数字货币决策树
1. 多地官宣试点，数字人民币应用场景将丰富，用户争夺战升级
在社会发展的长河中，一切都是更新迭代升级不断变化的，在以前出门不带现金哪简直是闹笑话，会让你寸步难行，慢慢地互联网普及移动支付盛行，告别了厚厚的钱包和现金时代，一部手机就可以搞定衣食住行方方面面的支付，但是我们的银行卡要绑定在第三方平台微信或者支付宝才能完成的。
那么他们能否留住用户和保住地位？我想很难，毕竟资本形成垄断是不符合经济发展和社会进步的，一切听从国家统一领导和指挥，在政策范围内合理发挥才是正确的方向，未来到底会怎样，我们拭目以待吧！
2. 什么是分叉币
数字货币的分叉就像树木生长过程中长出新的枝干，在比特币的区块链中，在原有的链条上衍生出新的产物就是分叉。
为什么要分叉？ 随着身价的大涨，原来的区块设定会造成又慢又堵的局面，比特币之所以会出现分叉，是因为比特币社区对 "比特币扩容" 的主张不一致，有人就提出将这个字段的最大值调高，因为不同的理念催生出了N种扩容方案，各个方案间无法统一，就会导致分叉。
比特币的分叉有"软分叉"和"硬分叉"的区别，可以把软分叉当做版本更新后继承存档，硬分叉则是全新版本和以前的存档无法兼容。 由于比特币的代码完全开源，任何人都可以对它做出改动，也可以完全套用模板发行另一些币种，所以在发行过程中，比特币其实有各种各样的发展。这些小改动并不对比特币本身构成威胁，广大的比特币用户们会选择最适合自己的版本，倘若没有用户支持，那么同样的代码复制一份自己做些改动也只是一个人自娱自乐。 软分叉并不会给比特币带来大的负面影响，毕竟多数软件更新都只是优化用户体验，硬分叉则不同，当一部分比特币用户产生新的理念并且获得了相当的认可，区块链就出现了两条，新生的一条在某个块之后和另一条无法共享数据。我们把原本的区块链当做A链，新生的区块链叫做B链，在这样的硬分叉后就会出现三种情况，A链的用户更多，B链被舍弃；B链用户更多，A链被舍弃；这两种情况都会像是软分叉一样，由其中一方"继承大统"。第三种情况，A链和B链同时有人支持，这就可以称之为足够硬的硬分叉了，但是比特币到现在为止还没有出现这种情况。
3. 如何建立自己的算法交易
一、传统方法
在某些假设下的显式最优策略
【Bertsimas, Dimitris, and Andrew W. Lo. "Optimal control of execution costs."Journal of Financial Markets1.1 (1998): 1-50.】这里假设了不同的价格冲击函数，然后求解得到最优的交易执行方案。根据参数的不同，最优的策略要么是全部开头卖掉、均匀减仓、或者全部最后卖掉。https://stuff.mit.e/afs/athena.mit.e/user/d/b/dbertsim/www/papers/Finance/Optimal%20control%20of%20execution%20costs.pdf
【Almgren, Robert, and Neil Chriss. "Optimal execution of portfolio transactions." Journal of Risk 3 (2001): 5-40. 】这篇文章我们专栏前面有讲过，很著名的 Almgren-Chriss 模型。https://www.smallake.kr/wp-content/uploads/2016/03/optliq.pdf张楚珩：【交易执行】Almgren-Chriss Model
【Guéant O, Lehalle C A, Fernandez-Tapia J. Optimal portfolio liquidation with limit orders[J]. SIAM Journal on Financial Mathematics, 2012, 3(1):740-764.】这篇文章我们专栏前面也有讲过；前面的 Almgren-Chriss 其实考虑的是使用市价单，而这里考虑使用限价单进行交易。https://arxiv.org/pdf/1106.3279.pdf张楚珩：【交易执行】限价单交易执行
【Guéant, Olivier, and Charles‐Albert Lehalle. "General intensity shapes in optimal liquidation." Mathematical Finance 25.3 (2015): 457-495.】这里也是考虑限价单进行交易，但是与前面不同的是：前一个假设限价单考虑的成交概率随着价格指数衰减，而这里考虑了一个更加一般的形式。https://arxiv.org/pdf/1204.0148.pdf
