贷风险等级的早期报警工具。 KMV实际上是一个度量违约风险的期权模型，是由买入期权推演而来的。 KMV扭转了看待银行贷款问题的视角，从借款企业的普通股持有者的视角来看贷款偿还(回报)的激励问题。换句话说，它将持有普通股视为与持有一家公司资产的买入期权相同。基本原理如图所示： （1）KMV是如何工作的？ 假设普通股持有者拥有公开交易公孙的股票，公司债务是一张一年期的单一贴现票据（single discount note）,票面价值是B.上图显示的是从普通股持有者方面来看的贷款偿还问题。 在图中，若公司资产的价值跌到OB以下（以左，如OA1）,股的持有者就不会偿还那个等于OB的债务。当然，如果选择违约，他就必须将对公司资产的控制权转让给贷款银行，公司所有者的普通股就一文不值了。然而，若公司资产的价值是OA2，公司就会偿还债务OB，而保留其余的价值BA2.在KMV模型中，公司债务的票面价值B就是买入期权中的约定价格。可以看到公司的风险底线（downside risk）被限制在OL，因为“有限责任”保护了普通股的持有人。从而，对一个好公司的股票持有者的回报有一个有限的底线和一个无限延长的上限。 KMV从贷款于期权之间的这种联系之中得到了EDF模型（估计违约频率模型）。以下对EDF作简要介绍。
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
Revit模型轻量化高性价比之3D
Revit模型轻量化高性价比之3D PDF 文/肖国花 就先问你一句：你知不知道PDF也支持3D数据？ 插句话给补补，2014年10月，Adobe发布了其旗下多款产品的最新更新，其中包括Adobe新功能：可将3D模型导出到PDF文件中。 在BIM设计工作中几乎所有的工作环节都和模型息息相关，向客户展示，向领导展示，或是最终的分享模型，So选择3D PDF发布模型应该是对于展示对象来说使用门槛较低，对设计师来说也是较安全而且So easy 的方式。 ╭(╯^╰)╮ 鄙人不才，知道的能够实现的途径主要有二：最直接的就是Revit插件啦，你懂的，可以直接以关键词“Revit 3D PDF”搜素。其二就是利用Adobe自家的软件啦。今天就主要说说利用Adobe自家的软件把BIM设计师的Revit模型转到PDF。 进入正题分割线—————————————————————————— 1.下载完整版的PDF软件（Adobe Acrobat 9 Pro Extended），安装好。 友情提示|：Adobe Acrobat 9 Pro Extended和Adobe Acrobat 9 Pro 有区别！有区别！ 有区别！重要的事情说三遍，别说我没把话说在前头哇。 2.以Revit2016 系统自带的建筑样例项目（以下简称项目）为例：用Revit2016浏览器
打开项目，切换到三维视图，在这点上与Navisworks类似，导出的三维模型只能是你选择的这个视图所显示的图元，如下图： 单击“应用程序按钮”，选择“导出”→“IFC” 在弹出的导出IFC窗口设置中，文件类型选择“IFC Coordination View 2.0(*.ifc)”、
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
AWT事件处理模型
AWT事件处理模型
事件类别描述信息接口名方法ActionEvent 激活组件ActionListener actionPerformed(ActionEvent) ItemEvent 选择了某些项目ItemListener itemStateChanged(ItemEvent) MouseEvent 鼠标移动 MouseMotionListener mouseDragged(MouseEvent) mouseMoved(MouseEvent) 鼠标点击等MouseListener mousePressed(MouseEvent) mouseReleased(MouseEvent) mouseEntered(MouseEvent) mouseExited(MouseEvent) mouseClicked(MouseEvent) KeyEvent 键盘输入KeyListener keyPressed(KeyEvent) keyReleased(KeyEvent) keyTyped(KeyEvent) FocusEvent 组件收到或失去焦 点 FocusListener focusGained(FocusEvent) focusLost(FocusEvent) AdjustmentEvent 移动了滚动条等组 件AdjustmentListener adjustmentValueChanged(AdjustmentEvent) ComponentEvent 对象移动缩放显示 隐藏等ComponentListener componentMoved(ComponentEvent) componentHidden(ComponentEvent) componentResized(ComponentEvent) componentShown(ComponentEvent) WindowEvent 窗口收到窗口级事 件 WindowListener windowClosing(WindowEvent) windowOpened(WindowEvent) windowIconified(WindowEvent) windowDeiconified(WindowEvent) windowClosed(WindowEvent) windowActivated(WindowEvent) windowDeactivated(WindowEvent) ContainerEvent 容器中增加删除了 组件ContainerListener componentAdded(ContainerEvent) componentRemoved(ContainerEvent) TextEvent 文本字段或文本区TextListener textValueChanged(TextEvent)
