数学建模如何诱骗了华尔街
期货交易中的量化交易策略利用数学模型赚取利润
期货交易中的量化交易策略利用数学模型赚取利润量化交易是指通过运用大量数据和数学模型，以及使用算法和自动化系统来进行的交易策略。
它借助科技手段对市场进行分析和预测，进而制定出具有高度准确性和可执行性的交易策略。
期货交易是一种金融衍生品交易，它的风险和波动性较大，因此，利用量化交易策略来进行期货交易可以帮助投资者降低风险、提高交易效率，进而赚取更多的利润。
在期货交易中，利用数学模型进行量化交易策略的方法有很多种，下面将介绍其中几种常见的方法。
首先，统计套利是一种常见的量化交易策略。
通过对不同市场、合约之间的统计关系进行分析，找出其中的价格差异和相关性，进而制定相应的交易策略。
例如，通过对现货市场和期货市场的关系进行分析，以及对同一品种不同交割月份的合约进行比较，可以找到价格差异较大的机会，进而进行套利操作。
这种策略可以利用数学模型对历史数据进行回测和验证，以保证其稳定性和可靠性。
其次，趋势跟踪是另一种常见的量化交易策略。
该策略认为价格存在一定的趋势性，即价格在一段时间内具有明显的上升或下降趋势。
通过对价格走势进行分析，可以判断市场的长期走势，并采取相应的交易动作。
这种策略可以利用数学模型对市场进行技术指标的计算和分析，以及对历史数据进行回测，以确定交易时机和止损水平。
再次，配对交易是一种基于统计关系的量化交易策略。
该策略将两个相关性较高的品种进行匹配，当其中一个品种的价格出现偏离时，即可进行交易。
例如，对两个相关性较高的期货合约进行配对，当其中一个合约的价格上涨而另一个合约的价格下跌时，即可进行买入一个合约、卖出另一个合约的交易动作。
这种策略可以利用数学模型对两个品种的相关性进行分析和协整性检验，以确定交易时机和头寸配比。
最后，套利交易是一种通过利用市场价差进行风险无套利利润的量化交易策略。
通过对相关的期货合约进行研究和分析，可以找到价格差异较大的机会，进而进行套利操作。
这种策略可以利用数学模型对历史数据进行回测和验证，以确定交易时机和止损水平。
利用数学模型在网上赌博中赢取收益的途径
利用数学模型在网上赌博中赢取收益的途径在网上赌博中，利用数学模型来赢取收益是一个备受争议的话题。
虽然赌博通常被视为一种依赖于运气的活动，但是一些数学家和赌徒们认为，通过利用数学模型和策略，可以提高赌博的胜率和收益。
本文将探讨如何利用数学模型在网上赌博中赢取收益的途径。
首先，要想在网上赌博中取得长期赢利，了解基本概率论是非常重要的。
概率论是数学中一个研究随机现象的分支，对于赌博来说尤为重要。
赌博游戏中的每一次赌注都有一定的概率赢得或者输掉，了解这些概率可以帮助玩家做出更明智的下注决策。
其次，要在网上赌博中利用数学模型赢取收益，需要选择适合的游戏。
不同的赌博游戏有不同的规则和赔率，某些游戏的赔率更加有利于玩家。
例如，在一些知名的在线赌场中，像是黑杰克、轮盘赌和扑克等游戏都具备一定的数学规律和策略。
接下来，针对不同的赌博游戏，在合适的数学模型和策略的指导下进行下注，可以提高胜率和赢取收益。
以轮盘赌为例，通过分析轮盘赌的概率分布和赔率，可以运用一些数学模型来制定下注策略。
例如，采用马丁格尔数列等投注系统，可以在一定程度上增加胜率和收益。
不过，需要明确的是，数学模型并不能保证100%的胜利。
赌博的结果仍然受到运气的影响，即使使用了数学模型和策略，也可能出现连续的输局。
因此，在网上赌博中，要保持理性和冷静的态度，不盲目追逐赢利。
此外，值得强调的是，在网上赌博中赢取收益并非一个可持续的行为。
赌博一方面可能带来短期的利润，但另一方面也存在极高的风险。
过度的赌博行为可能导致巨大的财务损失和心理问题。
因此，我们不鼓励人们过度依赖数学模型和策略来进行网上赌博，而是应该将其视为一种娱乐活动，量力而行。
综上所述，利用数学模型在网上赌博中赢取收益的途径是存在的，但需要具备数学基础和概率论知识，并且选择合适的游戏和合理的下注策略。
然而，我们提醒读者要理性对待赌博，不要过度依赖数学模型，并要时刻注意风险。
赌博应该是一种娱乐活动，而不是一种长期赢利的手段。
利用数学模型解析市场问题
利用数学模型解析市场问题市场是一个充满竞争和变化的环境，因此对市场问题进行数学建模和分析可以帮助我们更好地理解和解决这些问题。
本文将介绍几个常见的市场问题，并展示使用数学模型解析这些问题的方法。
首先，我们来看看市场供需模型。
在市场中，供应商和需求者的行为将决定市场的价格和数量。
供给是指将商品提供给市场的数量，而需求是指市场上消费者愿意购买的数量。
供需的平衡将决定市场的价格和数量。
为了建立供需模型，我们需要确定供给曲线和需求曲线。
供给曲线表示供应商愿意在不同价格下提供的数量，而需求曲线表示消费者愿意在不同价格下购买的数量。
通过将供给曲线和需求曲线相交，我们可以确定市场的均衡价格和数量。
接下来，我们考虑市场竞争问题。
在具有多个供应商和需求者的市场中，供应商之间和消费者之间将展开竞争。
这可能会导致价格的变动和市场份额的变化。
为了解析这个问题，我们可以使用博弈论模型。
博弈论是研究决策制定者之间相互作用的数学工具。
在市场中，供应商可以选择价格和数量策略，而消费者可以选择购买的数量。
通过分析其决策和反应，我们可以确定最优策略和均衡结果。
除了供需模型和博弈论模型，还有其他一些数学模型可以用于解析市场问题。
