精华内容
下载资源
问答
  • 它能同时调整组合中所有头寸以优化期望短缺,同时得到相应受险价值.Fredrik给出了能同时优化组合期望短缺和受险价值的线性规划模型,但该模型存在维数障碍.为了克服这一障碍,本文将其重新变为一个非线性规划模型,并...
  • 在指数效用函数下,提出了基于私人信息和公共信息精度的IPO最优发行价和发行股份额的期望效用模型,并对最优解进行了求解和分析.研究结果表明:发行价格与申请发行股份数量负相关,发行价格随着公司基本价值条件期望的...
  • 着眼各型断层对煤矿安全的负面干扰,概括采场断层活化期望控制指标体系并关联保护煤柱。用GM(1,1),Verhust,残差GM和GMANN构建数据挖掘模型实现比较...应用表明,模型比较准确且相对保真,具备一定研究价值和基本实际意义。
  • 提出了基于模糊变量期望值算子的综合评判模型,针对此模型的不足和局限性,又提出了修正模型,并给出了相应的算法。模型实例分析结果表明:该模型具有很强的适用性和有效性。该成果为模糊性决策系统提供了一种新的处理...
  • 提出了基于模糊变量期望值算子的综合评判模型,针对此模型的不足和局限性,又提出了修正模型,并给出了相应的算法。模型实例分析结果表明:该模型具有很强的适用性和有效性。该成果为模糊性决策系统提供了一种新的处理...
  • 软件包“ aldvmm”使用Hernandez Alava和Wailoo(2015)提出的似然和期望值函数,使用正态分量分布和分量隶属概率的多项式logit模型。 安装 您可以使用以下命令从安装开发版本: # install.packages("devtools") ...
  • BG/NBD模型介绍: 设时间段T中的交易次数x,T的第一个交易的时间t0为起点,最后交易的时间为tx, 在时长为t的时间内的交易数的(总)期望值 在时长为t的时间内,交易数量为x的(总)概率 在时长为(T, T+ t]的时间中,...

    BG/NBD模型介绍:

    设时间段T中的交易次数x,T的第一个交易的时间t0为起点,最后交易的时间为tx,

    在时长为t的时间内的交易数的(总)期望值E[X(t)]

    在时长为t的时间内,交易数量为x的(总)概率P[X(t)=x ]

    在时长为(T, T+ t]的时间中,一位顾客(x = x, t, T)的交易数的期待值E(\Upsilon(t) | X=x, t, T)

    假设:

    一个活跃顾客在长度为t的一段时间内的交易量服从交易率λ的泊松分布。P(t_j | t_{j-1}, \lambda) = \lambda e^{t_j - t_{j-1}}, t_{j} > t_{j-1} \geq 0

    顾客中交易率λ的非均匀性和服从形状参数r,比例参数α的gamma分布。P(\lambda | r, \alpha) = \frac{\alpha^{r} \lambda^{r-1} e^{-\lambda\alpha}}{\Gamma(r)}, \lambda>0

    每次交易后客户变得不活跃的概率为 p,客户退出点服从二项式分布。P(inactive immediately after j-th transaction) = p(1-p)^{j-1}, j=1, 2, ...

    不活跃概率p的非均匀性的概率密度函数服从 beta 分布。f(p|a, b) = \frac{p^{a-1} (1-p)^{b-1}}{B(a, b)}, 0 \leq p \leq 1          B(a, b) = \frac{\Gamma(a)\Gamma(b)}{\Gamma(a+b)}

    不活跃概率p与交易率λ相互独立。

    当x=0时,

    P(\lambda|p,x,t_x,T;r,\alpha) = Gamma(r, T+\alpha)

    P(p|\lambda,x,t_x,T;a,b) = Beta(a,b)

    当x>0时,

    P(\lambda|p,x,t_x,T;r,\alpha) = \frac{(1-p)^{x} (t_x+\alpha)^{x+r}}{(1-p)^{x} (t_x+\alpha)^{x+r}+p (1-p)^{x-1} (T+\alpha)^{x+r}} Gamma(x+r, T+\alpha) + \frac{p (1-p)^{x-1} (T+\alpha)^{x+r}}{(1-p)^{x} (t_x+\alpha)^{x+r}+p (1-p)^{x-1} (T+\alpha)^{x+r}} Gamma(x+r, t_x+\alpha) \\

