时间：2023-07-04 16:00:46
序论：在您撰写金融数据论文时，参考他人的优秀作品可以开阔视野，小编为您整理的7篇范文，希望这些建议能够激发您的创作热情，引导您走向新的创作高度。
紧跟大数据时代的步伐，农业银行积极推进大数据平台建设及大数据的价值应用，确立了“大数据体系建设必须以应用为核心，数据平台开发与业务应用统筹考虑，要做好内部的数据治理，逐步拓展数据来源范围，充分利用内外部数据资源，不断提升对全行经营管理的支撑水平。”的总体战略思想，即：数据是基础，应用是目标，平台是支撑，治理是保障。
1.强化数据治行理念大数据革命必将颠覆银行传统观念和经营模式。通过营造“数据治行”的文化，建立分析数据的习惯，落实全行的数据标准和数据治理，切实提升“大数据”开发利用的综合能力，将现有数据转化为信息资源，让决策更加有的放矢，让发展更加贴近市场需求。
2.建设大数据平台构建处理能力强、扩展性好、开放度及共享度高的大数据存储加工平台，整合行内外、各种形态、跨历史周期的海量数据，并构建统一、全面、稳定的企业级数据模型，为大数据的分析利用提供基础的数据、环境、模型及配套工具等全方位立体式支撑。
3.打造数据分析应用体系构建适应大数据分析的多功能、跨渠道、多粒度的分析挖掘模型和应用体系，为服务质量改善、经营效率提升、金融模式创新提供支持。通过对海量数据的深度分析，全方位调整产品结构、营销模式，从根本上提高风险管理、成本绩效管理、资产负债管理和客户关系管理水平。
4.实现智慧银行的目标智慧银行是指，通过大数据技术不断优化业务办理流程，高效配置金融资源，敏锐洞察并引领客户需求的高度智能化的金融商业形态。智慧银行可提供“银行始终在客户身边”的全场景金融服务，为客户创造最佳服务体验。
二、农业银行大数据平台概述
经过多年的努力探索，农业银行在大数据平台建设的道路上锐意开拓，大胆创新，逐步形成了以四大基础平台、五类数据服务为核心的大数据平台。
1.四大基础平台（1）企业级数据仓库随着银行业数据利用能力的逐步提升，业务分析呈现跨领域分析、高度整合分析、长周期历史分析等特点，企业级数据仓库通过对行内跨领域海量数据的高度整合和模型化，形成对客户、账务、产品等的统一视图，使大数据分析成为可能。农业银行企业级数据仓库以存储和处理结构化数据为主要目标，全面涵盖了农业银行存、贷、中间业务等行内业务条线的核心类数据，实现PB级数据的高效存储，可以满足全行在各个领域数据分析和价值发现的各类需求，并为全行数据治理提供有力的支撑。如通过网点的多维度、全方位、长历史周期数据挖掘给出网点资源配置建议，提升运营效率，优化业务流程。（2）信息共享平台信息共享平台以存储和处理行内非结化数据为主，辅以来自行外的社会数据。基于非结构化数据的分析和深度挖掘，在客户关系管理、中小企业信贷、风险管理、品牌建设等众多领域发挥了重要的作用。如基于对社交网络各类非结构化数据的综合分析可以获取行外目标客户；通过机器学习、语音识别、情绪识别等技术，对客服语音记录进行深度挖掘，发现客户的需求。（3）实时流计算平台传统数据计算平台多以批量计算为主，数据处理能力较强，但时效性较差。农业银行的实时流计算平台采用业界最先进的流计算框架，实现数据的快速采集、交换、处理和应用，主要用于实时营销、实时客户服务、欺诈监控、大额动账监控、系统运营监控等各类对时效性要求比较高的业务场景。如结合持卡人的行为偏好为客户实时推荐精准的营销信息、优惠信息和特惠商户信息，并为特定客户群体提供实时的有针对性的服务提示。（4）高性能数据处理平台海量数据的分析挖掘亟须一个高性能环境的支撑，农业银行高性能数据处理平台采用大内存处理、分布式、闪存等新技术，以高性能计算为主要特点，实现对海量结构化数据、非结构数据等进行综合处理、全面分析和深度挖掘。如通过大数据语义分析和情绪分析追踪海量网络信息蕴藏的经济金融“微信号”，借此判断未来的市场走势，为前瞻性风险管理提供参考。
2.五类数据服务农业银行基于四大基础平台的优势，大力发展应用系统建设，形成了五大类数据服务形式有机结合的数据服务体系。（1）指标检索服务通过构建全行统一的指标库，为各个业务条线提供常用指标的检索服务，在此基础上提供各类经营管理、监管报送等指标采集、加工及报送服务。（2）即席查询服务采用特定的工具，构建功能强大的查询支持库，满足各类灵活查询、临时查询及特殊复杂查询需求。如果说报表是经营管理的瞭望塔，那么灵活的即席查询就是执行经营决策的指南针。以客户营销为例，即席查询服务可以为全行的客户经理提供多角度的客户信息查询，针对当前市场热点，提供具体的业务指导。（3）定制化信息服务通过iReport智能资源视窗对信息进行统一管理、分层检索、灵活配置和个性展示，并针对用户的不同需求、不同层次及不同偏好，提供定制化、个性化的信息订阅，联动邮件、短信、微信等渠道提供主动信息推送服务。（4）多维分析服务多维分析可以帮助业务人员实现多维度、多视图、多层次的分析，并可以通过下钻、上钻、切片、旋转等操作，提供更加动态、智能的数据分析，发现数据背后的规律。如从机构、时间、客户、产品类型、渠道、营销活动等多个维度对产品盈利情况进行综合分析，进而有效推动产品优化和创新。（5）深度数据挖掘服务海量数据中蕴含的规律和价值通常不直观，大数据的显著特点之一就是海量数据的知识发现和数据挖掘。农业银行基于大数据平台构建了多个特定领域或主题的数据挖掘实验室，包括客户洞察及精准营销、信用评价及风险评估、舆情分析与客户情感管理等，紧跟市场发展动态，直面业务热点、难点，充分挖掘大数据的巨大价值，为业务发展和经营决策提供更加深入的洞察和更加有力的支撑
三、农行大数据应用实践
农业银行在构建大数据体系时坚持以应用为核心，统筹部署数据平台开发与业务应用，加强业务创新与数据利用的良性迭代，实现传统业务和新型业态的融合发展，充分发挥了数据对全行业务发展和经营管理的支撑作用。借助大数据这把利剑，实现了“营销更精准、服务更贴心、管理更精细、监管更透明、风险更可控、决策更智能”，有效促进了全行经营理念、业务运营、组织流程的不断创新，为全行业务发展和经营管理提供了有力的科技引擎。以下三类应用案例可充分说明情况。
1.精准营销基于大数据的客户营销“三步曲”：获取客户、客户画像、精准营销（如图1所示）。通过大数据强大的信息获取和处理能力，充分挖掘行内外的潜在客户；通过大数据实现对客户的360°立体画像，在掌控客户行为、洞察客户情感的基础上，准确地预测客户需求，从而实现精准营销及交叉营销。以贵宾客户信用卡精准营销为例，农业银行通过综合行内外数据，应用聚类分析、关联规则发现、决策树等数据挖掘算法，构建了完整的精准交叉营销模型库和应用体系，动态实现目标客户识别、客群划分、优先级划分、产品推荐、渠道推荐等功能。在合适的时间，以合适的渠道，通过合适的方式，为合适的客户推介甚至定制合适的产品，实现差异化、个性化的精准营销。2.热点分析农业银行基于大数据平台构建了热点问题专题分析模型库，对当前的热点事件进行定期跟进、深度分析和动态监测，为策略制定、产品创新及运营模