【Cartea A, Jaimungal S. Optimal execution with limit and market orders[J]. Quantitative Finance, 2015, 15(8): 1279-1291.】这里考虑同时使用限价单和市价单进行交易，从而能够完成 Almgren-Chriss 模型所规定的方案，或者找到一个更有的交易方案。https://sci-hub.se//https://www.tandfonline.com/doi/abs/10.1080/14697688.2015.1032543
【Bulthuis, Brian, et al. "Optimal execution of limit and market orders with trade director, speed limiter, and fill uncertainty." International Journal of Financial Engineering 4.02n03 (2017): 1750020.】也是考虑使用限价单和市价单一起交易。https://arxiv.org/pdf/1604.04963.pdf张楚珩：【交易执行】市价单+限价单 最优执行
【Cartea A, Jaimungal S. Incorporating order-flow into optimal execution[J]. Mathematics and Financial Economics, 2016, 10(3): 339-364.】这里考虑市场所有交易者的订单都会产生线性的短期/长期市场冲击，因此可以估计未来一段时间的订单流向（买单总量和卖单总量的差），从而能够在 Almgren-Chriss 模型的基础上进行一定的调整，使得策略更优。https://sci-hub.se//https://link.springer.com/content/pdf/10.1007/s11579-016-0162-z.pdf
【Cartea Á, Jaimungal S, Penalva J. Algorithmic and high-frequency trading[M]. Cambridge University Press, 2015.】讲交易执行的基础上，更侧重讲了一些数学工具。
【Guéant O. The Financial Mathematics of Market Liquidity: From optimal execution to market making[M]. CRC Press, 2016.】从 Almgren-Chriss 模型开始讲，一直到相应的拓展和实际的问题，十分推荐。
【Casgrain P, Jaimungal S. Trading algorithms with learning in latent alpha models[J]. Mathematical Finance, 2019, 29(3): 735-772.】市场交易者会根据不同的市场挂单和价格走势而采取不同的反映，因此我们也可以根据历史数据学习到各种情况下的价格后验分布，从而更好地帮助我们进行交易执行或者套利。最后的结果可以看做在 Almgren-Chriss 模型的基础上外加了一个调控项，反映我们对于未来的预期。https://arxiv.org/pdf/1806.04472.pdf
【Kakade, Sham M., et al. "Competitive algorithms for VWAP and limit order trading." Proceedings of the 5th ACM conference on Electronic commerce. 2004.】从在线学习的角度提出了几个用于使得我们交易到 VWAP 价格的模型。为什么会关注 VWAP 的交易执行？当大的流通股股东需要减持的时候，为了避免直接出售引起的价格波动，一般是把需要减持的股票卖给券商，然后由券商来拆单出售，而交易价格一般为未来一段时间的 VWAP，因此券商需要尽量以 VWAP 来交易执行。https://sci-hub.se//https://dl.acm.org/doi/abs/10.1145/988772.988801
【Białkowski, Jędrzej, Serge Darolles, and Gaëlle Le Fol. "Improving VWAP strategies: A dynamic volume approach." Journal of Banking & Finance 32.9 (2008): 1709-1722.】改进对于交易量的建模，从而得到更好的 VWAP 交易算法。把交易量拆分为两个部分，一部分是市场整体的交易量变动，另一部分是特定股票上的交易量模式。https://sci-hub.se//https://www.sciencedirect.com/science/article/pii/S0378426607003226
