㈠ 銀行存款有關的數學題
本金一個是1萬元。可以這樣計算，設本金為X.有數學知識可得方程式：X+X*2.5%*5*(1-20%)=11000.解得X=10000（元）
㈡ 關於銀行利率的數學問題
肯定是5年定期得到的利息多，因為利率要高得多（不考慮利率上調的因素）
㈢ 一道數學題（有關銀行存款的）
1,獲益最多 五年五年的存 6*（1+3.6%）^50=35.1672995 (萬元)
2.獲益最少一年一年存 6*（1+2.25%）^50=18.2522783 (萬元)
不過要收利息稅！
這么簡單的問題，被你想像的很深奧似的，我的方法就是按利滾利來算的：第一年拿到的連本帶利是，6*(1+2.25%);第二年再乘以（1+2.25%);每年乘一次，這就是利滾利了。五十年就是五十次方！另外存五年一次，利息是3.6%.是說每一年都有3.6%的利息，不能理解為五年才有3.6%的利息
㈣ 金融專業涉及的數學知識是哪些很難嗎
金融方面的數學功底是要的，最好是學過計量經濟學，要不然很多模型都沒法推導。還要學高數和工數，這兩門課比較難。
當然，金融專業要學很多了， 基礎課： 政治經濟學 ， 西方經濟學，（微觀宏觀） ， 微積分， 概率 ， 線代 ， 統計學， 計量經濟學。 專業課除了金融本專業的那堆課(太多了 金融市場 證券投資 貨幣銀行 保險 金融工程等等）以外 ， 也涉及到 ， 會計， 財務管理， 國貿 ，經濟學等專業的課程。 學習范圍還是挺廣的 ，和數學聯系不小 。除了基礎課中有數學以外 ，在學習其他某些課程時也經常會用到一些數學模型， 不過不是很難 ，看懂就行 ，一般沒有太多計算 ，數學只是工具 ， 畢竟不是數學專業 。 金融是文理交匯的學科 ， 數學只是個工具 ，很多時候只要會求個微分積分 ，在會點概率統計就不影響你其他專業課的學習 ，不過你要想深入學習一些內容 ， 比如計量 ， 金融工程等 ， 就要用到數學了 ， 將來要是考研， 數學要150分 ，不過在工作中， 除非做分析師， 否則數學沒那麼重要， 當然能學好更好 。
至於高中 ， 主要就是涉及一些基本函數 ，導數和概率知識， 而且大學是重新開始學 ， 而那些立體幾何數列解析幾何之類的高中知識基本沒關系 ， 努力的話可以學好的。
專業簡介：
金融專業是以融通貨幣和貨幣資金的經濟活動為研究對象，具體研究個人、機構、政府如何獲取、支出以及管理資金以及其他金融資產的學科專業，是從經濟學中分化出來的。主要研究現代金融機構、金融市場以及整個金融經濟的運動規律。該專業具體研究內容包括：關於銀行與證券、保險等非銀行金融機構的理論與實務，關於貨幣市場、資本市場與國際金融市場的理論與實務，關於金融宏觀調控及整個金融經濟的理論與實務，以及關於金融管理特別是金融風險管理的理論與實務。主要研究方向有貨幣銀行學、金融經濟（含國際金融、金融理論）、投資學、保險學、公司理財（公司金融）。
金融碩士 ：通常為2年制，設置在學校的商學院或管理學院之下，其主要課程集中於金融領域，培養金融專業人才。在美國綜合排名前50的學校中，有MSF專業的學校只有10所左右。
MBA下的金融方向：美國大學的MBA通常會分為不同方向，金融就是其主要方向之一。其課程設置以金融為主，但也較多的涉及其它商科領域和管理領域。通常較為看重申請學生的工作經驗。
金融工程：是美國金融類碩士中專業性最強的一類，它是金融學、數學和工程學交叉滲透形成的學科。通常對申請學生的專業背景有一定要求，但這也成為許多其他專業學生(如數學專業、計算機專業等)想要轉金融專業的最佳選擇之一。
其它金融類碩士：除了以上三種，美國大學金融類碩士專業還有金融分析、國際金融、應用金融、金融管理等。這些專業的課程設置都以金融為主，但又都有不同的側重點。
㈤ 在銀行工作需要哪方面的數學知識
銀行大概分個人銀行部 ，公司銀行部 ，人事部，後督中心和稽核部和會計部 ，分行營業部 ，電腦部 ，行政部等部門，總行還會有風險控制部和交易部
學數學的可以選擇 風險控制部、交易部和電腦部（技術支持部）
金融類的課程很多的，如果想進銀行，主要的書是必須要看的。至於銀行怎麼考試，沒有統一的說法。自己要做的就是學習相關課程。建議自己買書看。
基礎理論類的書包括：
西方經濟學
金融統計分析
公司財務
保險學概論
專業課主要包括
貨幣銀行學
現代貨幣金融學說
