B-0001

营销

微观行为模型

随机效用理论 + 极值分布

多项式Logit模型

1. 问题定义：个体 n在由 J个互斥选项构成的集合 Cn​中进行选择。目标是建模其选择概率 Pni​，即个体 n选择选项 i的概率。
2. 效用分解：假设个体 n从选项 i中获得的效用 Uni​可分解为可观测的确定性部分 Vni​和不可观测的随机部分 ϵni​：Uni​=Vni​+ϵni​。
3. 理性人假设：个体选择能带来最大效用的选项：Pni​=Prob(Uni​>Unj​,∀j=i,j∈Cn​)。
4. 分布假设：假设随机项 ϵni​独立同分布，且服从标准Gumbel（类型I极值）分布，其累积分布函数为 F(ϵ)=exp(−exp(−ϵ))。
5. 概率推导：
Pni​=Prob(Vni​+ϵni​>Vnj​+ϵnj​,∀j=i)
=∫I(Vni​+ϵni​>Vnj​+ϵnj​,∀j=i)f(ϵn​)dϵn​
利用Gumbel分布的“封闭性”性质，可推导出：
Pni​=∑j∈Cn​​eVnj​eVni​​。
6. 参数化：将确定性效用 Vni​参数化为可观测属性 xni​的线性函数：Vni​=βTxni​，其中 β是待估参数向量。
7. 参数估计：通过最大化样本的似然函数来估计 β。对数似然函数为：L(β)=∑n=1N​∑i∈Cn​​yni​ln(Pni​)，其中 yni​=1当且仅当个体 n选择了 i。

预测精度受“无关选项独立性”假设影响。在满足假设下，模型具有一致性。误差体现在似然函数值。

随机效用最大化， Gumbel极值分布的性质。

消费者品牌选择、交通方式选择、选举投票预测。特征：计算简单，但需注意IIA特性。

N: 样本量；
J: 选项数；
Cn​: 个体n的选项集；
Uni​: 潜效用；
Vni​: 可观测效用；
ϵni​: 随机效用；
β: 参数向量；
xni​: 属性向量；
yni​: 选择指示变量。

集合（选项集Cn​）、逻辑（选择概率）、概率与统计（最大似然估计，Gumbel分布）、优化（最大化对数似然）、计算与算法特征（梯度下降/牛顿法）、极限（当Vni​远大于其他效用时，概率趋于1）、收敛性（优化算法收敛到MLE）、代数（线性组合）、随机性（ϵ）。

形式化、参数化。描述为“个体n选择选项i的概率”。

1. 数据输入：加载个体-选项属性数据 {xni​}和实际选择数据 {yni​}。
2. 初始化：设置参数向量 β的初值 β(0)，设置迭代次数 k=0，收敛阈值 τ。
3. 迭代估计：
a. 计算当前所有 Pni(k)​：Pni(k)​=∑j​e(β(k))Txnj​e(β(k))Txni​​。
b. 计算梯度 ∇L(β(k))：∇L=∑n​∑i​(yni​−Pni(k)​)xni​。
c. 计算海森矩阵 H(β(k))：H=−∑n​∑i​Pni(k)​(1−Pni(k)​)xni​xniT​（对于i=j，需考虑协方差结构，此为简化）。
d. 更新参数：β(k+1)=β(k)−H−1∇L（牛顿法）。
e. 判断收敛：若 ∥β(k+1)−β(k)∥<τ，进入步骤4；否则 k←k+1，返回步骤a。
4. 输出：输出估计参数 β^​及所有 Pni​的预测值。

决策流是概率流。个体n的“决策质量”流向使其效用 Uni​最大的选项i。数学模型是效用比较和选择概率计算。

理论基础：理性经济人假设，效用最大化。认知特征：个体对所有选项的效用评价存在随机扰动，反映了不完全信息、偏好波动等。该模型是经典的经济学/计量模型，不直接模拟注意力，但随机项可部分解释为未被观测到的注意力成本或情感因素。

5000万并发查询（预测）需求巨大。以每次预测需计算J个指数和一次归一化，J平均为10计。
CPU： 高需求。需支撑每秒千万级浮点运算。建议使用多核服务器集群（如数百台32核服务器）或专用硬件加速。
内存： 中高。需存储所有β, xni​（部分可实时获取），预估模型参数内存很小(<1GB)，但特征数据缓存需要大量内存（TB级）。
存储盘： 中。存储历史交易和用户特征数据，需PB级分布式存储。
IO/网络： 极高。需要低延迟、高吞吐的网络在计算节点、缓存、数据库间传输特征数据和预测结果。
队列： 必需。用消息队列（如Kafka, Pulsar）缓冲海量预测请求，实现削峰填谷。

决策是瞬时发生的，不占用物理通道。但决策结果（如用户点击、购买）会触发后续的物流、支付流，这些需要物理世界通道。

B-0002

利益链

利益分配

合作博弈 + 公平性公理

Shapley值

1. 合作博弈：定义一个合作博弈 (N,v)，其中 N={1,2,...,n}是参与者集合，v:2N→R是特征函数，v(S)表示联盟 S⊆N能独立获得的总收益，满足 v(∅)=0。
2. 问题：如何将大联盟 N的总收益 v(N)“公平地”分配给每个参与者 i∈N？分配方案是一个向量 ϕ(v)=(ϕ1​(v),...,ϕn​(v))，满足 ∑i∈N​ϕi​(v)=v(N)（有效性）。
3. 边际贡献思想：参与者 i的价值应基于他对所能加入的联盟的边际贡献。考虑参与者 i以随机顺序加入大联盟。
4. 数学定义：参与者 i的Shapley值 ϕi​(v)是其对所有可能联盟的边际贡献的期望值。公式为：
$\phi_i(v) = \sum_{S \subseteq N \setminus {i}} \frac{

S

! (

N

-

S

- 1)!}{

N

!} [v(S \cup {i}) - v(S)]。<br>−求和遍及不包含i的所有联盟S。<br>−权重项\frac{

S

! (

N

B-0003

管理

风险评估

极值理论 + 分位数估计

在险价值（VaR）

1. 定义：在给定置信水平 α（如95%，99%）和时间跨度 T内，某一金融资产或投资组合的最大潜在损失。数学上，VaR是损益分布 ΔP的 (1−α)分位数的负值。
2. 数学表达：设 FΔP​(x)为损益 ΔP的累积分布函数。则在置信水平 α下的VaR定义为：
VaRα​=−inf{x:FΔP​(x)≥1−α}=−FΔP−1​(1−α)。
其中 F−1是分位数函数。
3. 计算思路：
a. 参数法（方差-协方差法）：假设损益服从正态分布 ΔP∼N(μ,σ2)。则 VaRα​=−(μ+σ⋅Φ−1(1−α))，其中 Φ是标准正态CDF。
b. 历史模拟法：非参数。使用历史损益样本 {Δp1​,...,ΔpN​}，将其排序。VaRα​是第 (N×(1−α))个最差损益的负值（可能需要插值）。
c. 蒙特卡洛模拟法：假设损益服从某个随机过程（如几何布朗运动），模拟出未来 T时刻的大量（M个）可能价格路径 {PT(m)​}m=1M​，计算对应的 ΔP(m)=PT(m)​−P0​，然后像历史模拟法一样从模拟样本中取分位数。
4. 分位数估计的统计精度：VaR作为分位数估计量，其标准误与概率密度函数在分位数点处的值 f(F−1(1−α))成反比。尾部越稀薄，估计越不稳定。
5. 回测：用实际发生的损益超出VaR的天数来检验VaR模型。期望超出天数为 (1−α)×总天数。可使用二项分布或Kupiec检验。

精度取决于分布假设的准确性。参数法在正态假设不成立时（厚尾）会严重低估风险。历史模拟法依赖历史代表性。误差表现为回测失败频率显著偏离 (1−α)。

概率论与数理统计（分位数理论、极值理论）、金融经济学。

金融机构的市场风险管理、投资组合风险度量、监管资本计算（如巴塞尔协议）。特征：单一数值，易于理解沟通，但不满足次可加性（不是一致性风险度量）。

α: 置信水平（如0.99）；
T: 持有期；
ΔP: 在T期内的损益随机变量；
FΔP​(⋅): 损益CDF；
μ,σ: 损益分布的均值和标准差（参数法）；
N: 历史样本数或模拟路径数。

概率与统计（分位数估计、CDF、PDF）、随机性（蒙特卡洛模拟）、极值、极限（考虑极端分位数）、优化（在参数估计中）、计算与算法特征（排序、模拟）、稳定性（对尾部假设敏感）、不确定性（模型风险、参数估计误差）。

