数据库节课论文综述.docx
《数据库节课论文综述.docx》由会员分享，可在线阅读，更多相关《数据库节课论文综述.docx（7页珍藏版）》请在冰豆网上搜索。
数据库节课论文综述
天津财经大学
信息技术结课论文
中文题目：
计算机算法在经济中的应用
院系名称：
研究生院
专业班级：
金融学硕1501
学号：
2015310076
姓名：
袁琦富
指导教师：
刘军
2016年6月10日
现如今，计算机技术在我国各行各业个领域中都有很多的用处，起作用最主要的是进行大量的数据处理以减轻人们的工作负担，因此在对于经济学领域电子计算机的作用就十分重要，经济管理学上经常要处理数量极其庞大的数据资料，如果由人工进行将会是一项何其繁琐何其恐怖的工作，因此在这一经济管理领域中电子计算机的技术的应用就是为人们的工作创造了极大的便利。
本文通过对几种常见计算机算法的介绍，来体现这种人类智慧的结晶对社会经济的影响与推动。
1、遗传算法
遗传算法由霍兰（J.H.Holland）提出。
霍兰早期学习物理与数学专业，1959年在美国密歇根大学取得计算机科学博士学位，是复杂性科学研究的先驱者之一。
诺贝尔奖得主阿罗很重视遗传算法在经济学中的应用，他在圣塔菲研究所庆祝遗传算法问世10周年的纪念大会上，就遗传算法对经济学的意义和应用前景做了专题演讲。
受进化论适者生存的启发，遗传算法将要解决的问题模拟成一个生物进化过程，通过复制、交叉、变异等操作产生新一代群体，在新一代群体中淘汰掉适应性低的个体，保留适应性高的个体。
这样经过不断优胜劣汰的迭代后，在群体中仅保留适应性最高的个体。
遗传算法的一个特点是通过变异可以跳出局部最优，从而可以寻找全局最优，但是不能保证最终解就一定是全局的最优解
囚徒困境是博弈论中的一个经典模型，在经济学、政治学、心理学和社会学中得到广泛应用。
阿克塞罗德（Axelord，1980）采用遗传算法研究了重复囚徒困境博弈问题。
他证明在重复囚徒困境博弈中，针锋相对策略（tit-for-tat）在众多“人能想出来的策略”中表现最佳。
因此，在重复囚徒困境博弈中，博弈双方采用合作策略是理性的。
阿克塞罗德的这一结果完全不同于静态囚徒困境博弈结果。
在静态囚徒困境博弈中，博弈双方均采用不合作策略才是理性行为。
霍兰很重视在博弈论中采用遗传算法，在其介绍遗传算法的文章中用了不少篇幅介绍阿克塞罗德等学者对这一问题的研究成果。
蛛网模型是微观经济学的经典模型之一。
Arifovic（1994）把遗传算法应用到蛛网模型，收到了较好的效果，引起了大家的注意。
Arifovic（2000）的文章研究了宏观经济模型的进化算法（遗传算法是进化算法的一种）。
N.Mihail（2007）在宏观经济模型中使用了遗传算法。
伯特兰模型和古诺模型是研究垄断问题的两种经典模型。
20世纪90年代后出版的中高级微观经济学教科书均用博弈论来解释这两种模型。
普赖斯（Price，1997）应用遗传算法研究了这两种模型，他的方法不仅能给出模型的解，更重要的是还能给出解的调整过程。
能给出模型解的调整过程是算法的优势之一。
用遗传算法研究古诺模型的较新研究成果可参见Protopapasetal（2009）等文献。
2、蚂蚁算法
蚂蚁在寻找食物时会分头在外面随机搜索。
如果一只蚂蚁找到食物，它在返回巢中会通知同伴，并沿途留下“信息素”（Pheromone）作为其他蚂蚁前往食物所在地的标记。
信息素会逐渐挥发。
如果两只蚂蚁同时找到同一食物，又采取不同路线回到巢中，那么比较绕弯的一条路上信息素的气味会比较淡，蚁群将倾向于沿另一条更近的路线前往食物所在地。
这样经过一段时间后，蚂蚁会沿着最短的路径往返于食物和蚁巢之间。
受到蚂蚁觅食时所采用的最短路径的启发，Dorigo于20世纪90年代提出了蚁群优化算法（AntColonyOptimization，ACO）。
蚂蚁算法也被应用到经济理论中来。
如通常要较多种类的资产才能构成最优资产组合，Maringer（2006）用蚂蚁算法研究出较少种类的资产也可以构成最优资产组合。
Eslami-Bidgolietal（2009）和Wangetal（2009）等也采用了蚂蚁算法来研究资产组合问题。
蚂蚁在搜寻过程中产生出最短路径，有些类似市场上的适者生存行为。
市场上经济人仅仅追寻价格信号和消费者的效用函数最大化及生产者的利润函数最大化，在市场淘汰的作用下导致了社会资源最佳配置。