式优化等提供有力支持。以互联网理财客户分析为例，该项分析旨在揭示个人客户购买互联网理财产品与农业银行资金流失的关系。首先采集研究机构等第三方数据，融合内部数据，对整体购买规模进行分析；挖掘购买互联网理财客户的特点，对这一特定客户群体进行综合画像。从而知道“正在发生什么。”然后，采用神经网络、回归等方法，对即将流失的客户进行智能识别，针对不同的客户特点制定不同的客户挽留措施，知道“即将发生什么。”最后，通过对客户和资产流失的深度分析，提出产品层面的创新策略，并给出具体建议；产品优化和创新后，再次综合分析新产品的市场效果，并对产品进行持续优化，实现数据挖掘和产品创新的迭代。
(一)监督得不到有效合理的控制，导致统计工作产生风险我们大家都知道统计数据一般都是反映宏观整体现象，这种宏观整体现象往往都掩盖了事物的个体本质，因此大多数公众与某些部门对它产生怀疑却无从下手去监管，另外统计部门在统计信息时，占有主动权，具有权威性，这种信息的不对称性也容易产生职业道德风险，再有统计部门的垂直领导形式，使其工作都是“上派下行”，从而导致一些统计数据都是现有目标，再有统计，最后达到预期结果，统计工作的这种被动与尴尬已经成为普遍现象，这种从上到下无人监督，无人管理的现象所产生的后果是距离现实在越来越远，“此地无银三百两”的故事距离我们越来越近，社会将进入颠倒是非，真假难辨的恶性循环之中。
(二)统计法的力度不够，加速统计数据的风险产生从上边统计风险产生原因我们可以看到都是由于某些政府和个人短期利益的因素，而导致统计产生巨大的风险，这种短期的效益与其产生的长期风险是远远不对称的，但是许多政府与某些单位以及个人却还是选择了这一瞬间的短期利益，这是为何？我们常常听到某些单位或个人由于违反各种会计法、经济法，最后导致严重违反财经纪律、贪污腐化从而导致受到行政法律的制裁，严重者触犯刑法，最高可判无期乃至死刑和罚金。但是统计法律法规却没有这么大的力度，即使提供了虚假数据，即使受到行政处罚，也都是轻描淡写、隔靴搔痒而已，从根本起不到惩戒、震慑和遏止作用，却反而助长了统计数据失真的力度，加速了统计风险的速度。最后形成了“统计统计，三分统计，七分估计”的熟语。这也很好地回答了上述问题产生的根本原因。
二、针对当前我国统计工作职业道德产生的风险应采取的措施
(一)全面提高相关业务人员的综合业务素质统计工作涉及面广，对理论知识与实际工作能力要求高，它要求相关业务人员不仅懂得国家的法律法规，而且还要求相关业务人员掌握一定的财务、审计、经济、统计分析等一定理论知识，并且还特别强调了统计人员应该加强爱岗敬业、尽职尽责的职业道德，德才兼备，以德为先的职业道德和业务素质修养永远是统计人员的最起码要求，也是有效地避免统计风险的基本前提，所以统计人员应该通过各种渠道提高自己的综合水平，如参加各种统计相关的考试、学习辅导班以及业务比赛活动，使他们融入当今社会潮流之中，这样可以增强统计人员的自我提升、自我风险保护意识，这也是抵制社会上统计工作不正之风最有效的措施。
(二)政府及主管领导要用正确的发展观去指导统计工作我们大家都知道统计是为政府部门服务的，这是国家参与宏观调控的重要手段，但是在当今的市场经济体制下，以市场微观调控为主，国家宏观调控为辅的理念指导下，统计需要减少政府的干涉，甚至消除人为干预，这样才有助于国家的经济建设。所以各级政府应该转变职能态度，从而合理地引导各级主管领导具有科学的世界观，进而正确指导统计工作，引导宽松的统计工作环境，使统计工作者在良好的工作氛围中，放下包袱，努力工作，为国家制定合理有效的重大决策提供真实的数据，从而真实地反映国家的宏观目标，这样更有力促进社会经济的发展，促进人们的安全、社会的和谐。
(三)加强统计数据的监督反映统计数据失真给统计工作带来了一定的风险与隐患，其最大原因就是统计数据缺乏像会计工作那样的监督机构，另外统计数据的公布也非常笼统化，不如财务指标那样详细，计算方法与方式也不像会计那样进行详细地披露。所以国家应该尽早地出台一些法律法规以及有关政策，让统计部门加大信息披露的力度，如时间间隔应该缩短，披露的数据来源、方法、处理的过程等统计信息应该详细，让数据的使用者与监督者能够很好地分析数据的真实可靠程度，这样不仅增强了统计的公众监督力度，又有利于公众对统计的了解与认可，进而也让统计工作者工作起来有的放矢，避免了其左右为难的工作情绪，更避免了统计工作的重大隐患风险的存在。
(四)加强统计法律法规建设，完善统计规章制度目前国家对会计、经济等各种法律法规都进行了不断的完善与调整，此种方式方法得到了有效的反映，如偷税漏税逐步减少，行贿受贿、大吃大喝公款的现象极度收敛，这样不仅促进国家经济的发展，也受到了百姓的拥护与好评。那么如果在这种良好的氛围下，大力加强统计法律法规的建设，对那些原来不合理、不完善、不适合市场经济体制下的统计法律法规及规章制度进行删除或者合理的更新，并加以完善和必要的补充，如加大对政府与部门人为反方向干扰统计工作的监督与惩罚，加大胁迫统计工作者编制虚假数据而承担的法律后果，以及统计工作者在此过程中给予抵制而受到的奖励制度和听之任之、同流合污而承担的法律后果等等规定。这样统计工作者才能坚定地拿起法律的武器来保护自己，使自己勇敢地面对不法分子坚持真理，永不胆怯。因为谁也不能拿自己的一生和终身的家产去赌注，迫使不法分子没有可乘之机。这是杜绝统计工作职业道德风险，强化统计职业道德意识最有效的措施。
三、结束语
关键字：数据挖掘金融数据
金融部门每天的业务都会产生大量数据，利用目前的数据库系统可以有效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了数据爆炸但知识贫乏”的现象。与此同时，金融机构的运作必然存在金融风险，风险管理是每一个金融机构的重要工作。利用数据挖掘技术不但可以从这海量的数据中发现隐藏在其后的规律，而且可以很好地降低金融机构存在的风险。学习和应用数扼挖掘技术对我国的金融机构有重要意义。
一、数据挖掘概述
1.数据挖掘的定义对于数据挖掘，一种比较公认的定义是W.J.Frawley，G.PiatetskShapiro等人提出的。数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识、这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识表示为概念(Concepts)，规则(Rules)、规律(Regularities)、模式(Patterns)等形式。这个定义把数据挖掘的对象定义为数据库。
随着数据挖掘技术的不断发展，其应用领域也不断拓广。数据挖掘的对象已不再仅是数据库，也可以是文件系统，或组织在一起的数据集合，还可以是数据仓库。与此同时，数据挖掘也有了越来越多不同的定义，但这些定义尽管表达方式不同，其本质都是近似的，概括起来主要是从技术角度和商业角度给出数据挖掘的定义。
从技术角度看，数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在的和有用的信息和知识的过程。它是一门广义的交叉学科，涉及数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息检索、高性能计算和数据可视化等多学科领域且本身还在不断发展。目前有许多富有挑战的领域如文本数据挖掘、Web信息挖掘、空间数据挖掘等。