定义性、报告性。如“在99%置信度下，未来一天的最大可能损失是100万元”。

1. 数据准备：收集目标资产或组合的历史价格序列 {Pt​}，计算对数收益率 rt​=ln(Pt​/Pt−1​)或简单损益。
2. 选择方法并计算：
a. 参数法：
i. 从历史收益率估计 μ^​和 σ^。
ii. 计算 VaRα​=−P0​×(μ^​⋅T+σ^⋅T​⋅Φ−1(1−α))（对于对数收益率，假设价格对数服从布朗运动）。
b. 历史模拟法：
i. 从历史数据构建过去N个持有期T的损益样本 {Δpi​}i=1N​。
ii. 将样本从小到大排序：Δp(1)​≤Δp(2)​≤...≤Δp(N)​。
iii. 设 k=⌈N×(1−α)⌉。则 VaRα​=−Δp(k)​。或使用线性插值。
c. 蒙特卡洛法：
i. 假设价格 Pt​服从几何布朗运动：dPt​=μPt​dt+σPt​dWt​。
ii. 离散化：Pt+Δt​=Pt​exp((μ−21​σ2)Δt+σΔt​⋅z)，其中 z∼N(0,1)。
iii. 模拟M条从 t=0到 t=T的路径，得到 M个 PT(m)​。
iv. 计算 M个 ΔP(m)=PT(m)​−P0​，排序并取分位数，同历史模拟法。
3. 输出：输出 VaRα​数值。

风险（潜在的未来损失）被量化为一个单一数字VaR。风险“流”是从不确定的未来损益分布 ΔP中，提取出一个确定的、具有概率保证的损失边界。流向方法是分位数提取。

理论基础：概率统计和金融风险理论。认知特征：将复杂的、多维度的风险浓缩为一个易于管理层理解的数字，但可能导致对尾部风险的忽视（“黑天鹅”）。利益特征：用于决定风险资本金，直接影响可投资金规模和监管成本。人性：对损失的厌恶使得VaR成为关键管理指标。

VaR计算通常是周期性（如每日）的批量任务，而非高并发实时查询。但对于大型投资银行，需计算成千上万个头寸和组合的VaR。
CPU： 高。历史模拟法需排序，复杂度O(N log N)。蒙特卡洛法模拟大量路径，计算密集。需要高性能计算集群。
内存： 中高。需加载大量历史数据或存储模拟路径。历史数据可达TB级。
存储盘： 高。存储海量历史市场数据（价格、成交量等），需要高速存储阵列。
IO/网络： 高。从存储读取历史数据或写入模拟结果。在分布式计算中需要高速网络互联。
队列： 用于任务调度，将不同的投资组合VaR计算任务分发到不同计算节点。

VaR是对未来潜在损失的度量，不直接对应物理资源。但基于VaR做出的风险管理决策（如减仓、对冲）会影响交易行为，从而占用交易通道、清算时间等市场基础设施资源。时间资源体现在持有期T和计算VaR所需的时间。

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

(此处省略 B-0004 至 B-0499 的详细条目，以保证回答的简洁性。这些条目将按照您规定的格式，涵盖：定价模型（如B-0490 价格需求弹性优化）、库存管理（如B-0321 报童模型）、排队网络（如B-0155 Jackson开网络）、拍卖理论（如B-0201 第二价格密封拍卖/Vickrey拍卖）、社会网络传播（如B-0411 独立级联模型）、机制设计（如B-0088 VCG机制）、博弈均衡（如B-0101 纳什均衡计算）、供应链契约（如B-0275 收益共享契约）、消费者生命周期价值（如B-0033 CLV预测模型）、监管合规性检查（如B-0422 规则引擎与图模式匹配）、异常检测（如B-0377 孤立森林）、资源分配（如B-0115 匈牙利算法）、投资组合优化（如B-0005 均值-方差模型）、信用评分（如B-0222 Logistic回归评分卡）、文本情感分析（如B-0388 基于Transformer的情感分类）、图数据库中的利益关系挖掘（如B-0166 社区发现-Louvain算法）、实时竞价（如B-0044 出价策略优化）等财团经营管理的各个方面，每个模型都附带完整的逐步数学推导和参数说明。)

B-0500

监管

合规性自动化

形式逻辑 + 自动推理

基于规则的合规性检查引擎

1. 知识表示：将监管法规条文形式化为逻辑规则。使用一阶谓词逻辑或业务规则语言（如Drools DRL）。例如，规则：“若客户风险等级为‘高’，则单笔交易限额不得超过10,000”可表示为：<br>‘rule"HighRiskTransactionLimit"‘<br>‘when‘<br>‘c : Customer( riskLevel == "HIGH" )<br>t:Transaction(amount>10000,customer==c )<br>then<br>// 触发告警或阻止交易<br>insert(new Violation(c,t, "Exceeds limit for high risk"));<br>end`
2. 事实库：将当前的业务状态（如客户信息、交易订单、市场数据）作为事实（Facts）插入到规则引擎的工作内存（Working Memory）中。每个事实是一个对象或谓词实例。
3. 模式匹配：规则引擎（如Rete算法）持续地将工作内存中的事实与规则库中所有规则的“when”部分（左部，LHS）进行模式匹配。Rete算法通过构建网络共享相同子模式的测试，实现高效匹配。
4. 冲突集：所有LHS被满足的规则实例被激活，放入冲突集（Agenda）。
5. 冲突解决：根据优先级（salience）、特异性、顺序等策略，从冲突集中选择一个规则实例执行。
6. 执行动作：执行被选中规则的“then”部分（右部，RHS），可能包括修改事实（insert, modify, retract）、调用外部函数、触发告警等。这可能会改变工作内存，从而引发新一轮的模式匹配（推理循环）。
7. 停止条件：当冲突集为空或达到执行循环上限时停止。

精度取决于规则的形式化是否完全、无歧义地反映了监管要求。误差可能来自规则漏洞、事实不准确或推理错误。强度在于处理明确规则的自动化。

形式逻辑、产生式系统、Rete算法、专家系统。

金融交易实时合规监控、反洗钱（AML）交易筛查、信贷审批自动化、合同条款检查。特征：基于明确规则，可解释性强，但难以处理规则未覆盖的灰色地带或需要复杂推断的情况。

事实(Facts): 工作内存中的对象，代表当前状态。
规则(Rules): “if-then”语句的集合。
模式(Patterns): 规则左部对事实的约束条件。
议程(Agenda): 被激活的规则实例集合。
推理引擎(Inference Engine): 执行模式匹配和规则触发的核心组件。

逻辑（谓词逻辑、产生式规则）、集合（事实集、规则集）、图（Rete网络是一种有向无环图）、算法（Rete匹配算法是核心，其复杂度与事实和规则数量相关）、离散（状态变化是离散事件）、计算特征（模式匹配的复杂度）。

声明式、规则化。语言特征是由“当...时，则...”构成的规则。

1. 初始化：加载规则库，初始化空的工作内存和议程。
2. 事实插入：将初始业务事实（如一批待检查交易）insert进工作内存。这触发Rete网络的初始匹配过程。
3. 匹配-选择-执行循环：
a. 匹配阶段：Rete网络更新，将所有被满足的规则实例加入议程。这是一个数据驱动的过程，用合一下算法匹配事实与模式。
b. 选择阶段：根据冲突解决策略（如优先级、LIFO），从议程中选择一个规则实例准备执行。
c. 执行阶段：执行选中规则的RHS动作。RHS可能改变工作内存（insert新事实、modify或retract旧事实）。
4. 循环与终止：执行RHS后，返回步骤3a，因为工作内存改变可能激活新规则或使原有规则失效。循环直至议程为空或达到循环上限。
5. 输出结果：检查工作内存中生成的违规事实（Violation对象）或结论事实，输出合规性报告。

合规性的“状态流”和“控制流”。数据（事实）在工作内存中流动，与规则（Rete网络）进行匹配。当匹配成功，控制流激活相应的规则执行，从而可能产生新的事实或触发动作。这是一个正向推理的数据流模型。流向由Rete网络的数据传播和冲突解决策略决定。

理论基础：基于规则的人工智能和专家系统。认知特征：将监管专家的知识编码为明确规则，实现了知识的固化与自动化。利益/关系：旨在降低人为错误和违规风险，保护机构利益，满足监管关系要求。情感：规则是冷冰冰的，缺乏灵活性，但能提供确定性和可审计性。交易：在交易流程中嵌入实时合规检查节点。

对于5000万并发用户（或其发起的交易）的实时合规检查，压力极大。每笔交易都可能触发多条规则匹配。
CPU： 极高。Rete匹配计算密集。需要海量CPU核心进行并行规则评估。可能需要专用硬件（如FPGA）加速模式匹配。
内存： 极高。工作内存需要容纳亿级活跃事实对象。规则网络本身也占用大量内存。需要TB甚至PB级分布式内存。
存储盘： 中。存储规则库和历史审计日志。规则库小，日志巨大。
IO/网络： 极高。交易数据需要以极高吞吐量注入规则引擎集群，结果需要低延迟反馈。需要超低延迟RDMA网络。
队列： 核心组件。需要分布式消息队列（如Kafka）作为交易数据总线，规则引擎作为消费者从中拉取数据进行处理。

