精华内容
下载资源
问答
  • 影响黄金的因素

    千次阅读 2010-12-20 09:23:00
    黄金独具的避险性、保值性使得黄金对政治动荡,战争等因素分外敏感,每一次的战争就必然使得金价大幅飚升。比如最近朝鲜和韩国局势紧张,就会导致金价上涨。2、美元走势。美元对黄金市场的影响主要有两个方面,一是...

    影响黄金的因素包括一下几类
    1、国际政局。俗话说:大炮一响,黄金万两。黄金独具的避险性、保值性使得黄金对政治动荡,战争等因素分外敏感,每一次的战争就必然使得金价大幅飚升。比如最近朝鲜和韩国局势紧张,就会导致金价上涨。
    2、美元走势。美元对黄金市场的影响主要有两个方面,一是美元是国际黄金市场上的标价货币,因而与金价呈现负相关。假设金价本身价值未有变动,美元下跌,那金价在价格上就表现为上涨;另一个方面是黄金作为美元资产的替代投资工具。最近金价的牛市,以及市场对其大牛市持续的期待,都伴随着市场对美元走势长期看弱的预期,美元的下跌必然使得美元资产对投资者的吸引力减弱,而纷纷转战黄金市场,从而带动金价的上涨。但是现在是黄金与美元同涨
    3、原油价格。黄金具有抵御通货膨胀的功能,而国际原油价格与通胀水平密切相关,因此金价和原油价格基本上是正相关,即原油涨黄金涨、原油跌黄金跌。作为世界主要的原油产地,土伊之间的战争使得市场担忧该地区有原油供给中断的危险,油价也因而上涨,从而又推动了金价的上涨。

    4、供需关系。一般来说,世界经济的发展速度决定了黄金的总需求,例如在微电子领域、航空技术领域,越来越多地的使用到了黄金。黄金既是重要的工业原料,又是民间制作饰品的材料。将要到来的印度的宗教节日与婚庆时期,中国的农历新年,西方圣诞节等是黄金饰品消费高峰。因此当消费需求上升时,金价也会走高。

    5、全球股市。国际黄金市场的发展历史表明,在通常情况下,黄金与股市也是逆向运行的,股市行情大幅上扬时,黄金价格往往是下跌的,反之亦然。但由于我国内地股市是相对封闭的,黄金价格的涨跌与内地股市行情并没有太大的关联度,而是与境外一些重要的股票市场(如纽约、东京、伦敦)有较强的关联度。

    6、国际商品。由于中国、印度、俄罗斯、巴西等国经济的持续崛起,对有色金属等商品的需求持续强劲,加上国际对冲基金的投机炒作,导致有色金属、贵金属等国际商品价格自2001年起持续强劲上扬,这就是商品市场价格联动性的体现。

    7、全球通胀压力,各国央行黄金储备的增减,国际基金持仓水平等等。

     

    http://bbs.eeworld.com.cn/thread-119315-1-1.html

    展开全文
  • 最喜欢的一句话:今日事,今日毕 前期准备工作 企业级360°全方位用户画像:标签开发(前期准备工作) 价格敏感度模型-PSM PSM模型引入 点击下面链接了解大数据杀熟 人人憎恨的大数据杀熟你了解吗? 大数据杀熟”是否真...

    絮叨两句:
    博主是一名数据分析实习生,利用博客记录自己所学的知识,也希望能帮助到正在学习的同学们
    人的一生中会遇到各种各样的困难和折磨,逃避是解决不了问题的,唯有以乐观的精神去迎接生活的挑战
    少年易老学难成,一寸光阴不可轻。
    最喜欢的一句话:今日事,今日毕

                                                                                   前期准备工作

    企业级360°全方位用户画像:标签开发(前期准备工作)
                                                             价格敏感度模型-PSM

    PSM模型引入

    👇 点击下面链接了解大数据杀熟
    人人憎恨的大数据杀熟你了解吗? 大数据杀熟”是否真的存在?

    PSM模型在网游中的运用

    PSM(Price Sensitivity Measurement)模型是在70年代由Van Westendrop所创建,其目的在于衡量目标用户对不同价格的满意及接受程度,了解其认为合适的产品价格,从而得到产品价格的可接受范围。

    PSM的定价是从消费者接受程度的角度来进行的,既考虑了消费者的主观意愿,又兼顾了企业追求最大利益的需求。

    此外,其价格测试过程完全基于所取购买对象的自然反应,没有涉及到任何竞争对手的信息。

    虽然缺少竞品信息是PSM的缺陷所在,由于每个网络游戏均自成一个虚拟的社会体系,一般来说,其中每个道具或服务的销售均没有竞品(除非开发组自己开发了类似的道具或服务,产生了内部竞争),从这个角度来说,PSM模型比较适合用于网游中的道具或服务的定价。

    此外,该模型简洁明了,操作简单,使用非常方便。


    PSM模型实施具体步骤

    第一步:通过定性研究,设计出能够涵盖产品可能的价格区间的价格梯度表。

    该步骤通常对某一产品或服务追问被访者4个问题,并据此获得价格梯度表。
    梯度表的价格范围要涵盖所有可能的价格点最低和最高价格一般要求低于或高出可能的市场价格的三倍以上

    1. 便宜的价格:对您而言什么价格该道具/服务是很划算,肯定会购买的?
    2. 太便宜的价格:低到什么价格,您觉得该道具/服务会因为大家都可以随便用,而对自己失去吸引力(或对游戏造成一些不良影响)?
    3. 贵的价格:您觉得“有点高,但自己能接受”的价格是多少?
    4. 太贵的价格:价格高到什么程度,您肯定会放弃购买?

    第二步:取一定数量有代表性的样本,被访者在价格梯度表上做出四项选择:

    • 有点低但可以接受的价格
    • 太低而不会接受的价格
    • 有点高但可以接受的价格
    • 太高而不会接受的价格。

    第三步 :对所获得的样本数据绘制累计百分比曲线图,四条曲线的交点得出产品的合适价格区间以及最优定价点和次优定价点。

    如下图:
    对“便宜”和“太便宜”向下累计百分数(因为价格越低消费者越觉得便宜,即认为某价格便宜的消费者也会认为低于此价格的价格便宜)

    “贵”和“太贵”向上累计百分数(因为价格越高消费者越觉得贵,即认为某价格贵的消费者也会认为高于此价格的价格贵)能够得到四条累计百分比曲线

    “太便宜”和“贵”的交点意味着此价格能够让最多的人觉得“不会便宜到影响购买意愿,即使可能有点贵也是能够接受的”

    “便宜”和“太贵”的交点意味着此价格能够让最多的人觉得“不会贵到不能接受,还是挺划算的”

    因此这两个交点分别为价格区间的下限和上限。低于前者,消费者会因为担心“过于大众不能体现优越感,或会给游戏带来不好影响如游戏平衡性”而不愿购买;高于后者,消费者会认为价钱太高而不能接受

    一般来说,“太便宜”和“太贵”的交点作为最优价格点,因为在此处觉得“不过于便宜也不过于昂贵”的消费者最多

    但是也有人认为“便宜”和“贵”的交点是最优价格,因为该交点取得了“划算,肯定会买”及“贵,但能接受”的平衡点,是能让最多消费者满意的价格

    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

    PSM模型的缺陷

                                                          存在的问题                                                
    1. 只考虑到了消费者的接受率,忽视了消费者的购买能力,即只追求最大的目标人群数。但事实上,即使消费者觉得价格合理,受限于购买力等因素,也无法购买。

    1. 研究中消费者可能出于各种因素(比如让价格更低能让自己收益,出于面子问题而抬高自己能接受的价格等)有意或无意地抬高或压低其接受的价格。由于消费者知道虚拟世界中的产品(道具或服务)没有成本,其压低价格的可能性较高。

    1. 没有考虑价格变化导致的购买意愿(销量)变化。

    解决

    1. 为了避免购买力的影响, 问卷或访谈研究中要强调“定这个价格,以自己目前的情况是否会购买”,而非仅仅去客观判断该产品值多少钱。

    1. 为了解决玩家抬高或压低价格的问题,可以增大样本量,预期随机误差可以相互抵消。

    1. 仅仅从曲线获得最优价格,受到玩家压低或抬高价格的影响较大。由于该误差可能是系统误差,对此,可以用所获得的价格区间设计不同的价格方案,然后设计组间实验设计,每个参与研究的消费者只接触其中一种或几种价格方案,并对该价格方案下是否购买及购买数量做出决策,通过计算那种价格方案下玩家消费金钱量最高来分析出最佳价格方案。如下表。

