Ⅰ 贝叶斯影响因素间是无联系的吗
贝叶斯影响因素间是无联系。
打分法就是根据各个因子的大小对股票进行打分，然后按照一定的权重加权得到一个总分，根据总分再对股票进行筛选。
回归法就是用过去的股票的收益率对多因子进行回归，得到一个回归方程，然后再把最新的因子值代入回归方程得到一个对未来股票收益的预判，然后再以此为依据进行选股。
个人贡献：
贝叶斯在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论，并创立了贝叶斯统计理论，对于统计决策函数、统计推断、统计的估算等做出了贡献。
1763年发表了这方面的论着，对于现代概率论和数理统计都有很重要的作用。贝叶斯的另一着作《机会的学说概论》发表于1758年.贝叶斯所采用的许多术语被沿用至今。
他对统计推理的主要贡献是使用了"逆概率"这个概念，并把它作为一种普遍的推理方法提出来。贝叶斯定理原本是概率论中的一个定理，这一定理可用一个数学公式来表达，这个公式就是着名的贝叶斯公式。
Ⅱ 贝叶斯原理及应用
贝叶斯决策理论是主观贝叶斯派归纳理论的重要组成部分。贝叶斯决策就是在不完全情报下，对部分未知的状态用主观概率估计，然后用贝叶斯公式对发生概率进行修正，最后再利用期望值和修正概率做出最优决策。贝叶斯决策理论方法是统计模型决策中的一个基本方法，其基本思想是：1、已知类条件概率密度参数表达式和先验概率。2、利用贝叶斯公式转换成后验概率。3、根据后验概率大小进行决策分类。他对统计推理的主要贡献是使用了"逆概率"这个概念，并把它作为一种普遍的推理方法提出来。贝叶斯定理原本是概率论中的一个定理，这一定理可用一个数学公式来表达，这个公式就是着名的贝叶斯公式。 贝叶斯公式是他在1763年提出来的：假定B1,B2,……是某个过程的若干可能的前提，则P(Bi)是人们事先对各前提条件出现可能性大小的估计，称之为先验概率。如果这个过程得到了一个结果A，那么贝叶斯公式提供了我们根据A的出现而对前提条件做出新评价的方法。P(Bi∣A)既是对以A为前提下Bi的出现概率的重新认识，称 P(Bi∣A)为后验概率。经过多年的发展与完善，贝叶斯公式以及由此发展起来的一整套理论与方法，已经成为概率统计中的一个冠以“贝叶斯”名字的学派，在自然科学及国民经济的许多领域中有着广泛应用。公式：设D1，D2，……，Dn为样本空间S的一个划分，如果以P(Di)表示事件Di发生的概率，且P(Di)>0(i=1，2，…，n)。对于任一事件x，P(x)>0，则有： nP(Dj/x)=p(x/Dj)P(Dj)/∑P(X/Di)P(Di)i=1( http://wiki.mbalib.com/w/images/math/9/9/b/.png）贝叶斯预测模型在矿物含量预测中的应用 贝叶斯预测模型在气温变化预测中的应用 贝叶斯学习原理及其在预测未来地震危险中的应用 基于稀疏贝叶斯分类器的汽车车型识别 信号估计中的贝叶斯方法及应用 贝叶斯神经网络在生物序列分析中的应用 基于贝叶斯网络的海上目标识别 贝叶斯原理在发动机标定中的应用 贝叶斯法在继电器可靠性评估中的应用 相关书籍: Arnold Zellner 《Bayesian Econometrics: Past, Present and Future》 Springer 《贝叶斯决策》 黄晓榕 《经济信息价格评估以及贝叶斯方法的应用》 张丽 , 闫善文 , 刘亚东 《全概率公式与贝叶斯公式的应用及推广》 周丽琴 《贝叶斯均衡的应用》 王辉 , 张剑飞 , 王双成 《基于预测能力的贝叶斯网络结构学习》 张旭东 , 陈锋 , 高隽 , 方廷健 《稀疏贝叶斯及其在时间序列预测中的应用》 邹林全 《贝叶斯方法在会计决策中的应用》 周丽华 《市场预测中的贝叶斯公式应用》 夏敏轶 , 张焱 《贝叶斯公式在风险决策中的应用》 臧玉卫 , 王萍 , 吴育华 《贝叶斯网络在股指期货风险预警中的应用》 党佳瑞 , 胡杉杉 , 蓝伯雄 《基于贝叶斯决策方法的证券历史数据有效性分析》 肖玉山 , 王海东 《无偏预测理论在经验贝叶斯分析中的应用》 严惠云 , 师义民 《Linex损失下股票投资的贝叶斯预测》 卜祥志 , 王绍绵 , 陈文斌 , 余贻鑫 , 岳顺民 《贝叶斯拍卖定价方法在配电市场定价中的应用》 刘嘉焜 , 范贻昌 , 刘波 《分整模型在商品价格预测中的应用》 《Bayes方法在经营决策中的应用》 《决策有用性的信息观》 《统计预测和决策课件》 《贝叶斯经济时间序列预测模型及其应用研究》 《贝叶斯统计推断》 《决策分析理论与实务》
Ⅲ 贝叶斯定理（转载）
贝叶斯定理太有用了，不管是在投资领域，还是机器学习，或是日常生活中高手几乎都在用到它。
生命科学家用贝叶斯定理研究基因是如何被控制的；教育学家突然意识到，学生的学习过程其实就是贝叶斯法则的运用；基金经理用贝叶斯法则找到投资策 略；Google用贝叶斯定理改进搜索功能，帮助用户过滤垃圾邮件；无人驾驶汽车接收车顶传感器收集到的路况和交通数据，运用贝叶斯定理更新从地图上获得 的信息；人工智能、机器翻译中大量用到贝叶斯定理。