    P(p|\lambda,x,t_x,T;a,b) = \frac{B(a,x+b) \lambda^{x}e^{-\lambda T}}{B(a,x+b) \lambda^{x}e^{-\lambda T}+B(a+1,x+b-1) \lambda^{x}e^{-\lambda t_x}} Beta(a,x+b) + \frac{B(a+1,x+b-1) \lambda^{x}e^{-\lambda t_x}}{B(a,x+b) \lambda^{x}e^{-\lambda T}+B(a+1,x+b-1) \lambda^{x}e^{-\lambda t_x}} Beta(a+1,x+b-1) \\

     

    交易数为x的期望值(整体)

    E(X(t) \mid r, \alpha, a, b)=\frac{a+b-1}{a-1}\left[1-\left(\frac{\alpha}{\alpha+t}\right)^{r}{ }_{2} F_{1}\left(r, b ; a+b-1 ; \frac{t}{\alpha+t}\right)\right]

    交易数为x的概率(整体)

    P(X(t)=x \mid r, \alpha, a, b)=\frac{B(a, b+x)}{B(a, b)} \frac{\Gamma(r+x)}{\Gamma(r) x !}\left(\frac{\alpha}{\alpha+t}\right)^{r}\left(\frac{t}{\alpha+t}\right)^{x}$ $+\delta_{x>0} \frac{B(a+1, b+x-1)}{B(a, b)}\left[1-\left(\frac{\alpha}{\alpha+t}\right)^{r}\left\{\sum_{j=0}^{x-1} \frac{\Gamma(r+j)}{\Gamma(r) j !}\left(\frac{t}{\alpha+t}\right)^{j}\right\}\right]

    某客户的交易数量的期望值

    E\left(\Upsilon(t) \mid X=x, t_{x}, T, r, \alpha, a, b\right)=\frac{\frac{a+b+x-1}{a-1}\left[1-\left(\frac{\alpha+T}{\alpha+T+t}\right)^{r+x}{ }_{2}F_{1}\left(r+x, b+x ; a+b+x-1 ; \frac{t}{\alpha+T+t}\right)\right]}{1+\delta_{x>0} \frac{a}{b+x-1}\left(\frac{\alpha+T}{\alpha+t_{x}}\right)^{r+x}}

    { }_{2} F_{1}()为高斯超几何函数,_2F_1(r, b; a+b-1; \frac{t}{\alpha+t}) = \sum_{n=0}^{\infty} \frac{(r)_n (b)_n}{(a+b-1)_n} \frac{(\frac{t}{\alpha+t})^n}{n!}(r)_0 := 1 , (r)_n := \prod_{k=0}^{n-1}(r+k)

     


    参数估计:

    总结上面的假设,需要求出的r, \alpha, a, b这4个参数的值。

    通过似然函数求解参数:L(r, \alpha, a, b | X=x, t_x, T) = \frac{B(a, b + x)}{B(a, b)} \frac{\Gamma(r + x)a^r}{\Gamma(r)(\alpha + T)^{r + x}} + \delta_{x>0} \frac{B(a+1, b+x-1)}{B(a, b)} \frac{\Gamma(r + x)\alpha^r}{\Gamma(r)(a + t_x)^{r+x}}

    \delta_{x>0}: 当x>0时为1,当x=0时为0,如果还没有进行一次交易,则只计算第一项。
    最大化的对数似然函数LL为:LL(r, \alpha, a, b) = \sum_{i=1}^{N} ln[L(r, \alpha, a, b | X_i = x_i, t_{x_i}, T_i) ]其中N为客户数。

    P(X(t)=x \mid r, \alpha, a, b)=\frac{B(a, b+x)}{B(a, b)} \frac{\Gamma(r+x)}{\Gamma(r) x !}\left(\frac{\alpha}{\alpha+t}\right)^{r}\left(\frac{t}{\alpha+t}\right)^{x}$ $+\delta_{x>0} \frac{B(a+1, b+x-1)}{B(a, b)}\left[1-\left(\frac{\alpha}{\alpha+t}\right)^{r}\left\{\sum_{j=0}^{x-1} \frac{\Gamma(r+j)}{\Gamma(r) j !}\left(\frac{t}{\alpha+t}\right)^{j}\right\}\right]

    lifetimes方法:

    总结

    由于该模型只关注时段T内的交易数量和最终交易日期,所以不能表示具有周期性的客户,根据t的设置周期性的客户可能在预期的交易数和实际的交易数之间有很大的差异。

    参考

    • Peter S. Fader, Bruce G. S. Hardie, Ka Lok Lee, “Counting Your Customers” the Easy Way: An Alternative to the Pareto/NBD Model, 2005.(PDF)
    展开全文
  • 例如,K-S指标是用来衡量验证结果是否优于期望值,具体标准为:如果K-S大于40%,模型具有较好的预测功能,发展的模型具有成功的应用价值。K-S值越大,表示评分模型能够将“好客户”、“坏客户”区分开来的程度越大。...