3、人工神经网络模型
人工神经网络（ArtificialNeuralNetwork，缩写ANN）是一种模仿大脑神经突触联接结构进行信息处理的计算模型。
人工神经网络有几个特色：
（1）是一个非线性动力学系统，可处理一些非线性问题。
（2）其信息的存储和调用是同时进行的，运算是并行的。
（3）能较好地处理人的学习行为。
学习是神经网络研究的一个重要内容。
由赫布（Hebb）提出的“赫布学习规则”为神经网络的学习算法奠定了基础。
人工神经网络的这些特征使其在经济学中得到了广泛的应用。
最近20年来，学习模型成为当代经济学的重要研究领域。
有限理性理论和行为经济学的一个共同观点是，经济人是通过学习做决策而不是通过对最优模型求解做决策。
预期的形成是一个典型的学习过程。
适应性预期公式实际上是一个学习模型。
用心理学语言来说，预期是一种适应性学习行为。
萨金特（1993）的著作采用了神经网络模型来研究经济人的学习行为。
相对而言，理性预期理论则认为正确的预期来自于对模型求解。
除了研究学习，神经网络模型在计量经济学、预测和金融等领域也有广泛应用，如N.R.Swansonetal（1997）运用神经网络从事宏观经济预测，AliChoudharyetal（2012）运用神经网络模型来预测通货膨胀。
4、ACE模型
传统上，经济学采用的模拟技术是基于统计理论的，如蒙特卡洛（MonteCarlo）方法。
计算机算法为经济学提供一种全新的模拟技术——“基于行为主体的计算经济学”（Agent-basedComputationalEconomics），简称ACE。
该方法综合运用经济学、仿生学和计算机技术来说明经济现象，模拟经济系统，属于一种较新的经济模拟方法。
ACE模型通常模拟一个群体的进化或演化过程，如模拟市场均衡过程。
我们知道一般均衡理论只给出了均衡体系的方程组，重点研究均衡的存在性和寻找均衡点（即用数学方法搜寻代表均衡点的不动点），并没有给出均衡形成的具体过程。
而ACE模型则能模拟这一过程。
它在模拟这一过程时并不需要任何统计数据，只采用一般均衡理论的前提条件。
ACE模型由于所研究的是进化或演化过程，遗传算法和人工神经网络也就特别适合于它。
事实上，遗传算法和ACE模型的思想是相通的。
古典经济学家们往往看重经济的进化过程，而现在的新古典经济学派只看重前提条件和结论，经济进化过程不在它的研究视野之内。
ACE模型重振了古典经济学的研究风格。
霍兰等（1991）较早地在《美国经济评论》上介绍了基于人工智能的行为主体在经济理论中的应用。
近期的主要研究进展包括：
Markoseetal（2007）介绍了ACE模型在经济学若干分支学科中的应用。
Buchanan（2009）和Farmeretal（2009）用通俗的语言，介绍了用ACE模型研究2008年以来世界经济危机的现实性、必要性和可能性。
Dosietal（2013）用ACE模型分析了收入分配、信贷和财政政策的关系。
5、可计算一般均衡模型
可计算一般均衡（CGE）模型的理论基础是一般均衡理论，是对投入－产出模型的拓展。
20世纪60年代，斯卡夫（1967）采用计算机算法寻找一般均衡体系的均衡点，其研究结果导致可计算一般均衡模型问世。
因斯卡夫设计的算法是一种有效算法，由此我们能解出可计算一般均衡模型的解。
可计算一般均衡模型试图分析多变量对经济系统的影响，适合作为政策分析工具。
近期研究进展包括：
Partridge&Rickman（2010）应用CGE模型分析了区域经济发展问题。
Feltensteinetal（2013）应用CGE模型分析了发展中国家税收改革对经济的影响。
Hosny（2013）综述了CGE模型在贸易领域中的应用。
6、大数据算法
对于“大数据”（Bigdata）研究机构Gartner给出了这样的定义。
“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。
麦肯锡全球研究所给出的定义是：
一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。
大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。
换而言之，如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。