我将从以下4个角度来科普贝叶斯定理及其背后的思维：
1.贝叶斯定理有什么用？
2.什么是贝叶斯定理？
3.贝叶斯定理的应用案例
4.生活中的贝叶斯思维
1.贝叶斯定理有什么用？
英国数学家托马斯·贝叶斯（Thomas Bayes）在1763年发表的一篇论文中，首先提出了这个定理。而这篇论文是在他死后才由他的一位朋友发表出来的。
（ps：贝叶斯定理其实就是下面图片中的概率公式，这里先不讲这个公式，而是重点关注它的使用价值，因为只有理解了它的使用意义，你才会更有兴趣去学习它。）
在这篇论文中，他为了解决一个“逆概率”问题，而提出了贝叶斯定理。
在贝叶斯写这篇文章之前，人们已经能够计算“正向概率”，比如杜蕾斯举办了一个抽奖，抽奖桶里有10个球，其中2个白球，8个黑球，抽到白球就算你中奖。你伸手进去随便摸出1颗球，摸出中奖球的概率是多大。
根据频率概率的计算公式，你可以轻松的知道中奖的概率是2/10
如果还不懂怎么算出来的，可以看我之前写的科普概率的回答： 猴子：如何理解条件概率？
而贝叶斯在他的文章中是为了解决一个“逆概率”的问题。比如上面的例子我们并不知道抽奖桶里有什么，而是摸出一个球，通过观察这个球的颜色，来预测这个桶里里白色球和黑色球的比例。
这个预测其实就可以用贝叶斯定理来做。贝叶斯当时的论文只是对“逆概率”这个问题的一个直接的求解尝试，这哥们当时并不清楚这里面这里面包含着的深刻思想。
然而后来，贝叶斯定理席卷了概率论，并将应用延伸到各个问题领域。可以说，所有需要作出概率预测的地方都可以见到贝叶斯定理的影子，特别地，贝叶斯是机器学习的核心方法之一。
为什么贝叶斯定理在现实生活中这么有用呢？
这是因为现实生活中的问题，大部分都是像上面的“逆概率”问题。生活中绝大多数决策面临的信息都是不全的，我们手中只有有限的信息。既然无法得到全面的信息，我们就在信息有限的情况下，尽可能做出一个好的预测。
比如天气预报说，明天降雨的概率是30%，这是什么意思呢？
我们无法像计算频率概率那样，重复地把明天过上100次，然后计算出大约有30次会下雨。
而是只能利用有限的信息（过去天气的测量数据），用贝叶斯定理来预测出明天下雨的概率是多少。
同样的，在现实世界中，我们每个人都需要预测。想要深入分析未来、思考是否买股票、政策给自己带来哪些机遇、提出新产品构想，或者只是计划一周的饭菜。
贝叶斯定理就是为了解决这些问题而诞生的，它可以根据过去的数据来预测出概率。
贝叶斯定理的思考方式为我们提供了明显有效的方法来帮助我们提供能力，以便更好地预测未来的商业、金融、以及日常生活。
总结下第1部分：贝叶斯定理有什么用？
在有限的信息下，能够帮助我们预测出概率。
所有需要作出概率预测的地方都可以见到贝叶斯定理的影子，特别地，贝叶斯是机器学习的核心方法之一。例如垃圾邮件过滤，中文分词，艾滋病检查，肝癌检查等。
2.什么是贝叶斯定理？
贝叶斯定理长这样：
到这来，你可能会说：猴子，说人话，我一看到公式就头大啊。
其实，我和你一样，不喜欢公式。我们还是从一个例子开始聊起。
我的朋友小鹿说，他的女神每次看到他的时候都冲他笑，他想知道女神是不是喜欢他呢？
谁让我学过统计概率知识呢，下面我们一起用贝叶斯帮小鹿预测下女神喜欢他的概率有多大，这样小鹿就可以根据概率的大小来决定是否要表白女神。
首先，我分析了给定的已知信息和未知信息：
1）要求解的问题：女神喜欢你，记为A事件
2）已知条件：女神经常冲你笑，记为B事件
所以说，P(A|B)是女神经常冲你笑这个事件(B)发生后，女神喜欢你（A）的概率。
从公式来看，我们需要知道这么3个事情：
1）先验概率
我 们把P(A)称为'先验概率'（Prior probability），即在不知道B事件的前提下，我们对A事件概率的一个主观判断。这个例子里就是在不知道女神经常对你笑的前提下，来主观判断出女 神喜欢一个人的概率，这里我们假设是50%，也就是不能喜欢你，可能不喜欢还你的概率都是一半。
2）可能性函数
P(B|A)/P(B)称为'可能性函数'（Likelyhood），这是一个调整因子，即新信息B带来的调整，作用是使得先验概率更接近真实概率。
可 能性函数你可以理解为新信息过来后，对先验概率的一个调整。比如我们刚开始看到“人工智能”这个信息，你有自己的理解（先验概率/主观判断），但是当你学 习了一些数据分析，或者看了些这方面的书后（新的信息），然后你根据掌握的最新信息优化了自己之前的理解（可能性函数/调整因子），最后重新理解了“人工 智能”这个信息（后验概率）
如果'可能性函数'P(B|A)/P(B)>1，意味着'先验概率'被增强，事件A的发生的可能性变大；
如果'可能性函数'=1，意味着B事件无助于判断事件A的可能性；
如果"可能性函数"<1，意味着"先验概率"被削弱，事件A的可能性变小
还是刚才的例子，根据女神经常冲你笑这个新的信息，我调查走访了女神的闺蜜，最后发现女神平日比较高冷，很少对人笑。所以我估计出'可能性函数'P(B|A)/P(B)=1.5（具体如何估计，省去1万字，后面会有更详细科学的例子）