轻量化软件对比分析
三维可视化技术的发展与应用 1三维可视化概述 所谓三维可视化主要是指通过读取三维CAD格式文件来对产品设计模型进行查看。这里的三维CAD格式文件分为两种，一种是原始CAD软件生成的数据格式，另一种就是轻量化文件格式，是通过压缩原始CAD格式文件，变为只有原格式1/10大小的文件格式。两种类型的数据文件都可以通过使用浏览器软件或其他方式对原始产品三维造型图形进行查看、批注等便利性交互操作。 其使用富于说服力的图像，克服了语言障碍。强大的三维可视化解决方案使协同变得更加容易，企业各环节之间的沟通变得更加直观，对产品开发周期的缩短起到了一定的辅助作用。 1.1缩短产品开发周期 国内一家某设备制造商IT部门的项目经理认为：3D数据的轻量级浏览与先前受到书面文件交换流程的限制相比，大大加快了设计方案审核速度，并为跨部门共享设计方案铺平了道路。 对此，他解释说："事实很简单，每个人看到一种设计方案、对其进行审核，并加入自己的意见--不论他使用的是什么系统，而且不需要IT技术人员帮助他做集成--这加快了流程速度。如今，任何参与到其中的人员都能够对设计方案进行审核并发表意见，设计时间也减少了。
企业可视化应用在这里是非常重要的变更管理和批准流程工具。其他人员通过可视化工具将自己的评论或建议以文本或图形的方式放在设计文档中，让设计人员在第一时间发现问题解决问题，另外还能更早更直接的将他们的客户引入到产品的设计定义阶段，同时也将供应链的合作伙伴和其它价值链上的成员引入开发流程中。最终它们希望在第一时间做出正确的设计，压缩整个时间线，缩短业务流程，加快产品投入市场的时间。 显然，目前三维可视化技术为我们带来了许多的利好。但在过去，三维可视化采用的数据转换方式，其不准确和文件格式过大都影响了如IGES、STEP等曾经比较流行的中间数据格式的发展，下面我们就来对这些逐渐走下三维可视化历史舞台的数据格式进行一下简单的回顾。 1.2早期三维可视化方式及存在问题 早期的三维可视化主要是将原始设计文件通过CAD/CAM软件来进行读取，但是企业中所使用的软件又各不相同，各CAD/CAM软件基于历史原因及不同的开发目的，内部数据记录方式和处理方式不尽相同，开发软件的语言也不完全一致，导致原始设计文件在不同的CAD/CAM软件中不能被交换与共享。 图一
信用风险量化模型
银行风险量化评级模型 银行根据巴塞尔新资本协议对内部评级法的要求及借鉴国际银行业经验，采用信用风险评级模型，通过此模型测算客户违约概率、违约损失率等风险参数。 将客户信用等级分为三等九级，即AAA、AA、A、BBB、BB、B、CCC、CC、C级。从AAA级到C级风险逐及递增。在内部评级结果运用于确定授信额度上，表现为授信额度以企业净资产为基数，乘以一个与企业评级相对应的信用系数；客户信用等级高，对应的信用系数大，则相应的授信额度就高；客户信用等级低，对应的信用系数小，则相应的授信额度就低。内部评级结果除了影响授信额度外，还被用于进行简单的贷款定价，如某银行将借款人评级等级与贷款利率浮动水平联系起来，信用等级高的借款人其贷款利率在基准利率的基础上下浮动，等级越高，下浮幅度越大；信用等级低的借款人其贷款利率在基准利率的基础上上浮，等级越低，上浮幅度越大，从而起到覆盖风险成本的作用。 通过建立有效的程序来获得和更新有关借款人财务状况和贷款特性的重要信息，并在掌握重要信息的基础上及时更新借款人评级，对可能影响借款人违约概率、违约损失率的因素进行持续监测，并根据掌握的信息对客户和业务进行重
新评级。同时，独立部门必须至少每年检查一次银行评级体系及其运行状况，包括信用风险控制职能的运作和对违约概率、违约损失率等风险要素的估计。 在开发评级模型和评级系统等“硬件”设施的同时，设计了内部评级体系运行的组织架构，明确了风险管理、信贷等有关部门的职能分工，从管理制度等“软件”方面保证评级体系的正常运行。内部评级体系的运行由风险管理部、信贷经营部、合规部三个部门分工合作完成，其中风险管理部门负责制定客户信用评级办法，组织专家对信用评级的指标体系、模型方法和参数标准进行论证，负责设计、开发、维护评级系统；信贷部门负责确定评级人员，组织、推进和实施客户信用评级；合规部门则负责指导、检查和监督信用等级审定工作。
大脑工作原理
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
均线模型量化股票交易
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。
搭建风控量化模型.