合规性检查是纯信息处理过程，发生在IT系统内。但检查结果会直接影响物理世界的交易是否被执行（如阻止一笔支付），从而影响资金流和物流。时间资源体现在实时性要求，必须在交易被最终执行前完成检查（如毫秒级延迟）。

B-0004

经营

库存优化

报童模型 + 成本最小化

单周期报童模型 (News-vendor Model)

1. 问题定义：在单销售周期内，决策者需在需求 D(随机变量) 未知前确定订购量 q。单位产品采购成本 c，售价 p(p>c)，期末未售出单位残值 s(s<c)。
2. 成本/利润函数：实际利润 Π(q,D)=p⋅min(q,D)+s⋅max(q−D,0)−c⋅q。等价地，考虑超储成本 Co​=c−s(每多订一单位损失) 和缺货成本 Cu​=p−c(每少订一单位损失的机会成本)。期望成本 G(q)=Co​⋅E[max(q−D,0)]+Cu​⋅E[max(D−q,0)]。
3. 最优解推导：最小化 G(q)或最大化期望利润 E[Π(q)]。对 E[Π(q)]求导：
dqdE[Π(q)]​=(p−s)⋅(1−F(q))−(c−s)，其中 F(⋅)是需求 D的累积分布函数 (CDF)。
令导数为零，得 临界分位数公式：F(q∗)=Cu​+Co​Cu​​=p−sp−c​。
4. 求解：q∗=F−1(p−sp−c​)，其中 F−1是需求分布的逆CDF（分位函数）。
5. 参数估计：需估计需求分布 F(如正态、泊松) 或其参数。可通过历史数据拟合。

精度取决于需求分布 F估计的准确性。误差导致实际成本偏离理论最优成本，误差大小与需求方差和成本不对称性有关。

边际分析， 概率论与数理统计（分位数优化）， 在不确定性下的决策理论。

销售周期短、易腐、时尚商品（如报纸、时装、生鲜）的库存决策。特征：单期、考虑超储缺货权衡、解为需求分布的一个特定分位数。

q: 订购量（决策变量）；
D: 随机需求，CDF为 F，PDF为 f；
c: 单位成本；
p: 单位售价；
s: 单位残值；
Co​=c−s: 超储成本；
Cu​=p−c: 缺货成本；
q∗: 最优订购量。

概率与统计（期望值、CDF、分位数）、优化（一阶条件求极值）、随机性、不确定性、极值（求导）、微积分。

决策性、规范性。语言如“最优订购量是需求分布的 p−sp−c​分位数”。

1. 数据输入：历史需求数据 {d1​,...,dn​}，成本参数 (c,p,s)。
2. 需求分布拟合：用历史数据估计需求分布的CDF F^。例如，假设正态分布 D∼N(μ,σ2)，用样本均值 dˉ和样本标准差 sd​估计 μ^​,σ^。
3. 计算临界比率：CR=p−sp−c​。
4. 计算最优解：q∗=F^−1(CR)。对于正态分布，q∗=μ^​+σ^⋅Φ−1(CR)，其中 Φ是标准正态CDF。
5. 输出：输出建议订购量 q∗。

决策流：输入成本和需求信息，通过临界比率公式，流向一个确定的订购量 q∗。库存流：订购 q∗单位，面对随机需求 D，实际销售为 min(q∗,D)，产生利润或成本。

理论基础：在不确定需求下权衡两类错误（过多 vs 过少）的边际决策。认知特征：将复杂的库存问题简化为一个关键比率，易于管理者理解和沟通。利益特征：直接最大化期望利润或最小化期望成本。

该模型通常用于周期性（如每日、每周）的补货决策，非高并发实时计算。但对于大型零售商，可能有数十万SKU需要每日计算。
CPU： 中低。主要计算是分位数查询，计算量小。但需并行处理海量SKU。
内存： 中。需存储每个SKU的需求分布参数或历史数据。
存储盘： 中。存储所有SKU的历史销售数据和成本参数。
IO/网络： 中。周期性读取数据，写入决策结果。
队列： 可用于调度不同SKU或仓库的计算任务。

决策是信息过程。决策结果触发实物订单，占用供应链物流通道和仓储空间。时间资源体现为订货提前期和销售周期。

B-0005

经营

投资组合

均值-方差分析

马科维茨均值-方差模型

1. 问题定义：投资者在 N种风险资产中分配财富，寻求在给定预期收益率水平下风险（方差）最小，或在给定风险水平下收益最大。资产 i的随机收益率为 Ri​，预期收益率 ri​=E[Ri​]，协方差矩阵为 Σ( σij​=Cov(Ri​,Rj​))。
2. 决策变量：投资权重向量 w=(w1​,...,wN​)T，满足 ∑i=1N​wi​=1(预算约束)，可允许卖空 wi​<0或不允许多头约束 wi​≥0。
3. 目标函数：投资组合收益 Rp​=wTR，预期收益 rp​=wTr，方差（风险） σp2​=wTΣw。
4. 优化问题：
a. 最小方差组合：minw​21​wTΣw， s.t. wTe=1(e为全1向量)。
b. 给定收益下的最小方差组合：minw​21​wTΣw， s.t. wTr=r0​， wTe=1。
c. 均值-方差有效前沿：通过求解 minw​21​wTΣw， s.t. wTr=r0​， wTe=1对不同的 r0​得到。
5. 求解：使用拉格朗日乘子法。定义拉格朗日函数：
L(w,λ1​,λ2​)=21​wTΣw+λ1​(1−wTe)+λ2​(r0​−wTr)。
一阶条件：
∂w∂L​=Σw−λ1​e−λ2​r=0⇒w=Σ−1(λ1​e+λ2​r)。
代入约束 wTe=1和 wTr=r0​，解出 λ1​,λ2​，代回得 w∗的解析解（当允许多空时）。
6. 参数估计：r和 Σ需从历史数据估计，带来估计误差，影响结果稳定性。

精度严重依赖于预期收益 r和协方差 Σ的估计精度。特别是 r的估计误差很大，导致有效前沿不稳定。风险（方差）估计相对更稳定。

现代投资组合理论， 二次规划， 概率统计（期望、协方差）。

资产配置、基金组合构建、风险管理。特征：量化风险与收益的权衡，通过分散化降低非系统性风险。核心是协方差矩阵。

N: 资产数量；
w: 投资权重向量 (决策变量)；
R: 资产收益率随机向量；
r: 预期收益率向量；
Σ: 收益率协方差矩阵；
rp​: 组合预期收益；
σp2​: 组合方差；
r0​: 目标收益率；
λ1​,λ2​: 拉格朗日乘子。

代数（向量、矩阵运算）、优化（二次规划、拉格朗日乘子法）、概率统计（期望、协方差）、集合（可行域是权重空间中的超平面）、几何（有效前沿是双曲线）、对称性（Σ对称正定）、计算特征（矩阵求逆、特征值分解）。

规范性、优化性。语言如“在收益目标 r0​下，寻找风险最小的投资组合权重 w”。

1. 数据输入：N种资产的历史收益率时间序列 Ri,t​， i=1,...,N， t=1,...,T。
2. 参数估计：计算样本均值向量 r^=T1​∑t=1T​Rt​和样本协方差矩阵 Σ^=T−11​∑t=1T​(Rt​−r^)(Rt​−r^)T。常使用收缩估计等改进方法。
3. 设定约束：定义预算约束 ∑wi​=1及其他约束（如不允许卖空 wi​≥0）。
4. 求解优化问题：
a. 若允许卖空，使用拉格朗日法得到解析解：
w∗=AC−B2C−r0​B​Σ−1e+AC−B2r0​A−B​Σ−1r，其中 A=eTΣ−1e， B=eTΣ−1r， C=rTΣ−1r。
b. 若不允许卖空，使用数值方法（如二次规划求解器）求解带不等式约束的优化问题。
5. 输出有效前沿：对一系列 r0​值，求解得到对应的最小方差 σp2​(r0​)，绘制出有效前沿曲线。

资金（资本）根据向量 w∗的权重比例流向不同的资产。风险-收益的“有效边界”描述了在给定技术（资产特性）下，最优的资本配置可能性集合。流向是由求解二次规划决定的。

理论基础：现代投资组合理论。认知特征：将“风险”量化为方差，将投资决策从艺术变为可计算的科学。利益特征：追求单位风险下的收益最大化，是机构投资者的核心方法论。人性：反映了对确定性的追求（最小化方差）和对收益的渴望的平衡。

模型计算通常是离线或每日/每周进行的。但对于量化基金或动态策略，可能更频繁。5000万用户若代表个人投资组合，需个性化计算，并发量极大。
CPU： 高。核心是协方差矩阵求逆（O(N3)）和可能的迭代优化。需要强大算力处理高维资产和大量用户。
GPU： 可加速矩阵运算和优化求解。
内存： 高。存储 N×N的协方差矩阵 Σ及其逆。N=1000时约需 8MB，但为5000万用户缓存个性化数据则需TB级内存。
存储盘： 高。存储海量历史市场数据和用户组合数据。
IO/网络： 高。获取实时/历史数据，分发投资建议。
队列： 必需。将用户组合优化请求排队，由计算集群处理。