例如，回归分析可以帮助我们确定市场变量之间的关系。
时间序列分析可以用来预测市场的未来趋势。
最优化模型可以帮助我们确定最优的资源分配策略。
在解析市场问题时，我们需要注意模型的假设和局限性。
市场是一个复杂的系统，存在各种因素的相互影响。
因此，我们的模型只能提供对市场行为的简化描述，并不能完全反映真实情况。
此外，模型的结果也需要根据实际情况进行解释和调整。
总结起来，数学模型是解析市场问题的有力工具。
通过建立供需模型、博弈论模型和其他数学模型，我们可以更好地理解市场行为，并从中获取有用的信息和见解。
然而，我们也需要意识到模型的局限性，并将其结果与实际情况相结合，以获得更准确和可靠的分析。
摧毁华尔街的数学公式
摧毁华尔街的数学公式（原名：The formula thatkilled Wall Street）从上世纪80年代中期起，华尔街就开始依赖金融工程精英们来创造各种新的获利途径。
他们创造金钱的方法一直成功运转了这么多年，直到其中一种“突然”引发了这场全球性的经济灾难。
一年前，人们总认为像李祥林（David X. Li）这样的数学天才可能会在某日得到诺贝尔奖的眷顾，因为金融经济学者，甚至华尔街的这类人才的确此前也获得过诺贝尔经济学奖。
李祥林的开创性工作是衡量投资风险，而在金融领域，他的成果与以前获得过诺贝尔奖的学者的贡献相比更有影响力、更快速地得到广泛应用。
然而，当晕头转向的银行家、政治家、监管者和投资者在这场自“大萧条”以来最严重的金融大崩溃的废墟中寻找事发根源时，他可能更应该庆幸的是自己还有一份金融业的工作。
李祥林从事的研究是确定资产间的相关性(correlation)，也就是将一些完全不同的事件之间的关联度用数学模型来量化。
这是金融领域中的一大难题，但他构建的被称为高斯相依函数的公式能以数学手段令极其复杂的风险比以前更容易和精确地被衡量。
基于这一公式，金融机构能够大胆地出售各种新型证券和金融衍生品，将金融市场扩张至几乎不可思议的水平。
从债券投资者到华尔街的银行，从评级机构到监管机构，几乎每一个人都在使用李祥林的公式。
很快，利用这一公式来衡量风险的方法已经在金融领域深入人心，并且帮人们赚到了大量金钱，使得任何对此公式的局限性的警告都被人们忽视了。
然而，突然间，使用这一公式的人们发现，金融市场开始出乎他们意料之外地变化。
小小的裂缝在2008年演变成了巨大的峡谷，瞬间吞噬了成千上万亿的资金，将全球银行体系推向了崩溃的边缘，并引发了这场波及全球各个角落的经济危机。
可以肯定地说，李祥林在短期内都不可能获得诺贝尔经济学奖的眷顾了。
而这场金融大海啸也使得金融经济学此前受人们顶礼膜拜、坚信不疑的地位不复存在。
数学建模在金融工程中的应用
数学建模在金融工程中的应用1.引言数学建模是一种运用数学方法、工具和思想对实际问题进行抽象、描述、分析和求解的过程。
金融工程是一门涵盖计量金融、金融数学和金融工具等方面内容的学科，将数学建模与金融领域相结合，可以更好地理解市场变动，分析风险，优化投资策略，具有广泛的应用前景。
2.金融工程中的数学建模方法2.1 随机过程模型在金融领域，市场价格是一种随机的过程，追求的是价格变化的规律性。
因此，随机过程模型成为了金融领域最为重要的数学模型之一。
这种模型包括布朗运动、几何布朗运动、跳跃扩散模型等，它们的应用可以用来对股票、债券等金融产品的价格和波动等进行预测和分析。
2.2 期权定价模型“欧式期权”是金融领域中最常见的一种期权，常用的定价模型有布莱克-斯科尔斯模型、服从正态分布的复合二项式模型等。
除此之外，“亚式期权”、“美式期权”等也是目前金融领域中广泛研究和应用的期权模型。
2.3 最优化模型在金融投资中，最大化收益、最小化风险等问题一直是投资者和投资机构关注的主要问题。
优化模型可以用来解决这些问题，如一些基于均值－方差的资产配置模型或基于期望收益－风险模型等。
3.具体案例以典型的套利案例为例，解释数学建模在金融工程领域中的应用。
套利是指在同一时间和同一地点，以不同价格买进和卖出同一个商品或者金融产品，从而获得收益的一种策略。
起初，交易双方是不同的双方，但是由于交易双方的差异和规则限制等因素，出现了价格差异。
接下来，我们将从实际案例出发，介绍数学建模在套利中的应用。
3.1 Pairs TradingPairs Trading是一种套利策略，它通过寻找相似性很高的两只股票，构建一个组合，对这个组合的价格做出大小不一的下注，当收益率的波动产生时进行买卖，取得收益。
其数学原理在于协整检验及最小二乘回归模型，建立了数学模型，可以进行复杂的计算和分析。
3.2 基于期货对冲的风险控制期货是另一种套利方式，主要用于对冲期权、股票等的风险。
数学建模方法在金融交易策略设计中的应用分析
数学建模方法在金融交易策略设计中的应用分析引言：金融交易策略设计是金融领域中非常重要的一个任务，如何通过合理的策略设计来获取最大利润一直是投资者和交易员关注的核心问题。
数学建模方法的应用在金融交易策略设计中具有重要的作用，可以帮助交易员更好地理解市场，优化交易决策，提高交易效率。
本文将探讨数学建模方法在金融交易策略设计中的应用，并分析其优势和局限性。
一、数学建模方法在金融交易策略设计中的应用1. 时间序列分析时间序列分析是金融交易策略设计中常见的数学建模方法之一。
通过统计学原理，分析历史交易数据的走势，建立数学模型预测未来的市场走势。