    1. 通过前一条中提到的组间实验设计,可以计算出不同价格下玩家购买意愿的变化,从而得知价格调整会对整体收益带来的影响。此外,价格接受比例还可以作为消费者对某价格满意度的指标,用于计算某价格下企业该产品的良性收益。
      注意,我们的上述对策部分基于统计学和实验心理学理论,部分基于我们工作中的实践,欢迎大家讨论和优化。

    在这里插入图片描述

    真实案例:用KANO模型和PSM价格敏感度确定产品功能和定价

    今天和大家分享的是关于产品功能上线和合理定价的问题。

    记得一个产品姐姐在分享的时候说过一句话受益匪浅“一个产品从出生到长大,要先保证能用,再保证好用。”是的,在产品功能选择上,什么功能是保证用户能用的,什么功能是为了让用户好用的,每类功能会带给用户什么样的体验。这个问题一直也是我们在做产品过程中不断整理和思考的,用户说什么就做什么,功能丰富且齐全,但最终还是做死了的例子不胜枚举。那么一个新的功能到底上不上,这个功能/服务如果收费,价格应该是怎样的。今天就来给大家分享一下关于我之前项目遇到的这些问题和我们的解决办法。

    功能到底要不要上——KANO模型

    KANO模型_:东京理工大学教授狩野纪昭(Noriaki Kano)发明的对用户需求分类优先排序的有用工具,以分析用户需求对用户满意的影响为基础,体现了产品性能和用户满意之间的非线性关系。

    根据不同类型的质量特性与顾客满意度之间的关系,狩野教授将产品服务的质量特性分为五类:

    基本(必备)型质量——Must-be Quality/ Basic Quality
    期望(意愿)型质量——One-dimensional Quality/ Performance Quality
    兴奋(魅力)型质量—Attractive Quality/ Excitement Quality
    无差异型质量——Indifferent Quality/Neutral Quality
    反向(逆向)型质量——Reverse Quality,亦可以将 ‘Quality’ 翻译成“质量”或“品质”。
    前三种需求根据绩效指标分类就是基本因素、绩效因素和激励因素。

    简单说就是N个功能摆在这里,我们如何判定该功能符合基本型需求、期望型需求还是兴奋型需求?
    KANO模型就可以帮助我们解决这个问题,但是这里有必要说一下,评定一个需求的优先级绝对不是仅仅根据这个就直接判定的


    直接分享我之前的项目:
    项目背景:因为临近一个关键节日,我司产品希望能增加功能A、功能B、功能C、功能D、功能E,那么如何判定哪一些功能是可以排在前面,哪些可以稍微排后?我们设置了调研问卷来让用户对这5个功能进行评价。具体问卷形式如下图。
    (为保护我司隐私,对具体内容进行隐藏。啊哈哈,我价值观很正的!)

    在这里插入图片描述
    这样一份问卷收到之后呢,你将会得到这样一个格式的数据。数据已经过处理。
    在这里插入图片描述
    这是一份“如果提供功能A五选项的选择人数如果不提供功能A五选项的选择人数的交叉表。分别是交叉选择人数和人数在该选项总人数的占比。
    这个图表怎么用嘞。这下我就必须要找一个解释图上来了。请见下图:

    在这里插入图片描述
    大家看到了这里面AQIRMO之类的标记了,后续的所有指数都是这些类别的求和。
    比如:

    • 所有分布在Q的格子里的值相加,就是Q的总体系数。
    • 所有R的格子里的值相加,就是R的总体系数。
    • 和我上面一张数据图一一对应。解释的够清楚了昂~
      下面解释一下这些神奇AQIRMO都是什么意思:
      A–魅力属性
      O–期望属性(一维属性)
      M–必备属性
      I –无差异属性(次要属性)
      R –反向属性
      Q–可疑结果
      得分最高的属性就是这个功能的最后属性归属。

    最后,增加了这个功能或者没有这个功能又会对用户满意度造成什么影响呢?
    这就是better-worse系数
    增加后的满意系数(better):(魅力属性+期望属性)/(魅力属性+期望属性+必备属性+无差异因素)
    • 消除后的不满意系数(worse):(期望属性+必备属性)/(魅力属性+期望属性+必备属性+无差异因素×(-1)
    • 注:系数越接近于1或-1,说明对提供后产生满意或不提供后产生不满的影响越大
    • 就酱紫,我们得到了这样的一些系数。就可以画一个逼格比较高的象限图啦。横坐标worse系数,纵坐标better系数。把四类属性分布于各个象限中。这个是用SPSS做的散点图。

    在这里插入图片描述
    • 综上所述,我们就确认了功能ABCDE的各个属性归类和优先级啦~昂。功能的优先级确定就酱紫结束了。

    确定了功能/服务,该如何为其定价

    不是每个功能的出现都是为了实现用户更好的操作而存在的,比如购物车、收藏夹之类的功能。还有一些功能的存在是为了能够赚钱的!是不是很直接!是不是说到了很多人的心里去!比如说卖东西寄快递,卖家愿意给你送货上门,为你提供这个功能虽然是为了用户体验更好,说到底还是起码不赚钱但不亏本的。那么快递费定价多少合适?(我就是举个例子,不要告诉我快递费多少钱是快递公司说的算)就我司这次项目中,有一些功能是需要付一些费用的,那么要付多少钱能够保本,多少钱可以盈利,多少钱用户就觉得你有病了呢?比起拍脑袋猜,或者设置不同价格用市场来验证,我更建议在最开始的时候能确定一个价格范围值。那么用户接受的价格到底在哪个区间呢?
    这里就给大家隆重介绍——PSM价格敏感度测试
    简单说PSM就是帮助你能够获取到一个功能或者服务的用户可接受价格区间,并确定最佳价格。为了保护我司的数据。我来举个朋友卖水果的定价案例。一盒现切的水果拼盘,定价在多少最合适呢?市场容忍度是多少呢?首先,我们做了用户调研。问卷结构见下图。

    在这里插入图片描述

    这里就是问卷的结构啦。用户对每一档价格进行4个选项的评价,价格从最低到最高,最好极值设置的高一点点避免天花板和地板效应。区间取得尽量细一点,这样后面得到的结果会比较精准。
    回收到问卷之后,我们将会得到这样一份数据,再来一波图。

    在这里插入图片描述

    我们得到了各类价格区间的“比较便宜太便宜有点贵可以忍太贵了放弃”的频率值。
    然后每个选项都计算累计总和,比如:比较便宜右边,是从下往上的累计总和。为什么是从下至上求和呢?
    因为,如果觉得8-10块都是比较便宜的话,5-1块钱当然都会觉得便宜啊。
    同理,如果觉得1-2块钱都贵的话,3-10块肯定都是觉得贵啊。
    这里就是需要注意的点啦!很便宜和太便宜都是从下往上求和的,而有点贵和太贵了都是从上往下求和的。
    求好了和值。计算当前这一行的和值的累计百分比(本行累计和值/累计总和)就阔以啦。举例:比较便宜列,累计和值=6,百分比=6/20;累计和值=13,百分比=13/20.以此类推。酱紫是不是就有4列百分比了?然后肿么做呢?——画图!

