Ⅰ C語言編譯關於數組出現錯誤 幫我看看吧 謝謝
limit = findp[curnum,savp];應該是limit = findp(curnum,savp);
你把小括弧寫成了方括弧
Ⅱ 麻煩誰給我介紹一下金融數學，金融工程，精算學！
完全對數學喪失興趣了的話一定不要讀金融工程。金融工程基本上就是用微分方程隨機分析等等數學東西和程序語言做金融模型的。
精算師總是需要和許多數據打交道，我在精算部實習的時候動輒面對百萬數量級的數據，從資料庫里提一次數據就得幾天。。枯不枯燥看你個人感覺了
對數學的要求來看，低層次的金融工程比精算要求高一些吧，畢竟底層的精算會點概率論就行了。高層次的對數學要求都很高。
發展前景，從工作內容上說，國內其實正經的工作比較少，也就一些外企能有些真正意義上的和外國類似的工作，畢竟中國現階段大多數公司各種東西決定權並不在這種技術性的人的手中。從待遇上來說，國內的分化比較大，同是精算師，剛入行的和主管、總精算師的薪水差的不是一星半點。國外總體比較穩健。
國內外的就業缺口上，中國的這類技術性人才相對外國現有比例很小，但本身中國公司目前也不需要那麼多的這類技術人員。所以高水平的到處搶，低水平的沒處要。
兩者對比來看，做quant的起薪會比精算高許多的，但精算是一個能幹一輩子越老越吃香的工作，如何選擇看你個人了。
本科階段的課程的話，一定要把數學基礎打牢就是了。做金融工程的往往是數學、物理背景出身的，就是這個道理。
學校的話，若是真想念金融工程，以後找機會去頂級的地方的話國內學校不要考慮了。在國外找一個好一點的學校念吧。但其實我接觸到的很多招quantative associate的都要求數學、金融數學、物理或計算機的博士以上學歷而不要求金融工程的master。。任重而道遠啊。
祝好運
Ⅲ 相敬如賓五筆怎麼打
中文名
相敬如賓
讀 音
xiāng jìng rú bīn
同義詞
舉案齊眉、琴瑟之好
反義詞
琴瑟不調、分釵破鏡
Ⅳ 誰有金融數據挖掘，關聯規則分析與挖掘的一些介紹啊
接分啦。。。找到一篇不錯的文章
樓主看下，參考資料：http://blog.csdn.net/ctu_85/archive/2008/09/16/2937486.aspx
2.關聯規則挖掘過程、分類及其相關演算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。
關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某一項目組出現的頻率相對於所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含{A,B}項目組的支持度，若支持度大於等於所設定的最小支持度(Minimum Support)門檻值時，則{A,B}稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，一般表示為Large k或Frequent k。演算法並從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組{A,B}所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了「大部份購買尿布的交易，會同時購買啤酒」的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始資料庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變數的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變數之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型欄位進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然