时间序列分析方法包括平滑法、趋势法、周期法等。
这些方法可以帮助交易员捕捉市场走势的规律，制定适应市场的交易策略。
2. 随机过程模型随机过程模型在金融交易策略设计中广泛应用。
通过建立随机模型，模拟金融市场的波动，分析价格、波动率等随机变量的特征。
常见的随机过程模型包括布朗运动、几何布朗运动等。
这些模型可以帮助交易员预测价格变动和风险，并制定相应的交易策略。
3. 优化模型优化模型在金融交易策略设计中也起到重要作用。
通过建立数学模型，最大化投资收益或最小化风险。
常见的优化模型包括线性规划、非线性规划等。
优化模型可以帮助交易员找到最佳的交易策略，配置最优的投资组合。
二、数学建模方法在金融交易策略设计中的优势1. 提高决策精度数学建模方法可以通过对历史数据的分析，找到市场的规律和趋势。
通过合理的模型建立和参数估计，可以预测未来的市场走势。
这样，交易员可以根据数学模型的预测结果，制定更准确的交易策略，提高交易决策的精度。
2. 优化交易成本数学建模方法可以帮助交易员优化交易成本。
通过建立数学模型和优化算法，可以实现交易策略的自动化执行，减少人为操作的影响，降低交易成本。
同时，数学模型还可以帮助交易员选择最佳的交易时机和交易策略，进一步降低交易成本。
3. 提高交易效率数学建模方法可以提高交易效率。
数学建模在商业金融领域的应用研究
数学建模在商业金融领域的应用研究在商业金融领域，数学建模是非常重要的工具。
它可以通过收集和分析海量数据，提取有用信息，预测市场走势和未来发展趋势，辅助决策，为企业创造更大的价值。
本文将从几个方面探讨数学建模在商业金融领域的应用研究。
一、金融市场预测模型金融市场的波动性和复杂性使得预测市场走势变得非常困难。
但是，数学建模可以通过构建合适的数学模型，使得对市场的预测更加准确。
常见的金融市场模型包括时间序列模型、随机漫步模型、ARCH模型、GARCH模型等。
这些模型可以用来预测金融市场的涨跌、波动性等。
例如，利用ARCH模型可以建立股票市场的波动率模型，从而有助于制定风险管理策略。
二、财务分析模型财务分析是企业决策的基础。
数学建模可以帮助企业进行财务分析。
例如，企业可以利用回归模型分析销售收入和成本之间的关系，从而找到成本控制的关键点；利用贝叶斯定理进行信用评级等。
此外，数学建模还可以对财务风险进行评估和管理，例如利用期权定价模型对市场波动性进行预测，从而进行风险计量和风险控制。
三、智能投资模型智能投资模型是指利用计算机和大数据技术建立的一种自动化投资模型。
智能投资模型通过对海量数据的处理和分析，将投资行为自动化，并利用数学模型进行投资决策。
智能投资模型的优点在于，可以通过机器学习模型对历史数据进行分析，并利用这些模型预测未来市场趋势。
此外，智能投资模型还可以根据不同的风险偏好和投资目的，自主调整投资策略，提高投资回报率。
四、模型验证和优化数学建模不仅仅是建立模型，还需要对模型进行验证和优化。
模型验证是指通过样本外测试、预测错误分析、模型选择等方法，检验数学模型的准确性和适用性。
模型优化是指通过调整模型参数、改进数据收集与处理方法、选择更优的模型等方法，提高模型的预测能力。
模型验证和优化是数学建模应用的重要环节，是保证模型准确性和有效性的关键。
结语数学建模在商业金融领域的应用研究，已经有了长足的进展。
李祥林：“摧毁华尔街”的不是我的数学公式
SHANGHAI INSURANCE MONTHLY ·FEB 2019李祥林：“摧毁华尔街”的不是我的数学公式Matthias Scherer Giovanni Puccetti李祥林（David X.Li），现任上海交通大学上海高级金融学院金融学教授，中国金融研究院副院长、金融硕士项目联席主任。
此前，在中外一流金融机构工作二十多年，从事产品开发、风险管理、资产负债管理和投资分析相关工作。
曾任中国国际金融有限公司（CICC）首席风险官，花旗银行（Citigroup）和巴克莱投行（Barclays Capital）信用衍生产品分析和研究部负责人，美国国际集团（AIG）资产管理公司分析部门负责人。
拥有数学学士学位，经济、金融和精算学硕士学位，以及加拿大滑铁卢大学的统计学博士学位。
目前担任《北美精算学报》（North American Actuarial Journal）副主编、滑铁卢大学兼职教授、多伦多全球风险研究所高级研究员，以及新加坡国立大学风险管理研究所高级顾问。
其开创性研究成果——将连接函数引入信用组合模型，被学术界广泛引用，并且被全面应用于信用组合、风险管理和评级的实务中，这一成果也被《华尔街日报》《金融时报》《日本经济新闻》及《CBC新闻》等媒体大幅报道。
【编者按】2008年，以雷曼兄弟的倒闭和美国政府救助美国国际集团（AIG）为标志，美国次贷危机演变为波及世界的金融危机，至今影响犹在。
危机发生以来，尤其是在2009年，各国都在反省导致危机的主要原因，但立场不同会决定观点迥异，其中有一种替美国华尔街脱罪辩护的观点是让中国人来“背锅”，理由有两条：一条是中国因贸易顺差而大量购买美国国债，导致长期债利率低于短期债利率；另一条则是说华人精算师李祥林（David X.Li）在2000年发明的用“连接函数（copula function）”度量“违约风险（default risk）”的模型，被华尔街的金融机构用作次贷衍生产品特别是用于担保债务凭证（CDO）产品的定价公式，从而成为了“摧毁华尔街的数学公式”。
