㈠ 银行存款有关的数学题
本金一个是1万元。可以这样计算，设本金为X.有数学知识可得方程式：X+X*2.5%*5*(1-20%)=11000.解得X=10000（元）
㈡ 关于银行利率的数学问题
肯定是5年定期得到的利息多，因为利率要高得多（不考虑利率上调的因素）
㈢ 一道数学题（有关银行存款的）
1,获益最多 五年五年的存 6*（1+3.6%）^50=35.1672995 (万元)
2.获益最少一年一年存 6*（1+2.25%）^50=18.2522783 (万元)
不过要收利息税！
这么简单的问题，被你想象的很深奥似的，我的方法就是按利滚利来算的：第一年拿到的连本带利是，6*(1+2.25%);第二年再乘以（1+2.25%);每年乘一次，这就是利滚利了。五十年就是五十次方！另外存五年一次，利息是3.6%.是说每一年都有3.6%的利息，不能理解为五年才有3.6%的利息
㈣ 金融专业涉及的数学知识是哪些很难吗
金融方面的数学功底是要的，最好是学过计量经济学，要不然很多模型都没法推导。还要学高数和工数，这两门课比较难。
当然，金融专业要学很多了， 基础课： 政治经济学 ， 西方经济学，（微观宏观） ， 微积分， 概率 ， 线代 ， 统计学， 计量经济学。 专业课除了金融本专业的那堆课(太多了 金融市场 证券投资 货币银行 保险 金融工程等等）以外 ， 也涉及到 ， 会计， 财务管理， 国贸 ，经济学等专业的课程。 学习范围还是挺广的 ，和数学联系不小 。除了基础课中有数学以外 ，在学习其他某些课程时也经常会用到一些数学模型， 不过不是很难 ，看懂就行 ，一般没有太多计算 ，数学只是工具 ， 毕竟不是数学专业 。 金融是文理交汇的学科 ， 数学只是个工具 ，很多时候只要会求个微分积分 ，在会点概率统计就不影响你其他专业课的学习 ，不过你要想深入学习一些内容 ， 比如计量 ， 金融工程等 ， 就要用到数学了 ， 将来要是考研， 数学要150分 ，不过在工作中， 除非做分析师， 否则数学没那么重要， 当然能学好更好 。
至于高中 ， 主要就是涉及一些基本函数 ，导数和概率知识， 而且大学是重新开始学 ， 而那些立体几何数列解析几何之类的高中知识基本没关系 ， 努力的话可以学好的。
专业简介：
金融专业是以融通货币和货币资金的经济活动为研究对象，具体研究个人、机构、政府如何获取、支出以及管理资金以及其他金融资产的学科专业，是从经济学中分化出来的。主要研究现代金融机构、金融市场以及整个金融经济的运动规律。该专业具体研究内容包括：关于银行与证券、保险等非银行金融机构的理论与实务，关于货币市场、资本市场与国际金融市场的理论与实务，关于金融宏观调控及整个金融经济的理论与实务，以及关于金融管理特别是金融风险管理的理论与实务。主要研究方向有货币银行学、金融经济（含国际金融、金融理论）、投资学、保险学、公司理财（公司金融）。
金融硕士 ：通常为2年制，设置在学校的商学院或管理学院之下，其主要课程集中于金融领域，培养金融专业人才。在美国综合排名前50的学校中，有MSF专业的学校只有10所左右。
MBA下的金融方向：美国大学的MBA通常会分为不同方向，金融就是其主要方向之一。其课程设置以金融为主，但也较多的涉及其它商科领域和管理领域。通常较为看重申请学生的工作经验。
金融工程：是美国金融类硕士中专业性最强的一类，它是金融学、数学和工程学交叉渗透形成的学科。通常对申请学生的专业背景有一定要求，但这也成为许多其他专业学生(如数学专业、计算机专业等)想要转金融专业的最佳选择之一。
其它金融类硕士：除了以上三种，美国大学金融类硕士专业还有金融分析、国际金融、应用金融、金融管理等。这些专业的课程设置都以金融为主，但又都有不同的侧重点。
㈤ 在银行工作需要哪方面的数学知识
银行大概分个人银行部 ，公司银行部 ，人事部，后督中心和稽核部和会计部 ，分行营业部 ，电脑部 ，行政部等部门，总行还会有风险控制部和交易部
学数学的可以选择 风险控制部、交易部和电脑部（技术支持部）
金融类的课程很多的，如果想进银行，主要的书是必须要看的。至于银行怎么考试，没有统一的说法。自己要做的就是学习相关课程。建议自己买书看。
基础理论类的书包括：
西方经济学
金融统计分析
公司财务
保险学概论
专业课主要包括
货币银行学
现代货币金融学说
中央银行理论与实务
金融法规
国际结算
投资银行学
金融工程学等。
希望对你有点帮助~
㈥ 数学知识跟银行工作有什么共同点
简单的方面，存取款的加加减减，肯定用到数学了。复杂点的，计算利息、设计理财产品、计算年金等等，需要更复杂的高等数学了。