3）后验概率
P(A|B)称为'后验概率'（Posterior probability），即在B事件发生之后，我们对A事件概率的重新评估。这个例子里就是在女神冲你笑后，对女神喜欢你的概率重新预测。
带入贝叶斯公式计算出P(A|B)=P(A)* P(B|A)/P(B)=50% *1.5=75%
因此，女神经常冲你笑，喜欢上你的概率是75%。这说明，女神经常冲你笑这个新信息的推断能力很强，将50%的'先验概率'一下子提高到了75%的'后验概率'。
在得到预测概率后，小鹿自信满满的发了下面的表白微博：无图
稍后，果然收到了女神的回复。预测成功。无图
现在我们再看一遍贝叶斯公式，你现在就能明白这个公式背后的最关键思想了：
我们先根据以往的经验预估一个'先验概率'P(A)，然后加入新的信息（实验结果B），这样有了新的信息后，我们对事件A的预测就更加准确。
因此，贝叶斯定理可以理解成下面的式子：
后验概率（新信息出现后的A概率）＝先验概率（A概率） x 可能性函数（新信息带来的调整）
贝叶斯的底层思想就是：
如果我能掌握一个事情的全部信息，我当然能计算出一个客观概率（古典概率）。
可是生活中绝大多数决策面临的信息都是不全的，我们手中只有有限的信息。既然无法得到全面的信息，我们就在信息有限的情况下，尽可能做出一个好的预测。也就是，在主观判断的基础上，你可以先估计一个值（先验概率），然后根据观察的新信息不断修正(可能性函数)。
如果用图形表示就是这样的：
其实阿尔法狗也是这么战胜人类的，简单来说，阿尔法狗会在下每一步棋的时候，都可以计算自己赢棋的最大概率，就是说在每走一步之后，他都可以完全客观冷静的更新自己的信念值，完全不受其他环境影响。
3.贝叶斯定理的应用案例
前面我们介绍了贝叶斯定理公式，及其背后的思想。现在我们来举个应用案例，你会更加熟悉这个牛瓣的工具。
为了后面的案例计算，我们需要先补充下面这个知识。
1.全概率公式
这个公式的作用是计算贝叶斯定理中的P(B)。
假定样本空间S，由两个事件A与A'组成的和。例如下图中，红色部分是事件A，绿色部分是事件A'，它们共同构成了样本空间S。
这时候来了个事件B，如下图：
全概率公式：
它的含义是，如果A和A'构成一个问题的全部（全部的样本空间），那么事件B的概率，就等于A和A'的概率分别乘以B对这两个事件的条件概率之和。
看到这么复杂的公式，记不住没关系，因为我也记不住，下面用的时候翻到这里来看下就可以了。
案例1：贝叶斯定理在做判断上的应用
有两个一模一样的碗，1号碗里有30个巧克力和10个水果糖，2号碗里有20个巧克力和20个水果糖。
然后把碗盖住。随机选择一个碗，从里面摸出一个巧克力。
问题：这颗巧克力来自1号碗的概率是多少？
好了，下面我就用套路来解决这个问题，到最后我会给出这个套路。
第1步，分解问题
1）要求解的问题：取出的巧克力，来自1号碗的概率是多少？
来自1号碗记为事件A1，来自2号碗记为事件A2
取出的是巧克力，记为事件B，
那么要求的问题就是P(A1|B)，即取出的是巧克力，来自1号碗的概率
2）已知信息：
1号碗里有30个巧克力和10个水果糖
2号碗里有20个巧克力和20个水果糖
取出的是巧克力
第2步，应用贝叶斯定理
1）求先验概率
由于两个碗是一样的，所以在得到新信息（取出是巧克力之前），这两个碗被选中的概率相同，因此P(A1)=P(A2)=0.5,(其中A1表示来自1号碗，A2表示来自2号碗)
这个概率就是'先验概率'，即没有做实验之前，来自一号碗、二号碗的概率都是0.5。
2）求可能性函数
P(B|A1)/P(B)
其中，P(B|A1)表示从一号碗中(A1)取出巧克力(B)的概率。
因为1号碗里有30个水果糖和10个巧克力，所以P(B|A1)=30/(30+10)=75%
现在只有求出P(B)就可以得到答案。根据全概率公式，可以求得P(B)如下图：
图中P(B|A1)是1号碗中巧克力的概率，我们根据前面的已知条件，很容易求出。
同样的，P(B|A2)是2号碗中巧克力的概率，也很容易求出（图中已给出）。
而P(A1)=P(A2)=0.5
将这些数值带入公式中就是小学生也可以算出来的事情了。最后P(B)=62.5%
所以，可能性函数P(A1|B)/P(B)=75%/62.5%=1.2
可能性函数>1.表示新信息B对事情A1的可能性增强了。
3）带入贝叶斯公式求后验概率
将上述计算结果，带入贝叶斯定理，即可算出P(A1|B)=60%
这个例子中我们需要关注的是约束条件：抓出的是巧克力。如果没有这个约束条件在，来自一号碗这件事的概率就是50%了，因为巧克力的分布不均把概率从50%提升到60%。
现在，我总结下刚才的贝叶斯定理应用的套路，你就更清楚了，会发现像小学生做应用题一样简单：
第1步. 分解问题
简单来说就像做应用题的感觉，先列出解决这个问题所需要的一些条件，然后记清楚哪些是已知的，哪些是未知的。