    在这里插入图片描述
    数据是我为了演示随便填的,图画的有点丑。好好统计出来的数据应该画的比较好看。
    P1–比较贵太便宜曲线交叉点
    P2–太贵
    太便宜曲线交叉点
    P3–比较便宜太贵交叉点
    P4–比较便宜
    比较贵交叉点

    可接受价格范围:
    P1–P3两点之间的价格都是用户可接受价格
    低于P1——用户会认为太便宜而怀疑质量问题,高于P3——用户会觉得太贵而放弃
    可接受价格点:P4——在此点,用户觉得价位太高的比例和价位太低的比例相等
    最优价格点:P2——在此点,用户觉得价格既不会太贵也不会太便宜
    就是这样的计算之后,我们将会得到最优价格。并且在这样一个合理的价格范围里去不断调试。这相对于直接拍脑袋来说,真的是靠谱多了呢~

    参考资料:

    1. 东京理工大学教授狩野纪昭(Noriaki Kano)和Fumio Takahashi《质量的保健因素和激励因素》(Motivator and Hygiene Factor in Quality)
    2. 周达,梁英瑜,贺成功.基于KANO模型的顾客需求分析——以校园咖啡吧商品及服务项目筛选为例
    3. PSM价格敏感度测试——2006.7.20 (百度文库)

    添加标签

    价格敏感度模型Price Sensitivity Meter
    有时在实际业务中,会把用户分为3-5类,
    比如分为极度敏感、较敏感、一般敏感、较不敏感、极度不敏感。
    然后将每类的聚类中心值与实际业务所需的其他指标结合,最终确定人群类别,判断在不同需求下是否触达或怎样触达。

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    价格敏感度规则:inType=HBase##zkHosts=192.168.10.20##zkPort=2181##hbaseTable=tbl_orders##family=detail##selectFields=memberId,orderSn,orderAmount,couponCodeValue
    

    业务代码

    价格敏感度模型

    psm=优惠订单占比 + 平均优惠金额占比 + 优惠总金额占比


    优惠订单占比=优惠的总次数/订单总次数

    平均优惠金额占比=优惠金额平均数/平均每单应收金额

    ------ 优惠金额平均数= 优惠总金额/优惠的总次数

    ------平均每单应收金额= 订单应收总金额/订单总次数

    优惠总金额占比=优惠总金额/订单应收总金额


    由上面可以得出:
    ------优惠的总次数
    ------优惠总金额
    ------订单总次数
    ------订单应收总金额


    package cn.itcast.userprofile.up24.newexcavate
    
    import cn.itcast.userprofile.up24.public.PublicStaticCode
    import org.apache.spark.ml.clustering.KMeans
    import org.apache.spark.ml.feature.VectorAssembler
    import org.apache.spark.sql.{DataFrame, SparkSession}
    
    import scala.collection.immutable
    /**
     * Author 真情流露哦呦
     * Desc 价格敏感度模型Price Sensitivity Meter
     * 有时在实际业务中,会把用户分为3-5类,
     * 比如分为极度敏感、较敏感、一般敏感、较不敏感、极度不敏感。
     * 然后将每类的聚类中心值与实际业务所需的其他指标结合,最终确定人群类别,判断在不同需求下是否触达或怎样触达。
     * 比如电商要通过满减优惠推广一新品牌的麦片,
     * 此时可优先选择优惠敏感且对麦片有消费偏好的用户进行精准推送,
     * 至于优惠敏感但日常对麦片无偏好的用户可暂时不进行推送或减小推送力度,
     * 优惠不敏感且对麦片无偏好的用户可选择不进行推送。
     * 可见,在实际操作中,技术指标评价外,还应结合业务需要,才能使模型达到理想效果。
     * //价格敏感度模型
     * psm=优惠订单占比+平均优惠金额占比+优惠总金额占比
     * 优惠订单占比 --->    (优惠的次数/购买次数)
     *
     * 平均优惠金额占比 --->  (优惠金额平均数/平均每单应收金额)
     *     优惠金额平均数=   优惠总金额/优惠的次数
     *     平均每单应收金额=  订单应收总金额/购买次数
     * 优惠总金额占比 --->   ( 优惠总金额/订单的应收总金额)
     *目的:
     * 优惠的次数
     * 购买次数
     *优惠总金额
     *订单的应收金额
     */
    
    
    object PSM extends  PublicStaticCode{
      override def SetAppName: String = "PSM"
    
      override def Four_Name: String = "价格敏感度"
      /**
       * 开始计算
       *inType=HBase##zkHosts=192.168.10.20##zkPort=2181##
       * hbaseTable=tbl_orders##family=detail##selectFields=memberId,orderSn,orderAmount,couponCodeValue
       * @param five  MySQL中的5级规则 id,rule
       * @param tblUser 根据selectFields查询出来的HBase中的数据
       * @return userid,tagIds
       */
    
      override def compilerAdapterFactory(spark: SparkSession, five: DataFrame, tblUser: DataFrame): DataFrame = {
        import spark.implicits._
        import scala.collection.JavaConversions._
        import org.apache.spark.sql.functions._
    
    //    five.show()
    
        /**
         * +------+----+
         * |tagsId|rule|
         * +------+----+
         * |    51|   1|
         * |    52|   2|
         * |    53|   3|
         * |    54|   4|
         * |    55|   5|
         * +------+----+
         */
    //    tblUser.show()
    
        /**
         * orderSn	订单号
         * orderAmount	订单总金额,等于商品总金额+运费
         * couponCodeValue	优惠码优惠金额
         * +---------+-------------------+-----------+---------------+
         * | memberId|            orderSn|orderAmount|couponCodeValue|
         * +---------+-------------------+-----------+---------------+
         * | 13823431| ts_792756751164275|    2479.45|           0.00|
         * |  4035167| D14090106121770839|    2449.00|           0.00|
         * |  4035291| D14090112394810659|    1099.42|           0.00|
         * |  4035041| fx_787749561729045|    1999.00|           0.00|
         * | 13823285| D14092120154435903|    2488.00|           0.00|
         * |  4034219| D14092120155620305|    3449.00|           0.00|
         * |138230939|top_810791455519102|    1649.00|           0.00|
         * |  4035083| D14092120161884409|       7.00|           0.00|
         */
        //0.定义常量
        val psmScoreStr: String = "psmScore"
        val featureStr: String = "feature"
        val predictStr: String = "predict"
    
    
    
        //1.先将用户每个订单是否优惠了进行处理
        /**
         * state 优惠订单为1, 非优惠订单为0
         * 在订单没有优惠的时候,金额为0.00
         */
        var state=when(col("couponCodeValue").cast("Int")===0.00,0)
          .when(col("couponCodeValue").cast("Int")=!=0.00,1) as "state"
        /**
         * practicalAmount:订单应收总金额
         *
         */
          var practicalAmount='orderAmount+'couponCodeValue as "pa"
        val order_State: DataFrame = tblUser.select('memberId, practicalAmount, 'orderAmount,'couponCodeValue, state)
    //    order_State.show()
    
        /**
         * memberId 用户Id
         * pa	订单应收总金额
         * orderAmount	订单总金额
         * couponCodeValue	优惠码优惠金额
         * state 订单是否优惠
         * +---------+-------+-----------+---------------+-----+
         * | memberId|     pa|orderAmount|couponCodeValue|state|
         * +---------+-------+-----------+---------------+-----+
         * | 13823431|2479.45|    2479.45|           0.00|    0|
         * |  4035167| 2449.0|    2449.00|           0.00|    0|
         * |  4035291|1099.42|    1099.42|           0.00|    0|
         * |  4035041| 1999.0|    1999.00|           0.00|    0|
         * | 13823285| 2488.0|    2488.00|           0.00|    0|
         * |  4034219| 3449.0|    3449.00|           0.00|    0|
         * |138230939| 1649.0|    1649.00|           0.00|    0|
         */
    
        /**
         *优惠的次数
         *购买次数
         *优惠总金额
         *订单的应收金额
         * Discount:优惠次数
         * PurchaseCount:购买次数
         * TotalAmount:优惠总金额
         * TotalReceivable订单的应收总金额
         */
        var disCount=sum('state) as "disCount"
        var purchaseCount=count('state) as "purchaseCount"
        var totalAmount=sum('couponCodeValue) as "totalAmount"
        var totalReceivable=sum('pa) as "totalReceivable"
    
        val psm_Score = order_State.groupBy('memberId).agg(disCount, purchaseCount, totalAmount, totalReceivable)
    //    psm_Score.show()
        /**
         * disCount:优惠次数
         * purchaseCount:购买次数
         * totalAmount:优惠总金额
         * totalReceivable:订单的应收总金额
         * +---------+--------+-------------+-----------+------------------+
         * | memberId|disCount|purchaseCount|totalAmount|   totalReceivable|
         * +---------+--------+-------------+-----------+------------------+
         * |  4033473|       3|          142|      500.0|         252430.92|
         * | 13822725|       4|          116|      800.0|         180098.34|
         * | 13823681|       1|          108|      200.0|          169946.1|
         * |138230919|       3|          125|      600.0|240661.56999999998|
         * | 13823083|       3|          132|      600.0|         234124.17|
         */
        /**
         * psm=优惠订单占比+平均优惠金额占比+优惠总金额占比
         * 优惠订单占比 --->    (优惠的次数/购买次数)
         *
         * 平均优惠金额占比 --->  (优惠金额平均数/平均每单应收金额)
         *     优惠金额平均数=   优惠总金额/优惠的次数
         *     平均每单应收金额=  订单应收总金额/购买次数
         * 优惠总金额占比 --->   ( 优惠总金额/订单的应收总金额)
         */
        //优惠订单占比
        var  DiscountProportion='disCount / 'purchaseCount
        //平均优惠金额占比
        var  DiscountAverageProportion=('totalAmount/'disCount)/('totalReceivable/'purchaseCount)
        //优惠总金额占比
        var TotalDiscountProportion='totalAmount/'totalReceivable
        //psm=优惠订单占比+平均优惠金额占比+优惠总金额占比
        var psm=DiscountProportion+DiscountAverageProportion+TotalDiscountProportion as "psmScore"
    