从商业角度看，数据挖掘是一种深层次的商业信息分析技术。它按照企业既定业务目标，对大量的企业数据进行探索和分析，揭示隐藏的、未知的或验证已知的规律性并进一步将其模型化，从而自动地提取出用以辅助商业决策的相关商业模式。
2.数据挖掘方法
数据挖掘技术是数据库技术、统计技术和人工智能技术发展的产物。从使用的技术角度，主要的数据挖掘方法包括：
2.1决策树方法：利用树形结构来表示决策集合，这些决策集合通过对数据集的分类产生规则。国际上最有影响和最早的决策树方法是ID3方法，后来又发展了其它的决策树方法。
2.2规则归纳方法：通过统计方法归纳，提取有价值的if-then规则。规则归纳技术在数据挖掘中被广泛使用，其中以关联规则挖掘的研究开展得较为积极和深入。
2.3神经网络方法：从结构上模拟生物神经网络，以模型和学习规则为基础，建立3种神经网络模型：前馈式网络、反馈式网络和自组织网络。这种方法通过训练来学习的非线性预测模型，可以完成分类、聚类和特征挖掘等多种数据挖掘任务。
2.4遗传算法：模拟生物进化过程的算法，由繁殖(选择)、交叉(重组)、变异(突变)三个基本算子组成。为了应用遗传算法，需要将数据挖掘任务表达为一种搜索问题，从而发挥遗传算法的优化搜索能力。
2.5粗糙集(RoughSet)方法：Rough集理论是由波兰数学家Pawlak在八十年代初提出的一种处理模糊和不精确性问题的新型数学工具。它特别适合于数据简化，数据相关性的发现，发现数据意义，发现数据的相似或差别，发现数据模式和数据的近似分类等，近年来已被成功地应用在数据挖掘和知识发现研究领域中。
2.6K2最邻近技术：这种技术通过K个最相近的历史记录的组合来辨别新的记录。这种技术可以作为聚类和偏差分析等挖掘任务。
2.7可视化技术：将信息模式、数据的关联或趋势等以直观的图形方式表示，决策者可以通过可视化技术交互地分析数据关系。可视化数据分析技术拓宽了传统的图表功能，使用户对数据的剖析更清楚。
二、数据挖掘在金融行业中的应用数据挖掘已经被广泛应用于银行和商业中，有以下的典型应用：
1.对目标市场(targetedmarketing)客户的分类与聚类。例如，可以将具有相同储蓄和货款偿还行为的客户分为一组。有效的聚类和协同过滤(collaborativefiltering)方法有助于识别客户组，以及推动目标市场。
2..客户价值分析。
在客户价值分析之前一般先使用客户分类，在实施分类之后根据“二八原则”，找出重点客户，即对给银行创造了80%价值的20%客户实施最优质的服务。重点客户的发现通常采用一系列数据处理、转换过程、AI人工智能等数据挖掘技术来实现。通过分析客户对金融产品的应用频率、持续性等指标来判别客户的忠诚度；通过对交易数据的详细分析来鉴别哪些是银行希望保持的客户；通过挖掘找到流失的客户的共同特征，就可以在那些具有相似特征的客户还未流失之前进行针对性的弥补。
3.客户行为分析。
找到重点客户之后，可对其进行客户行为分析，发现客户的行为偏好，为客户贴身定制特色服务。客户行为分析又分为整体行为分析和群体行为分析。整体行为分析用来发现企业现有客户的行为规律。同时，通过对不同客户群组之间的交叉挖掘分析，可以发现客户群体间的变化规律，并可通过数据仓库的数据清洁与集中过程，将客户对市场的反馈自动输人到数据仓库中。通过对客户的理解和客户行为规律的发现，企业可以制定相应的市场策略。
4.为多维数据分析和数据挖掘设计和构造数据仓库。例如，人们可能希望按月、按地区、按部门、以及按其他因素查看负债和收入的变化情况，同时希望能提供诸如最大、最小、总和、平均和其他等统计信息。数据仓库、数据立方体、多特征和发现驱动数据立方体，特征和比较分析，以及孤立点分析等，都会在金融数据分析和挖掘中发挥重要作用。
5.货款偿还预测和客户信用政策分析。有很多因素会对货款偿还效能和客户信用等级计算产生不同程度的影响。数据挖掘的方法，如特征选择和属性相关性计算，有助于识别重要的因素，别除非相关因素。例如，与货款偿还风险相关的因素包括货款率、资款期限、负债率、偿还与收入(payment——to——income)比率、客户收入水平、受教育程度、居住地区、信用历史，等等。而其中偿还与收入比率是主导因素，受教育水平和负债率则不是。银行可以据此调整货款发放政策，以便将货款发放给那些以前曾被拒绝，但根据关键因素分析，其基本信息显示是相对低风险的申请。
6.业务关联分析。通过关联分析可找出数据库中隐藏的关联网，银行存储了大量的客户交易信息，可对客户的收人水平、消费习惯、购买物种等指标进行挖掘分析，找出客户的潜在需求;通过挖掘对公客户信息，银行可以作为厂商和消费者之间的中介，与厂商联手，在掌握消费者需求的基础上，发展中间业务，更好地为客户服务。
7.洗黑钱和其他金融犯罪的侦破。要侦破洗黑钱和其他金融犯罪，重要的一点是要把多个数据库的信息集成起来，然后采用多种数据分析工具找出异常模式，如在某段时间内，通过某一组人发生大量现金流量等，再运用数据可视化工具、分类工具、联接工具、孤立点分析工具、序列模式分析工具等，发现可疑线索，做出进一步的处理。
数据挖掘技术可以用来发现数据库中对象演变特征或对象变化趋势，这些信息对于决策或规划是有用的，金融
行业数据的挖掘有助于根据顾客的流量安排工作人员。可以挖掘股票交易数据，发现可能帮助你制定投资策略的趋势数据。挖掘给企业带来的潜在的投资回报几乎是无止境的。当然，数据挖掘中得到的模式必须要在现实生活中进行验证。
参考文献：
丁秋林，力士奇.客户关系管理.第1版.北京：清华人学出版社，2002
张玉春.数据挖掘在金融分析中的应用.华南金融电脑.2004
无论是政治，还是经济形势，任何政府、企业、个人，面对未来进行投融资等项目决策，不经过数据分析论证就简单的决定会带来巨大的危害，已经渐渐的被人们认同。所以，只要参与社会政治、经济等活动，进行投融资，期望带来一定的经济效益，或者社会效益，就必须加强数据分析工作，对投融资意向进行评估，为决策提供科学的依据。
（一）项目数据分析
1、什么是项目数据分析工作
项目数据分析就是研究将经济学理论用数学模型表示，并应用于项目投资分析的方法论。项目数据分析过程是：提出项目（研究机会）、初步可行性研究（市场、技术、资源、环境研究、效益、风险分析评价）、测算经济效益、评估和决策、可行性研究（市场、技术、资源、环境研究、效益、风险分析评价）、评估和决策、项目实施。
2、项目数据分析工作的内容、特点
（1）项目分析工作的内容
一般来说，项目数据分析的内容包括项目的经济效益评价、项目的风险分析和项目的比较选择。
项目的经济效益评价主要是在假设项目没有风险情况下的经济效益，主要针对非贴现指标（会计收益率和投资回收期）和贴现指标（净现值、内部收益率、获利指数和动态投资回收期）。
项目的风险分析，主要是进行盈亏平衡分析、敏感性分析和概率分析。
项目的比较选择，主要是独立方案、互斥方案和不完全互斥方案的设计、评估等选择。