1）要求解的问题是什么？
识别出哪个是贝叶斯中的事件A（一般是想要知道的问题），哪个是事件B（一般是新的信息，或者实验结果）
2）已知条件是什么？
第2步.应用贝叶斯定理
第3步，求贝叶斯公式中的2个指标
1）求先验概率
2）求可能性函数
3）带入贝叶斯公式求后验概率
Ⅳ 贝叶斯公式的应用
贝叶斯公式直接的应用就是学习，啥意思，就是根据经验对新发生的事物进行判断。
抽象地说就是这样。
应用的原因就是为了预测未来，规避风险。
就和你知道很多鸟都是黑色的，但是其中乌鸦是黑色的可能性最大，于是当你再看到一只黑色的鸟的时候，你就会想着这只鸟是不是乌鸦。
包括你学习贝叶斯也是这样的，别人都说贝叶斯很厉害[先验]，然后你找了很多案例，最后想看看贝叶斯成功的概率是多少[后验]，其本质就是这个
Ⅳ 神奇的贝叶斯定理
数学一直是我的弱项，从初中到大学成绩都不好，于是累觉不爱，与数学从此绝缘。反而离开校园后，有时对某一方面的数学问题产生兴趣，就会继续追寻下去。就像这个神奇的贝叶斯定理，原理多看几遍其实很简单，但是上学那会儿怎么总是学不会呢？大概上学的时候，只是单纯的记忆公式，而数学是对现实的高度抽象，恰恰是人类大脑所不擅长的领域，而工作后带着实际问题去学习数学，符合人类从具体走向抽象的认知规律，故而能够理解。
贝叶斯定理正是在这个背景下，被我初步理解的。所以各位不要觉得涉及到数学就觉得畏惧，连我这个数学渣都能理解，其他人更是不在话下。后面会讲到，贝叶斯定理作为一个思考的框架，一种决策的工具，具有神奇的作用。这正是我们构建多元化思维模型中数学模型的一部分。
我们将一枚硬币抛向空中，落地时正面和反面的概率都是50%，这是常识。但如果我们抛100次，正面和反面的次数并不会都是50，有可能正面40次，反面60次。那抛1000次，10000次呢，正面反面的次数有可能还不会是五五开。只有将抛硬币无数次，正面和反面出现的次数才会趋向于相等。也就是说，正面和反面出现的概率50%是一个极限、客观的概率，并不会随着抛掷次数的增减而变化。
但是贝叶斯定理与这个精确客观的概率不同，它要求当事人估计一个主观的先验概率，再根据随后观察到的事实进行调整，随着调整次数的增加，结果将会越来越精确。这里有一个问题，数学不是讲究客观吗？这里怎么冒出一个主观概率出来？这也是当时的学者质疑贝叶斯的问题。事实上，贝叶斯定理在17世纪提出后，一直受到冷落，直到20世纪30年代电子计算机出现后才得到广泛应用。如今我们每天都在和贝叶斯定理打交道：你上搜索引擎搜寻问题，背后的算法中就有贝叶斯公式的身影；你邮箱里的垃圾邮件，很有可能就是运用贝叶斯定理帮你拦截的。
为什么会出现这种情况？因为贝叶斯定理符合人类认知事物的自然规律。我们并非生而知之，大多数时候，面对的是信息不充分、情况不确定，这个时候我们只能在有限资源的情况下，作出决定，再根据后续的发展进行修正。实际上，这也是科学研究的步骤。
说了这么多，贝叶斯定理到底长什么样啊？围观群众的小心脏可承受不起一坨挤眉弄眼的数学符号。那简单的用中文来描述一下：
是不是也没这么难？没错，就是这么简单。翻译成数学语言就是：
这是一一对应的，P(A丨B)是后验概率，P(A)是先验概率，P(B丨A)/P(B)是调整因子。P(A丨B)意思是在B发生的情况下，A发生的概率；P(B丨A)意思是在A发生的情况下，B发生的概率；P(A)是A发生的概率，P(B)是B发生的概率。P(B)=P(B丨A) P(A)+P(B丨A') P(A')，这称为全概率公式。
看到这里，是不是有点糊涂了？其实这些公式并不难，证明过程也很简单，自己搜一下文氏图，一目了然。现在看起来，这些公式还是太抽象，别急，到后面实例的时候就派上用场了。
先来看一个非常经典的例子，几乎是讲到贝叶斯定理必提。
使用贝叶斯定理分析，假设A为得病，B为检测呈阳性。可知P(A)=0.001，P(B丨A)=0.99，P(B)=P(B丨A) P(A)+P(B丨A')P(A')=0.99x0.001+0.05x0.999=0.05094
P(A丨B)=P(A)*P(B丨A)/P(B)=0.001x0.99/0.05094=0.019
是不是很惊讶，哪怕准确率这么高，检测结果呈阳性的可信度只有2%。如果一种病的发病率很低，对于检测结果呈阳性，我们不用过多担忧。
来看看贝叶斯定理更实际的用处——帮助你量化对某些事物的态度或看法。比如说，你看到周围很多人去庙里拜菩萨，他们跟你说很灵的，心想事成，你是否应该相信他们呢？作为一个追求独立思考的人，肯定不能凭别人几句话就决定皈依我佛。正确的态度是，自己去统计多少人信奉佛教，其中多少人祈福有求必应，如果比例很高的话，那我们就可以相信。但事实上，限于个人的能力和时间，这种大规模的统计我们无法做到。但是有了贝叶斯定理，我们可以试着计算一下。
A代表相信向菩萨祈福有用，假设你半信半疑，给定P(A)=0.5，B代表一个朋友向菩萨许事业的愿后，果然升职加薪。假设你认为朋友对你说了实话，P(B丨A)=0.8，如果没有菩萨保佑，你认为他凭借自己能力升职加薪的概率P(B丨A')=0.5，根据全概率公式，P(B)=0.8x0.5+0.5*0.5=0.65。可以算出，