为了对称，可以介绍一下另一种加权平均的情形 TWAP，这种情形实现起来相对比较简单；如果不考虑市场冲击，就拆分到每个时间步上均匀出售即可实现。
可以证明 TWAP 交易在以下两种情形下最优：市场价格为布朗运动并且价格冲击为常数；对于晚交易没有惩罚（其实更晚交易意味着面临更大的风险），但是对于最后未完成交易的惩罚较大。
【Hendricks D, Wilcox D. A reinforcement learning extension to the Almgren-Chriss framework for optimal trade execution[C]//2014 IEEE Conference on Computational Intelligence for Financial Engineering & Economics (CIFEr). IEEE, 2014: 457-464.】本专栏有讲。https://arxiv.org/pdf/1403.2229.pdf
【Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution[C]//Proceedings of the 23rd international conference on Machine learning. 2006: 673-680.】比较经典的一篇，发在 ICML 上，本专栏前面有讲。使用 DQN 方法，实现形式接近 DP。http://smallake.kr/wp-content/uploads/2019/01/rlexec.pdf
【Dabérius K, Granat E, Karlsson P. Deep Execution-Value and Policy Based Reinforcement Learning for Trading and Beating Market Benchmarks[J]. Available at SSRN 3374766, 2019.】使用了 DDQN 和 PPO 方法，基于生成的价格序列来进行实验，使用特定的模型考虑短期和长期市场冲击。https://sci-hub.se//https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3374766
【Ning B, Lin F H T, Jaimungal S. Double deep q-learning for optimal execution[J]. arXiv preprint arXiv:1812.06600, 2018.】DDQN 的强化学习解法，在美股上实验。https://arxiv.org/pdf/1812.06600.pdf
【Lin S, Beling P A. An End-to-End Optimal Trade Execution Framework based on Proximal Policy Optimization[C]//IJCAI. 2020: 4548-4554.】使用 PPO 的解法，比较有意思的是这里面的实验结果显示，使用 LSTM 和把历史数据全部堆叠起来用 MLP 效果差距不大。也是在美股上实验。https://www.ijcai.org/Proceedings/2020/0627.pdf
【Fang Y, Ren K, Liu W, et al. Universal Trading for Order Execution with Oracle Policy Distillation[J]. arXiv preprint arXiv:2103.10860, 2021.】在使用强化学习的基础上，引入了一个教师网络，教师网络学习一个基于未来数据的策略，并且用于训练学生网络。本专栏前面有讲。https://www.aaai.org/AAAI21Papers/AAAI-3650.FangY.pdf
【Vyetrenko S, Xu S. Risk-sensitive compact decision trees for autonomous execution in presence of simulated market response[J]. arXiv preprint arXiv:1906.02312, 2019.】ICML-19 的文章。构造了一个可以反映市价单市场冲击的模拟器；使用 tabular Q-learning 来学习基于决策树的模型；使用特征选择的方法来筛选特征。通过以上方式，能够学习到一个模型帮助决策什么时候应该下市价单、什么时候应该下限价单。https://arxiv.org/pdf/1906.02312.pdf