中央銀行理論與實務
金融法規
國際結算
投資銀行學
金融工程學等。
希望對你有點幫助~
㈥ 數學知識跟銀行工作有什麼共同點
簡單的方面，存取款的加加減減，肯定用到數學了。復雜點的，計算利息、設計理財產品、計算年金等等，需要更復雜的高等數學了。
㈦ 大家好，我是數學與應用數學專業（數理金融方向）想進銀行工作 ，想請問大家需要了解什麼准備什麼
其實銀行考試的方位很廣，而且不想公務員考試的似的有專門的數和資料，就是考和銀行有關的知識，你要是學財務的還好些，因為雖然銀行業務和財務有些區別但是本質上是一樣的，我覺得你首先看銀行從業的書，一共是五門，公共基礎，個人理財，個人貸款，公司信貸，風險管理，把書看懂看透就行，要是還有時間的話，最好再看銀行會計，就是不知道你還有多久考試，因為你不是學財務的需要的時間就多了，抓緊時間的啊，我覺得也需要半年的時間，祝你成功吧，如有幫助請採納
㈧ 金融數學會涉及到哪些方面
金融數學是一門新興學科，是「金融高技術 」的重要組成部分。研究目標是利用我國數學界某些方面的優勢，圍繞金融市場的均衡與有價證券定價的數學理論進行深入剖析，建立適合國情的數學模型，編寫一定的計算機軟體，對理論研究結果進行模擬計算，對實際數據進行計量經濟分析研究，為實際金融部門提供較深入的技術分析咨詢。核心內容就是研究不確定隨機環境下的投資組合的最優選擇理論和資產的定價理論。套利、最優與均衡是金融數學的基本經濟思想和三大基本概念。
金融數學主要的研究內容和擬重點解決的問題包括：
(1)有價證券和證券組合的定價理論
發展有價證券（尤其是期貨、期權等衍生工具）的定價理論。所用的數學方法主要是提出合適的隨機微分方程或隨機差分方程模型，形成相應的倒向方程。建立相應的非線性Feynman一Kac公式，由此導出非常一般的推廣的Black一Scholes定價公式。所得到的倒向方程將是高維非線性帶約束的奇異方程。
研究具有不同期限和收益率的證券組合的定價問題。需要建立定價與優化相結合的數學模型，在數學工具的研究方面，可能需要隨機規劃、模糊規劃和優化演算法研究。
在市場是不完全的條件下，引進與偏好有關的定價理論。
(2）不完全市場經濟均衡理論（GEI）
擬在以下幾個方面進行研究：
1．無窮維空間、無窮水平空間、及無限狀態
2.隨機經濟、無套利均衡、經濟結構參數變異、非線資產結構
3．資產證券的創新（Innovation）與設計（Design）
4．具有摩擦（Friction）的經濟
5．企業行為與生產、破產與壞債
6.證券市場博弈。
（3）GEI 平板衡演算法、蒙特卡羅法在經濟平衡點計算中的應用， GEI的理論在金融財政經濟宏觀經濟調控中的應用，不完全市場條件下，持續發展理論框架下研究自然資源資產定價與自然資源的持續利用。
1.什麼是關聯規則
在描述有關關聯規則的一些細節之前，我們先來看一個有趣的故事："尿布與啤酒"的故事。
在一家超市裡，有一個有趣的現象：尿布和啤酒赫然擺在一起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是一個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，並一直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠准確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常一起購買的商品有哪些。沃爾瑪數據倉庫里集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。一個意外的發現是："跟尿布一起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了一個隱藏在"尿布與啤酒"背後的美國人的一種行為模式：在美國，一些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買一些啤酒。產生這一現象的原因是：美國的太太們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。按常規思維，尿布與啤酒風馬牛不相及，若不是藉助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這一有價值的規律的。