P(A丨B)=0.5x0.8/0.65=0.615。这时，你对菩萨的信任度已经从50%上升到了61.5%，说明看到你朋友的事后，你是越来越相信菩萨的作用的。如果再多几个同事向你诉说他们的心想事成，你的信任度越来越高，最后就会皈依我佛了。
但世上没这么好的事，要是都心想事成，那不世界太平了。所以你接下来碰到了另外一个同事，他说他去求了菩萨爱情，至今仍是光棍一条。于是你就开始调整你的看法。注意，这时的P(A)=0.615，B代表菩萨未能保佑抱得美人归，P(B丨A)=0.2，不变的是P(B丨A')=0.5，此时P(B)=0.2x0.615+0.5*0.385=0.3155，可以算出， P(A丨B)=0.615x0.2/0.3155=0.39。这时，你对菩萨的信任度又由61.5%下降到了39%，如果再碰到几个这样的同事，你就会彻底对菩萨保佑失去信心。
事实上，我们可以用贝叶斯定理来搭建一个思考的框架，不断的动态调整我们的看法或态度，在经过一系列的事情证实后，就会形成比较稳定而正确的看法。大多数人对事物的看法是摇摆不定的，因为我们的直觉思维是粗放而快速，所以很难稳定下来。而运用贝叶斯定理以后，它能够量化我们的看法，不致于因个人的偏好而偏差太远，而且哪怕你给定的先验概率是随便写的，也没关系，经过几次事实的印证后，它会越来越接近于真相。
Ⅵ 行为金融学问题
行为金融学(behavioral finance，BF)是金融学、心理学、行为学、社会学等学科相交叉的边缘学科，力图揭示金融市场的非理性行为和决策规律。行为金融理论认为，证券的市场价格并不只由证券内在价值所决定，还在很大程度上受到投资者主体行为的影响,即投资者心理与行为对证券市场的价格决定及其变动具有重大影响。它是和有效市场假说(efficient market hypothesis,EMH)相对应的一种学说，主要内容可分为套利限制（limits of arbitrage）和心理学两部分。[编辑] 套利限制 有效市场假说认为理性交易者（也称为套利者）会很迅速的消除非理性交易者（也称为噪声交易者）引起的证券价格对其价值的偏离。行为金融学认为即使当一种资产被广泛的误价时，纠正这种误价的策略可能非常有风险。[编辑] 心理学 行为金融学融汇了心理学基本原理，其主要表现在信仰（过度自信、 乐观主义和如意算盘、代表性、保守主义、确认偏误、 定位、记忆偏误）以及偏好( 展望理论、模糊规避)在行为金融学的应用。行为金融学理论行为金融学是将行为科学、心理学和认知科学的成果运用到金融市场中，“有限理性”与“有限套利”是其两大支柱。它用“前景理论”描述人的真实性，认为金融市场中的投资者是不具有长期理性行为的，至多拥有“有限理性”。短期来看，在某个具体的决策上，投资者可能是理性的、正确的；但从长期来看，投资者不具有统筹的、连续性的最优投资决策，不能严格按照“贝叶斯规则”行事，其投资行为是非理性的，甚至是错误的。 (一)理论基础 1．期望理论。期望理论是行为金融学的重要理论基础。Kahneman和Tversky(1979)通过实验对比发现，大多数投资者并非是标准金融投资者而是行为投资者，他们的行为不总是理性的，也并不总是风险回避的。期望理论认为投资者对收益的效用函数是凹函数，而对损失的效用函数是凸函数，表现为投资者在投资帐面值损失时更加厌恶风险，而在投资帐面值盈利时，随着收益的增加，其满足程度速度减缓。期望理论成为行为金融研究中的代表学说，利用期望理论解释了不少金融市场中的异常现象：如阿莱悖论、股价溢价之迷(equitypremiumpuzzle)以及期权微笑(optionsmile)等，然而由于Kahneman和Tversky在期望理论中并没有给出如何确定价值函数的关键--参考点以及价值函数的具体形式，在理论上存在很大缺陷，从而极大阻碍了期望理论的进一步发展。 2．行为组合理论(BehavioralPortfolioTheory，BPT)和行为资产定价模型(BehavioralAssetPricingModel，BAPM)。一些行为金融理论研究者认为将行为金融理论与现代金融理论完全对立起来并不恰当。将二者结合起来，对现代金融理论进行完善，正成为这些研究者的研究方向。在这方面，Statman和Shefrin提出的BPT和BAPM引起金融界的注意。BPT是在现代资产组合理论(MAPT)的基础上发展起来的。MAPT认为投资者应该把注意力集中在整个组合，最优的组合配置处在均值方差有效前沿上。BPT认为现实中的投资者无法作到这一点，他们实际构建的资产组合是基于对不同资产的风险程度的认识以及投资目的所形成的一种金字塔式的行为资产组合，位于金字塔各层的资产都与特定的目标和风险态度相联系，而各层之间的相关性被忽略了。BAPM是对现代资本资产定价模型(CAPM)的扩展。与CAPM不同，BAPM中的投资者被分为两类：信息交易者和噪声交易者。