（2）项目分析工作的特点
项目数据分析工作是一门边缘科学，其特点是以定量分析为主要分析手段，通过分析翔实的数据进行项目的论证得出定性结论，并以定量数据进行说明。显然，项目数据分析，必须通过建立数学模型的方法进行分析涉及经济学、数学、统计学和预测学。
（二）什么是投融资
1、项目投融资的概念。
投资是指 “为了在获得预期的收益而作出的确定的垫支或牺牲的各种经济行为” 。因此，投资并不局限于与基础建设相关的经济活动，还包括证劵投资、信贷投资和信托投资。
2、项目投资的特点
项目投资的特点是现在投入资金进行经济效益的博弈，通过对该项目的管理进行长期或者未来的收益，不仅具有时间性，而且具有较强的风险性，其本质就是获得预期的收益。
一些大型的投资项目，通常都由一家专业的财务顾问公司担任其项目的财务顾问，财务顾问公司做为资本市场中介于筹资者与投资者之间的中介机构凭借其对市场的了解以及专门的财务分析人才优势，为项目制定严格的，科学的，技术的财务计划以及形成最小的资本结构，并在资产的规划和投入过程中做出理性的投资决策。
（三）项目数据分析工作对投融资具有重要的意义
1、数据分析工作提高了工作效率，增强了管理的科学性。无论是国家政府部门、企事业单位还是个人，数据分析工作都是进行决策和做出工作决定之前的重要环节，数据分析工作的质量高低直接决定着决策的成败和效果的好坏。
2、越来越多的企业将选择拥有中国项目数据分析师资质的专业人士为他们的项目做出科学、合理的分析，以便正确决策项目；越来越多的风险投资机构把中国项目数据分析师所出具的项目数据分析报告作为其判断项目是否可行及是否值得投资的重要依据；越来越多的企业把中国项目数据分析师课程作为其中高管理层及决策层培训计划的重要内容；越来越多的有志之士把中国项目数据分析师培训内容作为其职业生涯发展中必备的知识体系。
二、从事项目数据分析工作的感受
（一）从数据分析师的角度，项目数据工作需要做到以下几个方面的服务，才可以为被服务对象提供优质的有价值的投融资报告。
1、真诚服务
所谓真诚服务，主要是因为投融资报告的价值来自于数据分析师精湛的业务能力，细致的数据搜集能力、阅读能力、分析能力和预测能力。无论是竞争性项目、还是基础性项目，由于数据分析工作时一门边缘科学，需要对真实和翔实的数据进行定量或者是定性分析，需要对国家或者国际政策进行审读，需要对经济形势进行判断，需要对项目所属的行业进行科学的宏观把握，因此，项目数据分析师在搜集相关数据，在分析相关数据时，在阅读国家或者国及政策时，在斟酌行业趋势时，都需要真诚的付出，否则，闭门造车或者移花接木式的投融资报告，只能是危害客户，只能给客户带来更大的风险，而不是丰厚的收益。
2、真心服务
所谓真心服务，主要是指项目数据分析师在服务客户时，需要站在客户的角度思考问题。由于项目数据分析师，是从属于某公司，因此从公司利益出发，需要为公司赚取一定的利润，这部分利润就来自于数据分析师所服务的客户。从客户角度思考，实际上客户委托数据分析师针对企业的项目意向而进行的数据分析，实际是希望数据分析师提供的项目方案，不仅是可行的，能够为公司获得预期利益，而且是风险较小的，可以操作实施的投融资报告。
3、真实服务
所谓真实服务，就是指数据分析师在进行项目数据分析，通过建立数学模型的方法进行分析并提出具有科学性的、前瞻性的、科学性的、可操作性的投融资项目预测报告时，需要是真实服务。一般来说，客户在提出项目设想时，是充满了憧憬，也具有天真的幻想，那么数据分析师提出的可行性报告如果是刻意逢迎客户的主张，那么对客户来说将是灾难性的打击。
4、真情服务
所谓真情服务，主要侧重于项目付诸于实践中，项目数据分析师跟踪调查项目实施的禁毒，以及修正项目风险分析和比较选择。
（二）从数据分析师所服务的客户角度来看，客户也需要做到以下几个方面的工作：
1、信赖数据分析师的服务
对数据分析师服务的企业来说，信赖数据分析师是必要的。一方面，投融资项目报告，制定严格，具有科学性，是理性的投资决策；另一方面，
2、忠诚数据分析师的服务
3、诚挚和数据分析师的合作
数据分析师在进行投融资项目分析时，一方面，客户的意项是否描述清晰、完整、完全，是非常重要的，它决定了投融资项目报告的起点和方向；另一方面，企业的真实经营状况，也对项目报告具有决定性的意义。因此，企业需要同数据分析师进行诚挚的、真诚的合作，否则，项目数据报告就存在不可预知的、本可避免的巨大风险。
三、为项目方和投资方案例分析
支持创新 不忘避险—“倍爱康”生物科技项目作为股东类项目，“中投信保”为“倍爱康”提供4笔贷款担保，累计担保余额1900万元，实现保费收入28.5万元。
“倍爱康”是由冶金自动化研究院投资兴办的高新技术企业，主营磁分离酶联免疫检测系统等医疗器械和试剂的购销与制造。企业贷款用途为引进加拿大的磁酶免系统。但贷款后对该产品的市场推广未见成效，研发费用又较高，在销售无法取得突破的情况下，使得公司的净利水平偏低。同时，下游各地方医院压款情况严重。虽引入的国外先进技术不如预期般成功，企业仍按时还贷，该项目顺利完结。
加法——上海住房面积的统计是否超乎想象地简单？
每年，上海政府部门都要公布上海的人均建筑面积、人均居住面积指标。其目的为说明人民住房水平在“节节高”、“年年高”，更为了彰示政府部门的业绩。那么，“人均建筑面积”、“人均居住面积”又是怎样得来的？得到那些数据又经过了怎样艰苦繁复的调查和计算过程？
笔者为了验证上海统计部门有关住房统计数据的准确性，曾经历过了艰苦繁复的计算，但计算结果总与政府公布的数据大相径庭。是一个突发的奇想，使笔者在半个小时内就算出了与统计部门数据基本吻合的上海十年来的“居民住房总建筑面积”以及相关的“人均建筑面积”。其计算结果，“居民住房总建筑面积”与各类统计年鉴公布的相应数据平均只相差3.6%，“人均建筑面积”与建设部近三年的《城镇房屋概况统计公报》中的相应数据百分之百相符。
是什么样的“突发奇想”有如此神奇的效果？笔者是这样“奇想”的：“吗要那么认真？”鬼使神差，笔者信手将1995年以来每上一个年度的住宅建筑面积与当年竣工的商品住宅建筑面积相加，结果就与统计部门“统计”的“居民住房建筑面积”基本相符，再将统计年鉴中公布的“非农人口”与“居民住房建筑面积”相除，就得到了与建设部《城镇房屋概况统计公报》数据一模一样的精确到小数点后两位的“上海人均住房建筑面积”！
当然，在1999年到2004年，笔者的计算结果与统计部门数据相比还略少些，多则少10个百分点，少则少5个百分点。于是，笔者再次“突发奇想”，“我如果把空置房、已拆迁房都拿来填空缺呢？”于是，“奇迹”再次出现——笔者“灵感”激发中计算得来的上海住房建筑面积就与政府部门的统计数据99%、100%地相符了！
难道政府统计部门是在如此搞笑的状态下工作的吗？
笔者不愿相信。
如果需要计算的是上海全部居住房屋总面积，那可以把上年的居住房屋面积加上当年的竣工住宅面积——竣工住宅面积指“报告期内房屋建筑按照设计要求已全部完工，达到住人和使用条件，经验收鉴定合格，可正式移交使用的房屋居住面积的总和”（此解释见由上海市房屋土地资源管理局和上海市统计局联合编辑出版的年鉴类刊物《上海市房地产市场》，下同），但必须减去已经拆迁了的住房面积。然而这样得出的全部居住房屋总面积数不能用作计算人均居住房屋面积的基数，因为当年和往年的竣工住宅中的没有实现销售的部分是不能按照已经移交使用的“人居房”来计算人均面积的。