华尔街之狼 原理
华尔街之狼原理
华尔街之狼，即指的是一种贪婪、无度的金融行为，常常以不道德的手段获取巨额利润。
这一行为模式最早出现在20世纪80年代的美国华尔街金融业中，由于这些金融从业者的贪婪和冷酷，给整个金融市场带来了严重的破坏和不稳定性。
华尔街之狼的行为原理主要有以下几个方面：
1. 高度杠杆：华尔街之狼通常会利用高杠杆投资策略，通过借入大量资金来进行高风险投资。
这种方式可以最大程度地提高投资回报，但同时也带来了巨大的风险。
2. 高频交易：华尔街之狼往往通过使用快速的电脑算法和高速交易网络，在毫秒级别上进行数倍于正常交易量的交易。
这种高频交易的目的在于通过快速获取市场信息和利用微小的价格变动来获取利润，但也加剧了市场的不稳定性。
3. 操纵市场：为了获取更多的利润，华尔街之狼常常会采用操纵市场的手段。
他们可能通过在市场上大量买入或抛售某个股票或商品，来人为地影响其价格，从而获得更多的收益。
4. 信息不对称：华尔街之狼往往拥有更多的市场信息和资源，可以利用这些信息来获取不公平的交易优势。
他们常常通过私下获取关键信息、利用内幕消息等手段来获得更高的收益。
5. 无视风险：华尔街之狼往往对风险不加以考虑，只追求短期利润。
他们常常忽视了高风险投资的潜在风险，将所有的赌注
都押在一次投机上。
总结起来，华尔街之狼通过高度杠杆、高频交易、操纵市场、信息不对称等方式来获取利润，但这种不道德、贪婪的行为常常会导致金融市场的不稳定和破坏。
因此，监管机构和监管框架的建立以及金融从业者的自律十分重要，以遏制华尔街之狼的行为。
利用数学模型在赌博中获益
利用数学模型在赌博中获益在赌博中获益的利用数学模型赌博，作为一种社交娱乐活动，自古以来就备受争议。
有些人将其视为靠运气获取财富的机会，而大多数人则认为赌博是一种不负责任的行为。
然而，有一部分人通过利用数学模型来分析赌博的概率和赔率，寻找一些潜在的机会以获得利益。
本文将探讨如何利用数学模型在赌博中获益。
首先，我们需要了解数学模型在赌博中的应用。
赌博是建立在概率的基础上的，而数学正是用来分析概率和统计数据的工具。
通过数学模型，我们可以计算在不同赌局中的获胜概率和预期收益。
这种分析使得我们可以根据概率来做出明智的决策，从而最大化我们的获利。
其次，我们需要找到一个适当的数学模型来分析赌博。
常见的数学模型之一是概率论。
概率论可以帮助我们计算在某种特定赌局中获胜的概率。
例如，在赌场的轮盘赌中，我们可以使用概率论来计算每个数字或颜色的获胜概率。
另一个常用的数学模型是统计学。
统计学可以帮助我们分析不同赌局中的赔率和收益分布。
通过统计学的方法，我们可以推测在长期内的盈亏情况，从而制定出更优的赌博策略。
接下来，我们需要具备一定的数学知识和技能来应用这些数学模型。
在赌博中，我们需要进行复杂的计算和模拟。
例如，我们可以使用蒙特卡罗方法来模拟赌局，通过多次模拟来估算获胜的概率和预期收益。
此外，我们还需要了解概率分布、期望值、标准差等基本概念，以便更好地分析赌博的风险和回报。
然而，我们也必须认识到赌博仍然具有风险和不确定性。
尽管数学模型可以帮助我们制定更优的策略，但并不能完全消除风险。
赌博本身就是一种不确定的活动，胜负往往取决于运气和偶然性。
因此，在利用数学模型进行赌博时，我们应该明确自己的目标和风险承受能力，并且合理设置赌博资金，不盲目追求高收益而忽视风险。
最后，我们需要遵守法律和道德规范。
虽然利用数学模型在赌博中获益在理论上是可行的，但在实际操作中可能涉及到违法行为或不道德行为。
在一些地区，赌博是非法的，或者有一些特定的限制和规定。
数学建模在金融领域中的应用
数学建模在金融领域中的应用一、引言金融领域是数学建模的重要应用领域之一。
通过数学建模，我们可以更好地理解金融市场中的规律和现象，预测市场走势，并制定出更有效的投资策略。
本文将介绍数学建模在金融领域中的应用，包括金融风险评估、股票价格预测和投资组合优化等方面。
二、金融风险评估金融风险是指由于金融市场波动或不可预知因素导致的投资收益偏离预期值的可能性。
金融风险评估是投资决策中不可或缺的环节，数学建模为金融风险评估提供了有效的工具和方法。
以股票风险评估为例，我们可以利用数学模型对每只股票的风险进行量化分析。
一种常用的方法是利用历史数据计算出股票的收益率序列，然后通过概率分布函数估计出该股票未来收益率的概率分布。
在此基础上，可以计算出该股票的风险价值，从而进行风险评估。
另外，通过对多个股票的风险进行集成分析，可以得出整个投资组合的风险水平。
这一过程中，数学建模在寻找最优的投资组合时起到了重要的作用。
三、股票价格预测股票价格预测是金融领域中最具挑战性的问题之一。
数学建模为股票价格预测提供了多种方法，包括时间序列分析、回归模型、神经网络等。
时间序列分析方法主要利用历史数据中的股票价格序列，通过建立ARMA、ARIMA等模型进行预测。
回归模型则利用股票价格与其他因素之间的关系进行预测，例如公司财务数据、行业平均水平等。
神经网络方法则具有自学习和自适应的能力，利用大量数据进行学习和预测。
以上方法各有优劣，都需要结合实际情况和历史数据进行选择和调试。
同时，随着机器学习和深度学习等技术的发展，数学建模在股票价格预测领域的应用也将越来越广泛。
四、投资组合优化投资组合优化是指在多种不同投资方式中，找到一种最优的投资组合，以达到最大的投资收益和最小的风险。