信息交易者是严格按CAPM行事的理性交易者，不会出现系统偏差；噪声交易者则不按CAPM行事，会犯各种认知偏差错误。两类交易者互相影响共同决定资产价格。事实上，在BAPM中，资本市场组合的问题仍然存在，因为均值方差有效组合会随时间而改变。 (二)投资行为模型 1．BSV模型(Barberis，Shleffer，andVishny，1998)。BSV模型认为，人们进行投资决策时存在两种错误范式：其一是选择性偏差(representativebias)，即投资者过分重视近期数据的变化模式，而对产生这些数据的总体特征重视不够，这种偏差导致股价对收益变化的反映不足(under-reaction)。另一种是保守性偏差(conservation)，投资者不能及时根据变化了的情况修正自己的预测模型，导致股价过度反应(over-reaction)。BSV模型是从这两种偏差出发，解释投资者决策模型如何导致证券的市场价格变化偏离效率市场假说的。 2．DHS模型(Daniel，HirsheiferandSubramanyam，1998)。该模型将投资者分为有信息和无信息两类。无信息的投资者不存在判断偏差，有信息的投资者存在着过度自信和有偏的自我归因(serf-contribution)。过度自信导致投资者夸大自己对股票价值判断的准确性；有偏的自我归因则使他们低估关于股票价值的公开信号。随着公共信息最终战胜行为偏差，对个人信息的过度反应和对公共信息的反应不足，就会导致股票回报的短期连续性和长期反转。所以Fama(1998)认为DHS模型和BSV模型虽然建立在不同的行为前提基础上，但二者的结论是相似的。 3.HS模型(HongandStein，1999)，又称统一理论模型(unifiedtheorymodel)。统一理论模型区别于BSV和DHS模型之处在于：它把研究重点放在不同作用者的作用机制上，而不是作用者的认知偏差方面。该模型把作用者分为“观察消息者”和“动量交易者”两类。观察消息者根据获得的关于未来价值的信息进行预测，其局限是完全不依赖于当前或过去的价格；“动量交易者”则完全依赖于过去的价格变化，其局限是他们的预测必须是过去价格历史的简单函数，在上述假设下，该模型将反应不足和过度反应统一归结为关于基本价值信息的逐渐扩散，而不包括其他的对投资者情感刺激和流动性交易的需要。模型认为最初由于"观察消息者"对私人信息反应不足的倾向，使得“动量交易者”力图通过套期策略来利用这一点，而这样做的结果恰好走向了另一个极端--过度反应。 4．羊群效应模型(herdbehavioralmodel)。该模型认为投资者羊群行为是符合最大效用准则的，是“群体压力”等情绪下贯彻的非理性行为，有序列型和非序列型两种模型。序列型由Banerjee(1992)提出，在该模型中，投资者通过典型的贝叶斯过程从市场噪声以及其它个体的决策中依次获取决策信息，这类决策的最大特征是其决策的序列性。但是现实中要区分投资者顺序是不现实的。因而这一假设在实际金融市场中缺乏支持。非序列型则论证无论仿效倾向强或弱，都不会得到现代金融理论中关于股票的零点对称、单一模态的厚尾特征。 （三）实证检验 进入20世纪80年代以来，与现代金融理论相矛盾的实证研究不断涌现，主要体现在投资策略的改变上。下面介绍几种典型的行为金融策略： 1．小公司效应。小公司效应是指小盘股比大盘股的收益率高。Banz(1981)发现股票市值随着公司规模的增大而减少的趋势。同一年，Reimganum(1981)也发现了公司规模最小的普通股票的平均收益率要比根据CAPM模型预测的理论收益率高出18％。最近Siegl(1998)研究发现，平均而言小盘股比大盘股的年收益率高出4.7％，而且小公司效应大部分集中在1月份。由于公司的规模和1月份的到来都是市场已知信息，这一现象明显地违反了半强式有效市场假设。Lakonishok等(1994)的研究发现，高市净盈率的股票风险更大，在大盘下跌和经济衰退时，业绩特别差。市盈率与收益率的反向关系对EMH形成严峻的挑战，因为这时已知的信息对于收益率有明显的预测作用。 2．反向投资策略(contraryinvestmentstrategy)。就是买进过去表现差的股票而卖出，过去表现好的股票来进行套利的投资方法。一些研究显示，如选择低市盈率(PE)的股票；选择股票市值与帐面价值比值低、历史收益率低的股票，往往可以得到比预期收益率高很多的收益，而且这种收益是一种"长期异常收益"(1ong-termanomalies)。Desia、Jain (1997)，Ikenberry、RankineStice (1996)也发现公司股票分割前后都存在着正的长期异常收益。行为金融理论认为反向投资策略是对股市过度反应的一种纠正，是一种简单外推的方法。 3．动量交易策略(momentumtradingstrategy)。即首先对股票收益和交易量设定过滤准则，当股市收益和交易量满足过滤准则就买入或卖出股票的投资策略。行为金融定义的动量交易策略源于对股市中间收益延续性的研究。