㈦ 大家好，我是数学与应用数学专业（数理金融方向）想进银行工作 ，想请问大家需要了解什么准备什么
其实银行考试的方位很广，而且不想公务员考试的似的有专门的数和资料，就是考和银行有关的知识，你要是学财务的还好些，因为虽然银行业务和财务有些区别但是本质上是一样的，我觉得你首先看银行从业的书，一共是五门，公共基础，个人理财，个人贷款，公司信贷，风险管理，把书看懂看透就行，要是还有时间的话，最好再看银行会计，就是不知道你还有多久考试，因为你不是学财务的需要的时间就多了，抓紧时间的啊，我觉得也需要半年的时间，祝你成功吧，如有帮助请采纳
㈧ 金融数学会涉及到哪些方面
金融数学是一门新兴学科，是“金融高技术 ”的重要组成部分。研究目标是利用我国数学界某些方面的优势，围绕金融市场的均衡与有价证券定价的数学理论进行深入剖析，建立适合国情的数学模型，编写一定的计算机软件，对理论研究结果进行仿真计算，对实际数据进行计量经济分析研究，为实际金融部门提供较深入的技术分析咨询。核心内容就是研究不确定随机环境下的投资组合的最优选择理论和资产的定价理论。套利、最优与均衡是金融数学的基本经济思想和三大基本概念。
金融数学主要的研究内容和拟重点解决的问题包括：
(1)有价证券和证券组合的定价理论
发展有价证券（尤其是期货、期权等衍生工具）的定价理论。所用的数学方法主要是提出合适的随机微分方程或随机差分方程模型，形成相应的倒向方程。建立相应的非线性Feynman一Kac公式，由此导出非常一般的推广的Black一Scholes定价公式。所得到的倒向方程将是高维非线性带约束的奇异方程。
研究具有不同期限和收益率的证券组合的定价问题。需要建立定价与优化相结合的数学模型，在数学工具的研究方面，可能需要随机规划、模糊规划和优化算法研究。
在市场是不完全的条件下，引进与偏好有关的定价理论。
(2）不完全市场经济均衡理论（GEI）
拟在以下几个方面进行研究：
1．无穷维空间、无穷水平空间、及无限状态
2.随机经济、无套利均衡、经济结构参数变异、非线资产结构
3．资产证券的创新（Innovation）与设计（Design）
4．具有摩擦（Friction）的经济
5．企业行为与生产、破产与坏债
6.证券市场博弈。
（3）GEI 平板衡算法、蒙特卡罗法在经济平衡点计算中的应用， GEI的理论在金融财政经济宏观经济调控中的应用，不完全市场条件下，持续发展理论框架下研究自然资源资产定价与自然资源的持续利用。
1.什么是关联规则
在描述有关关联规则的一些细节之前，我们先来看一个有趣的故事："尿布与啤酒"的故事。
在一家超市里，有一个有趣的现象：尿布和啤酒赫然摆在一起出售。但是这个奇怪的举措却使尿布和啤酒的销量双双增加了。这不是一个笑话，而是发生在美国沃尔玛连锁店超市的真实案例，并一直为商家所津津乐道。沃尔玛拥有世界上最大的数据仓库系统，为了能够准确了解顾客在其门店的购买习惯，沃尔玛对其顾客的购物行为进行购物篮分析，想知道顾客经常一起购买的商品有哪些。沃尔玛数据仓库里集中了其各门店的详细原始交易数据。在这些原始交易数据的基础上，沃尔玛利用数据挖掘方法对这些数据进行分析和挖掘。一个意外的发现是："跟尿布一起购买最多的商品竟是啤酒！经过大量实际调查和分析，揭示了一个隐藏在"尿布与啤酒"背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%～40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。按常规思维，尿布与啤酒风马牛不相及，若不是借助数据挖掘技术对大量交易数据进行挖掘分析，沃尔玛是不可能发现数据内在这一有价值的规律的。
数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性，就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的是找出数据库中隐藏的关联网。有时并不知道数据库中数据的关联函数，即使知道也是不确定的，因此关联分析生成的规则带有可信度。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题，以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。他们的工作包括对原有的算法进行优化，如引入随机采样、并行的思想等，以提高算法挖掘规则的效率；对关联规则的应用进行推广。关联规则挖掘在数据挖掘中是一个重要的课题，最近几年已被业界所广泛研究。