如果需要计算的是上海已经实现了“人居”的全部住房面积，那么在每个当年度的竣工住宅中必须扣除还没有发生“人居”的面积，并减去已经拆迁了的住房面积。请注意，如果扣除了每个当年度竣工住宅中的没有发生“人居”的面积，在此就不发生“空置房”的概念——空置房指“销售物业报告年度内某类物业经初始登记一年后未售出的数量”，该面积已经包含在初始登记年的竣工住宅面积中。
笔者“第一次奇想”时的计算方法谬误在于：如果是计算全部居住房屋总面积，其没有减去已拆迁房的面积；如果是计算实现了“人居”的全部房屋总面积，其一没有减去已拆迁房的面积，其二没有减去以往年度积存的空置房面积，其三没有减去当年竣工住宅面积中没有实现销售的部分。
照笔者“第一次奇想”时的计算方法来计算“人均住房面积”，那是偷换了“人均住房面积”的概念——虽然统计部门没有对“人均住房面积”的计算方法作出定论，但是，作为体现住房条件改善的最重要指标，人们对“人均住房面积”的约定俗成的理解就是已经实现了“人居”的房屋的人均住房面积！
笔者“第二次奇想”时的计算方法谬误更是显而易见——那是明知故犯了——不但不将这些没有发生的、不存在的因素做减法，相反还把这些因素又做了一次加法！每一个按常规思维的人会为此感到不可思议。笔者同样不信政府部门工作人员会故意这么做。这么做的后果是严重的，这使得上海在2005年时的人均住房建筑面积平添了13.33平方米——在把2005年全部竣工住宅作为已经实现了“人居”的前提下！因为1999年到2004年，上海城市的拆迁面积总和加上每年空置住宅面积的累计数是5520万平方米，这些数字不扣除，就是多计算了5520万平方米未实现“人居”和已经灭失了的住房面积，这些数字还要再加一次，那就是在1999年到2004年，多计算了5520×2=11040万平方米未实现“人居”和已经灭失了的住房面积；同样，在1996年~1998年以及2005年的住房面积中，也因为没有扣除拆迁面积和空置住宅面积，导致多计算了4278万平方米的未实现“人居”和已经灭失了的住房面积，只不过没有再重复加一次而已。这样，1996年到2005年每年多计算的“人居”住房面积累计一共是11040万+4278万=15318万平方米——2005年竣工面积中的未实现销售部分还未计算在内，2005年上海的非农业人口是1148.94万，15318÷1148.94=13.33，这13.33就是按照笔者“搞笑计算法”计算出来的属于“多算”的人均建筑面积！
笔者相信政府工作人员不会这么搞笑，笔者也认为，计算结果一样不等于计算过程一样，但是，由于政府部门对住房面积的计算过程不见公布，作为上海市民，希望能看到政府统计部门对于上海住房面积的计算过程。
笔者的计算过程见表（一）、表（二）。
表（一）、上海居民“人居”住房面积计算过程表(与统计部门的统计结果相符)单位：万平方米
注：1.“统计部门提供的市区住宅建筑面积”中，97、98、99三年的数据来自《上海投资建设统计年鉴》，其他数据来自年鉴刊物《上海市房地产市场》。2.“当年商品住宅竣工面积”来自年鉴刊物《上海市房地产市场》。
3.此表中的已拆迁住宅面积和空置住宅面积不包括1976、1997、1998、2005年数据，这些数据见表三和表四。已拆迁住宅面积来源：见《上海市房地产市场》，空置住宅面积来源：2000年前数据见《上海统计年鉴》，2000年后数据散见于媒体报道的官方统计数据。
4．撤县改市增加的住房面积中，99年数据是指青浦、松江的住房面积，2002年数据是指南汇、奉贤的住房面积，2003年数据是指崇明的住房面积。数据来自《上海统计年鉴》。
表（二）、2003~2005年上海城镇人均住房建筑面积计算表(与统计部门的统计结果相符)
数据来源：《上海市房地产年鉴》，2005年数据见《上海统计年鉴（2006）》
2．搜集了自2000年到2005年由政府部门认定的每年的空置住宅面积数据。
之所以称为“搜集”，是从2000年开始，《上海统计年鉴》就不再公布每年的空置住宅面积，《上海市房地产年鉴》也不见公布。现在统计部门公布的居民居住房屋总面积中是把空置住宅也当作已居住的房屋面积计算的（年鉴刊物《上海市房地产市场》明确居住房屋面积中包括空置住宅面积），但是就常识而论，空置住宅面积是不能作为“居民人均建筑面积”来充数的。所以，笔者要把空置住宅面积剔除出人均居住面积指标体系。虽然统计部门关于空置量的计算自1999年以来都是“根据上市量与销售量的变化判断空置量的增减或升降趋势”，然而，有总胜于无。空置住宅面积见表（四）：
表（四）、商品住宅空置面积（95-2005），单位：万平方米
注：1.2005年空置住宅面积根据当年商品房空置面积536.56平方米的60%计算。
2.对于空置量的概念和计算方法，2000年到2005年的年鉴类刊物《上海市房地产市场》均这样注解：“空置量是销售物业报告年度内某物业经济竟初始登记一年后未售出的数量（建筑面积）。由于本市楼宇个数众多，目前根据上市量与销售量的变化判断空置量的增减或升降趋势”。
3．计算了不应该当作“居民居住水平提高”来展示的住房面积增加因素。
上海市区居住房屋面积增长由多种因素造成，并非所有的增长因素都是“住房改革的成果”，有些增长甚至还是住房改革导致的“后果”。因此，不论是住房总面积增加还是人均住房面积增加，并非都能为之歌颂的。
笔者先计算了从1993年浦东新区成立以来，在撤县改区过程中新增加的原县属城镇住房面积。
1991年浦东新区成立前，上海市区区域面积是745平方公里，九个郊县的面积是5590.5平方公里，到2005年，上海市区区域面积是5155平方公里，一个郊县（崇明县）的面积是1185.49平方公里；1991年时市区户口数是269万，郊县户口数是167万，当2005年，市区户口数是468.1万，郊县户口数28.6万。这样的变动当然会对市区住房总面积产生影响——光从1997年金山撤县改区起算，到2002年上海先后有松江、青浦、奉贤、南汇等整区建制的2000多万平方米的原县属城镇居民住宅面积并入了市区居民住宅面积，而崇明县的镇建制住房也有305万平方米在2003年并入市区住宅面积。上海2002年的居住房屋总面积比1997年多了12677万平方米，减去5434万平方米的空置住宅、拆迁住宅面积，余下的住宅增加面积是7243万平方米，这其中22%是原县属镇居民住房划并为城区居民住房所致。显然，这些因行政区划变动带来的城区住房面积增加不能视作“住房改革的成果”，不能视作“居民居住水平提高”的佐证。