Jegadeeshkg与Titman(1993)在对资产股票组合的中间收益进行研究时发现，以3至12个月为间隔所构造的股票组合的中间收益呈连续性，即中间价格具有向某一方向连续的动量效应。事实上，美国价值线排名(valuelinerankings)就是动量交易策略利用的例证。动量交易策略的应用其实就是对EMH的再次否定。 4．成本平均策略和时间分散化策略。成本平均策略指投资者根据不同的价格分批购买股票，以防不测时摊低成本的策略，而时间分散化指根据股票的风险将随着投资期限的延长而降低的信念，随着投资者年龄的增长而将股票的比例逐步减少的策略。这两个策略被认为与现代金融理论的预期效用最大化则明显相悖。Statman(1995)，Fisher、Statman(1999)利用行为金融中的期望理论、认知错误倾向、厌恶悔恨等观点对两个策略进行了解释，指出了加强自我控制的改进建议。 （四）行为金融的发展前景 行为金融学起源于对金融市场“异象”的解释。Kuhn（1970）指出，历史地看，对于显着的异象存在三种回应。第一，一开始出现的异象可以随即在原有的理论框架下解释。第二，认为现有的知识无法解决这个问题，留给未来的研究者去解决。第三，理论基础发生改变，使得异象在新的框架下被解释。显而易见，行为金融的研究努力就是第三种回应。行为金融在试图解释异象的时候，借助于心理学研究中的人类心理和行为模式，从而使得其理论的前提假设逼近现实，即是改变了现代金融理论的理论基础。 目前成型的行为金融学模型还不多，研究的重点还停留在对市场异常和认知偏差的定性描述和历史观察上，以及鉴别可能对金融市场行为有系统影响的行为决策属性。由于人类决策心理是多样化的，仅仅根据某一或某几种心理效应来解释特定的市场现象是远远不够的。Frankfurter and McGoun（2002）认为，行为金融的反驳是无力的，最终要被现代金融吸收同化。笔者并不赞同这种观点。因为目前行为金融研究虽然比较松散，但这是最终建立具有系统解释能力的统一的行为金融理论所不可逾越的阶段，只有经过这一阶段的积累才可能最终建立统一体系。目前已经鉴别的具有潜在公理地位的心理决策属性包括：决策者的偏好一般是多方面的，对变化是开放的，并且常常形成于决策期间本身；决策者是适应性的，决策的性质和环境影响决策过程和决策技术的选择；决策者追求满意的而非最优的解，等等。因此，继续将心理学的研究成果应用于金融研究之中，以期建立一个统一的、系统的决策心理框架，根据这个框架发展出完整的行为金融理论，这将是行为金融研究的一般过程和发展方向。并且，随着这一过程的终结，行为金融将自然而然地取代现代金融理论而成为金融理论的主流。 现代经济学发展的一个明显趋势就是越来越注重理论的微观基础，越来越注重对个体行为的研究，如博弈论、信息经济学和企业理论的发展所揭示的那样。行为金融学打开了传统金融理论中所忽视的决策黑箱，从人类真实的心理和行为模式入手，对于传统金融理论而言优势是明显的。并且由于它是一门边缘学科，随着心理学、社会学、行为经济学、决策理论等其他学科的进一步发展，其发展前景将是十分广阔的。
Ⅶ 理解贝叶斯定理的最简单方法
读过万维钢的《智识分子》关于贝叶斯定理一节后，略有启发，就自己整理了一下。
贝叶斯公式如下：
这个公式有什么用呢？
它可以把你”相信或者不相信一件事“用概率的形式量化起来。
你相信中医吗？你相信上帝吗？
大多数人会以简单的”相信“或者”不相信“来回答。
而理性的人士，尤其是数学家喜欢用概率来描述，他可能会说：中医有用的概率有30%，上帝存在的概率有50%。
这个数字是怎么由来呢？信念应该如何量化呢？贝叶斯共识就派上了用场。
公式详解：
A：代表事件，如：中医有用。
P（A）表示A事件的概率。
B：代表一个与之有关的事件，如：我朋友去看了中医，结果病好了。
P（B）表示B事件的概率。
P（A|B）代表B发生的情况下，A发生的概率。
P（B|A）代表A发生的情况下，B发生的概率。
以中医为例：
P（A）好理解，我个人事先认为中医有用的概率为30%，即P（A）=30%
那P（B）怎么理解呢？
P（B）代表着朋友甲通过中医看病，看好的概率。
那P（B）的概率怎么算呢？
我们把P（B）拆分一下：
P（B）=P（B|A）P(A) + P(B|A') P(A‘)
其中A‘代表A的相反事件，即中医没用。P（A）+P（A’）=1
即朋友甲通过中医看病能看好的概率=中医真心有用的情况下病能好的概率+中医就是没用的情况下病能好的概率。
如果中医就是没用，朋友看不看中医，病都有可能好，我们可以认为他病好的可能性有50%，即P（B|A’）=50%
如果中医真心有用，朋友的病在中医的加持下，很容易好，那我们就估算它P（B|A）=80%。
可以得出：
P(B)=P（B|A）P(A) + P(B|A') P(A‘)=80%x30%+50%x70%=0.59
那么：
P（A|B）=P（B|A）P（A）/P(B)=(80%x30%)/0.59=41%
这意味着什么呢?