数学建模在投资组合优化问题中发挥着关键的作用。
以Markowitz模型为例，该模型将投资者的投资组合看作是不同股票的组合，通过分析股票之间的相关性和收益率来定量描述股票的风险。
庞氏骗局的数学模型
庞氏骗局的数学模型这篇文章其实没有结论，标题也是我拍脑袋想的，目的是抛砖引玉。
最近的麦道夫，去年的蚁立神。
在他们成名之后倒闭之前，都是商业英雄大众偶像，是信誉化身和不败传奇。
再牛的操盘手和证券经纪都不能保证稳赚不赔，但是他们能。
在最后一次的溃败之前，看起来的确如此。
蚁立神欺骗了一个城市，麦道夫欺骗了一个国家。
那么在可能的情况下，这个倒立的金字塔能建多高？我很想知道这样一个具体的数据化模型。
假设骗局的上限跟麦道夫一样是500亿美元，每位投资人付出10w 美元。
按最原始的庞氏骗局参数来计算，每三个月付给投资者40%的利润回报，那么他是如何做到财务平衡，他最大可能为维持多久？骗局发明人查尔斯·庞兹在七个月内吸引了三万名投资者并持续一年，远远比不上麦道夫维持40年之久的记录。
想来是麦道夫的回报率是每年20%左右，相对来说比较安全(接近于正常的投资收益，偏偏遇上金融危机了)。
以我有限的数学知识就只能说到这个份上。
数学达人乱入，坐等该模型。
图：麦道夫网络释义：互动百科：庞氏骗局是一种最古老和最常见的投资诈骗，是金字塔骗局的变体，很多非法的传销集团就是用这一招聚敛钱财的，这种骗术是一个名叫查尔斯·庞齐的投机商人“发明”的。
维基百科：庞兹骗局，在华人社会又称为非法集资、“非法吸金”，在台湾的俗称叫作老鼠会。
是层压式推销方式的一种。
参与者要先付一笔钱作为入会代价，而所赚的钱是来自其他新加入的参加者，而非公司本身透过业务所赚的钱。
投资者通过吸引新的投资者加入付钱，以支付上线投资者，通常在短时间内获得回报。
但随着更多人加入，资金流入不足，骗局泡沫爆破时，最下线的投资者便蒙受金钱损失。
# Comments by iamiam：假设这样一个简单的模型：所有新加入的成员都把本金放入组织的本金库，每年给每个人派发利润。
如果是维持20的利润，也就是说，不算复利的话，5年时间当前所有成员都可以收回自己的本金，那么五年之后，如果没有新成员加入，本金库就会被派发一空，利润体系崩溃。
华尔街如何欺骗他们的电脑
对那些 正 常的风 险报 警 。 金融公 司希望他们 的资
金水平尽可能平稳 ， 这样他们可 以欺骗那些 交易
管理 者 们 。
Be m
说 a n
，
完 成这 个 目标 的一
个方法 ， 是让
计算机 模 型 观 察 几 年 的交 易历 史数据 ， 而 不 是 几
个月 的数据 ， 这 样 计算机 在 风 险升 高应该 报警 时
近 日 ， 欧 洲 网络与信息安 全局 ( E N Is A )正 在研究用三 种标 准 的技术增 强 网络地 址 系统 的 安 全 ， 以 应 对 最 近 发现 的互 联 网域名 系统 中的 安 全漏 洞 。 互 联 网 域 名 系统 中的 安 全 漏 洞 已 经
深远 的
被证 明 能 够毒害域 名解 析服 务器 ， 黑 客有 可 能
在最 近 导航研究所举行 的会 议上 ， 研 究 者发
欧洲计划推行三 标准应对 D Ns 漏洞
表 了一 篇论 文 说明攻 击过 程 ： G P s 攻 击设 备放 在
雠～一一一一一一一一一一一一一一～一一一一一一一一一 导航设备的附近 ， 攻击设备接收、 修改并重新发 送 从 ，G P s 卫 星 收 到 的 信号 ， 导 航 设 备最 后 错 误 地 认 为伪造 的 信号是正 确 的 信号 。 由于 G P s 技 术 被 广泛 的应用 ， 所 以 G P s 攻 击带来的影 响也 是非常
一 个模 型 认 为某公 司 的风 险提 高 了 ， 该公 司 必 须
采 取措 施 削减 他们 的风 险 ， 或 者提供 更 多 的资本
作 为市场转坏时的准 备金 。
介 公 司 的 R i s k M e f r j ( ，s
Gr e 职 B e m a n
华尔街做空套路做法
华尔街做空机构通常会采用以下套路做法：
发布负面报告：通过发布报告指责目标公司存在操作股价和会计欺诈等问题，引起投资者恐慌，纷纷割肉逃离，导致该公司股价一跌再跌。
带头卖出股票：在发布负面报告后，做空机构会带头大手笔卖出股票，导致股价大幅度回落，引起市场恐慌情绪。
趁机低价收购：当股价跌到一定的价位时，做空机构会趁机低价收购筹码，完成收割。
需要注意的是，做空存在一定的风险，需要对市场和公司进行深入研究和分析，以降低投资风险。
同时，投资需谨慎，不要盲目跟风。
量化数据的呈现与讨论
量化数据的呈现与讨论
呈现：
量化数据是将一些不具体，模糊的因素用具体的数据来表示，以一定范围内线性变换的数据反映自然界或社会的状态，从而达到分析比较的目的。
类别数据是按照现象的某种属性对其进行分类或分组而得到的反映事物类型的数据，又称定类数据。
虽然量化分析可以帮助更加方便和直观地衡量风险和收益，但需要强调指出的是，美国华尔街顶级量化金融大师、哥伦比亚大学著名教授伊曼纽尔·德曼，在《数学建模如何诱骗了华尔街》一文中，毫无忌讳地承认：根本不可能（通过数理分析方法）发明出一个能够预测股票价格将会如何变化的模型；如果我们相信人类行为可完全遵守数学法则，从而把有着诸多限制的模型与理论相混淆的话，其结果肯定会是一场灾难。
扩展讨论：