【Akbarzadeh N, Tekin C, van der Schaar M. Online learning in limit order book trade execution[J]. IEEE Transactions on Signal Processing, 2018, 66(17): 4626-4641.】从 online learning 的视角来解决这个问题，使用 DP 类的方法，分析 regret 。http://repository.bilkent.e.tr/bitstream/handle/11693/50289/Bilkent-research-paper.pdf?sequence=1
【Wei H, Wang Y, Mangu L, et al. Model-based reinforcement learning for predictions and control for limit order books[J]. arXiv preprint arXiv:1910.03743, 2019.】专栏刚刚讲了的一篇文章，使用 model-based 类的强化学习算法，直接学习一个世界模型，然后让强化学习策略通过和世界模型的交互进行学习。https://arxiv.org/pdf/1910.03743.pdf
【Karpe M, Fang J, Ma Z, et al. Multi-agent reinforcement learning in a realistic limit order book market simulation[J]. arXiv preprint arXiv:2006.05574, 2020.】这里的多智能体似乎适用于结合历史数据生成其他市场参与者的动作，而最优策略的学习仍然是使用单智能体 DDQN 方法来做。他们开源了一个考虑多智能体的模拟环境 ABIDES。https://arxiv.org/pdf/2006.05574.pdf
【Schnaubelt M. Deep reinforcement learning for the optimal placement of cryptocurrency limit orders[J]. European Journal of Operational Research, 2022, 296(3): 993-1006.】研究数字货币上如何下限价单。对比了 PPO 和 DDQN，发现 PPO 更好。探索出了一些重要的因子，比如 current liquidity cost，queue imbalance 等。https://www.econstor.eu/bitstream/10419/216206/1/1696077540.pdf
【Hu R. Optimal Order Execution using Stochastic Control and Reinforcement Learning[J]. 2016.】KTH （瑞典）工程学院硕士论文。算法直接是基于价值函数的动态规划。不过提供了比较详细的模拟环境和算法伪代码。https://www.diva-portal.org/smash/get/diva2:963057/FULLTEXT01.pdf
【Rockwell B. Optimal Order Execution with Deep Reinforcement Learning[J]. 2019.】加拿大蒙特利尔高等商学院硕士论文。使用 TD3 和 DDPG 算法，不过实验是基于人工生成的数据的（skew-normal Brownian motion）。https://biblos.hec.ca/biblio/memoires/m2019a628776.pdf
【Reiter M B. An Application of Deep Reinforcement Learning for Order Execution[D]. School of Engineering Science, Osaka University, 2020.】多伦多大学本科毕业论文。在使用 A3C 算法的基础上，考虑了使用教师学生网络的方式进行迁移学习，并且考虑了短期市场冲击。https://mbreiter.github.io/doc/thesis.pdf
Robust Risk-Sensitive Reinforcement Learning Agents for Trading Markets
Deep equal risk pricing of financial derivatives with non-translation invariant risk measures