笔者再根据第五次人口普查数据，计算了各社会层面拥有的房屋资源状况。这个计算揭示了“人均住房指标”已经对国计民生的真实情况产生了误导。在“住房商品化”前后拥有权力资源的家庭集中挤上了“单位分房末班车”，这是导致1998年到2001时上海居民住房面积激增的原因之一。在这个时期，商品住宅还轮不到普通市民来“商品化”——那时普通市民接受的“商品化”，不过是在1998年~2001年差价换房5000户、10694户、16941户、10888户，出售已购公有住宅10155套、19771套、43411套、69832套（见年鉴刊物《上海市房地产市场》）。最多是到1999年底，居民在出售已购公有住房后再购新房时“吸纳新建商品房总建筑面积达250平方米”（《上海房地产市场（2000）》。1999年以后不见有关统计数了，但根据2000年和2001年居民出售已购公有住房560万平方米的数据，那到2001年，全市居民在出售原有公房后再购置的新建商品房不过是10万套左右。这就是住房商品化开始前后上海普通市民消化商品化住房的能力——2001年，上海城市居民中等收入家庭的人均可支配收入是11155元，恩格尔系数是47！
这个时期内销商品房（包括住宅、办公楼、商业用房，住宅面积平均占95%）的出售情况是：1997年出售3.76万套，1998年7.46万套，1999年11.95万套，2000年16.16万套，2001年20.01万套，总共59.36万套。其中外地个人购买6.61万套，本地单位购买4.27万套，本地个人购买48万套（见年鉴刊物《上海市房地产市场》）。注意，1997年到2001年“本地个人”购买的商品房中购买的商品住宅是40万套，而“本地个人”购买的套数其实是有假的，因为从1999年“住房商品化”政策起步开始，就有不少有“实力”有“势力”的单位以事实上的单位出资来为少部分个人购置房产；而各级党政企事业单位负责人，也在此时加紧让自己的住房面积“达标”、“超标”，“达标”、“超标”的标准，是1995年颁布的沪房地改（1995）767号文件《职工家庭购买公有住房建筑面积控制标准》，在这个文件中，明确一般职工、干部和初级技术职称人员可购买公有住房面积的上限是75平方米，科级干部、中级技术职称人员、具有证书的高级工购买上限85平方米，县处级干部、副高级职称人员购买上限100平方米，副局级购买上限120平方米，正局级、正高级和享受正高级待遇的专业技术职称人员购买上限140平方米。购买公有住房面积的前提是要首先住房要达到这个面积标准，不少掌握权力资源者趁机将自己的住房面积大大地上了几个台阶，当他们将自己突击得来的房屋用“购买公用住宅的标准价”买下，他们就拥有了比普通市民多得多的住房资产——他们才是住房商品化的最大得益者。
根据第五次人口普查资料，到2000年为止，上海的中心城区和新建城区共有457.16万家庭户，其中15.5%家庭户（70.6万户）人均建筑面积40平方米以上，这部分家庭户拥有城区35.2%的房屋资源，这些家庭户以国家机关、党群组织、企业、事业单位负责人为绝对主体；而人均建筑面积19平方米以下家庭几乎全都是底层社会普通劳动者家庭，这部分家庭占到城区家庭户总数的53.3%（244.1万户），他们拥有的房屋资源只占到24.8%，当时城区有80万户家庭、225.5万人居住在人均建筑面积8平方米以下的居所，65.2万户家庭、183.1万人居住在人均建筑面积9~12平方米的居所。
在以后的“住房商品化”过程中，“负责人”群体在家庭住房上占有的地段优势更是远远超出了其在2000年时单纯的面积优势，这种地段优势体现的商品化价值远不是面积优势体现的商品化价值所能比拟。因此，不分职别不分区域地段的笼统的全市性的人均住房指标已经失去了统计的意义、公布的意义。
需要指出，笔者曾经在有关投资建设统计年鉴（可能是《上海投资建设统计年鉴》？）中见过1994年~1999年的上海市区建筑面积、居住面积、市区人口统计数（见表五），不管数据是否准确，起码，此表将人均居住水平指标是如何产生的过程透明化了。而现在的统计数据对于公众来说，是从根本上缺乏透明度的。此次笔者能把上海的住宅建筑面积和人均住宅建筑面积算到与统计数据差不离，不过是“蒙”对了而已。
原表说明：人均居住面积一般以各类建筑房屋的实际建筑面积乘以各自平面K值折算成居住面积，与市公安局提供的年末长期人口数相除后求得。73年通过房屋普查，以实际测得居住面积计算。
但此表中的“市区人口数”在《上海统计年鉴中》中是找不到出处的。《上海统计年鉴中》提供的1994年到1999年的“非农业人口”与此表中的“市区人口”相比，少则相差4%，多则相差14%，“年末区人口”与此表中的“市区人口”相比，相差得就更多。
笔者丛观历年的住房统计数据，发现有的年份以“市区人口数”为人口计算基数（1994-1999），有的年份则以“非农业人口”为计算基数（2003~2005），而更多年份的人口计算基数还无从核对无从查找。这样，上海的人均住房统计指标光是因为“人口数的统计口径不同”，就已经没有可比性了。
还有必要认真对待“人均居住面积”、“人均建筑面积”吗？
“人均居住面积”、“人均建筑面积”还能反映绝大部分居民的真实居住状况吗？作为一个公民，笔者提请政府部门变更上海住房指标的统计方法。事实上，这并不是需要白手起家的作业——第五次人口普查已经提供了全国各地的非常详细的住房统计资料，上海当然不例外。一个疑点：第五次人口普查中有关住房的数据为何不见引用？
2000年的全国第五次人口普查提供了非常详细的住房统计资料。这个住房统计资料反映，在2000年，上海中心城区一共有627.92万人，人均建筑面积15.85平方米；新建城区有657.21万人，人均建筑面积27.45平方米，将城区人均建筑面积乘以人数，上海城区范围内的住房建筑面积应该是27993万平方米，比统计部门用因袭下来的统计方法计算出来的面积要多7128万平方米——统计年鉴公布的2000年上海各区的住房建筑面积统计数是20865万平方米。
第五次人口普查是“重大的国情国力调查，是和平时期最大的社会动员，涉及到社会的各个方面、每一个家庭和每一个人”，“对于全面实现我国现代化建设战略目标，研究下个世纪的社会、人口变化情况具有重要意义”（见《国务院关于进行第五次全国人口普查的通知》）。通过这样的调查得来的有根有据的数据却不见引用，这又是为什么？
不解決為什麼人的問題，住房改革不可能成功
近年来，有关住房改革是否成功的讨论进行得轰轰烈烈，笔者不讳言，笔者认为住房改革是失败的。即使这样，笔者还没有对上海的居民居住房屋总面积和人均住房面积提出过怀疑，笔者还是相信政府统计部门是在严肃认真的工作态度下科学地得出这些统计数据的。但因为笔者搞笑般地计算了一番上海住房数据竟意外地与政府统计部门的计算结果相同，而这样的计算结果是要让上海的人均建筑面积平添出13.33平方米的，这不由得笔者诚惶诚恐——即使笔者认定住房改革是失败的，也不希望以“统计部门多算人均建筑面积13.33平方米”来作为佐证呀！
笔者猜度，目前有关上海的住房数据可能是“数出多门”，却缺乏对这些数据的整体性的把关。国家对房地产宏观调控措施不能从根本上奏效，恐怕与我国的数目字管理的基础还相当薄弱有关。现代化管理的基础一是法治，二是“用数字说话”，从宏观而言，一个国家的基础数据管理情况和应用情况反映了一个国家现代化的水平。第五次人口普查得来的住房数据是基础数据，而怎样对这些基础数据有效管理和应用，则是一个庞大的课题——缺乏管理，数据就只是一堆令人头昏目旋眼花缭乱的阿拉伯数字。