从技术上看，大数据与云计算的关系就像一枚硬币的正反面一样密不可分。
大数据必然无法用单台的计算机进行处理，必须采用分布式架构。
它的特色在于对海量数据进行分布式数据挖掘。
但它必须依托云计算的分布式处理、分布式数据库和云存储、虚拟化技术。
随着云时代的来临，大数据（Bigdata）也吸引了越来越多的关注。
《著云台》的分析师团队认为，大数据（Bigdata）通常用来形容一个公司创造的大量非结构化数据和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。
大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像MapReduce一样的框架来向数十、数百或甚至数千的电脑分配工作。
大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。
适用于大数据的技术，包括大规模并行处理（MPP）数据库、数据挖掘电网、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
现在的社会是一个高速发展的社会，科技发达，信息流通，人们之间的交流越来越密切，生活也越来越方便，大数据就是这个高科技时代的产物。
阿里巴巴创办人马云来台演讲中就提到，未来的时代将不是IT时代，而是DT的时代，DT就是DataTechnology数据科技，显示大数据对于阿里巴巴集团来说举足轻重。
有人把数据比喻为蕴藏能量的煤矿。
煤炭按照性质有焦煤、无烟煤、肥煤、贫煤等分类，而露天煤矿、深山煤矿的挖掘成本又不一样。
与此类似，大数据并不在“大”，而在于“有用”。
价值含量、挖掘成本比数量更为重要。
对于很多行业而言，如何利用这些大规模数据是成为赢得竞争的关键。
大数据的价值体现在以下几个方面：
1）对大量消费者提供产品或服务的企业可以利用大数据进行精准营销
2）做小而美模式的中长尾企业可以利用大数据做服务转型
3）面临互联网压力之下必须转型的传统企业需要与时俱进充分利用大数据的价值
不过，“大数据”在经济发展中的巨大意义并不代表其能取代一切对于社会问题的理性思考，科学发展的逻辑不能被湮没在海量数据中。
著名经济学家路德维希·冯·米塞斯曾提醒过：
“就今日言，有很多人忙碌于资料之无益累积，以致对问题之说明与解决，丧失了其对特殊的经济意义的了解。
”这确实是需要警惕的。
在这个快速发展的智能硬件时代，困扰应用开发者的一个重要问题就是如何在功率、覆盖范围、传输速率和成本之间找到那个微妙的平衡点。
企业组织利用相关数据和分析可以帮助它们降低成本、提高效率、开发新产品、做出更明智的业务决策等等。
在计算机算法日益发展的今天，欧美经济学界已经重视计算机对经济理论的影响，出现了复杂性科学和计算经济学。
很多经济学家特别是青年经济学家已采用计算机算法研究经济理论，并取得了不少研究成果。
《美国经济评论》等顶级经济学期刊也刊登了采用计算机方法进行研究的经济学论文，如早在1991年该刊便刊登了遗传算法之父霍兰等学者（Hollandetal，1991）的论文。
采用计算机方法研究经济理论和经济问题已成为欧美经济学界的一种新潮流。
国内经济学界也开始重视计算机方法在经济理论中的应用，已出现不少采用计算机算法研究经济问题的论文，并发表了一些介绍计算机算法在经济学中应用的文章。
如周小川（2011）在介绍宏观审慎管理时设有专节探讨宏观审慎管理涉及的非线性系统、复杂系统、算法及其有效性等问题。
综上所述，理论发展离不开方法创新。
20世纪40年代以来计算机的兴起对经济理论发展形成了新动力。
计算机的出现使经济学家具有更强的处理数据能力，一些原来难以计算的问题变得可以计算。
比如，计量经济学和投入产出模型的发展均得益于计算机的发展。
更为重要的是，计算机为经济学家突破数学难以解决的一些问题提供了一种新工具、新方法和新思路。
计算机除了作为一种工具对经济学产生影响外，还作为生产力影响到人们的生活方式和生产方式，从而影响到经济学。
可以说，经济学在数学化后又面临计算机化。
作为对比，数学只是作为一种工具对经济学产生影响。
这样看来，计算机对经济学产生的影响会比数学更深刻、更全面、更具有革命性意义。
计算机算法的不断突破创新，也势必使得经济学朝着更加完善的方向发展。
升级会员 