數據關聯是資料庫中存在的一類重要的可被發現的知識。若兩個或多個變數的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。有時並不知道資料庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等於1993年首先提出了挖掘顧客交易資料庫中項集間的關聯規則問題，以後諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的演算法進行優化，如引入隨機采樣、並行的思想等，以提高演算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是一個重要的課題，最近幾年已被業界所廣泛研究。
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(FrequentItemsets)，第二階段再由這些高頻項目組中產生關聯規則(AssociationRules)。
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(LargeItemsets)。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(MinimumSupport)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(Frequentk-itemset)，一般表示為Largek或Frequentk。演算法並從Largek的項目組中再產生Largek+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(AssociationRules)。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(MinimumConfidence)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，當然數值型關聯規則中也可以包含種類變數。例如：性別=「女」=>職業=「秘書」，是布爾型關聯規則；性別=「女」=>avg（收入）=2300，涉及的收入是數值類型，所以是一個數值型關聯規則。
2.基於規則中數據的抽象層次，可以分為單層關聯規則和多層關聯規則。
在單層的關聯規則中，所有的變數都沒有考慮到現實的數據是具有多個不同的層次的；而在多層的關聯規則中，對數據的多層性已經進行了充分的考慮。例如：IBM台式機=>Sony列印機，是一個細節數據上的單層關聯規則；台式機=>Sony列印機，是一個較高層次和細節層次之間的多層關聯規則。
3.基於規則中涉及到的數據的維數，關聯規則可以分為單維的和多維的。
在單維的關聯規則中，我們只涉及到數據的一個維，如用戶購買的物品；而在多維的關聯規則中，要處理的數據將會涉及多個維。換成另一句話，單維關聯規則是處理單個屬性中的一些關系；多維關聯規則是處理各個屬性之間的某些關系。例如：啤酒=>尿布，這條規則只涉及到用戶的購買的物品；性別=「女」=>職業=「秘書」，這條規則就涉及到兩個欄位的信息，是兩個維上的一條關聯規則。 Apriori演算法
2.3關聯規則挖掘的相關演算法
1.Apriori演算法：使用候選項集找頻繁項集
Apriori演算法是一種最有影響的挖掘布爾關聯規則頻繁項集的演算法。其核心是基於兩階段頻集思想的遞推演算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這里，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
該演算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度一樣。然後由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。然後使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里採用的是中規則的定義。一旦這些規則被生成，那麼只有那些大於用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞推的方法。