关键词：最小二乘支持向量回归机，金融时间序列，统计学习理论
1 引言
金融时间序列是一种特殊的时间序列，通常具有如下三大特点[1]：(1) 产生过程的随机性、复杂性；(2)数据多含有高噪声，并伴有异常值；(3) 数据间具有较强的非线性。 股票市场是一个受多方因素交互影响的复杂系统，对于股票价格的精确预测是非常困难的，甚至不可能的，但对于短期的趋势预测则相对较为简单，而且对投资者的投资行为具有极其重要的指导意义。论文格式，金融时间序列。
支持向量机（Supportvector machine, SVM）是由Vapnik等人根据统计学习理论提出的一种借助于最优化方法解决机器学习问题的新工具。它以结构风险最小化为原则，具有结构简单、全局最优、泛化能力好等优点，已广泛应用于模式识别、回归分析以及时间序列预测等领域[2-4]。
在SVM的基础上，Suykens等[5]提出了最小二乘支持向量机(Leastsquares support vector machine，LS-SVM)，通过替换SVM的不等式约束为等式约束，将二次规划的求解问题转换为求解线性方程组的问题，从而大大简化问题的计算复杂度和存储量。本文将最小二乘支持向量回归机应用于上证180指数和香港恒生指数的收盘价的预测。实验结果表明，该模型具有学习速度快，预测精度较高的优点，适合于高噪声、非线性的股指预测，对于投资者的短期投资行为具有一定的参考价值和实用价值。
2 最小二乘支持向量回归机
设给定一个训练集，其中，。论文格式，金融时间序列。通过将支持向量机的不等式约束改为等式，Suykens等提出了最小二乘支持向量回归机的数学模型：
S．t ，(1)
(1)
其中:为权向量，为正则化参数，为经验误差，是一个非线性映射，为偏置。 为求解这个约束优化问题，构造Lagrange函数：
(2)
其中:为Lagrange乘子。
根据KKT条件可知，
(3)
(4)
(5)
(6)
消去和，方程(3)-(6)可写成如下形式：
(7)
其中:，为单位矩阵， ，，为核矩阵。
通过求解线性方程组(7)，得到最小二乘支持向量机的回归函数为：
(8)
3 实证分析
为了验证最小二乘支持向量回归机的有效性，选取在沪市较有影响力的上证180指数和香港恒生指数为实验数据，将它们的收盘价格作为预测对象。 需要说明的是，这里选取的核函数为径向基核函数。论文格式，金融时间序列。最优参数由网格搜索获得，搜索区间均为。实验环境为windows XP，内存512M，主频1.86GHz，Matlab7.0。论文格式，金融时间序列。均方根误差(RMSE)、平均绝对误差(MAE)、平均相对误差(MRE)是常见的衡量回归模型性能的评价指标，这里我们采用如下三种指标评价模型的预测性能：
(1) RMSE=，
(2) MAE=，
(3) MRE=，
其中:代表第天股票指数的收盘价；代表第天股票指数的收盘价的预测值，N代表预测样本的总个数。
3.1 实验数据的选取
3.2 实验及结果分析
对以上数据，采用LS-SVM进行数值实验，两种指数的预测结果如图1、图2和表1所示。论文格式，金融时间序列。由图1和图2可以看出，LS-SVM对上证180指数和香港恒生指数的预测，真实值与预测值的拟合程度较好，且变化趋势与实际情况比较接近。论文格式，金融时间序列。表1反映出LS-SVM在预测过程中具有较高的预测精度，并且在学习时间上也有优势，其中上证180指数的运行时间为0.211690s，香港恒生指数的运行时间为0.214235s，这在实际操作中具有非常重要的意义。
表1金融时间序列实验结果
计量经济学论文2400字(一)：金融数学专业计量经济学与金融理论及实践的结合论文
摘要：目前，在社会发展的过程中，教育水平的发展也有了前所未有的提高。金融大数据爆炸性发展要求金融学专业学生具备一定的金融数据分析与处理能力，计量经济学作为培养学生数据处理与分析能力的核心课程，新的历史时期应当承担起培养学生金融大数据视野的责任。
关键词：金融数学专业；计量经济学；金融理论；实践结合
引言
计量经济学作为一门非常强调应用性的学科，是应用型本科院校的一门重要的课程，是应用型本科学生知识能力结构中不可缺少的组成部分。近年来的教育教学改革的探索注重实践环境的强化，人们已越来越清醒地认识到，实践教学是培养学生实践能力和创新能力的重要环节，也是提高学生社会职业素养和就业竞争力的重要途径。计量经济学作为经济学核心课程之一，在当前教育新常态下，产生了一些新的问题，因此应用型本科教育背景下的计量经济学也应该被重新赋予新的属性。
一、教学内容和教学方式的问题
（1）传统计量经济学教学强调回归分析背后模型的假设及相关内容，但现代经验研究强调因果关系。因此，当前计量经济学教学过分强调对随机扰动项分布、异方差及自相关的长篇讨论，显得不合时宜，而对国内外广泛流行的新颖工具较少提及，其结果是学生对计量经济学应用仍是一知半解。（2）由于现有课时安排等原因，教师教学过程中着重讲授计量经济学原理和方法，而轻视实际应用和数据处理能力的培养。例如，教学中主要讲授参数估计和各种检验的理论和方法，对如何从经济问题出发建立模型，如何应用模型分析实际的经济问题讨论得较少。（3）由于课堂教学注重理论知识的讲授，不能分配更多的实验课时，导致学生难以真正理解和运用计量经济学理论知识，特别难以将理论知识灵活应用于金融数据建模与处理。（4）现有的计量经济学课程缺乏将计量经济学方法与金融数据相融合的缺陷。在课堂教学内容安排中，着重讲述计量经济学的基本原理和方法，而没有将计量方法与金融大数据的获取与加工处理结合起来进行讲解。导致多数学生具备一定的计量经济学基础，但面对查找和处理金融数据时却束手无策。（5）已有计量经济学教学内容安排上，一般将经典的计量经济学和现代时间序列方法安排在一个学期内完成。由于教学内容过多而教学课时有限，其结果是导致无法详细讲解金融时间序列部分，金融学专业学生对金融大数据处理及建模能力不强。
二、金融数学专业计量经济学与金融理论及实践的结合的优化措施
（一）突出案例教学
丰富多彩又符合专业特色的案例教学可以激发学生的学习兴趣。案例教学一方面能够使理论知识更加通俗易懂，另一方面案例教学重视师生互动，可以提高学生的兴趣，为课程论文和毕业论文的写作打下良好的基础。计量经济学教学案例的选取一定要突出目的性、代表性和趣味性等特点，应结合学生所学专业的差异，多搜集一些与该专业密切相关的经济热点问题和前沿问题，激发学生的学习积极性和主动性。
（二）金融数学专业计量经济学与金融理论及实践的结合
就金融数学专业学生而言，在为这些学生开展计量经济学课程教学时，需要注重将金融理论和具体的金融实践知识紧密结合起来，以此来引导他们正确使用计量经济模型方法来研究金融相关实践问题。金融市场相关实践知识更倾向于股票投资和资金资本等的利用，不能仅仅依靠消费-收入这一知识以偏概全，这就要求计量经济学老师在为金融数学专业学生开展课程教学时，需要拓展到相关金融领域，通过讲解相关金融理论和具体的市场实践数据来开展课程教学。
（三）“案例+微课”的教学模式改革