我原本对中医的信念仅仅只有：30%
通过最近我一朋友得病，久治不得医，但因为去了看中医，居然病好了，于是，我对中医的信念直接提高到了41%！
总结：
1、贝叶斯定理讲的是主观概率，需要主观地带入各个参数。
2、主观概率不一定严谨，但就是很有用。用概率量化个人的信念，更有助于理性决策。
3、有用是因为生活中我们面临的信息往往是不全的，我们对一件事的信念低，大多是因为证据不足，如果获得了新的证据，即可实时调整自己对这件事新的看法。
4、理性的人应该有一套复杂的信念体系，随时调整自己对各种事物的看法，不固执己见，不断变动自己的世界观。
5、若是有新事件进来，比如又一朋友乙久病不得治，后看中医最终身亡，可能我对中医的信念根据贝叶斯公式将降至10%。
6、观点随事实而变，是有胆识的表现。
中医举例或许不当，请担待。
Ⅷ 贝叶斯决策的优点及局限性是什么
1.贝叶斯决策的优点
（1）贝叶斯决策能对信息的价值或是否需要采集新的信息做出科学的判断.（2）它能对调查结果的可能性加以数量化的评价,而不是像一般的决策方法那样,对调查结果或者是完全相信,或者是完全不相信.
（3）如果说任何调查结果都不可能完全准确,先验知识或主观概率也不是完全可以相信的,那么贝叶斯决策则巧妙地将这两种信息有机地结合起来了.
（4）它可以在决策过程中根据具体情况下不断地使用,使决策逐步完善和更加科学.
2.贝叶斯决策的局限性：
（1）它需要的数据多,分析计算比较复杂,特别在解决复杂问题时,这个矛盾就更为突出.
（2）有些数据必须使用主观概率,有些人不太相信,这也妨碍了贝叶斯决策方法的推广使用.
Ⅸ 贝叶斯定理厉害在哪里有哪些惊为天人的应用
生活中的贝叶斯思维，贝叶斯定理与人脑的工作机制很像，这也是为什么它能成为机器学习的基础。如果你仔细观察小孩学习新东西的这个能力，会发现，很多东西根本就是看一遍就会。比如我3岁的外甥，看了我做俯卧撑的动作，也做了一次这个动作，虽然动作不标准，但是也是有模有样。同样的，我告诉他一个新单词，他一开始并不知道这个词是什么意思，但是他可以根据当时的情景，先来个猜测（先验概率/主观判断）。一有机会，他就会在不同的场合说出这个词，然后观察你的反应。如果我告诉他用对了，他就会进一步记住这个词的意思，如果我告诉他用错了，他就会进行相应调整。（可能性函数/调整因子）。经过这样反复的猜测、试探、调整主观判断，就是贝叶斯定理思维的过程。同样的，我们成人也在用贝叶斯思维来做出决策。比如，你和女神在聊天的时候，如果对方说出“虽然”两个字，你大概就会猜测，对方后继九成的可能性会说出“但是”。我们的大脑看起来就好像是天生在用贝叶斯定理，即根据生活的经历有了主观判断（先验概率），然后根据搜集新的信息来修正（可能性函数/调整因子），最后做出高概率的预测（后验概率）。
Ⅹ 什么是贝叶斯规则贝叶斯推理的规则是什么
贝叶斯定理是概率论中的一个基本定理，广泛应用在很多领域。
贝叶斯定理用于投资决策分析是在已知相关项目B的资料，而缺乏论证项目A的直接资料时，通过对B项目的有关状态及发生概率分析推导A项目的状态及发生概率。如果我们用数学语言描绘，即当已知事件Bi的概率P（Bi）和事件Bi已发生条件下事件A的概率P（A│Bi），则可运用贝叶斯定理计算出在事件A发生条件下事件Bi的概率P（Bi│A）。按贝叶斯定理进行投资决策的基本步骤是：
1 列出在已知项目B条件下项目A的发生概率，即将P（A│B）转换为 P（B│A）；
2 绘制树型图；
3 求各状态结点的期望收益值，并将结果填入树型图；
4 根据对树型图的分析，进行投资项目决策；