Optimal Market Making by Reinforcement Learning
Optimizing Market Making using Multi-Agent Reinforcement Learning
Deep Reinforcement Learning for Market Making
Deep Recurrent Q-Networks for Market Making
Robust Market Making via Adversarial Reinforcement Learning
Market making via reinforcement learning
Deep Stock Trading: A Hierarchical Reinforcement Learning Framework for Portfolio Optimization and Order Execution
Robo-Advising: Enhancing Investment with Inverse Optimization and Deep Reinforcement Learning
Large Scale Continuous-Time Mean-Variance Portfolio Allocation via Reinforcement Learning
图书
融合对于市场环境隐变量的估计
如何实现以按量加权平均价格（VWAP）交易
以按时间加权平均价格（TWAP）交易
二、强化学习方法
基于传统模型的强化学习方法
强化学习 + 交易执行（Paper/Article）
强化学习 + 交易执行 （Thesis）
强化学习 + 风险偏好
强化学习 + 做市策略
强化学习 + 资产组合
4. 分析下数字货币的利弊
数字货币就不担心有假币了，如果是说纸币的话就担心还有假币。那也不担心，出门没带钱。
5. ccmall是什么
首先CCM和大家所接触到的绝大多数区块链项目都不同，因为CCM存在意义的第一个要点，就是遵循国家的法律法规，所以CCM并不是一个数字货币，只能称为一个由区块链技术所开发的数字通证！所有的CCM会员都不能直接通过花钱获得CCM，想获得CCM，你只能在CCM 旗下的各大应用场景里面免费挖矿获得，根据你为公司所创造的贡献度，而释放同等数量！
CCM是一个系统，一个生态圈，在CCM这家公司里，通过CCM 数字通证链接了无数个行业、无数个项目、无数个应用场景，其中每个场景都可以成为你的盈利板块，在2019年，CCM 要打造电商，社交电商，智能支付，娱乐，广告传媒，培训教育，互联网金融等等场景，而这些应用的场景都是非常火热的盈利项目，并且都可以通过你对该场景的贡献度，获得收益奖励和挖矿CCM，让你在收获现金财富的同时，为未来埋下一颗金种子，一颗可以长成参天大树的种子！
未来，随着CCM 的应用场景越来越多，持有CCM 的人越来越多，ccm就会开始在国家的监管下，实现内部场景的价值转化和流通，并且实现上交易所，实现资本交易，成为真正的数字货币！
6. 数字人民币货币钱包开始推广，推广数字货币有何意义
数字人民币的推广，更多的像是把纸质化的人民币变成人民日常生活中使用的货币，迎合人们现在使用手机的支付的这个需求，但不同于我们所使用的应用支付软件并不存在一个中间商来转换我们的货币，也不需要经过他们去更改自己的账户余额。
我们平常所使用的移动支付，他就是把你账户中的钱通过银行或者通过这个应用支付平台转到了另外一个人的手里，跟国外的直接消费行为是比较像的，只不过又多了一个中间的中介平台，所以他现在哪怕普及度很高，他仍然是存在一定风险的，如果就是彼此之间类似于纸币交换这样的模式，不存在任何中间机构风险就会下降好多。
7. 为什么要推广数字人民币
近年来，人民银行稳步推进数字人民币的研发试点工作，背后有其深意，从宏观层面来说，在加密资产和全球性稳定币的挑战下，这是一种积极应对。
人民银行副行长范一飞曾撰文表示：“近年来，比特币、全球性稳定币等加密资产试图发挥货币职能，又开始了新一轮私铸货币、外来货币与法定货币的博弈。因应这一形势，国家有必要利用新技术对M0进行数字化，为数字经济发展提供通用性的基础货币。”此外，数字人民币将大大便利人民币的跨境清算，更好助力人民币国际化进程，同时有利于人民银行在传导货币政策时，有的放矢更加精准。
从中观层面来说，一方面，数字人民币可以提高对资金流动的监管能力。数字人民币采取可控匿名机制，人民银行掌握全量信息，可以利用技术分析交易数据和资金流向，防范打击洗钱、恐怖融资和逃税等违法犯罪行为，有效维护金融稳定。但同时，人民银行明确表示，这些追溯是可控的，用户的隐私并不会受到侵犯。
另一方面，纸质人民币在流通过程中容易损坏，一直需要补充和发行，同时防伪技术需要不断提高，所以货币发行成本一直居高不下，而数字人民币的出现无疑将大大节省这一成本。