2.关联规则挖掘过程、分类及其相关算法
2.1关联规则挖掘的过程
关联规则挖掘过程主要包含两个阶段：第一阶段必须先从资料集合中找出所有的高频项目组(FrequentItemsets)，第二阶段再由这些高频项目组中产生关联规则(AssociationRules)。
关联规则挖掘的第一阶段必须从原始资料集合中，找出所有高频项目组(LargeItemsets)。高频的意思是指某一项目组出现的频率相对于所有记录而言，必须达到某一水平。一项目组出现的频率称为支持度(Support)，以一个包含A与B两个项目的2-itemset为例，我们可以经由公式(1)求得包含{A,B}项目组的支持度，若支持度大于等于所设定的最小支持度(MinimumSupport)门槛值时，则{A,B}称为高频项目组。一个满足最小支持度的k-itemset，则称为高频k-项目组(Frequentk-itemset)，一般表示为Largek或Frequentk。算法并从Largek的项目组中再产生Largek+1，直到无法再找到更长的高频项目组为止。
关联规则挖掘的第二阶段是要产生关联规则(AssociationRules)。从高频项目组产生关联规则，是利用前一步骤的高频k-项目组来产生规则，在最小信赖度(MinimumConfidence)的条件门槛下，若一规则所求得的信赖度满足最小信赖度，称此规则为关联规则。例如：经由高频k-项目组{A,B}所产生的规则AB，其信赖度可经由公式(2)求得，若信赖度大于等于最小信赖度，则称AB为关联规则。
就沃尔马案例而言，使用关联规则挖掘技术，对交易资料库中的纪录进行资料挖掘，首先必须要设定最小支持度与最小信赖度两个门槛值，在此假设最小支持度min_support=5%且最小信赖度min_confidence=70%。因此符合此该超市需求的关联规则将必须同时满足以上两个条件。若经过挖掘过程所找到的关联规则“尿布，啤酒”，满足下列条件，将可接受“尿布，啤酒”的关联规则。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%于此应用范例中的意义为:在所有的交易纪录资料中，至少有5%的交易呈现尿布与啤酒这两项商品被同时购买的交易行为。Confidence(尿布，啤酒)>=70%于此应用范例中的意义为:在所有包含尿布的交易纪录资料中，至少有70%的交易会同时购买啤酒。因此，今后若有某消费者出现购买尿布的行为，超市将可推荐该消费者同时购买啤酒。这个商品推荐的行为则是根据“尿布，啤酒”关联规则，因为就该超市过去的交易纪录而言，支持了“大部份购买尿布的交易，会同时购买啤酒”的消费行为。
从上面的介绍还可以看出，关联规则挖掘通常比较适用与记录中的指标取离散值的情况。如果原始数据库中的指标值是取连续的数据，则在关联规则挖掘之前应该进行适当的数据离散化（实际上就是将某个区间的值对应于某个值），数据的离散化是数据挖掘前的重要环节，离散化的过程是否合理将直接影响关联规则的挖掘结果。
2.2关联规则的分类
按照不同情况，关联规则可以进行分类如下：
1.基于规则中处理的变量的类别，关联规则可以分为布尔型和数值型。
布尔型关联规则处理的值都是离散的、种类化的，它显示了这些变量之间的关系；而数值型关联规则可以和多维关联或多层关联规则结合起来，对数值型字段进行处理，将其进行动态的分割，或者直接对原始的数据进行处理，当然数值型关联规则中也可以包含种类变量。例如：性别=“女”=>职业=“秘书”，是布尔型关联规则；性别=“女”=>avg（收入）=2300，涉及的收入是数值类型，所以是一个数值型关联规则。
2.基于规则中数据的抽象层次，可以分为单层关联规则和多层关联规则。
在单层的关联规则中，所有的变量都没有考虑到现实的数据是具有多个不同的层次的；而在多层的关联规则中，对数据的多层性已经进行了充分的考虑。例如：IBM台式机=>Sony打印机，是一个细节数据上的单层关联规则；台式机=>Sony打印机，是一个较高层次和细节层次之间的多层关联规则。
3.基于规则中涉及到的数据的维数，关联规则可以分为单维的和多维的。
在单维的关联规则中，我们只涉及到数据的一个维，如用户购买的物品；而在多维的关联规则中，要处理的数据将会涉及多个维。换成另一句话，单维关联规则是处理单个属性中的一些关系；多维关联规则是处理各个属性之间的某些关系。例如：啤酒=>尿布，这条规则只涉及到用户的购买的物品；性别=“女”=>职业=“秘书”，这条规则就涉及到两个字段的信息，是两个维上的一条关联规则。 Apriori算法