投资决策是信息过程。但决策执行产生证券买卖订单，占用交易所的交易通道和清算时间资源。资金在金融网络中流动。

B-0006

管理

风险评估

风险度量一致性

条件在险价值 (CVaR) / 预期短缺 (ES)

1. VaR的不足：VaR不满足次可加性，且不提供尾部损失信息。CVaR旨在度量尾部平均损失。
2. 定义：在置信水平 α下，CVaR是损失 L超过 VaRα​(L)的条件期望。数学上，若损失 L的CDF为 FL​(l)，则：
$\text{CVaR}_{\alpha}(L) = E[L

L \ge \text{VaR}{\alpha}(L)] = \frac{1}{1-\alpha} \int{\text{VaR}{\alpha}(L)}^{\infty} l \cdot f_L(l) dl。<br>其中f_L(l) 是损失的概率密度函数。<br>**3. 等价定义（Rockafellar & Uryasev）**：CVaR可以通过一个辅助函数 \mathcal{F}{\alpha}(w, \zeta)方便地优化：<br>\mathcal{F}{\alpha}(w, \zeta) = \zeta + \frac{1}{1-\alpha} E[ (L(w) - \zeta)^+ ]。<br>其中w是投资组合权重，L(w)是投资组合损失函数，(x)^+ = \max(x, 0)，\zeta是一个实变量。可以证明：<br>\text{CVaR}{\alpha}(L(w)) = \min{\zeta \in \mathbb{R}} \mathcal{F}{\alpha}(w, \zeta)，且达到最小值时的\zeta^*就是\text{VaR}{\alpha}(L(w))。<br>∗∗4.优化∗∗：在投资组合优化中，可以最小化CVaR：<br>\min{w, \zeta} \left( \zeta + \frac{1}{N(1-\alpha)} \sum{k=1}^{N} (L_k(w) - \zeta)^+ \right)，其中L_k(w)是第k个历史/模拟场景下的损失。<br>这是一个线性规划（如果损失函数是w的线性函数）或更一般的凸优化问题。<br>∗∗5.计算∗∗：通过历史模拟或蒙特卡洛模拟生成损失样本{L_1(w), ..., L_N(w)}，对给定的w，可以排序后计算：<br>\text{CVaR}{\alpha} = \text{VaR}{\alpha} + \frac{1}{N(1-\alpha)} \sum{k: L_k > \text{VaR}{\alpha}} (L_k - \text{VaR}{\alpha})$。

相比VaR，CVaR是尾部风险的一致风险度量。其估计精度同样依赖于损失分布的尾部估计，特别是极端分位数。样本量小时，CVaR估计方差可能很大。

概率论（条件期望、分位数理论）、一致风险度量公理、凸优化。

更审慎的风险管理和资本计算、投资组合优化（最小化尾部风险）、压力测试。特征：考虑了尾部期望损失，是一致性风险度量，但比VaR更难估计。

α: 置信水平；
L: 随机损失；
FL​,fL​: 损失的CDF和PDF；
w: 投资组合权重；
ζ: 辅助变量，最优时为VaR；
N: 场景（样本）数；
Lk​: 第k个场景下的损失。

概率与统计（条件期望、分位数）、积分、期望、优化（线性/凸优化）、集合、随机性、极限（关注分布的尾部）、收敛性（样本CVaR的收敛性）。

定义性、规范性。语言如“在 (1−α)的最坏情况下，平均损失为CVaR”。

1. 生成损失分布：通过历史模拟或蒙特卡洛模拟，生成N个与组合权重 w相关的损失场景 Lk​(w)。
2. 对给定的 w计算CVaR：
a. 计算该组合下所有 Lk​(w)。
b. 对 Lk​排序：L(1)​≤L(2)​≤...≤L(N)​。
c. 计算 VaRα​的索引：iα​=⌈N⋅(1−α)⌉。则 VaRα​=L(iα​)​。
d. 计算 CVaRα​=N(1−α)1​(∑k=iα​N​L(k)​+(iα​−N(1−α))L(iα​)​)。
3. 优化CVaR：
a. 引入辅助变量 zk​≥0表示超额损失 (Lk​(w)−ζ)+。
b. 建立线性规划：
minw,ζ,z​(ζ+N(1−α)1​∑k=1N​zk​)
s.t. zk​≥Lk​(w)−ζ， zk​≥0， 及权重约束 w∈W。
c. 用线性规划求解器求解。

风险度量从单一分位数点 VaR流向一个条件期望区域 CVaR，更完整地捕捉了尾部风险信息。在优化中，目标函数引导投资组合权重 w流向使最坏情况平均损失最小的配置。

理论基础：一致风险度量理论。认知特征：决策者不仅关心“最坏情况发生的阈值”，更关心“如果真的发生最坏情况，平均会损失多少”，符合人们对极端风险的深层恐惧。利益特征：监管（如巴塞尔协议）日益倾向于用ES（CVaR）作为市场风险资本计量基础。

计算CVaR比VaR计算量略大，因为需要计算尾部平均值。优化CVaR是线性/凸优化问题，比均值-方差二次规划更复杂，尤其当场景数N很大时。
CPU： 高。历史模拟法需排序，优化需解大规模线性规划。需要高性能计算集群。
内存： 高。存储大量场景数据 Lk​(w)和优化问题矩阵。
存储盘： 高。存储场景生成所需的历史或模拟数据。
IO/网络： 高。
队列： 用于管理风险计算和优化任务。

B-0007

营销

客户价值

客户生命周期价值

RFM模型（简易CLV代理）

1. RFM定义：通过三个行为维度对客户进行细分和评分，作为客户价值的简易代理指标。
- R (Recency)：最近一次购买距今的时间。R值越小（购买时间越近），客户价值越高。
- F (Frequency)：在特定时间窗口内的购买次数。F值越高，客户价值越高。
- M (Monetary)：在特定时间窗口内的总购买金额。M值越高，客户价值越高。
2. 数据准备：对每个客户，从其交易历史中计算R、F、M值。时间窗口通常为过去1年或2年。
3. 分箱与评分：
a. 对每个维度（R, F, M），将客户按该维度值从小到大排序（对R是升序，对F、M是降序）。
b. 将客户等分为若干组（如5组），每组赋予一个分数（如1-5分）。对于R，最近的一组给5分，最远的一组给1分。对于F和M，最高的一组给5分，最低的一组给1分。
c. 每个客户得到一个三维分数向量 (SR​,SF​,SM​)。
4. 综合价值：可简单加总 Score=SR​+SF​+SM​，或加权求和 Score=wR​SR​+wF​SF​+wM​SM​。也可将三个分数拼接成RFM代码（如555表示高价值客户）。
5. 聚类分析：更高级的方法是用R, F, M的原始值或对数进行聚类分析（如K-Means），得到同质的客户细分。
6. 应用：高RFM分客户是重点维护和营销对象；低R高F/M客户是需挽回的流失客户；高R低F/M客户是新客户或偶尔购买者。

是一种启发式、相对排序的度量，非精确的货币价值。误差在于其是历史价值的滞后指标，且未考虑未来现金流折现。强度在于简单直观，易于计算和实施。

描述性统计分析， 客户细分理论， 行为经济学。

客户关系管理（CRM）、精准营销、客户维系、向上销售/交叉销售。特征：操作简单，数据要求低，是有效的客户分层工具，但预测性较弱。

对于客户 i：
Ri​: 最近一次购买距今的天数/周数；
Fi​: 在观察期内的购买次数；
Mi​: 在观察期内的总购买金额；
SR,i​,SF,i​,SM,i​: 对应的RFM分数（如1-5）；
wR​,wF​,wM​: （可选）权重。

统计（描述性统计、分位数）、排序、聚类（如果使用）、集合（客户分组）、离散（分箱）。

描述性、分类性。语言如“根据客户的最近购买时间、购买频率和购买金额进行打分和分类”。

1. 数据提取：从交易数据库中，为每个客户提取：最近一次交易日期、观察期内的交易次数、交易总金额。
2. 计算原始值：计算 Ri​（当前日期 - 最近交易日期），读取 Fi​和 Mi​。
3. 分箱与评分：
a. 对每个维度，将所有客户的该维度值排序。
b. 确定分箱边界（如按五分位数分为5组）。
c. 根据客户值所在区间，赋予1-5分。
4. 计算综合分数：Scorei​=SR,i​+SF,i​+SM,i​。
5. 客户细分：根据总分或RFM代码将客户分为不同群组（如高价值、潜力、需激活、流失等）。
6. 输出与应用：输出客户分群列表，用于指导差异化的营销活动。

客户价值信息从原始交易数据流向三个聚合维度（R, F, M），再通过评分规则流向一个综合价值分数或类别。这是一种信息浓缩和分类的流向。客户根据价值分数被“分配”到不同的营销资源流中。