股市的可预测性问题与有效市场假说密切相关。
如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。
众多的研究发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完
全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。
股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限，不同(但相近)类别股票指数合约交易，以赚取差价的行为，股指期货套利主要分为期现套利和跨期套利两种。
股指期货套利的研究主要包括现货构建、套利定价、保证金管理、冲击成本、成分股调整等内容。
西方鼓吹的人工智能，是一场华尔街金融骗局
西方鼓吹的人工智能，是一场华尔街金融骗局到目前为止，西方机器人和人工智能，仅仅停留在概念层面。
其主要目的，只是推高科技股的股价，没有其他价值。
玩过股票的朋友一定知道，炒股票的人，一定要多看新闻。
因为一则新闻往往会对一支股票的股价产生重大影响。
新闻影响力这个概念，最早来自美国。
美国以犹太教，基督天主教，基督新教为主流，每个教派都控制着一家或多家新闻媒体。
要看一家美国新闻媒体的属性，主要看总裁和董事会的人员构成。
如果能掌握了解董事会的宗教背景，家族来历，基本能推断出，其背后的资金来源，和所宣传的意识形态与价值观。
和中国不一样的是，美国的股市，相当于中国的房市。
很多人拿中国房价坚挺，股市惨淡，来对比美国的房价便宜，股市坚挺，是非常可笑的。
那么，不同宗教派系下的媒体，自然会对美国股市和多个股票产生重大影响。
因此，不断播放人工智能的新闻，炒作各类机器人题材的话题，就是为了吸引大量投资热钱前往，拉升股价，完成收割，留下一地韭菜汤。
这在创投圈，被称为“风口”。
懂得做生意的人，就会善于捕捉“风口”。
人工智能是近几年很大的一个投资风口，从阿尔法狗到今天，人工智能和机器人概念层出不穷，继而影响到很多应用层面，包括智能驾驶，智能家居，智慧城市。
然而，今天一切西方所宣传的人工智能，没有一个已经真正应用在实际层面，否则，人工智能武装下的美国军队，完全有能力在叙利亚战场上，阻挡住俄叙土伊四国联军的攻势。
可见，这些都是华尔街犹太资本伪造的假科技。
在人类社会的发展重大进程中，最大的影响，首先是环境和天灾，这起到了至关重要的作用。
比如，北宋末年，全球气候寒冷，牧草肥壮，战马大量繁殖，促进了北方草原游牧民族和森林游牧民族的壮大，最终导致了蒙古和女真的壮大，改变了整个世界文明的进程。
在自然面前，机器人，人工智能，是微不足道的。
西方推崇的人工智能，如果没有相应的基础设施，那就永远只能停留在科幻电影中。
导致西方人工智能概念无法发展的核心原因有两个：语言劣势和语料库稀缺城市基础建设力度不行学习计算机的人，往往被要求一定要数学好。
大模型 算法偏见的例子
大模型算法偏见的例子大模型算法偏见的例子：1. 性别偏见：大模型算法在训练过程中可能会倾向于学习到一些与性别相关的偏见。
例如，在招聘领域中，如果使用大模型算法来筛选简历，算法可能会倾向于偏好男性申请者而忽视女性申请者。
这是因为算法在训练集中可能会发现男性在某些职位上的表现更好，从而导致偏见的产生。
2. 种族偏见：大模型算法可能会在训练过程中学习到种族相关的偏见。
例如，在刑罚预测领域中，算法可能会倾向于对某些种族的犯罪嫌疑人给予更严厉的刑罚，而对其他种族的犯罪嫌疑人给予较轻的刑罚。
这是因为算法在训练集中可能会发现某些种族更容易犯罪，从而导致偏见的产生。
3. 年龄偏见：大模型算法可能会在训练过程中学习到年龄相关的偏见。
例如，在拒绝贷款申请的决策中，算法可能会倾向于拒绝年长的申请人，而给予年轻人更多的机会。
这是因为算法在训练集中可能会发现年长的申请人更容易违约，从而导致偏见的产生。
4. 地域偏见：大模型算法可能会在训练过程中学习到地域相关的偏见。
例如，在推荐系统中，算法可能会倾向于给予用户与其所在地相似的内容推荐，而忽视其他地区的内容。
这是因为算法在训练集中可能会发现用户更喜欢与其所在地相关的内容，从而导致偏见的产生。
5. 职业偏见：大模型算法可能会在训练过程中学习到职业相关的偏见。
例如，在保险领域中，算法可能会倾向于给予某些职业的人更高的保险费率，而给予其他职业的人较低的保险费率。
这是因为算法在训练集中可能会发现某些职业的人更容易发生事故，从而导致偏见的产生。
6. 教育偏见：大模型算法可能会在训练过程中学习到教育相关的偏见。
例如，在招聘领域中，算法可能会倾向于给予具有名校背景的申请者更多的机会，而忽视其他学校的申请者。
这是因为算法在训练集中可能会发现名校的学生更容易成功，从而导致偏见的产生。
7. 收入偏见：大模型算法可能会在训练过程中学习到收入相关的偏见。
例如，在信用评估领域中，算法可能会倾向于给予高收入人群更高的信用评分，而给予低收入人群较低的信用评分。
西蒙斯用公式打败市场的故事(6)
第18期31●忻海西蒙斯用公式打败市场的故事（六）Trend 责任编辑:赵迪黑箱究竟有多黑对于别人所说的“黑箱投资”和其中所隐含的贬义，西蒙斯不以为然。
人们把量化投资方法叫黑箱投资主要出于三个原因。
其一，大部分的量化投资基金都非常注意保密，因为它们的数学公式就是它们的命根子。