    评分模型的检验方法和标准通常有:K-S指标、交换曲线、AR值、Gini数等。例如,K-S指标是用来衡量验证结果是否优于期望值,具体标准为:如果K-S大于40%,模型具有较好的预测功能,发展的模型具有成功的应用价值。K-S值越大,表示评分模型能够将“好客户”、“坏客户”区分开来的程度越大。

     

     

    例如,K-S指标是用来衡量验证结果是否优于期望值,具体标准为:如果K-S大于40%,模型具有较好的预测功能,发展的模型具有成功的应用价值。K-S值越大,表示评分模型能够将“好客户”、“坏客户”区分开来的程度越大。

     

    信用评分模型介绍(一)

    2016-08-28 蒋靓 Larry Jiang Larry的风险模型分享与探讨

    引言:对于信用评分模型,很多朋友或多或少有所了解,这里做一般性的介绍,并分享自己的多年从业经验。这边短文主要包括:信用评分模型,自变量的生成、筛选、分档和转换,及常用有监督学习模型。

     

    信用评分模型

    信用评分模型是一种有监督的学习模型(Supervised Learning),数据由一群自变量X和对应的因变量y构成。传统零售信用模型中,X大致分为客户的基本信息(年龄、性别、职业、学位等),财务信息(收入,每月生活消费,每月信贷还款额等),产品信息(LTV,信用卡类别,个人贷款用途等),征信信息(前6个月被查询次数,前6个信用卡最大利用率,未结清贷款数等);而一般取值0-1因变量y可以定义为在未来12个月是否出现欠款90天等.

    经验备注:在大数据下,很多互联网公司对个人的评估不再局限于以上几种信息,而是根据更为广泛的数据源对个人进行更全面的刻画,故有称之为客户画像。数据维度会考虑个人在社会上留下的任何数据,如手机使用行为,理财行为,社交圈,网购行为,旅游行为等等等等。大家的各方面数据其实都在被不同的公司和不同的APP收集。。。

     

    自变量的生成

    自变量是信用风险的来源,除了考虑直接收集的变量,信用评分建模过程中往往需要建模人员产生更多的衍生变量。这部分工作要分析人员的直觉、长期经验的积累和数据挖掘技术的应用。大家可以通过京东和支付宝的评分一窥其自变量的维度:芝麻信用分为5个维度:身份特质,履约能力,信用历史,人脉关系,行为偏好;小白信用分也分为5个维度:身份,资产,关系,履约,偏好。

    经验备注:现在越来越多的模型技术被应用于信用模型,但是个人觉得无论高级模型还是初级模型,最为重要的是更广泛的数据和产生更多更具有预测能力的自变量。

     

    自变量的筛选

    自变量一旦丰富了起来,就涉及到有效变量的筛选,大致可根据一下几个原则或方法:变量的直观意义(是否跟y有关),变量的单调性或合理性,未来是否可以获取以便模型可实施,变量的区分能力(IV),变量间相关性(变量聚类),变量缺失率,分档之后的稳定性等等。

    经验备注:对于区分能力太强的变量,或缺失率很大的变量,不建议直接放入模型,可以考虑做成规则或者做成最后模型的调整。在大数据下,人们经常强调自变量与因变量的相关关系,应用于精准性要求不高的营销模型问题不大。而对于精准度要求极高的信用评分模型,相关关系的应用值得推敲。

     

    自变量分档和转换

    为了保持模型的稳定性,信用模型一般对自变量进行分档,比如根据风险不同把年龄分成几档。这样每档需要一个值来代表这段的自变量输入,这就是变量的转换,常见的有WOE和Logit转换。通过转换后不仅实现了稳定性要求,也克服不同变量间刻度不统一的问题,还克服回归中缺失值的填充问题。

    经验备注:如果分档过粗糙,不但会降低单个变量的预测能力,也会造成最终评分集中度过高的问题。解决方法:可以考虑每档用线性插值来代替常数,也可以寻找更多能区分分数集中样本的自变量放入模型。

     

    有监督学习模型介绍

    目前比较流行的模型主要有以下几种(以后分享会逐一介绍):