理论基础：客户历史行为是未来价值的重要预测因子。认知特征：简单易懂的三维模型，便于非技术人员理解和使用。利益特征：帮助识别高价值客户以最大化营销投资回报率（ROI），识别流失风险客户以进行干预。关系：量化了客户关系的紧密程度（R、F）和价值（M）。

RFM计算通常是批处理任务（如每月更新）。对于5000万客户，计算量可观但非实时高并发。
CPU： 中。需要对海量客户数据进行排序和分箱计算。需要多核并行处理。
内存： 高。需要将5000万客户的交易记录汇总为RFM特征，内存需GB到TB级。
存储盘： 高。存储所有客户的详细交易历史，可能达PB级。
IO/网络： 高。从数据仓库提取交易数据，写入RFM分数结果。
队列： 可用于调度批量计算任务。

RFM分数是信息。基于RFM的营销行动（如发送优惠券、推送广告）会通过物理/数字渠道（邮件、App推送）触达客户，占用营销渠道资源。

B-0008

管理

资源分配

组合优化

0-1背包问题（动态规划解）

1. 问题定义：给定 n件物品，第 i件物品价值为 vi​，重量为 wi​。背包最大承重为 W。每件物品要么全选（1）要么不选（0）。目标：在总重量不超过 W的前提下，使装入背包的物品总价值最大。
2. 形式化：
max∑i=1n​vi​xi​
s.t.∑i=1n​wi​xi​≤W
xi​∈{0,1},i=1,...,n。
3. 动态规划：定义子问题 dp[i][c]表示：考虑前 i件物品，在背包容量为 c时能获得的最大价值。
4. 状态转移方程：
dp[i][c]={dp[i−1][c],max(dp[i−1][c],dp[i−1][c−wi​]+vi​),​if wi​>c (放不下)if wi​≤c​
解释：对于第 i件物品，有两种选择：不选，则最优值等于前 i−1件在容量 c下的最优值 dp[i−1][c]；选，则最优值等于“前 i−1件在剩余容量 c−wi​下的最优值加上 vi​”，即 dp[i−1][c−wi​]+vi​。取两者最大值。
5. 初始化：dp[0][c]=0，对于所有 c。
6. 计算顺序：外层循环 i从 1到 n，内层循环 c从 0到 W，递推计算 dp[i][c]。
7. 最优值：答案为 dp[n][W]。
8. 构造最优解：从 i=n,c=W开始回溯。若 dp[i][c]==dp[i−1][c]，说明第 i件未选，i减1；否则说明选了第 i件，记录 xi​=1，然后 c减去 wi​，i减1。

动态规划可求得精确最优解。误差主要来自价值 vi​和重量 wi​的估计误差。算法复杂度为 O(nW)，是伪多项式时间，当 W很大时效率低。

组合优化， 动态规划， 整数规划。

项目投资组合选择（预算有限下选项目）、广告位选择、货物装载、资源分配。特征：经典的NP-hard问题，动态规划是精确解法之一，适用于中等规模。

n: 物品总数；
vi​: 物品 i的价值；
wi​: 物品 i的重量/成本；
W: 背包总容量/总预算；
xi​: 0-1决策变量；
dp[i][c]: DP状态值。

组合（子集选择）、优化（整数规划）、动态规划、离散、计算与算法特征（时间复杂度 O(nW)，空间复杂度可优化到 O(W)）、构造（回溯解）。

最优化、选择性。语言如“在容量约束下，选择总价值最大的物品子集”。

1. 输入：物品列表 {(v1​,w1​),...,(vn​,wn​)}，总容量 W。
2. 初始化DP表：创建二维数组 dp[0..n][0..W]，将 dp[0][c]初始化为0。
3. 递推填表：
for ifrom 1 to n:
  for cfrom 0 to W:
    if wi​>c:
      dp[i][c]=dp[i−1][c]
    else:
      dp[i][c]=max(dp[i−1][c],dp[i−1][c−wi​]+vi​)
4. 读取最优值：max_value=dp[n][W]。
5. 回溯构造最优解：
c=W
for ifrom ndown to 1:
  if dp[i][c]==dp[i−1][c]:
    xi​=0
  else:
    xi​=1
    c=c−wi​
6. 输出：最优值 max_value和选中物品列表 {i:xi​=1}。

资源（预算 W）根据最优解向量 x∗分配到各个“物品”（项目）上。决策流是一个递推的最优子结构构建过程，最终流向一个使总价值最大的资源分配方案。

理论基础：运筹学、资源优化配置。认知特征：在约束下做取舍（trade-off），是决策思维的经典体现。利益特征：最大化给定资源下的总收益。关系特征：项目之间是互斥的（0-1选择），可能存在复杂的依赖关系（可通过扩展模型处理）。

动态规划解法的并发需求通常不高，是离线计算。但对于大规模问题（n, W大），计算耗时。
CPU： 高。O(nW)的时间复杂度。当n和W很大时（如 n=104,W=106），需要大量计算。
内存： 高。标准DP需要 O(nW)空间，可优化到 O(W)，但仍与W成正比。W大时内存消耗大。
存储盘： 低。主要存储输入和输出。
IO/网络： 低。
队列： 一般不需要，除非作为子任务被调度。

决策是虚拟的资源分配计划。决策的执行会占用真实的资源，如资金、物流运力、广告位库存等。时间资源体现在决策计算时间和项目执行时间。

B-0009

营销

定价

价格优化

价格需求弹性模型与利润最大化

1. 需求函数：假设需求量 Q是价格 P的函数：Q(P)。通常需求随价格上升而下降，故 dQ/dP<0。
2. 价格弹性：需求的价格弹性 ϵ=%ΔP%ΔQ​=dPdQ​⋅QP​。通常 ϵ<0。
3. 利润函数：总利润 Π(P)=(P−C)⋅Q(P)，其中 C是单位成本（假设常数）。
4. 一阶条件：为最大化利润，对 P求导并令为零：
dPdΠ​=Q(P)+(P−C)⋅Q′(P)=0。
5. 最优价格：整理得 (P−C)/P=−1/ϵ，或 P∗=1+ϵϵ​⋅C。
这是著名的逆弹性法则：最优加成率（(P−C)/P）等于需求弹性绝对值倒数的负数。弹性绝对值越大（需求越敏感），最优加成率越低。
6. 线性需求函数示例：设 Q(P)=a−bP（a,b>0）。则利润 Π(P)=(P−C)(a−bP)。一阶条件：a−bP−b(P−C)=0⇒P∗=2ba+bC​=2ba​+2C​。此时最优销量 Q∗=a−bP∗=2a−bC​，最大利润 Π∗=4b(a−bC)2​。
7. 参数估计：通过历史数据 (Pi​,Qi​)拟合需求函数 Q(P)，估计参数（如线性模型中的 a,b）。
8. 考虑多种产品：若产品间有替代或互补关系，需求函数变为 Qi​(P1​,...,Pn​)，需解一阶条件方程组 ∂Π/∂Pi​=0。

精度取决于需求函数 Q(P)设定的准确性和参数估计的无偏性。误差导致实际利润低于理论最大利润。强度在于提供了清晰的最优定价决策规则。

微观经济学（垄断定价、弹性理论）， 微积分（最优化）， 计量经济学（需求估计）。

垄断或寡头企业的单产品定价、零售商品定价、服务定价。特征：核心是估计需求曲线，考虑成本与弹性的权衡。

P: 价格（决策变量）；
Q: 需求量；
Q(P): 需求函数；
ϵ: 需求的价格弹性；
C: 单位成本（假设为常数）；
Π: 总利润；
a,b: 线性需求函数的参数。

微积分（求导、一阶条件）、代数（解方程）、优化、概率统计（需求函数参数估计）、弹性概念。

规范性、经济学。语言如“利润最大化要求价格加成率等于需求弹性倒数的负数”。

1. 数据收集：收集历史价格-销量数据对 (Pt​,Qt​)，可能包括促销、季节性等控制变量。
2. 需求估计：用计量经济学方法（如OLS）估计需求函数。例如，假设线性 Q=a−bP+ϵ，用最小二乘法估计 a^,b^。更一般可用对数线性模型 lnQ=α+ϵlnP，则 ϵ直接为弹性。
3. 计算弹性：在给定当前价格 P0​下，计算点弹性 ϵ^=b^⋅(P0​/Q0​)（线性模型），或直接使用对数模型估计的 ϵ^。
4. 计算最优价格：若成本 C已知，代入公式 P∗=1+ϵ^ϵ^​⋅C。注意 ϵ^应为负值。或对线性模型直接使用 P∗=(a^+b^C)/(2b^)。
5. 验证与调整：考虑市场策略、竞争反应、法规限制等因素，对 P∗进行微调。

价格 P作为决策变量，通过需求函数 Q(P)影响销量，再共同决定利润 Π(P)。利润最大化的目标引导价格 P流向满足一阶条件的 P∗。价格-销量-利润之间存在连续的数学关系流。