2.3关联规则挖掘的相关算法
1.Apriori算法：使用候选项集找频繁项集
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。
该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递推的方法。
可能产生大量的候选集,以及可能需要重复扫描数据库，是Apriori算法的两大缺点。
2.基于划分的算法：Savasere等设计了一个基于划分的算法。这个算法先把数据库从逻辑上分成几个互不相交的块，每次单独考虑一个分块并对它生成所有的频集，然后把产生的频集合并，用来生成所有可能的频集，最后计算这些项集的支持度。这里分块的大小选择要使得每个分块可以被放入主存，每个阶段只需被扫描一次。而算法的正确性是由每一个可能的频集至少在某一个分块中是频集保证的。该算法是可以高度并行的，可以把每一分块分别分配给某一个处理器生成频集。产生频集的每一个循环结束后，处理器之间进行通信来产生全局的候选k-项集。通常这里的通信过程是算法执行时间的主要瓶颈；而另一方面，每个独立的处理器生成频集的时间也是一个瓶颈。
3.FP-树频集算法：针对Apriori算法的固有缺陷，J.Han等提出了不产生候选挖掘频繁项集的方法：FP-树频集算法。采用分而治之的策略，在经过第一遍扫描之后，把数据库中的频集压缩进一棵频繁模式树（FP-tree），同时依然保留其中的关联信息，随后再将FP-tree分化成一些条件库，每个库和一个长度为1的频集相关，然后再对这些条件库分别进行挖掘。当原始数据量很大的时候，也可以结合划分的方法,使得一个FP-tree可以放入主存中。实验表明，FP-growth对不同长度的规则都有很好的适应性，同时在效率上较之Apriori算法有巨大的提高。
3.该领域在国内外的应用
3.1关联规则发掘技术在国内外的应用
就目前而言，关联规则挖掘技术已经被广泛应用在西方金融行业企业中，它可以成功预测银行客户需求。一旦获得了这些信息，银行就可以改善自身营销。现在银行天天都在开发新的沟通客户的方法。各银行在自己的ATM机上就捆绑了顾客可能感兴趣的本行产品信息，供使用本行ATM机的用户了解。如果数据库中显示，某个高信用限额的客户更换了地址，这个客户很有可能新近购买了一栋更大的住宅，因此会有可能需要更高信用限额，更高端的新信用卡，或者需要一个住房改善贷款，这些产品都可以通过信用卡账单邮寄给客户。当客户打电话咨询的时候，数据库可以有力地帮助电话销售代表。销售代表的电脑屏幕上可以显示出客户的特点，同时也可以显示出顾客会对什么产品感兴趣。
同时，一些知名的电子商务站点也从强大的关联规则挖掘中的受益。这些电子购物网站使用关联规则中规则进行挖掘，然后设置用户有意要一起购买的捆绑包。也有一些购物网站使用它们设置相应的交叉销售，也就是购买某种商品的顾客会看到相关的另外一种商品的广告。
但是目前在我国，“数据海量，信息缺乏”是商业银行在数据大集中之后普遍所面对的尴尬。目前金融业实施的大多数数据库只能实现数据的录入、查询、统计等较低层次的功能，却无法发现数据中存在的各种有用的信息，譬如对这些数据进行分析，发现其数据模式及特征，然后可能发现某个客户、消费群体或组织的金融和商业兴趣，并可观察金融市场的变化趋势。可以说，关联规则挖掘的技术在我国的研究与应用并不是很广泛深入。
3.2近年来关联规则发掘技术的一些研究
由于许多应用问题往往比超市购买问题更复杂，大量研究从不同的角度对关联规则做了扩展，将更多的因素集成到关联规则挖掘方法之中，以此丰富关联规则的应用领域，拓宽支持管理决策的范围。如考虑属性之间的类别层次关系，时态关系，多表挖掘等。近年来围绕关联规则的研究主要集中于两个方面，即扩展经典关联规则能够解决问题的范围，改善经典关联规则挖掘算法效率和规则兴趣性。
㈨ 银行中投资分析岗位会用到哪些知识尤其是会用到哪些数学知识，是数学建模知识吗，还是概率统计知识
会用到的数学建模知识主要有：
1、运筹学中的组合优化
2、运筹学中的最优化理论
3、运筹学中的多目标优化，多目标是因为要按照银行主体和客户至少两方面进行考虑。
主要用到的概率统计知识：
1、统计学中的概率密度函数和分布函数；
2、随机过程等知识；
3、统计学中的指数平滑等知识；
以上所说的有点要求太高，如果降低要求只需要掌握两方面的1，就可以了！