为了提高金融专业本科生金融大数据处理能力，改善教学效果，拟重点对《计量经济学（Ⅱ）》的教学方法进行创新。为了改变以课堂为中心的单一教学方法“重在教，逼学生学”的缺陷，我们将使用“案例+微课”的教学模式。“案例教学”是计量经济学一种非常有效的辅助教学模式（杨汭华，2005；黄佐钘，2008；张玲，2014）。与传统的案例教学不同：（1）项目强调针对金融大数据开发相关案例，并以“微课”的形式将教学内容呈现给学生。“案例+微课”的教学模式的好处在于能激发学生对计量经济学理论学习的兴趣，更加生动和直观地将金融大数据处理呈现给学生，引导学生自主学习。此外，“案例+微课”模式能对课堂教学形成有效补充，课堂上没有解决的问题，学生可以在课外通过“案例+微课”进一步巩固与提高课堂知识。（2）传统计量经济学经验案例强调计量经济学理论知识的应用，重点介绍数学与统计技术，而忽视其内在的经济问题与变量间的内生关系。项目强调以真实的金融大数据为载体，在案例分析中，更加注重因果关系的讨论，从而案例分析更加接近现实。因此，相比于传统的案例分析，项目经验分析更接近现代研究范式，故而具有更好的实用价值。
（四）完善考核体系
作为一门应用型的学科，考核方式也应该多样化。可以尝试采用课程论文的考核方式，课程论文一方面可以深化学生对课程内容的学习，另一方面也能加强学生的应用能力，提高学生的独立思考能力和对知识的灵活运用能力。课程论文可以与学生的毕业设计结合，突出学生所在学科属性，充分调动学生的积极性。同时不能将试卷考核的方式抛弃，例如可以将纸质试卷改为上机考试，增加操作题的比重。完善的考核方式会提高学生对计量经济学课程的重视程度，强化计量经济学的教学效果。
结语
总之，计量经济学教学改革是高等教育供给侧改革的一个缩影，只有明确清晰教学定位，有效提升高等教育供给体系的质量和效率，重点解决好高校人才培养能力、支撑引领国家创新发展能力的问题，才能提供更多有选择的本科教育，建成更有竞争力的本科教育，开创更有特色的本科教育，发展更加公平的本科教育。
计量经济学毕业论文范文模板(二)：基于计量经济学的电力企业经济效益与管理决策实证研究论文
摘要：在我国快速发展的过程中，我国的电力建设在不断的完善，中国的现代化建设离不开电力的发展，同时国民经济的发展也将推动电力工业的进步。处于新时代的电力企业需要具备超前的思维与意识，在外对国民经济的发展具备清晰的预判，在内要做好企业内部的管理建设，针对未来长远发展制定科学的规划。要做好这几点，就离不开对电力企业经济效益、经营管理的分析以及数学建模工具的运用。本文选取2001-2017年中国的国内生产总值（GDP），全社会用电量数据以及典型电力企业华电国际年度报告数据，分析了华电国际的经济效益与外部经济环境以及企业经营管理之间的关系。首先从时间序列非平稳角度出发，利用协整理论并通过单位根检验以及协整关系检验对华电国际的经济效益建立了长期均衡模型。再对模型进行短期误差修正，在证明了模型有效性的基础上，利用所建模型对提升华电国际的经济效益进行实证分析预测。最后对以华电国际为代表的中国电力企业的发展提出相关建议。结果表明，对华电国际而言其供电成本、管理与财务及人力资源成本的完善对其经济效益的影响将是一个长期过程，而其短期内经济效益主要受国民经济的发展水平以及全社会用电量需求的影响。该模型具有广泛的适用性，可以为其他电力企业的经济效益及其影响因素进行分析与预测，对企业未来的管理决策规划提供参考。
关键词：电力企业；经济效益；管理决策
经济研究的方法在于总结典型的经验特征与收集数据，并在此基础上建立相应的经济理论或经济模型。经济研究的科学性在很大程度上取决于经济理论或经济模型的可验证性，即能否通过数据实证检验相关的经济理论与经济模型来解释事实，并预测未来的经济变动趋势以及提供科学的政策建议。计量经济学和实验经济学则犹如硬币的双面，从不同的角度为经济学的实证分析提供重要的方法论基础。计量经济学以实际经济数据的建模与分析为主要研究对象。当实际数据不可得，或实际数据过于复杂而导致因果关系不易梳理时，实验经济学则有可能从另一个角度出发，通过可控的实验数据代替实际数据，成为实证经济分析的又一个有力工具。
一、協整理论概述
协整的概念是由恩格尔一格兰杰（Engle-Granger）在1987年“协整与误差修正，描述、估计与检验”中正式提出的，协整的基本思想认为，尽管两个或两个以上变量中的每一个都是非平稳的，但他们的线性组合可能会相互抵消趋势项的影响，使该组合是平稳的。这一理论的提出为经济时间序列分析树立了新的里程碑，对经济学和计量经济学产生了革命性的影响。之所以协整理论会产生如此大的影响，是与一协整理论所具有的深厚的经济学背景密不可分的。
二、基于计量经济学的电力企业经济效益与管理决策实证
（一）非均衡博弈论框架的建立和实验验证
策略性思考是博弈理论及其应用的基础。纳什均衡以及相关均衡的概念过去一直是描述策略性思考的核心内容，其定义为每个博弈参与者的策略都是在给定其他方策略下的最优反应。显然这种均衡的定义内在要求每个博弈参与者在决策信念上达到均衡，即每个参与者对其他方的策略持有正确的信念。在过去的研究中，经济学者通常假定均衡框架存在从而做出对参与者行为的预测。尽管在一些博弈场景下，基于均衡概念的行为预测是准确的，但在多数情况下实验经济学研究结果表明博弈参与者的行为会系统性地偏离基于均衡概念的行为预测。由于来自实验经济学数据对原有理论框架的挑战，经济学研究人员逐渐提出了基于非均衡概念的策略性思考理论框架并且运用实验经济学的方法收集数据来检验这些新理论。这些基于非均衡概念的策略性思考理论框架的核心在于继续假定博弈参与者在决策时仍然有策略性思考的因素在里面，但放弃了均衡的概念以及嵌入在均衡概念里面的很强的理性假设。
（二）ECM误差修正
通过Granger定理易知，具有协整关系的一系列变量会对应一个包含误差修正的表达形式。可以进一步通过误差修正来研究华电国际经济效益的短期行为。具体而言可根据由Hendry提出的一般到特殊的建模理论，逐步剔除从三阶滞后变量及误差修正项开始的不显著量，从而得到最终的误差修正模型：（见下面公式）式中：ECMt-1代表协整回归厚的一阶滞后误差，括号内的数字代表不拒绝相应零假设的概率。从该方程式以及统计结果的数据可以发现，文中所进行的统计检验在置信水平上表现显著。这一结果也证明了文中构建的误差修正的具有良好的适用性。图中给出了LY的实际数据与拟合结果以及残差结果，从图中可以看出，协整以及误差修正之后的模型具有较为理想的结果。
（三）计量经济学应用研究中的多重共线性问题
在计量经济学模型方法常用的回归分析中，当解释变量之间存在多重共线性问题时，常会对模型估计的准确性带来不利影响。因此，在应用计量经济学方法建模的过程中，进行多重共线性检验以及消除多重共线性问题是很重要的环节。部分计量经济学应用研究中存在对多重共线性问题处理不恰当的现象。某篇研究股权激励对盈余管理影响的文章，以计量方法中的回归分析为主要研究方法。作者在研究中单纯依靠方差膨胀因子VIl的临界值，来判断出解释变量之间存在多重共线性问题，便直接将模型中的其中一个变量删掉。模型中是否应该包含某个解释变量，应该以实际经济理论分析为基础，不能单纯以是否存在多重共线性来判断。