可能產生大量的候選集,以及可能需要重復掃描資料庫，是Apriori演算法的兩大缺點。
2.基於劃分的演算法：Savasere等設計了一個基於劃分的演算法。這個演算法先把資料庫從邏輯上分成幾個互不相交的塊，每次單獨考慮一個分塊並對它生成所有的頻集，然後把產生的頻集合並，用來生成所有可能的頻集，最後計算這些項集的支持度。這里分塊的大小選擇要使得每個分塊可以被放入主存，每個階段只需被掃描一次。而演算法的正確性是由每一個可能的頻集至少在某一個分塊中是頻集保證的。該演算法是可以高度並行的，可以把每一分塊分別分配給某一個處理器生成頻集。產生頻集的每一個循環結束後，處理器之間進行通信來產生全局的候選k-項集。通常這里的通信過程是演算法執行時間的主要瓶頸；而另一方面，每個獨立的處理器生成頻集的時間也是一個瓶頸。
3.FP-樹頻集演算法：針對Apriori演算法的固有缺陷，J.Han等提出了不產生候選挖掘頻繁項集的方法：FP-樹頻集演算法。採用分而治之的策略，在經過第一遍掃描之後，把資料庫中的頻集壓縮進一棵頻繁模式樹（FP-tree），同時依然保留其中的關聯信息，隨後再將FP-tree分化成一些條件庫，每個庫和一個長度為1的頻集相關，然後再對這些條件庫分別進行挖掘。當原始數據量很大的時候，也可以結合劃分的方法,使得一個FP-tree可以放入主存中。實驗表明，FP-growth對不同長度的規則都有很好的適應性，同時在效率上較之Apriori演算法有巨大的提高。
3.該領域在國內外的應用
3.1關聯規則發掘技術在國內外的應用
就目前而言，關聯規則挖掘技術已經被廣泛應用在西方金融行業企業中，它可以成功預測銀行客戶需求。一旦獲得了這些信息，銀行就可以改善自身營銷。現在銀行天天都在開發新的溝通客戶的方法。各銀行在自己的ATM機上就捆綁了顧客可能感興趣的本行產品信息，供使用本行ATM機的用戶了解。如果資料庫中顯示，某個高信用限額的客戶更換了地址，這個客戶很有可能新近購買了一棟更大的住宅，因此會有可能需要更高信用限額，更高端的新信用卡，或者需要一個住房改善貸款，這些產品都可以通過信用卡賬單郵寄給客戶。當客戶打電話咨詢的時候，資料庫可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點，同時也可以顯示出顧客會對什麼產品感興趣。
同時，一些知名的電子商務站點也從強大的關聯規則挖掘中的受益。這些電子購物網站使用關聯規則中規則進行挖掘，然後設置用戶有意要一起購買的捆綁包。也有一些購物網站使用它們設置相應的交叉銷售，也就是購買某種商品的顧客會看到相關的另外一種商品的廣告。
但是目前在我國，「數據海量，信息缺乏」是商業銀行在數據大集中之後普遍所面對的尷尬。目前金融業實施的大多數資料庫只能實現數據的錄入、查詢、統計等較低層次的功能，卻無法發現數據中存在的各種有用的信息，譬如對這些數據進行分析，發現其數據模式及特徵，然後可能發現某個客戶、消費群體或組織的金融和商業興趣，並可觀察金融市場的變化趨勢。可以說，關聯規則挖掘的技術在我國的研究與應用並不是很廣泛深入。
3.2近年來關聯規則發掘技術的一些研究
由於許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的范圍。如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。近年來圍繞關聯規則的研究主要集中於兩個方面，即擴展經典關聯規則能夠解決問題的范圍，改善經典關聯規則挖掘演算法效率和規則興趣性。
㈨ 銀行中投資分析崗位會用到哪些知識尤其是會用到哪些數學知識，是數學建模知識嗎，還是概率統計知識
會用到的數學建模知識主要有：
1、運籌學中的組合優化
2、運籌學中的最優化理論
3、運籌學中的多目標優化，多目標是因為要按照銀行主體和客戶至少兩方面進行考慮。
主要用到的概率統計知識：
1、統計學中的概率密度函數和分布函數；
2、隨機過程等知識；
3、統計學中的指數平滑等知識；
以上所說的有點要求太高，如果降低要求只需要掌握兩方面的1，就可以了！