从微观层面来说，数字人民币也将进一步提高电子支付的效率和普及度。不少小店以前有一种观点——手续费太高，不能为银行、微信和支付宝打工。过去，客户刷信用卡店家要付手续费，而支付宝们提现手续费一样不可避免。现在数字人民币一方面不收手续费，另一方面实时到账，有助于提高商户资金周转效率，解决中小企业流动性问题。
(7)数字货币决策树扩展阅读
数字人民币的特征
数字人民币是真正的货币，其背后是国家信用，与传统人民币现钞价值是1:1的对应关系，具有法偿性。它和传统纸币一样，只能由央行统一发行，也遵循了传统的从中央银行到运营机构的双层投放体系，即人民银行先把数字货币兑换给银行或者是其他运营机构，再由这些机构兑换给公众。
8. 银行数据仓库体系实践（18）--数据应用之信用风险建模
信用风险
银行的经营风险的机构，那在第15节也提到了巴塞尔新资本协议对于银行风险的计量和监管要求，其中信用风险是银行经营的主要风险之一，它的管理好坏直接影响到银行的经营利润和稳定经营。信用风险是指交易对手未能履行约定契约中的义务而给银行造成经济损失的风险。典型的表现形式包括借款人发生违约或信用等级下降。借款人因各种原因未能及时、足额偿还债务/银行贷款、未能履行合同义务而发生违约时，债权人或银行必将因为未能得到预期的收益而承担财务上的损失。
那如何来表示某个交易对手的信用情况呢，一般使用信用等级或信用评分来来表示，等级越低或评分越低，发生违约的概率会增加。这个信用评分主要应用在客户的贷前和贷后管理中，贷前是指客户贷款申请阶段，银行受理客户贷款申请时会根据客户提交的信息、人行征信、其它数据源按一定的规则计算出一个违约概率和风险评分或信用等级。再根据这个评分或评级来确定客户的授信额度和利率。计算出的评分或评级越高，违约概率越低，比如在进行个人贷前评分时主要关注以下5方面：
（1）People：贷款人状况，包括历史还款表现、当前负债情况、资金饥渴度等；
（2）Payment：还款来源，如基本收入、资产水平、月收支负债比、无担保总负债等；
（3）Purpose：资金用途，如消费、买房，需要规避贷款资金用于投资或投机性质较高领域，如股票和数字货币；
（4）Protection：债权确保，主要是看是否有抵押物或担保，需要看抵押物用途、质量、价格等关键要素；
（5）Perspective：借款户展望，从地域、行业、人生阶段等考察稳定性及潜力；
贷后是指客户借款后银行持续跟进客户的信用情况，如果发现信用评分降低或者某些指标达到风险预警指标的阈值，说明风险升高，则会进行冻结额度甚至提前进行贷款收回。特别是对于逾期客户。
风险建模步骤
在进行信用评估时如何选择客户属性、如何确定评分或评级规则呢？这就需要进行风险建模，通过分析历史数据来确定哪些特征或指标对客户的违约相关性大，可以了解客户的还款能力以及还款意愿。并通过一定方法来建立评分和评级的规则。那风险建模主要分为以下步骤：
（1）业务理解：主要评估当前现状、确定业务目标，选择建模方法，比如需要进行XX贷款产品的贷前评分模型并确定准入规则，建模方式比如为评分卡，评分应用为基于评分确定贷款准入规则以及额度和利率规则，同时需要确定分析数据的好客户和坏客户标准，如逾期90天以上为坏客户；
（2）数据理解：首先需要准备建模的样本数据，如抽取近2年的获得类似产品的客户相关信息以及根据好客户和坏客户标准确定的结果。并针对业务数据进行业务含义理解、对数据进行收集、探索，了解每个变量的数据质量、缺失情况，数据分布等。比如对于客户在人行的征信数据、客户在银行的存款、理财等信息、以及客户申请填写的家庭、房产信息、外部获得的客户教育、司法等相关信息进行业务理解和数据分布、质量的探索，对缺失值比例过大的变量或准确性不高的变量进行剔除，同时也要确定对于样本数据中哪些数据进行建模，哪些数据进行验证。
（3）数据准备：主要对数据进行预处理和指标加工，指标加工指基于基础数据进行指标加工，如最近1个月的征信查询次数，最近1年的逾期次数等，数据预处理主要工作包括对每一个变量进行数据清洗、缺失值处理、异常值处理、数据标准化等，主要目的是将获取的原始数据转变成可用于建模的结构化数据。
比如对于连续变量，就是要寻找合适的切割点把变量分为几个区间段以使其具有最强的预测能力，也称为“分箱”。例如客户年龄就是连续变量，在这一步就是要研究分成几组、每组切割点在哪里预测能力是最强的。分箱的方法有等宽、等频、聚类（k-means）、卡方分箱法、单变量决策树算法（ID3、C4.5、CART）、IV最大化分箱法、best-ks分箱法等。如果是离散变量，每个变量值都有一定的预测能力，但是考虑到可能几个变量值有相近的预测能力，因此也需要进行分组。