        /**
         * +--------+--------+-------------+-----------+---------------+
         * |memberId|disCount|purchaseCount|totalAmount|totalReceivable|
         * +--------+--------+-------------+-----------+---------------+
         * |13822841|       0|          113|        0.0|      205931.91|
         * +--------+--------+-------------+-----------+---------------+
         * 优惠订单占比 --->    (优惠的次数/购买次数)
         * disCount:优惠次数
         * purchaseCount:购买次数
         * purchaseCount/ disCount
         * 113 / 0  (除数不能为0)
         * 所以要进行判断 where('psmScore.isNotNull)
         */
        val psm_Result = psm_Score.select('memberId, psm).where('psmScore.isNotNull)
    //    psm_Result.show()
        /**
         * +---------+-------------------+
         * | memberId|           psmScore|
         * +---------+-------------------+
         * |  4033473|0.11686252330855691|
         * | 13822725|0.16774328728519597|
         * | 13823681|0.13753522440350205|
         * |138230919| 0.1303734438365045|
         * | 13823083| 0.1380506927739941|
         * | 13823431|0.15321482374431458|
         * |  4034923|0.13927276336831218|
         * |  4033575|0.11392752155030905|
         */
        //3.聚类
        //为方便后续模型进行特征输入,需要部分列的数据转换为特征向量,并统一命名,VectorAssembler类就可以完成这一任务。
        //VectorAssembler是一个transformer,将多列数据转化为单列的向量列
        val vectorDF = new VectorAssembler()
          .setInputCols(Array("psmScore"))
          .setOutputCol(featureStr)
          .transform(psm_Result)
    //    vectorDF.show()
        /**
         * +---------+-------------------+--------------------+
         * | memberId|           psmScore|             feature|
         * +---------+-------------------+--------------------+
         * |  4033473|0.11686252330855691|[0.11686252330855...|
         * | 13822725|0.16774328728519597|[0.16774328728519...|
         * | 13823681|0.13753522440350205|[0.13753522440350...|
         * |138230919| 0.1303734438365045|[0.1303734438365045]|
         * | 13823083| 0.1380506927739941|[0.1380506927739941]|
         * | 13823431|0.15321482374431458|[0.15321482374431...|
         * |  4034923|0.13927276336831218|[0.13927276336831...|
         * |  4033575|0.11392752155030905|[0.11392752155030...|
         */
    
        val ks: List[Int] = List(2,3,4,5,6,7,8)
        //集合内误差平方和:Within Set Sum of Squared Error, WSSSE
        //对于那些无法预先知道K值的情况,可以通过WSSSE的计算构建出 K-WSSSE 间的相关关系,从而确定K的值,
        //一般来说,最优的K值即是 K-WSSSE 曲线拐点Elbow的位置
        //当然,对于某些情况来说,我们还需要考虑K值的语义可解释性,而不仅仅是教条地参考WSSSE曲线
        /*val WSSSEMap: mutable.Map[Int, Double] = mutable.Map[Int,Double]()
        for(k<- ks){
          val kMeans: KMeans = new KMeans()
            .setK(k)
            .setMaxIter(20)//最大迭代次数
            .setFeaturesCol(featureStr) //特征列
            .setPredictionCol(predictStr)//预测结果列
          val model: KMeansModel  = kMeans.fit(vectorDF)
          val WSSSE: Double = model.computeCost(vectorDF)
          WSSSEMap.put(k,WSSSE)
        }
        println("训练出来的K对应的WSSSE如下:")
        println(WSSSEMap)
        //训练出来的K对应的WSSSE如下:
        //Map(8 -> 0.1514833272915443, 2 -> 1.2676013396202386, 5 -> 0.3205627518783058, 4 -> 0.4336353113133625, 7 -> 0.16381158476261476, 3 -> 0.8254005284535515, 6 -> 0.20131609978279763)
        val mined: (Int, Double) = WSSSEMap.minBy(_._2)
        val minK: Int = mined._1
        println("训练出来的WSSSE值最小的K是:"+minK)
        //一般来说,同样的迭代次数和算法跑的次数,这个值越小代表聚类的效果越好。
        //但是在实际情况下,我们还要考虑到聚类结果的可解释性,不能一味的选择使 computeCost 结果值最小的那个 K
        */
        //4.训练模型
        val model = new KMeans()
          .setK(5)
          .setSeed(10)
          .setMaxIter(30)
          .setFeaturesCol(featureStr)
          .setPredictionCol(predictStr)
          .fit(vectorDF)
        //5.预测
        val result: DataFrame = model.transform(vectorDF)
    //    result.show()
        /**
         * +---------+-------------------+--------------------+-------+
         * | memberId|           psmScore|             feature|predict|
         * +---------+-------------------+--------------------+-------+
         * |  4033473|0.11686252330855691|[0.11686252330855...|      0|
         * | 13822725|0.16774328728519597|[0.16774328728519...|      0|
         * | 13823681|0.13753522440350205|[0.13753522440350...|      0|
         * |138230919| 0.1303734438365045|[0.1303734438365045]|      0|
         * | 13823083| 0.1380506927739941|[0.1380506927739941]|      0|
         * | 13823431|0.15321482374431458|[0.15321482374431...|      0|
         * |  4034923|0.13927276336831218|[0.13927276336831...|      0|
         * |  4033575|0.11392752155030905|[0.11392752155030...|      0|
         * | 13823153|0.15547466292943982|[0.15547466292943...|      0|
         * |  4034191|0.11026694172505715|[0.11026694172505...|      0|
         * |  4033483|0.15976480445774954|[0.15976480445774...|      0|
         * |  4033348|0.13600092999496663|[0.13600092999496...|      0|
         * |  4034761|0.13114429909634118|[0.13114429909634...|      0|
         * |  4035131|0.39147259141650464|[0.39147259141650...|      2|
         * | 13823077|0.12969603277907024|[0.12969603277907...|      0|
         * |138230937|0.15212864394723766|[0.15212864394723...|      0|
         * |  4034641|0.14954686999636585|[0.14954686999636...|      0|
         * |        7|0.13128367494800738|[0.13128367494800...|      0|
         * |138230911|0.11824736419948352|[0.11824736419948...|      0|
         * |  4035219|0.08062873693483025|[0.08062873693483...|      3|
         * +---------+-------------------+--------------------+-------+
         */
        //问题: 每一个簇的ID是无序的,但是我们将分类簇和rule进行对应的时候,需要有序
        //6.按质心排序,质心大,该类用户价值大
        //[(质心id, 质心值)]
        val center = for (i <- model.clusterCenters.indices) yield (i, model.clusterCenters(i).toArray.sum)
        val centerSortBy: immutable.IndexedSeq[(Int, Double)] = center.sortBy(_._2).reverse
    //    centerSortBy.foreach(println)
        /**
         * (1,0.5563226557645843)
         * (2,0.31754213552513205)
         * (4,0.21281283437093323)
         * (0,0.1320103555777084)
         * (3,0.08401071578741981)
         */
        //[(质心id, rule值)]
        val centerAndRule = for (i <- centerSortBy.indices) yield (centerSortBy(i)._1, i + 1)
        val centerDF = centerAndRule.toDF(predictStr, "rule")
    //    centerDF.show()
        /**
         * +-------+----+
         * |predict|rule|
         * +-------+----+
         * |      1|   1|
         * |      2|   2|
         * |      4|   3|
         * |      0|   4|
         * |      3|   5|
         * +-------+----+
         */
        //7.将rule和5级规则进行匹配
        val ruleTagDf = centerDF.join(five, "rule").select(predictStr, "tagsId")
    //    ruleTagDf.show()
    