    1. Logistic 回归(Logistic Regression)

    2. 决策树(Decision Tree)

    3. 支持向量机(Support Vector Machine)

    4. 人工神经网络(Artificial Neural Network) 

    5. 生存分析模型(Survival Analysis Model)

    经验备注:除此上述之外,还有些高级方法或算法:集成方法(Ensemble Method)(例如随机森林(Random Forrest),Boosting,AdaBoost),深度学习方法(Deep Learning),随机梯度下降算法(Stochastic Gradient Descent)等。

    展开全文
  • 第二张图是我们的model-free RL,这里呢,可以看到model-base RL是没有和环境的一个交互,换句话说呢没有实际的交互,因为那个环境中的转移概率P我们是已知的,R也是已知的,我们只需要按照价值函数期望公式就能算出...

    强化学习总结(3-4)

    ​ 最近呢,搞完有模型的强化学习之后,接下来就开始搞无模型的强化学习,发现还是无模型的强化学习应用场景比较多,而且更加烧脑liaoer。

    在这里插入图片描述

    在这里插入图片描述

    上面第一张图是我们的model-base RL,第二张图是我们的model-free RL,这里呢,可以看到model-base RL是没有和环境的一个交互,换句话说呢没有实际的交互,因为那个环境中的转移概率P我们是已知的,R也是已知的,我们只需要按照价值函数期望公式就能算出价值函数,以及optimal policy。然鹅,model-free RL它不知道P啊,它木得办法啊,它只能去交互,在实际操作中看看我各个状态间的转移概率是多些,转移的回报是多些。

    无模型

    预测价值函数

    蒙特卡洛

    ​ 所以,对于model-free的情况,它只能用蒙特卡洛的方法采样多个轨迹进行平均,才能得到价值函数啊。而我们的model-base用动态规划预测,它就不用了采样了啊,因为它都知道各个状态的转移情况也就是模型,所以能遍历所有的状态和动作。

    时序差分(TD)学习

    ​ 这里呢,和蒙特卡洛类似,只不过它是走m步(获得m个R)就更更新一下当前状态的价值函数,通过不停地迭代和bootsrapping,达到一个收敛状态,我们就说ok了,价值函数找到了。

    下面就是两个的区别,翠花~,上酸。。图:

    在这里插入图片描述
    在这里插入图片描述
    此前的内容都是value-base RL学派的内容,接下来讨论policy-base Rl学派的内容。

    展开全文
  • 运用需要理论和客户价值理论等,提出基于方法目的链的客户目的价值模型及建模方法,将客户期望的效用价值与体验价值置于同一分析系统,给出了客户目的价值模型定义,论述了无监督多目的分群、期望价值维度萃取和目的...
  • (五十四)Merton模型与KMV模型预测违约概率

    千次阅读 多人点赞 2020-05-07 16:15:29
    Merton模型将违约概率与期权定价公式结合,PD=N(-d2);KMV模型在Merton模型的基础上提出了违约距离dd的概念,并且将债务价值改进为违约实施点,期望违约概率EDF=N(-dd),dd是一个很好的相对指标。

    Merton模型

    莫顿模型中,假设企业只通过权益 St 和一种零息债券进行融资,债券现值为 Bt,T 时到期,到期时本息合计为D,公司的资产价值 Vt = St+Bt 服从几何布朗运动。若T时刻公司价值 Vt 小于负债D,就会存在违约的可能性,此时公司的违约概率为 P(VT ≤ D) ,因此只需要算出这个概率即可。

    期权定价模型将今天公司的股票价值E0与公司资产价值V0和资产的波动率σV联系起来:股票价值看作是一个标的为V0、执行价格为债务面值D的看涨期权,代入BSM期权定价公式中为E0 = V0N(d1) - De-rtN(d2);债务价值可看作无风险证券与以V0为标的的看跌期权之差,即B0 = Ke-rt - put = V0N(-d1) + De-rtN(d2)。根据公司价值 Vt 服从的几何布朗运动计算PD:

    在这里插入图片描述

    因此在Merton模型里,风险中性下的违约概率PD=N(-d2),此时d2中的μ为无风险利率;若μ为资产的期望收益率,则PD为现实中的违约概率。在d2中,未知数只有公司资产价值V0和资产的波动率σV,可根据以下两式联立解出:E0 = V0N(d1) - De-rtN(d2)以及 delta = ∆E0/∆V0 = N(d1)(或者根据伊藤引理得σE×E0 = N(d1)×σV×V0,σE为公司股权价值的波动率),带入到N(-d2)中可求得PD。