通过对变量的分割、分组和合并转换，分析每个变量对于结果的相关性，剔除掉预测能力较弱的变量，筛选出符合实际业务需求、具有较强预测能力的变量。检测变量预测能力的方法有：WOE(weight of Evidence) 、IV(informationvalue)等。
（4）分析建模：即对于筛选出来的变量以及完成好坏定义的样本结果。放入模型进行拟合。如评分卡一般采用常见的逻辑回归的模型，PYTHON、SAS、R都有相关的函数实现模型拟合。以下是生成的评分卡的例子。
（5）评估及报告：即通过验证样本对模型的预测进行校验。评估模型的准确性和稳健性，并得出分析报告。常用的方法有ROC曲线、lift提升指数、KS(Kolmogorov-Smirnov)曲线、GINI系数等。
（6）应用：对模型进行实际部署和应用，如基于评分进行客户准入和产生额度，并在贷款系统进行模型部署，自动对申请客户进行评分。
（7）监测：建立多种报表对模型的有效性、稳定性进行监测，如稳定性监控报表来比较新申请客户与开发样本客户的分值分布，不良贷款分析报表来评估不同分数段的不良贷款，并且与开发时的预测进行比较，监控客户信贷质量。随着时间的推移和环境变化，评分模型的预测力会减弱，所以需要持续监控并进行适当调整或重建。
在信用风险建模中，目前评分卡建模还是主要的方式，除了申请评分（A卡（Application score card））还有B卡（Behavior score card）行为评分卡、C卡（Collection score card）催收评分卡。B卡主要进行客户贷后管理，如何进行风险预警，C卡进行催收管理，确定如何催收以及催收方式和时间点。信用风险模型中还有一个是反欺诈模型，它主要是识别假冒身份、虚假信息、批量薅羊毛等欺诈行为。随着机器学习和大数据的发展，其它的一些建模方式如决策树、深度神经网络也越来越多的应用到了风险建模中。
信用风险模型是数据仓库支持的重要数据应用之一，在风险建模分析阶段，数据仓库是建模样本数据以及衍生指标加工的主要提供者，业务人员一般在自助分析平台进行数据分析和建模，模型建立完成并部署后，会基于数据仓库数据进行模型效果的监控。在贷后管理中，风险集市也会进行贷后指标的加工。另外风险模型以及预警中会经常使用到外部数据，这部分数据也是通过数据仓库进行对接、加工和存储。
9. 关于管理学中决策树的问题怎么做
决策树法用于风险性决策，就是在比较和选择活动方案时未来情况不止一种，管理者无法确定那种情况将发生，但是知道每种情况发生的概率。
决策树法是用树状图来描述各种方案在不同情况(或自然状态）下的收益，据此计算每种方案的期望收益从而作出决策的方法。
举例：
某企业为了扩大某产品的生产，拟建设新厂。据市场预测，产品销路好的概率为0.7，销路差的概率为0. 30有三种方案可供企业选择：
方案1、新建大厂，需投资300万元。据初步估计，销路好时，每年可获利100万元；销路差时，每年亏损20万元。服务期为10年。
方案2、新建小厂，需投资140万元。销路好时，每年可获利40万元；销路差时，每年仍可获利30万元。服务期为10年。
方案3 、 先建小厂，三年后销路好时再扩建，需追加投资200万元，服务期为7年，估计每年获利95万元。
问哪种方案最好？
决策树中，
矩形结点称为决策点，从决策点引出的若干条树枝枝表示若干种方案，称为方案枝。圆形结点称为状态点，从状态点引出的若干条树枝表示若干种自然状态，称为状态枝。图中有两种自然状态：销路好和销路差，自然状态后面的数字表示该种自然状态出现的概率。位于状态枝末端的是各种方案在不同自然状态下的收益或损失。据此可以算出各种方案的期望收益。
决策树如下图：
方案1的期望收益为：
[0.7×100+0.3×(-20)]×10 - 300=340（万元）
方案2的期望收益为：
(0.7×40+0.3×30) - 140= 230（万元）
至于方案3，由于结点④的期望收益465(= 95×7- 200)万元，大于结点⑤的期望收益280(= 40×7)万元，所以销路好时，扩建比不扩建好。
方案3（结点③）的期望收益为：(0.7×40×3+0.7 X465 +0.3×30×10) - 140=359.5（万元）
计算结果表明，在三种方案中，方案3最好
在复杂的决策树中还会将利率（货币的时间价值因素）考虑进去，简单建模做出决策树以后计算收益或损失即可。
10. 决策树怎么画
采纳答案的方法是对的，但是数字有误，估计是粗心了吧。
错误如下：
机会节点3（上午去甲）：8000×0.8+（-10000）×0.2=4400
机会节点4（下午去甲）：8000×0.7+0×0.3=5600
机会节点5（上午去乙）：10000×0.5+(-8000)*0.5=1000
机会节点6（上午去乙）：10000*0.4+0*0.6=4000
上午去甲的货币价值>去乙的货币价值 ，因为4400>1000
下午去甲的货币价值>去乙的货币价值 ，因为5600>4000
因此最佳方案为：上午下午都去甲