理论基础：微观经济学的厂商理论。认知特征：将价格决策从“艺术”转变为基于数据和弹性的“科学”。利益特征：直接追求利润最大化。人性/情感：价格影响消费者感知和价值判断，弹性反映了消费者对价格的敏感程度，背后是消费者心理和行为。

定价决策通常是周期性（如每周/每月）或事件驱动（如成本变化）的，非高并发。但大规模零售商可能有百万级SKU需要定价。
CPU： 中。需求估计（如回归）和最优价格计算对单个产品计算量小，但需并行处理海量SKU。
内存： 中。需存储历史销售数据和需求模型参数。
存储盘： 高。存储海量SKU的历史交易数据。
IO/网络： 中。读写数据和模型。
队列： 可用于管理定价更新任务流。

定价决策是信息过程。价格信息通过标签、网站等渠道传递给消费者，影响其购买决策，从而影响实体商品的物流和资金流。时间资源体现在价格调整的时机和频率。

B-0010

管理

排队论

服务系统

M/M/1 排队模型

1. 模型假设：
- 到达过程：顾客到达服从泊松过程，到达率为 λ（单位时间平均到达顾客数）。
- 服务过程：单服务台，服务时间服从指数分布，服务率为 μ（单位时间平均服务顾客数）。
- 队列容量：无限，顾客源无限，先到先服务（FCFS）。
2. 关键参数：交通强度 ρ=λ/μ。稳定条件为 ρ<1。
3. 稳态概率：系统中有 n个顾客（包括正在服务的）的稳态概率 Pn​=(1−ρ)ρn， n=0,1,2,...。
4. 性能指标推导（基于生灭过程稳态方程）：
a. 平均队长​ L：系统中平均顾客数。L=E[N]=∑n=0∞​nPn​=1−ρρ​。
b. 平均队列长​ Lq​：等待服务的平均顾客数。Lq​=∑n=1∞​(n−1)Pn​=1−ρρ2​=L−ρ。
c. 平均逗留时间​ W：顾客在系统中的平均时间（等待+服务）。利特尔定律：L=λW⇒W=λL​=μ−λ1​。
d. 平均等待时间​ Wq​：顾客的平均等待时间。Wq​=W−μ1​=μ−λρ​，或利特尔定律 Lq​=λWq​。
5. 忙碌概率：服务台忙碌的概率 Pbusy​=1−P0​=ρ。

模型是理想化的解析解。精度依赖于“泊松到达、指数服务、单服务台、无限队列”等假设在实际情况中的满足程度。当 ρ接近1时，系统对假设偏离非常敏感。

随机过程（泊松过程、指数分布、生灭过程）、排队论、利特尔定律。

呼叫中心、简单零售收银台、网络路由器包排队等系统的性能分析与容量规划。特征：提供了闭式解，是分析排队系统的基础模型，但假设严格。

λ: 平均到达率；
μ: 平均服务率；
ρ=λ/μ: 交通强度（利用率）；
Pn​: 系统中有n个顾客的稳态概率；
L: 平均队长；
Lq​: 平均队列长；
W: 平均逗留时间；
Wq​: 平均等待时间。

概率与统计（泊松分布、指数分布）、随机过程（生灭过程）、级数（求和）、极限（ρ→1时性能指标趋于无穷）、稳定性（ρ<1是稳定条件）、期望。

描述性、分析性。语言如“在稳态下，系统中平均顾客数为 L=1−ρρ​”。

1. 输入参数：观测或估计到达率 λ和服务率 μ。
2. 检查稳定性：计算 ρ=λ/μ。若 ρ≥1，系统不稳定，队列将无限增长，需增加服务能力。
3. 计算性能指标：
L=1−ρρ​
Lq​=1−ρρ2​
W=μ−λ1​
Wq​=μ−λρ​
P0​=1−ρ
4. 输出与应用：输出指标。用于评估当前系统性能，或进行“如果-那么”分析：例如，若 λ增加10%，Wq​会增加多少？若要将 Wq​降低到目标值以下，需要将 μ提升到多少？

顾客流以速率 λ到达，以速率 μ被服务（当系统非空时）。系统的“状态”（顾客数）是一个随机游走（生灭过程）。平均性能指标描述了该随机流的稳态行为。流向是顾客从到达、等待到离开的连续过程。

理论基础：随机服务系统理论。认知特征：将看似无序的排队现象用严格的概率模型描述，量化了等待时间、队列长度等体验指标。利益特征：帮助管理者在服务成本（与服务率 μ相关）和顾客等待成本（与 Wq​相关）之间取得平衡。人性：等待时间直接影响顾客满意度和流失率。

M/M/1模型计算是瞬时的解析解，无并发计算压力。但参数 λ,μ的实时估计可能需要处理大量事件流。
CPU： 极低。公式计算。
内存： 极低。
存储盘： 低。存储历史参数和结果。
IO/网络： 低。
队列： 模型本身描述队列，但计算不需要队列。

模型描述的是物理世界中的排队系统，如顾客在银行的排队、数据包在网络路由器的缓冲。占用的是服务台（物理空间、人员时间）和顾客的时间资源。时间资源 W和 Wq​是核心度量。

B-0011

管理

决策分析

不确定性决策

决策树与期望货币价值 (EMV)

1. 问题构建：用树状图表示序列决策和随机事件。包含三类节点：
- 决策节点（方框）：表示决策者可做的选择。
- 机会节点（圆圈）：表示随机事件，有多个可能结果（分支），每个分支有发生概率。
- 终端节点（三角形或端点）：表示最终结果，标注其收益（或成本）。
2. 逆向归纳法：从决策树末端（终端节点）向根节点（初始决策）回推。
a. 在机会节点，计算其期望货币价值 (EMV)：将所有从该节点出发的分支的终端收益，以其发生概率为权重，求加权平均。EMV=∑i​pi​⋅Vi​，其中 pi​是第 i个结果概率，Vi​是其收益。
b. 在决策节点，选择能带来最大EMV（或最小期望成本）的分支。被选分支的EMV即为该决策节点的EMV。
3. 完全信息价值 (EVPI)：完全信息的期望价值 = 拥有完美信息下的期望收益 - 不拥有完美信息下的最大EMV。衡量了为获取信息所愿支付的最高价格。
4. 敏感性分析：改变概率或收益估计，观察最优决策是否改变，以评估决策的稳健性。

精度取决于对概率 pi​和收益 Vi​估计的准确性。误差会导致次优决策。EMV准则适用于风险中性决策者。

概率论（期望值）、决策理论、动态规划思想。

商业投资决策、新产品开发、项目风险管理、医疗诊断。特征：结构化地可视化多阶段决策与不确定性，通过期望值进行量化比较。

决策节点：可选方案；
机会节点：随机事件状态；
分支概率 pi​：各状态发生概率；
终端价值 Vi​：最终收益或成本；
EMV：期望货币价值；
EVPI：完全信息价值。

概率与统计（期望值、概率赋值）、树结构、动态规划（逆向归纳）、集合（决策选项、状态空间）、优化（在每个决策节点选择最大EMV）。

结构性、决策性。语言如“在不确定性下，选择具有最高期望货币价值的行动路径”。

1. 绘制决策树：从左到右，按时间顺序和逻辑关系画出所有决策点和机会点及其分支，标注概率和终端收益。
2. 从右向左逆向计算：
a. 对每个机会节点，计算其EMV：EMV=∑(pi​×Vi​)，将该EMV写在该机会节点上方。
b. 对每个决策节点，比较其各分支的EMV（或终端值），选择最大者，将该最大值写在该决策节点上方，并“剪枝”掉非最优分支。
3. 回推至根节点：重复步骤2，直至根决策节点。根节点的EMV即为该决策问题的最大期望收益。
4. 确定最优策略：从根节点开始，沿着未剪枝的分支，确定每个决策节点应做的选择。这就是最优决策策略。
5. （可选）计算EVPI。

决策流是一种反向的信息流和决策流。从最终结果（终端节点）的收益值开始，期望值信息沿树枝向根部流动。在决策节点，比较不同分支流来的期望值，选择最大者，这个被选中的期望值继续向上游流动。最终，信息流汇聚到根节点，得出总体最优期望值和最优行动路径。

理论基础：期望效用理论（EMV是风险中性下的特殊情况）。认知特征：将复杂的、序列化的决策问题可视化，帮助决策者系统地思考各种可能性和后果。利益特征：最大化期望财务收益。人性/情感：EMV忽略了决策者对风险的态度（可通过效用函数转换处理）。

决策树计算是离线分析，无高并发需求。但复杂的决策树（节点多、分支多）计算量大。
CPU： 中。逆向归纳需要遍历树的所有节点，复杂度与节点数成正比。
内存： 中。存储决策树结构和中间计算结果。
存储盘： 低。存储决策树模型和结果。
IO/网络： 低。
队列： 不需要。