        /**
         * +---------+-------------------+--------------------+-------+
         * | memberId|           psmScore|             feature|predict|
         * +---------+-------------------+--------------------+-------+
         * |  4033473|0.11686252330855691|[0.11686252330855...|      0|
         * | 13822725|0.16774328728519597|[0.16774328728519...|      0|
         * | 13823681|0.13753522440350205|[0.13753522440350...|      0|
         */
        /**
         * +-------+------+
         * |predict|tagsId|
         * +-------+------+
         * |      1|    51|
         * |      2|    52|
         */
    //        val new_Tag = ruleTagDf.join(result, ruleTagDf.col("predict")===result.col("predict"))
    //    new_Tag.show()
      val ruleMap = ruleTagDf.map(t => {
      val predict = t.getAs("predict").toString
      val tagsId = t.getAs("tagsId").toString
      (predict, tagsId)
    }).collect().toMap
        println(ruleMap)
    
        var rule_UDF=udf((pre:String)=>{
          val tag = ruleMap(pre)
          tag
        })
        val new_Tag = result.select('memberId as "userId", rule_UDF('predict).as("tagsId"))
        /**
         * +---------+------------+
         * | memberId|UDF(predict)|
         * +---------+------------+
         * |  4033473|          54|
         * | 13822725|          54|
         * | 13823681|          54|
         * |138230919|          54|
         * | 13823083|          54|
         * | 13823431|          54|
         * |  4034923|          54|
         * |  4033575|          54|
         * | 13823153|          54|
         * |  4034191|          54|
         * |  4033483|          54|
         * |  4033348|          54|
         * |  4034761|          54|
         * |  4035131|          52|
         * | 13823077|          54|
         * |138230937|          54|
         * |  4034641|          54|
         * |        7|          54|
         * |138230911|          54|
         * |  4035219|          55|
         * +---------+------------+
         */
        new_Tag
      }
    
      def main(args: Array[String]): Unit = {
        startMain()
      }
    }
    
    

    使用K-Means算法进行挖掘的标签:
    企业级用户画像: 用户活跃度模型-RFE
    企业级用户画像:开发RFM模型实例


    以上就是价格敏感度模型-PSM
    若有错误及时私信我,立马修改
    如能帮助到你或对大数据有兴趣的可以关注一下,希望能点个赞支持一下谢谢!
    在这里插入图片描述

    展开全文
  • 面对对价格较为敏感的大客户,产品的降价处理往往从开始提及价格到最后签约都会被不断提出,面对这一类型的大客户,预防和解决该类客户的降价处理,自然可以促进销售的成功。

    面对对价格较为敏感的大客户,产品的降价处理往往从开始提及价格到最后签约都会被不断提出,面对这一类型的大客户,预防和解决该类客户的降价处理,自然可以促进销售的成功。

     

    销售人员或者谈判人员可以从以下四个方面进行尝试:

     

    把握降价时机

    过早的涉及价格对于最终达成有利益的销售是有害的。要知道买卖双方在交易过程中不断试探对方的价格底线是从古至今的商道。虽然从一般意义上来说,底线间的交易都是双赢的结果,但谁赢得多一点,谁赢得少一点则大不相同。过早涉及价格的直接后果就是泄露了自己的价格底线,丧失了销售管理中的主动。同时,任何产品都不可能百分之百满足客户的需求并且肯定存在缺陷,这些都会变成要求降价的理由。

     

    “如果你们没有黄色的,打个九折,我们可以购买别的颜色。”这样的降价要求通常很难拒绝。随着沟通的深入,降价要求始终贯穿于商务活动中。过早言明的价格无疑成为客户有的放矢的靶子。

     

    报价的最佳时机是在沟通充分后,即将达成交易之前。这样,一旦报价就可以直接转入签约,减少了讨价还价的因素和时间。而且,在前期的沟通中,客户需求都明确了,产品的优点和缺陷都达成了谅解,这时候这些因素已不再构成降价的合理理由。

     

    注重降价策略

    价格敏感型大客户关注的焦点就是价格,因此他们目标明确,就是如何以最低价格购进产品,此类型的客户经常会派不同面孔的人来杀价。

     

    未明确是否降价之前,最关键的是要明确客户内部的采购人员的影响力或决策力。假如并不能确定采购人员在采购流程中的角色,降价则只能是“不一定”。一般的销售人员如果想急于拿下这个项目,就会在采购人员前轻易降价。而采购人员的职能主要是收集信息,并不能起到最后定夺作用,因此销售人员很容易就会陷入客户的“圈套”,在逐次过采购经理、副总、甚至最后拍板人这些关口时“斩价”。

     

    工业品营销研究院小看板:每一次降价都意味着公司的利益的进一步损失。有时有些销售人员把握不住重点会将价格一降再降,导致公司的利润不断下降,因此只有在项目中的关键角色前才开始降价是一个明智的选择。只有在关键角色的人面前才降价,可以大大减少降价的次数,而对非关键角色最重要的是以尊重为主。

     

    让客户有满足感

    客寻求最低的谈判价格以促成销售。在降价的过程中,让客户有满足的感觉往往可以使价格谈判更容易进行。

     

    视线的合理转移

    将降格的谈判转移到产品附加的价值上面。客户有他额外的需求,当这些需求给客户带来的利益高于谈判所得价格时,他就会很可能放弃、忽略或者降低降价的要求。



    --------------------------------------------------------------------------------------------------------------------------     

    Ctrlbox博客从商业视角洞察前瞻趋势,通过实践与案例分析企业经营管理办法。

    Ctrlbox企业应用套件,组件化ERP,包含CtrlboxProject项目管理软件、Ctrlbox HR人力资源管理软件、Ctrlbox CRM客户管理软件等产品。

    展开全文
  • 影响国债收益率的因素

    万次阅读 2017-04-07 22:15:03
    影响美国长短期国债收益率的主要因素是经济的发展状况、利率的变动预期和未来资本回报率等。 根据美国经济研究所公布的资料来看,从 1980 年 1 月到 2002 年 2 月美国共经历了 4 经济周期,每个周期分为收缩期、扩张...

    美国国债收益率曲线与宏观经济关系分析

     (2013-12-31 10:51:31)
    标签: 

    特点

     

    正如

     

    短期市场

     

    无风

     

    进程

     

    股票

     
     

        国债收益率曲线是由不同期限,但具有相同风险、流动性的债券收益率连接而成的曲线,其不仅反映了不同期限债券收益率的变化,还反映了货币政策的意图,并且包含信用市场条件的诸多信息。从功能上来说,收益率曲线不仅可以作为金融产品定价的基准,并且还可以与宏观经济政策和经济发展相互作用。在美国等发达的市场经济国家,国债市场收益率事实上已成为金融市场的基准利率,并成为投资者判断市场趋势的风向标。其作为基准利率的最大优势在于期限的多样性,由各种期限国债交易所形成的利率能形成一条完整的收益率曲线。

    美国国债收益率曲线与宏观经济关系分析 

     

    美国国债收益率曲线的规律性

     

        典型的美国国债收益率曲线是由到期时间从1个月到30年的点组成的。根据美国1970-2007年间的国债收益率曲线与经济周期关系的分析发现,美国国债收益率曲线的不同形态反映了宏观经济周期的运行情况。

    长短期国债利差的规律性

    美国形成相对成熟的债券市场已有很长的历史,债券品种的存续期从个月到30 年,品种丰富,各期限债券分布相对较为合理,其收益率曲线成为成熟市场的代表。影响美国长短期国债收益率的主要因素是经济的发展状况、利率的变动预期和未来资本回报率等。根据美国经济研究所公布的资料来看,从19801月到20022月美国共经历了4经济周期,每个周期分为收缩期、扩张期。我们可以通过30年期国债和1年期国债来进行对比分析。30 年期国债与年期国债的利差在经济扩张后期最小,进入经济收缩期和扩张期的初期利差开始逐步扩大,在经济扩张的中期利差达到最大,随后逐渐缩小,当进入扩张后期时,利差又再次降到最低。

    美国国债收益率曲线与宏观经济关系分析

        也就是说在大部分情况下,当美国国债收益率曲线表现出短期利率高于长期利率时,说明美国经济即将进入衰退和萧条阶段;反之,当美国国债收益率曲线表现出长期利率与短期利率之间的利差由负值逐渐趋向于零,或者长期利率与短期利率之间的利差日益扩大时,说明美国经济即将进入复苏和繁荣阶段。 

     