搭建风控量化模型 当前，大型金融机构已被监管机构批准使用内部模型来计量风险和监管资本；中小金融机构的积极性也很高，力求借鉴资本管理高级法，调整资产组合，提高资本使用效率，推进管理流程再造，由“干了再算”向“算了再干”转变。 以上趋势令人鼓舞。我们看到，强化风险量化管理的理念正在对中国金融业提高识别、计量和控制风险的能力产生重要的影响,中国金融业风险量化管理水平正在迅速提升。 如何更好地“算了再干”？为了回答这一问题，本文谈一谈金融机构的风险量化模型。为保证风险量化模型的开发质量和实施效果，金融机构所有的风险量化模型都应该参考模型建设和管理技术行业标准进行开发、评估和文档归档。下文总结了国内外信用风险量化模型建设和管理的先进经验，全面遵循这些要求有利于模型的建设、使用、监控、审批、上线。 模型的设计 模型的设计对模型最终是否能实现其目标起着举足轻重的作用。为了保证模型的设计可以满足模型的目标，审批人员应需要关注的是从哪些方面对模型的设计进行评估。总结来说，以下方面要特别留意。 要解决的业务问题 建模人员应该用简单易懂的语言对模型要解决的业务问题进行描述。这些描述应该包括一个或多个已达成共识的业务原则或核心价值，如客户的行为、银行员工的参与度、竞争对手的动作、经济形势的变动、合规的需要、公司战略的考虑等。例如，信用卡部门要设计一个申请评分模型来测算新客户出现不良贷款的风险。这个模型在新客户审批过程的应用中，需要审批人员和客户进行沟通，手动输入一些关键的模型变量数值，在很多情况下还需要对模型的评分结果进行覆盖。这种模型在业务中的应用方式就需要在模型设计开发的过程中，考虑如何解决验证客户提供信息的真实性、员工手动输入数据的可靠性、对模型评分结果覆盖的审批案例如何进行表现监控等问题。 目标变量的定义 建模人员应该对目标变量的定义进行如下描述：明确描述目标变量的定义，并说明为何这样的定义与要解决的任务问题是相关的；明确定义目标变量的表现时间窗（performance window）和观察时间窗：例如，目标变量可以定义为未来12个月贷款出现至少一次60天或60天以上逾期的概率。在这个定义里，“未来12个月”为表现时间窗，“贷款出现至少一次60天或60天以上逾期”为观察时间窗。如果模型需要满足监管部门的要求，此定义是否满足监管部门的要求；为何选择这样的定义而不是其他定义；对定义可能产生的误解进行澄清，如定义是在客户层面还是账号层面的，定义是在观察期之间的表现还是在观察期结束的时间点的表现等。 样本的选择 建模人员应该对建模样本的选择进行如下描述：样本选择的方法，如有随机抽样和非随机抽样（有目的抽样），其中随机抽样方法包括简单随机抽样、等距抽样、分层随机抽样、整群抽样几种常用类型；非随机抽样也称为有目的抽样，包括全面抽样、最大差异抽样、极端个案抽样、典型个案抽样几种常用类型；样本的大小，为了增强可测性和检验的准确性，应该尽量增大样本容量，但同时还应考虑可行性和经济成本；建模样本、保留样本、验证样本的划分；样本可能有的偏差，如必须通过审批的条件限制、经过客户自然流失后的样本、外部因素的变化对样本的影响如产品特征、竞争对手的策略、经济周期、季节性因素等。 分析的方法 分析方法的描述应该包括以下内容：数据获取渠道的描述，主要分为直接渠道和间接渠道：直接渠道主要指通过统计调查获得的第一手统计数据，如办理信用卡业务时客户填写的个人信息资料、当下十分流行的大数据方法等；间接渠道通常指通过查阅资料或者通过其他网站、平台获取的二手数据，如通过WIND或Bloomberg获得数据；模型的结构，根据所作的假设分析对象的因果关系，利用对象的内在规律和适当的数学工具，构建各个变量间的等式关系或其他的数学结构。同时，在建模过程中还应注意细节问题，如客户的分群、子模型的架构等；建模技术，在建模过程中常用到的数学方法和计算机技术，如logistic回归、决策树、普通线性回归、分层分析、聚类分析、时间序列等；变量的处理，如变量的剔除、转换、最大最小值的设置、缺失值的处理、变量相关性的处理等。
大脑处理信息量化模型中的细节汇编十一
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/043250494.html,，2006. Xie Qin. Model of Process Storing and Recalling [Z]https://www.360docs.net/doc/043250494.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