如果告诉别人，这就像一个常常到密林的同一个角落采集珍贵蘑菇的人把这个地方告诉了别人，别人抢先挖走了蘑菇，而他自己只能喝雨水。
所以，蘑菇在哪里，这是谁都不可以说的秘密。
西蒙斯自己的复兴技术公司前两年就曾通过法律手段追杀从该公司跳槽到竞争对手那里工作的两位博士，原因也是为了防止公司的秘密外泄，不过这个故事我们留到后面再细说。
其二，很多人都认为所有的量化投资公司都采用非常复杂的数学公式来进行投资，因为量化基金里面似乎到处都是像西蒙斯这样的，可以轻松出入十维空间的江湖异人。
其实，也有相当多的量化基金采用相对简单的数学公式，只用一两行就能解释清楚。
许多量化基金的复杂也许在于它的科技：电脑系统、通信技术、电子交易手段等。
这个关于交易技术的问题非常关键，我们也将专门花一章的篇幅介绍，这里按下不表。
就连西蒙斯自己也提到，大奖章基金所用的数学都是很简单的数学，远远达不到陈-西蒙斯理论那样的难度。
其三，对相当一部分人来说，依靠对技术型数据的研究分析来进行投资的行为是和使用占星术来预测个人的运程或者预测金融价格的走势很类似的。
占星术的结论（或者说谶语）是如何来的？还不是黑箱！而且是毫无科学依据的、遮人眼目的黑箱。
所以，很多人把采用量化投资方法的基金都叫黑箱，因为不知道里面究竟是什么药。
在黑箱里面，西蒙斯的大奖章基金则尤其“黑”，因为除了公司内部的工作人员和一些过去的工作人员之外，外界很少有人知道大奖章的投资策略。
其他的基金一般要向投资人披露一些关于投资策略和流程的信息，但是大奖章在成立之后的20年间基本上什么都没说过。
一个大奖章的长期投资人在接受采访的时候被问到有关西蒙斯投资策略的问题，他先是支支吾吾，因为他也说不出什么，他接着说道：“我们相信吉姆，因为他是个聪明人。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数学建模如何诱骗了华尔街
译者：earthseven
译者自我简介：嗯，超喜欢松鼠会,因此借着这个机会做点贡献啦……本人现在帝都学物理，标准的理工宅男一枚，希望能与大家多交流！><
校对：伏维阁主
小红花等级：3朵
原文:
/2011/10/tt-ns-2835-how-mathematic al-modelling.html
伊曼纽尔·德曼[1]写于2011-10-19
现实世界——从种族隔离制度到金融市场——一直在警示我们：那些试图通过科技来掌握复杂人类行为的做法会使我们误入歧途。
无论是在科学领域，还是在日常生活中，我们都经常会做出一些幼稚的事：我们坚持把未知的事物放进我们构想出来的模型里，坚持事实和我们所给出的模型能很好吻合。
在这里，我想引用著名的生物学家以及无神论者理查德·道金斯[2]在2007年洛杉矶时报上发表的一篇时评[3]。
他认为绞死萨达姆·侯赛因可以算作是一种科学层面上的…蓄意破坏‟。
他认为：“（萨达姆的）那些思想无论在史学，政治学以及心理学上都是独一无二的资源。
……那些拼命想要弄清一个人怎么可能如此邪恶的心理学家肯定会不惜一切代价换取这样的研究对象。
而政治学者们，则永远地失去了关键的证据。
”
这段评论着实让人难以恭维。
如果有人认为，通过对萨达姆、希特勒或是斯大林进行审问或是解剖他们的大脑，就能学会避免创造出像他们那样的恶魔。
那他们根本就不理解人性的复杂。
类似的例子在我们的日常生活中也随处可见，只是有些带来的危害没有那么大而已。
我曾经在南非长大，那时候南非还在实行种族隔离制度[5]。
我想当时的政府一定很想要这么一种设备：它可以检测人的血统，从而将人精确、恰到好处地归为白人，本地黑人，印度人，以及有色人。
这样就可以为他们省去不少事。
人种分类其实就是利用了一个种族和基因起源的模型，然后把这个有着致命缺陷的模型应用到现实世界的一个公然的尝试。
让我们回到主题。
为了恰当地描述我之前提到的那些幼稚行为，我自创了“拟物化（pragmamorphism）”一词。
假如“拟人化”指的是把人类的特征赋予没有生命的个体上，让物体具有人的形态的话，那么相对应地，…拟物化‟就是指把无生命物体的特点赋予人，让人的思想具有物的性质。
我必须承认我一直在使用“拟物”的方法，所写的都是我本人的所思所感，。
我通过使用物理和数学中的方法对股票价格进行建模，还用非物理量去代表市场中人与人的相互作用。
只要你了解模型的局限所在，建模就并非一定是坏事。
在我的新书《Models. Behaving. Badly》里，我解释了为什么无论在华尔街还是在日常生活中，把理论和模型分清楚都是至关重要的。
早年，在刚开始工作时，我是一名物理学家。
那时候的我对科学充满热情，心中怀抱着伟大的理想和抱负，渴望成为另一个的阿尔伯特·爱因斯坦[6]或是欧文·薛定谔[7]。
这些大物理学家们仅仅依靠直觉就发现了宇宙的定律。
而物理学最奇妙的地方就在于：17世纪，牛顿[8]只用了几个简洁的定理和公式去描述自然万物，就达到了令人难以置信的准确度。
而在20世纪，爱因斯坦、薛定谔还保罗·狄拉克[9]所做的那些伟大工作也一样不可思议。
狄拉克的那个著名方程在描述电子可观测的性质上已经达到了11位有效数字的精度（《科学人》，243期，2号，91-101页）。
图片来源：Science American
在1985年末，我离开粒子物理领域进入高盛集团，投身于金融研究。
我在那儿为期权和市场构造物理模型。
作为最早在华尔街工作的物理学家之一（或被称为“POW”）[10]，我工