    长短期国债对联邦基准利率的敏感性不同

     

    当利率降低到一个相对较低位置时,长期国债利率敏感性要比短期国债利率小得多。比如联邦基准利率在2001年连续下调11次。在经济衰退期相应国债收益率出现下移,短期国债收益率的下降幅度大于长期国债收益率。10年期国债收益率波动远远小于降息幅度。这与经济周期波动想吻合。在经济出现衰退时,政府为抑制衰退采取较为宽松的货币政策。随着降息的实施,人们对社会投资回报率的预期相应下降。短期国债会迅速作出反应。长期国债收益虽跟随下降但受未来不确定因素的影响下降的幅度要小得多。

     

    美国不同时期国债收益率曲线经济分析

     

    反向倾斜的利率曲线通常被看作是经济衰退的征兆。从历史来看,利率曲线一般在经济衰退期前12-18个月开始出现反转。在1957-2008年之间,一共发生了8次经济衰退,只有头两次衰退(1957-1958和1969)时,利率曲线没有提前出现反转,1980年开始其他6次都表现出明显的征兆。而美国国债利率曲线早在2006年第三和第四季度就出现反转更是成功的提前预示了我们现在正在经历的这轮世界范围内的经济危机的爆发。

    平滑的利率曲线是指10年期利率和2年期利率之差为0或接近0。这通常预示着后期经济将保持平稳发展,至于是平稳的增长还是下滑则取决于利率曲线呈平坦,之前长期和短期的利率之差是正值还是负值。如果利率曲线是从正向倾斜(10-2息差为正)变为平坦,并且在倾斜部分的尾端,长短期利率之间的息差出现快速收窄,表明短期利率在快速追赶长期利率。这种情况通常发生在经济快速扩张以及资金大量涌进股票和商品市场的时期。

     

    典型的例子就是从2005年四季度到2006年上半年,利率曲线从正常(正向倾斜)转为平坦,预示出之后一段时期美国国内以及世界其他地区经济进入一轮快速发展阶段。反之,如果利率曲线是从负向倾斜(10-2息差为负)转变为平坦,在倾斜部分的末端,短期利率下降并逐渐向长期利率靠拢,则说明投资者认为央行将下调利率以刺激经济。这种情况在2007年上半年就已经在利率曲线上呈现出,正确的预测了之后美国以及全球经济的衰退

    总体来说,长短期国债之间的利差关系变化体现在国债收益率曲线上,使国债收益率曲线表现出各自不同的形态,在一定程度上预示了宏观经济发展周期的变化趋势。由此可见,国债收益率曲线不但可以作为判断和反映市场对未来利率走势、未来经济增长和通货膨胀率趋势预期的工具,而且可以成为货币当局进行货币政策措施选择的有力依据。(历时5年的量化宽松是典型的例子)。宏观经济的发展也会使收益率曲线发生变化。

    利率曲线的形状和倾斜程度可以简单的根据所选择的短期和长期利率来决定。市场上普遍采用的是用2年期和10年期的国债收益率,通常称为“10-2息差”。另外一个可行的办法是采用美国联邦基金的基准收益率和10年期国债收益率之差。通常情况下,比较陡的并且是正向斜率的利率曲线体现了资金的时间价值,因此正常情况下,长期债券的收益率往往高于短期债券。反之,如果利率曲线呈现反向的负斜率形态则表示短期债券收益率高于长期债券(10-2息差为负值),说明投资者因为经济前景疲软或低通胀预期而预计未来利率将下降。

     

     美国国债收益率曲线与宏观经济关系分析

    ① 国债收益率曲线能直观反映宏观经济变化

         萧条至繁荣的初期阶段:通货膨胀水平较低失业程度较高,社会生产力大量闲置。此时中央银行采取扩展性的货币政策,目的是为了刺激经济增长而大幅度的降低短期利率,随着经济启动、投资和消费增长拉动短期利率向上攀升。

        繁荣阶段:随着长期投资需求的增长和通货膨胀压力的增强,长期利率也开始上升。当经济周期进入繁荣阶段,社会资金需求更加旺盛,通货膨胀开始加剧,于是,中央银行又往往采取紧缩性的货币政策措施,大幅度提高短期利率,以抑制短期内的经济过热,与此同时,为了保持经济增长的后劲,中央银行的货币政策意向又压抑着长期利率,避免随短期利率的调升而同步同程度的上扬,即维持长期利率的较低水平。

         萧条阶段:为刺激经济复苏,此时中央银行又会使用扩展性的货币政策以降低短期利率增加投资的目的。这种利率政策调整和现实市场利率走势会反映在作为基准利率的国债收益率曲线的不同变化态势上,反言之,从国债收益率曲线的不同变化态势可以洞察经济周期的不同阶段,即可以以此作为预期经济走势和市场利率变动趋势的重要窗口和依据。

    ②美国个不同时点的国债收益率曲线

        下面选择个不同时点上的美国国债收益率曲线来说明上述观点。这个时点的国债收益率曲线分别是1980 12 月底,1992 10 月底和1997 月底,这三个时点前后恰好是美国经济走势和政策调整变动较大的时期,所以形成的时点上的收益率曲线以恰好成典型的三个不同形态。

         11980 12 月底的美国国债收益率曲线及经济意义的分析从20 世纪50 年代末到70 年代末,美国的通货膨胀率节节上升,1980 年达到近10%,为抑制通胀,联储将联邦基金的利率曲线由1977 年的5.54%提升到197911.2%1980 12 月又提升到超过14%的水平(1980 年联邦基金的平均利率为13.35%,经过一年的时间后,通货率由1981 年的10.36%下降到1982 年的6.16%,再到1983 年的3.21%;但由于短期利率提高的幅度过高(联邦基金利率提高了近倍),也抑制了短期投资,致使1981 1982 年间美国发生了自第二次世界大战后最严重的经济衰退,正因如此,人们预期远期利率会趋于下降,通货率也会下降,人们的长期投资会增加,经济增长后劲看好,实际情况也是如此。

        21992 10 月底的美国国债收益率曲线及其经济意义的实证分析由于经济增长率从1990 年开始下滑,股票价格指数也出现下滑,经济与金融场不景气,为了刺激景气,以格林斯潘为主席的美联储决定下调利率,联邦基金利率由1989 9.21%下调到1992 年的3.52%,经济增长与金融市场景气由此也逐渐上升,人们对长期经济增长前景看好,远期利率上升,导致了1992 10 月底的国债收益率曲线的陡升。

    31997 月的美国国债收益率曲线呈现出一条斜率不大的曲线,反映出当时的美国经济运行与金融市场处于正常状态。从图可知是处于经济扩张阶段中后期。

    42006年亦如此。

     美国国债收益率曲线与宏观经济关系分析 

    根据美国19702007年间的国债收益率曲线的不同形态反映了宏观经济周期的运行情况。正如图所显示的,在大部分情况下,当美国国债收益率曲线表现出短期利率与长期利率之间的利差逐渐缩小的趋势,甚至出现短期利率高与长期利率时,说明美国经济即将进入衰退和萧条阶段;反之,当美国国债收益率曲线表现出长期利率与短期利率之间的利差由负值逐渐趋向于0,或者长期利率与短期利

    率之间的利差日益扩大时,说明美国经济即将进入复苏和繁荣阶段。总的说来,

    长短期国债之间的利差关系变化体现在国债收益率曲线上,使国债收益率曲线表现出不同的形态,在一定程度上预示了宏观经济发展周期的变化趋势。从以上对美国国债收益率曲线的介绍可以看出,国债收益率曲线不但可以作为判断和反映市场对未来利率走势、未来经济增长和通货膨胀率趋势预期的工具,而且可以成为货币当局进行货币政策措施选择的有力依据。 

    影响国债收益率的经济因素 

         ① 中央银行的基准利率。中央银行基准利率包括法定准备金利率、再贷款利率、再贴现利率等。作为利率金融产品的国债,对利率变化非常敏感。因此,中央银行基准利率是国债二级市场收益率的重要影响因素。

         ② 宏观经济状况。在经济运行状况良好时,一方面投资旺盛,利率有上升的要求或预期,在这种预期下,国债现券价格有下行压力;另一方面,宏观经济上升时期,股市行情上行,资金从债市流向股市引起债市下行,从而导致现券内在收益率上升,反之,当宏观经济处于商业周期的萎缩时期,实业投资风险增大,国债市场作为良好的资金避风港受到众多投资者的青睐,此时国债现券价格会上行;再一方面,经济衰退时,中央银行降低利率水平也是情理之中的事情,降息