    KMV模型

    KMV模型又称为预期违约率模型(Expected Default Frequency, EDF),该模型基于Merton模型。当企业资产未来市场价值低于企业所需清偿的负债面值时,企业将会违约。企业资产未来市场价值的期望值到违约点之间的距离就是违约距离DD(Distance to Default),距离越远公司发生违约的可能性越小。比如Merton模型中的d2就可以看作是一种违约距离。

    在这里插入图片描述
    首先,根据Merton模型估计出企业资产的市场价值及其波动性。其次,根据公司的负债计算出公司的违约实施点DP(default exercise point,比如为企业一年以下短期债务的价值加上未清偿的长期债务账面价值的一半,具体可以根据需要设定),计算借款人的违约距离。最后,根据企业的违约距离与预期违约率(EDF)之间的对应关系,求出企业的预期违约率。下面以一个案例来根据KMV模型计算公司的预期违约概率:
    在这里插入图片描述
    假设公司的股权价值为12个月的平均值,即E=1 4127 6427元,股权价值的年化波动率为28.39%,KMV模型的违约点DP = SD+0.5×LD = 1.25亿元,假设无风险利率为r=2.25%,t=1,接下来利用scipy.optimize中的fsolve函数求解KMV方程组中的两个未知变量Va和σa。注意这两个未知数数量级相差很大,可能导致计算结果不准确,做如下变换:Va=x×E,代入方程组我们就只需求参数x和σa了:
    在这里插入图片描述

    import numpy as np
    from scipy import optimize
    from scipy import stats
    r=0.0225;sigma_e=0.2893;t=1;E=141276427;DP=1.25e8
    def g(w):
        x,sigma_a=w
        N_d1=stats.norm.cdf((np.log(abs(x)*E/DP)+(r+0.5*sigma_a**2)*t)/(sigma_a*np.sqrt(t)))
        N_d2=stats.norm.cdf((np.log(abs(x)*E/DP)+(r-0.5*sigma_a**2)*t)/(sigma_a*np.sqrt(t)))
        #为了防止fsolve迭代到负数报错,给x加绝对值
        e1=E-(x*E*N_d1-DP*N_d2*np.exp(-r*t))
        e2=sigma_e-sigma_a*N_d1*x
        return [e1,e2]#此处返回等于0的式子
    result=optimize.fsolve(g,[1,0.1])
    result
    Out[2]: array([1.86510471, 0.15511197])
    x,sigma_a=result
    DD=(x*E-DP)/(x*E*sigma_a)#违约距离
    EDF=stats.norm.cdf(-DD)
    print('企业资产为{:.2f},资产的波动率为{:.4%}'.format(x*E,sigma_a))
    print('违约距离为DD={:.4f},违约概率EDF={:.4%}'.format(DD,EDF))
    
    企业资产为263495329.74,资产的波动率为15.5112%
    违约距离为DD=3.3886,违约概率EDF=0.0351%
    

    因此该公司的违约概率为0.0351%,违约率较低。

    有的时候为了兼顾计算的简便与准确性,计算出DD后,从上市公司违约数据库中找DD等于此值的公司有多少比例是违约的,也可以算出违约概率。由于历史违约数据的积累工作滞后,确定违约距离和实际违约频率之间的映射仍然无法实现,而直接计算出来的EDF结果说服力较差,因此直接应用违约距离来比较上市公司的相对违约风险大小更合理

    展开全文
  • 答:价值模型的核心特征可以简化为三种基本形式:价值期望值、反作用力、变革催化剂。价值期望值表示对某一特定功能的需求,包括内容、满意度、不同级别质量的实用性。反作用力是系统部署到实际环境中,实现某种价值...
  • 本文针对第一个部分Achievement成果,也就是和客户讨论期望达到什么样的成果,成果并不等同于本次项目的工作范围,而是和客户共同讨论愿景、使命和价值观。以充分理解项目。本文仅是一种模型,既不适合所有的情况,...
  • 利用泰勒级数对电机速度模型进行离散化,获得期望电压矢量;将价值函数中转 速和 d 轴电流的误差项均转化为电压量纲,避免了权重系数的调整;利用 Clark 变换计算期望电压 矢量的角度,得到期望电压矢量所在的局部扇区。...
  • 结合成就动机的期望价值模型,以感知效用和教师教学效能感为中介变量,探索中学教师希望自我与其工作投入和工作倦怠的关系,验证希望自我动机作用的中介模型。对7所中学的252位教师进行问卷调查,采用的量表是改编的...
  • 基于线性完备变换的银行贷款组合优化模型,迟国泰,吴珊珊,以收益率风险价值限额和贷款组合期望收益率为约束条件,以贷款组合风险最小为目标函数,建立了基于收益率风险价值约束的银行贷款
  • 产品学习:云模型