决策过程是虚拟的信息处理。决策的执行会占用物理资源，如投资资金、研发人力、市场渠道等。决策树分析的时间资源是计划时间。

B-0012

营销

广告效果

归因分析

最后触点归因模型

1. 问题：用户转化（如购买）前可能经历多个营销触点（如搜索广告、展示广告、邮件、社交媒体）。如何将转化的功劳分配给各个触点？
2. 最后触点模型：将转化的100%功劳分配给转化发生前用户接触的最后一个营销触点。
3. 数学表示：设用户 u的转化路径为一系列有序触点序列 Pu​=(C1​,C2​,...,Ck​)，其中 Ck​是转化前的最后一次触点。对于触点渠道 c，其获得的归因权重 wc(u)​为：
wc(u)​={1,0,​if channel of Ck​=cotherwise​
4. 聚合：将所有转化用户的归因权重按渠道加总，得到每个渠道的总转化功劳 Creditc​=∑u:converted​wc(u)​。
5. 计算贡献比例：渠道 c的贡献比例为 rc​=Creditc​/∑c′​Creditc′​。
6. 分配营销预算：可根据 rc​或 Creditc​的比例，将总营销预算 B分配给各渠道：Bc​=B⋅rc​。

模型简单，但严重偏倚。将所有功劳归于最后触点，忽略了早期触点的“启发”和“培养”作用，高估了直接响应渠道（如品牌搜索、直接访问），低估了上方漏斗渠道（如展示广告、社交内容）。误差是系统性偏差。

启发式规则， 非基于因果推断。

简单的广告效果报告、快速评估直接响应渠道效果。特征：计算极其简单，易于实施，是许多分析工具的默认设置，但可能导致错误的预算分配决策。

Pu​: 用户 u的触点路径序列；
Ck​: 路径中最后一次触点；
wc(u)​: 渠道 c从用户 u转化中获得的归因权重（0或1）；
Creditc​: 渠道 c获得的总转化功劳；
rc​: 渠道 c的功劳比例；
B: 总营销预算；
Bc​: 分配给渠道 c的预算。

集合（触点集合、用户集合）、计数、加总、比例。数学特征简单，主要是计数和求和。

描述性、分配性。语言如“转化的功劳100%归于最后一次接触的渠道”。

1. 数据收集：收集所有转化用户的完整触点路径数据（需用户标识跨设备追踪）。
2. 路径处理：对每个转化用户 u，识别其触点路径 Pu​和最后触点 Ck​。
3. 归因分配：对每个用户 u，为其最后触点所属渠道 c的功劳 Creditc​加1。
4. 聚合统计：对所有转化用户循环后，得到每个渠道的总功劳 Creditc​。
5. 计算比例：rc​=Creditc​/∑c​Creditc​。
6. 输出与应用：输出各渠道功劳及比例。可用于调整预算分配。

转化功劳的“流”是100%地从转化事件，沿着用户路径，反向流动到最后一个触点，并在此停止。这是一种“赢家通吃”的单点分配流。预算根据功劳比例流向各渠道。

理论基础：简单的启发式，认为最后触点直接促成了转化。认知特征：符合“最近效应”的心理直觉，简单易懂。利益特征：便于计算和汇报，但可能导致渠道间的利益冲突（上方漏斗渠道被低估）。情感/人性：忽略了用户决策旅程的复杂性。

数据处理和聚合计算是批量进行的，但可能涉及海量用户行为日志。
CPU： 中。需要对海量用户路径数据进行扫描、排序（找最后触点）、聚合统计。需要分布式计算框架（如Spark）。
内存： 高。在聚合阶段需在内存中维护渠道功劳计数器，或使用分布式键值存储。
存储盘： 极高。存储全量用户级别的触点日志，数据量巨大（PB级）。
IO/网络： 极高。从存储读取海量日志，写入聚合结果。
队列： 用户行为数据通常通过消息队列（如Kafka）实时摄入数据湖，供批处理作业计算。

归因是信息处理过程。基于归因的预算分配决策会影响资金流向不同的营销渠道（如搜索引擎、社交媒体平台），这些渠道是数字或物理的广告空间。

B-0013

管理

供应链

库存控制

经济订货批量 (EOQ) 模型

1. 假设：需求率 D（单位时间需求量）恒定且已知。订货提前期 L恒定。每次订货固定成本 K。单位货物单位时间持有成本 h。不允许缺货。瞬时补货。无限规划期。
2. 决策变量：订货批量 Q（每次订多少）。目标：最小化单位时间总平均成本 C(Q)。
3. 成本构成：
a. 订货成本：单位时间订货次数为 D/Q，故单位时间订货成本为 K⋅(D/Q)。
b. 持有成本：平均库存水平为 Q/2（因需求恒定，库存从 Q线性下降至0），故单位时间持有成本为 h⋅(Q/2)。
c. 采购成本（与 Q无关的常数）在此忽略。
4. 总成本函数：C(Q)=QKD​+2hQ​。
5. 优化：对 Q求导：C′(Q)=−Q2KD​+2h​。令 C′(Q)=0得：
2h​=Q2KD​⇒Q∗=h2KD​​。此即经济订货批量 (EOQ)。
6. 相关结果：
- 最优订货周期 T∗=Q∗/D=hD2K​​。
- 最小单位时间总成本 C∗=C(Q∗)=2KDh​。
- 再订货点 ROP=D⋅L（当库存降至 ROP时发出订单）。
7. 敏感性：总成本函数在 Q∗附近相对平坦，Q轻微偏离 Q∗对总成本影响不大。

模型是确定性的，忽略了需求波动和提前期波动。在实际随机环境下，需与安全库存结合使用。精度依赖于参数 K,D,h估计的准确性。

微积分优化， 库存控制理论。

需求稳定、价值不高的标准品（如办公用品、原材料）的库存管理。特征：经典模型，形式简单优美，揭示了订货成本与持有成本之间的权衡。

D: 年（或单位时间）需求量（常数）；
K: 每次订货的固定成本；
h: 单位货物单位时间的持有成本；
Q: 订货批量（决策变量）；
L: 订货提前期（常数）；
ROP: 再订货点；
C(Q): 单位时间总成本。

微积分（求导求极值）、代数、优化、函数（总成本是 Q的双曲线函数）。

规范性、优化性。语言如“最优订货批量 Q∗=2KD/h​，平衡了订货成本和持有成本”。

1. 参数估计：从历史数据估计年平均需求 D，通过财务数据估算单次订货固定成本 K和单位年持有成本 h（通常表示为货物价值的一个百分比）。
2. 计算EOQ：Q∗=h2KD​​。
3. 计算再订货点：ROP=D⋅L（其中 L以年为单位，需与 D的时间单位一致）。
4. 实施策略：持续盘点库存水平 I。当 I≤ROP时，发出订货量为 Q∗的订单。
5. 输出：输出 Q∗,T∗,ROP等关键参数。

库存水平随时间呈“锯齿形”流动：每次订货 Q∗使库存瞬时增加 Q∗，随后以恒定速率 D下降，直至触发下一次订货。成本和资金流：订货成本在每次下单时发生，持有成本随平均库存水平持续产生。决策流是确定性的（Q∗,ROP）。

理论基础：库存控制的基础模型。认知特征：揭示了批量订货中“固定成本 vs. 持有成本”的经典权衡。利益特征：最小化与库存相关的总运营成本。关系特征：是供应链中采购与仓储职能之间的协调点。

计算EOQ是轻量级的。但为海量SKU计算和更新EOQ参数需要批量处理。
CPU： 低。简单算术运算。
内存： 低。
存储盘： 中。存储每个SKU的参数和计算结果。
IO/网络： 低。
队列： 可用于调度SKU的参数更新计算任务。

决策触发实物订单，占用采购和物流通道。货物在仓库中存储，占用物理仓储空间。时间资源体现在订货提前期 L和订货周期 T∗。

B-0014

管理

项目管理

进度规划

关键路径法 (CPM)

1. 项目分解：将项目分解为一系列活动（任务）。确定各活动的持续时间 t(i)、紧前关系（哪些活动必须在本活动之前完成）。
2. 构建网络图：用节点表示活动（或事件，这里以活动节点为例），有向边表示逻辑关系。形成一个有向无环图 (DAG)。
3. 正向计算（最早时间）：
- 最早开始时间 (ES)：ES(Start)=0。对于活动 j，若其有紧前活动集合 P(j)，则 ES(j)=maxi∈P(j)​{ES(i)+t(i)}。
- 最早完成时间 (EF)：EF(j)=ES(j)+t(j)。
项目总工期​ T=maxj​EF(j)，在终点节点达到。
4. 反向计算（最晚时间）：
- 最晚完成时间 (LF)：LF(End)=T。对于活动 i，若其有紧后活动集合 S(i)，则 LF(i)=minj∈S(i)​{LF(j)−t(j)}。
- 最晚开始时间 (LS)：LS(i)=LF(i)−t(i)。
5. 计算时差：
- 总时差 (TF)：TF(i)=LS(i)−ES(i)=LF(i)−EF(i)。表示活动 i可以延误而不影响总工期的最大时间。
6. 确定关键路径：总时差 TF(i)=0的所有活动组成的路径即为关键路径。关键路径上的任何活动延误都会导致总工期延误。