    的预期与现实进一步推动国债现券市场的行情,从而导致内在收益率下降。然而,

    当宏观经济形势急剧恶化或发生严重的金融危机时,特别是经常项目出现严重赤

    字、国内发生通货膨胀,从而导致本币贬值、资本外逃和偿债危机时,国债现券

    价格会急流直下,许多新兴市场所发生的情况正是如此。

         ③ 通货膨胀率。通货膨胀率是决定长期收益率趋势的首要经济因素。在名义利率保持不变情况下,通胀率下降,实际利率上升,此时存在利率下调空间,投资者形成利率下调的预期,国债现券价格将上升。通货膨胀率决定了投资的实际收益率,国债的到期收益率只有在大于通货膨胀率的情况下才会吸引投资者。在高通胀时期,持有债券,尤其是长期债券,其固定的票面利息往往低于物价上涨幅度将遭受严重贬值。为此,投资者将寻求其它保值和增值手段而抛售国债;另外,为控制通胀,政府将卖出国债、回笼货币,从而导致国债市场供大于求,价格下跌,收益率曲线抬高。

        ④ 货币供应量。若加大货币供应量,资金面就相对宽松,则国债现券市场有望走强,其内在收益率下降。影响货币供应量的主要因素是法定准备金利率、法定准备金比率和公开市场操作。当法定准备金利率和法定准备金比率下降时,货币供应量增加,国债现券价格提高。

        ⑤ 股票二级市场行情。股票和债券作为投资组合中重要的投资品种,二者具有一定的替代性,一般认为,“股市兴,债市衰;债市兴,股市衰”。股票二级市场收益率相对较高时,会吸引部分“两栖”资金从债券市场流入股票二级市场,

    从而导致国债现券价格下跌;反过来,债券市场收益率相对较高时,会吸引一部

    分“两栖”资金从股票二级市场流入债券市场,从而又促使国债现券价格上升。

        ⑥ 国外利率水平。在资本自由流动的情况下,当国外利率水平提高时,如最有影响是美国联邦基金利率(即隔夜拆借利率)上升时,国内资金外流,国债现券价格下跌,从而内在收益率上升。由于人民币在资本项目下不可自由兑换,因此汇率和国外利率水平对中国国债市场的影响不大。

                                      国债市场是国家宏观调控政策的切入点

     

    当经济增长时,收益率曲线呈现陡峭态势;而当经济衰退或下滑时,收益率曲线呈现趋平态势。作为市场利率的基准,美国国债收益率曲线成为美国经济增长的风向标。同时管理机构可以通过一些具体措施,来改变基准收益率的形状,为经济发展服务。例如2012年美国经济复苏势头不稳,就业引擎也日渐乏力,美联储于620日结束为期两天的货币政策例会,宣布将原定于6月底到期的“扭转操作”延期至2012年底,在不扩张资产负债表的前提下,卖出3年期及以下的短期国债2670亿美元,同时购买6-30年期限的长期国债,并将机构债和机构MBS到期收益用于再投资。美联储通过的这一政策措施,称为“扭曲操作”(Operation Twist),扭曲操作的目的是压低较长期利率,从而刺激抵押贷款持有人进行再融资,降低借贷成本,刺激经济增长。具体来说,卖出短期国债,将导致短期国债价格下跌,短期资金市场供给紧张,短期资金收益率上升。而买入长期国债,将使长期国债价格上升,长期金融市场资金充裕,国债长期收益率下降。通过这一操作,将短期利率提高,同时压低长期利率,相当于对收益率曲线进行一次“扭曲”。

    美国国债收益率曲线与未来通货膨胀的关系在理论上,收益率曲线的两个主要特征——收益率差和收益率水平都包含着通胀与通胀预期的内容。收益率差反映了未来短期利率的变化,未来的短期利率包含着未来真实利率和未来通胀的内容。由于真实利率在长期中的波动是比较小的,未来短期利率的上升主要反映了通胀预期的上升,在较长的预测时期尤其如此。收益率曲线的水平也包含着通胀与通胀预期的信息。短期利率除了反映货币政策态度之外,也反映了当前通胀水平和货币市场的供求。中长期利率反映了资本市场的供求,也反映了预期的未来通胀水平。

        从美国短期利率与通货膨胀的历史数据来看,短期利率确实提供了未来通货膨胀的信息。上世纪90年代中期的负短期真实利率确实先于其后的严重通胀的出现。80年代中期与90年代初期的高短期真实利率之后也确实出现了通胀率的下降,最好的解释是,短期利率比收益率差更清晰地反映了货币政策的态度,由于通货膨胀在长期中是一个货币现象,更好

    的反映出货币政策的态度,自然就会对未来的通货膨胀有更好的预测能力。

        首先,国债市场是国家货币政策即央行公开市场业务操作的切入点。央行通过国债市场上的买卖操作,对国债市场的价格和收益率进行调节,从而对其他金融市场的利率发生有利于经济发展目标的影响。其次,国债市场还是财政政策的切入点,财政政策通过国债发行数额和发行条件的变动来影响国债市场并从而影响宏观经济。由于货币政策和财政政策都能切入国债市场,国债市场是货币政策和财政政策的结合点,只要两种政策在国债市场上协调配合,就能够产生更有效

    的调控作用,调控国债市场收益率的形成。金融市场中只有国债市场才适合财政政策和货币政策配合调控的需要。因此,利率期限结构在金融市场的发展中起着一个基准的作用。在我国的利率市场化进程中,有可能成为这种基准的利率期限结构是国债市场的利率期限结构。因此,为了顺利的实现国债市场利率期限结构的基准作用,就必须大力发展国债市场。

     

    国债收益率曲线与货币政策的关系

     

      ① 随着货币政策越来越依赖于利率指标,国债收益率曲线在反映货币条件,表达货币政策态势方面表现出独特优势。

        从各国中央银行货币政策发展的趋势看,货币政策越来越简化为关于利率的政策,货币总量、基础货币量在货币政策决策和操作中的作用逐渐淡化。1993 月,美联储不再像过去一样重视货币供给量指标,实践证明,这种忽视货币供给量的政策是成功的。货币政策日常操作表现为调节和维持既定的货币市场利率。近年来,美联储通过运用公开市场操作维持合适的联邦基金利率,来执行货币政策。这种短期操作目标是依据长期的稳定物价和经济发展的最终目标制定的,并且当联储认为货币政策需要调整以更好地满足长期目标时,短期操作目标会得到调整。例如,在经济适度增长和低通胀时期,联储会在相当长的一段时间内保持联邦基金不变。而在经济过热和高通胀时期,联储会实行紧缩货币政策,减少准备金的增长以使联邦基金利率上升到新的高度。存款机构的准备金余额和短期市场利率对于利率目标水平是紧密相关的两个操作目标。

        一般而言,中央银行只能影响短期利率,严格地讲,甚至只能影响非常短期的利率(如隔夜拆借利率),而长期利率是由市场决定的。特别短期的利率(比如美国的联邦基金利率)并不能影响消费、投资或者是出口,但是长期利率(一年以)对国民经济的重要部门如消费和投资都有显著而直接的影响,货币政策是由对短期货币市场发生作用,进而影响长期(资本)市场而对实体经济发生作用的。因此,中央银行的行为如何影响到整个利率结构对理解货币政策的传导机制具有重要意义。国债收益率曲线反映了无风险的长、短期利率之间的关系,作为反映基准利率和利率期限结构的国债收益率曲线就成为货币政策态势的重要体现,中央银行通过国债收益率曲线及其变动来分析货币政策的传导,通过货币政策的调整来改变预期,引导和影响利率的期限结构。中央银行可直接用短期利率作为货币政策的操作工具。中央银行也必然关注其短期利率的改变对长期利率水平的影响,关注短期利率的变动是如何能够影响到长期利率的变动。