    万次阅读 2016-10-12 09:38:11
    模型是对语言值所蕴含的模糊性和随机性的一种数学描述,它用期望值Ex,熵En和超熵He表征定性概念,将概念的模糊性和随机性集成在一起,是实现知识库中定量与定性之间相互转换的一种新途径. 本文论述了模糊子集的云模型...
  • 针对概率准则模型在单值基准收益率大于最小方差组合的期望收益率时无最优解,根据投资者的行为和心理,文章对经典Markowitz模型进行改进,将投资者的基准收益率设定为区间,考虑了交易费用和投资者已持有证券,建立...
  • 此外,模型通过引入期望延误率和期望取消率等参数,增强了实际应用的鲁棒性.在进行案例仿真时,本文使用了广州白云国际机场的相关数据,利用优化软件AIMMS4.19求得实验结果.实验结果证明,模型不仅能够提高机场的...
  • 结果表明:对于循环投资而言,即使每次循环投资的期望收益为正,但如果多次投资,却不能保证总投资盈利,但可以利用模型中的优化公式,使得收益最大化或者损失最小。该结论对于进行金融投资或投机、企业资金管理等具有的...
  • 传统的电源规划投资模型的优化目标是投资费用的最小化,在现代电力企业...本文改进了传统的电源规划投资模型,建立了在未来不确定风险下,基于期望净现值最大化的电力投资模型,并在此基础上讨论了等待价值的计算方法。
  • 证明了紧急补货模型价值函数的可分解性、最优捆绑价格在时 间上的非递减性和在存量上的非递增性 ;证明了失销模型最优期望收益在存量上的非递减性 。该模型有助 于实践中运用在线捆绑策略的易逝品生产和服务企业对...
  • 对该均衡优化模型进行分析与转化,利用模糊事件的可信性测度理论,推导了指控节点,火力节点的模糊信息量需求期望,冗余期望和缺额期望,建立了具有模糊需求的反导体系超网络均衡状态满足的变分不等式模型,设计了...
  • 以开发商土地寻租博弈均衡策略为核心,首先对经典 Tullock寻租博弈模型进行了拓展,得到了基于不同土地价值期望的寻租博弈模型。随后对均一估值和差异估值下的博弈均衡进行了分析,得到了寻租博弈参与人的有效均衡策略...
  • 第一次知道CRF是在参加DeeCamp2019的时候知道的,当时有人在强化学习中使用它,结合一般的强化学习(Q-learning,策略梯度,期望价值/动作回报函数),马尔可夫随机场,蒙特卡洛搜索树以及CRF进行的快手小游戏开发。...
  • 模型是对语言值所蕴含的模糊性和随机性的一种数学描述,它用期望值Ex,熵En和超熵He表征定性概念,将概念的模糊性和随机性集成在一起,是实现知识库中定量与定性之间相互转换的一种新途径.本文论述了模糊子集的云模型...
  • 项目管理成熟度模型

    2021-02-04 09:09:40
    一、引言所有的公司都期望能获得项目管理的成熟和卓越,但很少有人了解现代意义上的“项目成功”是一个非常苛刻的标准。著名的项目管理学家Kerzner博士对“项目成功”的定义做出了新的诊释,就是不仅要满足传统的...
  • 验证了动态超售模型的有效性和可操作性,同时证明模型具有在不同的订票强度下,不断修正参数使得总收益增加的特点,仿真结果也反映出较低的DB风险水平,为航空公司机票预售策略的制定提供一定参考及实用价值.
  • 情感和认知价分别代表一项活动时的感受和对其后果价值的思考。 两种价态可以是正值和负值,因此分别需要进场动机和回避动机。 这四类价之间的相互作用导致了价期望,这影响了行动准备。 价位又受特定于任务的前四个...
  • 结果表明:对于循环投资而言,即使每次循环投资的期望收益为正,但如果多次投资,却 不能保证总投资盈利,但可以利用模型中的优化公式,使得收益最大化或者损失最小。该结论对于进行金融投资 或投机、企业资金管理等具有的...

空空如也

空空如也

1 2 3 4 5 ... 14
收藏数 275
精华内容 110
关键字:

期望价值模型