作的主要内容就是进行数量分析[11]，现在人们用“quant”[12]这个词来描述做着同样工作的人。
金融学曾经如此另人兴奋：它和我所熟悉的物理学似乎是如此相似。
交易员就像是实验者，而我自己是一名与他们共事的理论学家。
没过多久，我就开始相信或许可以把物理当中的方法应用到经济学上，甚至能由此建立起一个证券业的大统一理论。
顺着这思路，我发表了不少论文，也建了很多模型，这其中就包括德曼-卡尼局部波动模型[12]。
其中有几个模型到现在还在被广泛使用。
但是这些模型并不是每个人都能用好的——只有那些聪明、审慎的人才可以。
幸运的是，与我共事的大部分交易员都知道如何正确使用它们。
但不是所有人都能像他们一样。
理论和模型不同。
理论所做的是试图去发现那些维系自然世界运作的基本原理。
它要的是证明，而不是理由。
一个理论之所以成功，是因为它可以真实地描述世界是怎样运行的。
只要你想一想那些关于物质的定律、有关光的方程，还有量子力学，你就会发现：它们和其他所有理论一样，只有发现，没有成因，因为它们本身即是事实。
简而言之，理论是和别的事物没有关系的。
而模型，却总是和别的事物有所关系。
它们是某种形式的隐喻或类比。
把人脑比作电子计算机——这是一个模型；把电子计算机比作电子化的人脑——这也是一个模型。
模型能做的仅仅是告诉你，某个东西很像什么，而且模型中一定存在简化，而这些简化很可能会省略这个物体的某些性质。
在经济学领域，没有“真正”的理论可言，我们能做的只有建立模型。
比如说，有效市场模型就是将股票价格变化类比于房间里的烟雾扩散情况，然后用物理扩散原理来进行计算。
但它已经发生了严重偏差。
这样的类比是有缺陷的，它既不是理论也不是事实。
要知道，物理学和金融学的相似处在于它们所用到的数学语言的语法，而不在于它们二者的内容。
现在让我们回到学术上来。
全世界都想要弄清楚经济和市场都是怎么运作的。
在过去的二十年间，美国遭受了多次冲击：制造业的衰退；金融业的快速增长；金融业对监管系统的控制；经济震荡时的货币刺激计划；用纳税人的钱救助大公司；滋生腐败的裙带资本主义的普遍化；私人利益与公众利益之间的矛盾；劫贫济富的现象；信用评级机构把给出不实良好评级作为其经营策略的一部分；国家（比如希腊）通过缓解货币流动性短缺来应对债务危机……当然，还有糟糕的经济模型的广泛使用。
从日报的经济版上那些明争暗斗就可以看出，经济学其实是这样一门学问：它的大部分内容是关于什么对社会有益以及怎么去做的。
我们曾经把经济学、政治学以及哲学放在一起，称
为“PPE（即Politics，philosophy and economics）”——伦理学或道德科学（moral sciences）。
如今我们把经济学和数学、心理学以及神经科学这些在传统意义上与道德判断无关的科学放在一起，称为“MPNE（即Mathmatics，psychology，neuroscience and economics）”。
这么说或许并没有错，但假如经济学是关于什么是好的并且该怎么做的科学的话，那它就不应当是与价值判断无关的。
它的数学模型所采用的类比都极不恰当；它的论文读起来就像是欧几里得的《几何原本》一样充塞着各种公理和定理；它的模型看上去越像那么回事的，实际效果反而越差。
事实就是，我们根本不可能发明出一个能够告诉我们股票价格将会如何变化的模型。
但是身处经济领域核心的高人们已经沉迷于科学所表现出来的简洁与优美，而忘记了其中蕴藏着的危险，忘记了市场和价格其归根结底在于人的行为。
对人类行为进行建模，最危险的地方就在于这是某种形式的“拟物化”，在于设想有人可以写出一个能囊括人类所有行为的理论，让我们免除了进行复杂思考的麻烦。
但是如果我们相信人类行为会完全遵守数学法则，从而把有着诸多限制的模型与理论相混淆的话，其结果肯定会是一场灾难。
经济学家们认为事物是简单的，所以人也能被简单地建模。
但是伟大的量子力学波动方程之父薛定谔深知，物质的表面现象会掩盖其下隐藏的奥秘。
在《什么是生命》中，他写道：“我的身体就像一个纯粹的机械装置那样依照自然法则运转，但是从无可争议的直接体验中，我知道我能指导它的行为……我能感觉到这些行为，并且也愿意为这些行为负全责。
”就像薛定谔一样，我们也应该承认科学之下蕴藏的谜团。
一方面，科学家要有能力去发现自然的运行机制，而另一方面，为了去发现这些机制我们又不能不假设科学家拥有独立、自主的人格，他们必须能明辨是非，而不只是一种机械的存在。
简而言之，为了发现规律，我们必须假设我们不受规律奴役。
就算你不能以薛定谔的眼光看问题，你也必须明白社会科学——特别是金融领域——的模型和物理学的模型有很大的不同。
这一点应该像“健康警告”一样为人牢记。
[1] 伊曼纽尔·德尔曼：现任美国哥伦比亚大学金融工程学系主任，《风险》杂志专栏作家、投资风险管理顾问，早年毕业于哥伦比亚大学获理论物理学的博士学位，后在AT&T贝尔实验室任职，再后来进入华尔街工作。
[2]林顿·理查德·道金斯（Clinton Richard Dawkins，FRS，FRSL，1941年3月26日－）是英国演化生物学家、动物行为学家和科普作家，他同时也是当代最著名、最直言不讳的无神论者和进化论拥护者之一，有“达尔文的斗犬”（Darwin's Rottweiler）之称。
道金
斯原为牛津大学科普教授，现任英国人文主义协会副主席，并担任英国皇家学会会士、英国皇家文学会会士同英国世俗公会荣誉会员。