        ② 货币政策对利率期限结构的影响渠道。

        投资者根据通货膨胀和实际利率的前景形成自己的预期,而这种预期将受到经济活动、货币政策的影响。期限较长的债券往往还要求对长期中可能存在的各种不确定性给予补偿,即所谓的流动性溢价,价格波动较小的短期债券因流动性高,更为投资者喜好收益率相对偏低)。将流动性偏好的因素结合到预期中在预测利率保持不变的情况下,利率将随着期限的延长而上升。从国债收益率曲线中,中央银行可以获得金融市场对未来通货膨胀率、经济增长率、资产回报率等方面的预期信息。中央银行可以通过货币政策操作来影响投资者的预期.同时,中央银行也可以由较近到期的债券的收益率的变化来评估其操作意图是否达到,是否与金融市场进行了较好的交流和沟通,可以从稍长到期的,比如年或10 年债券的收益率来推测市场对通货膨胀率的预期。

       ③ 货币政策调整对收益率曲线的影响结果。

        在正常情况下,收益率曲线是向上倾斜的,也就是长期债券的收益要高于短期债券的收益,在经济周期的不同阶段,表现为长短期利差有所不同,收益率曲线斜率的变化是市场对未来经济发展、货币政策等预期的综合反映。由于短期利率比长期利率对货币政策的调整更为敏感,因此经济不景气,通货膨胀率很低,中央银行放松货币政策,降低利率时,收益率曲线的斜率就会变得陡峭,而当经济出现过热,通货膨胀上升,中央银行实行收紧的货币政策,抬高短期利率,收益率曲线就变得比较平坦。利差变化一般具有周期性的特点,经济收缩期和经济扩张初期利差加大,扩张的中后期利差逐渐缩小。

    展开全文
  • 影响滤波器实现结构的三大因素

    千次阅读 2011-08-08 18:25:49
    影响滤波器实现结构的三大因素    在对数字信号进行滤波时,在根据信号的特性计算出滤波器系数之后,还要考虑用何种结构来实现所设计的滤波器。通常,人们往往更注重滤波器系数的求解,而经常忽略滤波器的实现...
  • PSM(Price Sensitivity Measurement)模型是在70年代由Van Westendrop所创建[1],其目的在于衡量目标用户对不同价格的满意及接受程度,了解其认为合适的产品价格,从而得到产品价格的可接受范围。PSM的定价是从消....
  • 手机APP 实时竞价广告点击率的影响因素分析 摘要:近年来,随着移动互联网和大数据的发展,基于精准定向目标的实时竞价(RTB)广告投放模式逐渐成为移动广告领域的热潮。RTB 广告投放流程中,需求方平台(DSP)如何...
  • 影响无线网络效率的若干因素

    千次阅读 2009-02-15 17:49:00
    搭配一块PCMCIA 的无线网卡售价才3××元,即使是双速g(108Mbps)套装,价格也在 400 多点,而且,它们都向下兼容IEEE802.11b(以下省略“IEEE”)。我们也在此给WLAN 做做推广,建议新装修的用户都考虑架设WLAN...
  • 价格敏感度模型-PSM 2.3.PSM模型引入 2.3.1.大数据杀熟 http://www.sohu.com/a/240094402_374686 http://www.qianjia.com/zhike/html/2019-10/11_13453.html https://cloud.tencent.com/developer/article/1450512 ...
  •  电脑在使用的过程中,环境条件对电脑的影响常常被人们忽视,然而,它对电脑的正常运行和有效利用却有着很大的影响。各种系列电脑的技术设备和信息记录介质,对环境条件的参数范围都有技术规定,超过和达不到这个...
  • 股票价格指数

    千次阅读 2008-11-17 17:39:00
    股票价格指数 股票价格指数简介 股票价格指数即股票指数。是由证券交易所或金融服务机构编制的表明股票行市变动的一种供参考的指示数字。由于股票价格起伏无常,投资者必然面临市场价格风险。对于具体某一种股票的...
  • 相机中影响成像质量的参数

    千次阅读 2016-09-02 15:10:14
    相机中影响成像质量的参数 随着数码技术软硬件的发展,数码相机在广告、新闻、出版等多领域得到了广泛的应用。其“所见即所得”的特点,以及不断提高的数码成像质量、不断完善的后期制作设备是数码相机能够...
  • 敏感性分析举例

    千次阅读 2010-09-06 15:11:00
    第二步,计算影响因素不变时的净现值(NPV)与内部收益率(IRR)(见上表) (计算过程省略,其中内部收益率IRR可以通过试算法与差值法求出) NPV=1534; IRR=24% 从以上计算上可以看出,在因素不变时此项目的净现值...
  • 计算股票指数,要考虑三个因素: 一是抽样,即在众多股票中抽取少数具有代表性的成份股; 二是加权,按单价或总值加权平均,或不加权平均; 三是计算程序,计算算术平均数、几何平均数,或兼顾价格与总值。 由于上市...
  • 人民币因素衍生发展难题

    千次阅读 2008-11-06 12:20:00
    综合接受记者采访的一些业内专家的看法,电信行业投资状况既受到了宏观经济层面一些因素影响,也受到了行业内一些因素影响。在宏观层面,货币政策的变化对企业投资、融资的影响最大,人民币升值则带来出口难题。 ...
  • 股票价格指数+加权

    2019-09-26 23:09:07
    股票价格指数 股票价格指数(stock index)是描述股票市场总的价格水平变化的指标。它是选取有代表性的一组股票,把他们的价格进行加权平均,通过一定的计算得到。各种指数具体的股票选取和计算方法是不同的。 ...
  • 影响中国互联网的100人

    万次阅读 2012-08-15 10:37:40
    影响中国互联网的100人 分类: >>社会 >>IT 2004-10-03 23:13 ...要选择一个影响中国过去、现在和未来的最大的变革因素,那么肯定非互联网莫 属。虽然,人们看到的更多是互联网股票的跌宕起伏
  • 例如,在商品价格列表中,错误的价格可能引起财政问题甚至导致法律纠纷;信息的准确性是指是否有语法或拼写错误 4客户端兼容性测试 1)平台测试 2)浏览器测试 5安全性测试 测试重点: (1)现在...
  • 影响数据库性能的因素cpu 内存应用类型: - 计算密集型应用(CPU密集型):需要更快的cpu(频率) - 系统并发处理量大:需要更多的CPU CPU位数:64位CPU使用32位服务器版本 - 32位操作系统:不能使用大量的内存...
  • 令人惊讶的是,价格是行销中的一个重要因素,它决定了用户是否将对商品做出最终的购买决定。 在这项工作中,我们旨在开发一种有效的方法来预测用户的购买意愿,并重点关注推荐系统中的价格因素。主要困难有两个方
  • 钻石与价格预测

    千次阅读 2018-04-21 20:15:12
    8、除了克拉还会有其他因素影响价格,考虑-净度,calary install.packages( 'RColorBrewer ') library (RColorBrewer) ggplot(aes(x = carat, y = price,color=clarity), data = diamonds) + geom_point...
  • 利用深度学习来预测股票价格变动

    千次阅读 2019-01-14 13:57:00
    利用深度学习来预测股票价格变动(长文,建议收藏) 原创不靠谱的猫2019-01-10 21:01:39 完整架构概述 在这篇文章中,我将创建一个预测股票价格变动的完整过程。我们将使用生成对抗网络(GAN)与LSTM(一种...
  • 技术分析基于市场交易行为本身,通过分析技术数据来对期货价格走势做出预测。技术数据的表现形式主要是各种图形和指标,其实质内容主要是价格和数量。 1、技术分析以三项基本假设为前提: (1)包容假设。技术分析...
  • 销售型文案的技巧有很多,我今天想说说销售型文案里一个细节:价格设置技巧。 销售型文案的技巧有很多,我今天想说说销售型文案里一个细节,它虽然在整篇文章里所占篇幅小,但是却是一个不能忽视的环节,能促使销售...
  • 5.1.影响因素: 运行环境(软件可靠性的定义是相对于运行环境的);软件规模;软件内部结构(内部结构越复杂,包含的缺陷数就可能越多);软件的开发方法和开发环境;软件的可靠性投入等。 5.2.遵循原则 :1、...
  • 建筑钢材产品价格变化,在各个市场区域的表现反差较大,上海市场区域成交价格连续小幅度上涨,北京、天津市场区域成交价格相对稳定,而广东市场成交价格由于资源的集中到达,出现了一定幅度的回调;板材产品的成交...
  • 【导语】用深度学习预测股票价格不是一个新话题,随着技术的不断发展,大家一直在不断尝试新技术。这次教程中,作者设计了一个强强联合型模型来预测股票价格,为什么这么形容?作者设计了一个 GAN 模型,其生成网络...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 11,166
精华内容 4,466
关键字:

影响价格敏感的因素