CPM假设活动持续时间是确定性的。精度依赖于对 t(i)估计的准确性。误差会导致关键路径识别错误和工期预测偏差。

图论（有向无环图）， 动态规划（最长路径）， 项目管理。

建筑工程、软件开发、产品研发等项目的进度计划与工期控制。特征：识别决定项目总工期的关键活动序列，帮助管理者聚焦重点。

活动 i：项目中的任务；
t(i): 活动 i的持续时间；
P(j): 活动 j的所有紧前活动集合；
S(i): 活动 i的所有紧后活动集合；
ES(i),EF(i): 最早开始/完成时间；
LS(i),LF(i): 最晚开始/完成时间；
TF(i): 总时差；
T: 项目总工期。

图论（DAG，路径）、集合、逻辑（紧前关系）、动态规划（正向递推和反向递推）、代数（最大值、最小值计算）、顺序（拓扑排序）、计算与算法特征（O(N+E)复杂度）。

结构性、规划性。语言如“关键路径是网络中从开始到结束的最长路径，决定了项目的最短可能工期”。

1. 活动定义与排序：列出所有活动，确定持续时间 t(i)和紧前关系，进行拓扑排序。
2. 正向遍历计算ES/EF：按拓扑顺序遍历每个活动 j：
ES(j)=maxi∈P(j)​EF(i)（若 P(j)为空，则 ES(j)=0）
EF(j)=ES(j)+t(j)
项目总工期 T=maxj​EF(j)。
3. 反向遍历计算LF/LS：按拓扑逆序遍历每个活动 i：
LF(i)=minj∈S(i)​LS(j)（若 S(i)为空，则 LF(i)=T）
LS(i)=LF(i)−t(i)
4. 计算时差：TF(i)=LS(i)−ES(i)。
5. 识别关键路径：找出所有 TF(i)=0的活动。从起点到终点，连接 TF=0且满足逻辑关系的活动，即得到关键路径。
6. 输出：输出每个活动的ES, EF, LS, LF, TF，以及关键路径和总工期 T。

项目的“进度流”沿着网络图从起点流向终点。正向递推计算最早时间，代表了工作尽可能早开始的推进方向。反向递推计算最晚时间，代表了不延迟总工期的最迟要求。关键路径是网络中“最拥挤”的流量通道，其上没有空闲时间（时差），决定了项目工期这个“瓶颈”的容量。

理论基础：网络计划技术。认知特征：将复杂项目可视化，突出关键活动和瓶颈。利益特征：帮助项目经理优化资源配置（将非关键活动资源调配到关键活动以缩短工期），控制项目时间和成本。关系特征：活动间的依赖关系定义了工作流和团队协作顺序。

CPM计算是项目计划时的一次性工作或更新计划时的周期性工作，无高并发需求。但对于超大型项目（数万活动），计算量可观。
CPU： 低。图遍历，复杂度线性于活动数+边数。
内存： 中。存储活动网络图和各类时间参数。
存储盘： 低。存储项目计划数据。
IO/网络： 低。
队列： 不需要。

网络图是虚拟的项目计划。关键路径上的活动占用关键的人力、设备、场地等物理资源，它们的延误会直接占用更多项目日历时间。时间资源是核心管理对象。

B-0015

营销

客户行为

预测模型

逻辑回归（二分类）

1. 问题：预测二分类结果 Y∈{0,1}（如客户是否购买、是否流失）。给定特征向量 X=(x1​,x2​,...,xp​)。
2. 逻辑函数：希望模型输出 $P(Y=1

X)，即给定特征下Y=1的概率。使用逻辑函数（Sigmoid）将线性组合映射到(0,1)：<br>P(Y=1

X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + ... + \beta_p x_p)}} = \sigma(\beta^T X)。<br>其中\beta = (\beta_0, \beta_1, ..., \beta_p)^T是系数向量，\sigma(z) = 1/(1+e^{-z})。<br>∗∗3.几率与Logit∗∗：定义几率odds = P/(1-P)。则logit(P) = \ln(odds) = \beta^T X。逻辑回归是几率的对数（log−odds）的线性模型。<br>∗∗4.参数估计（MLE）∗∗：给定n个独立样本(X_i, Y_i)，似然函数为：<br>L(\beta) = \prod_{i=1}^n P_i^{Y_i} (1-P_i)^{1-Y_i}，其中P_i = P(Y_i=1

X_i)。<br>对数似然：<br>\ell(\beta) = \sum{i=1}^n [Y_i \ln(P_i) + (1-Y_i)\ln(1-P_i)]。<br>最大化\ell(\beta)得到最大似然估计\hat{\beta}。无闭式解，通常用迭代优化算法（如牛顿−拉弗森法、梯度下降）。<br>∗∗5.牛顿−拉弗森迭代∗∗：\beta^{(t+1)} = \beta^{(t)} - H^{-1}(\beta^{(t)}) \nabla \ell(\beta^{(t)})，其中梯度和海森矩阵为：<br>\nabla \ell(\beta) = \sum_i (Y_i - P_i) X_i = X^T (Y - P)。<br>H(\beta) = -\sum_i P_i(1-P_i) X_i X_i^T = -X^T D X，D是对角阵，D{ii} = P_i(1-P_i)。<br>∗∗6.预测∗∗：对新样本X{new}，计算\hat{P} = \sigma(\hat{\beta}^T X{new})。若\hat{P} > threshold（如0.5），则预测\hat{Y}=1$，否则为0。

精度常用准确率、AUC、对数损失等衡量。模型误差来自特征选择的适当性、线性假设以及对数损失的优化程度。过拟合是常见问题，可通过正则化缓解。

广义线性模型， 最大似然估计， 优化理论。

信用评分、客户流失预测、疾病诊断、广告点击率预测。特征：输出概率解释性好，可处理类别和连续特征，是二分类问题的基础模型。

Y: 二分类因变量（0或1）；
X: 自变量/特征向量（p维）；
β: 逻辑回归系数向量（待估参数）；
$P(Y=1

X):条件概率；<br>\sigma(z):Sigmoid函数；<br>n$: 样本量。

概率与统计（最大似然估计、伯努利分布）、优化（凸优化、牛顿法）、代数、微积分（梯度、海森矩阵）、函数（Sigmoid函数）、收敛性（优化算法收敛）。

预测性、概率性。语言如“给定特征 X，

B-0016

利益链

供应链协同

契约理论 + 博弈论

收益共享契约

1. 问题：供应商（S）以成本 c生产产品，以批发价 w卖给零售商（R）。R以零售价 p销售，面临随机需求 D。在分散决策下（Stackelberg博弈，S为领导者），存在双重边际化，系统总利润低于集中决策的最优利润。收益共享契约旨在协调供应链。
2. 契约形式：S以较低的批发价 w（通常 w<c）将产品卖给R。作为交换，R将其销售收入的一部分 ϕ（0≤ϕ≤1）返还给S。因此，R保留 (1−ϕ)的收入份额。
3. 利润函数：
- 零售商利润：ΠR​(q)=(1−ϕ)pE[min(q,D)]−wq。
- 供应商利润：ΠS​(q)=ϕpE[min(q,D)]+(w−c)q。
- 系统总利润：Πtotal​(q)=ΠR​+ΠS​=pE[min(q,D)]−cq。
4. 协调条件：要使零售商选择的订货量 qR∗​等于系统最优订货量 qtotal∗​， 需满足一阶条件一致。系统最优 qtotal∗​满足：p⋅(1−F(qtotal∗​))=c， 其中 F是需求CDF。
零售商的一阶条件：(1−ϕ)p(1−F(qR∗​))=w。
令 qR∗​=qtotal∗​， 则需 (1−ϕ)p(1−F(qtotal∗​))=w。代入系统最优条件 p(1−F)=c， 得协调条件：
w=(1−ϕ)c。
5. 利润分配：只要 w=(1−ϕ)c， 零售商就会选择系统最优产量。利润在S和R间的分配由 ϕ决定，可通过谈判确定，确保双方利润均不低于分散决策时的利润（参与约束）。

在满足协调条件和参与约束下，理论上可以实现供应链完美协调（达到集中控制利润）。实际中，需求分布 F和成本 c的信息不对称会影响契约执行效果。

供应链协调理论， 契约理论， Stackelberg博弈， 报童模型扩展。

DVD租赁（如百视达）、新鲜产品供应链、图书销售。特征：通过收入分成替代批发价，激励零售商增加订购量，消除双重边际化，常用于需求不确定、产品价值易逝的行业。

c: 供应商单位生产成本；
w: 批发价（决策变量）；
p: 零售价（通常假设固定）；
ϕ: 供应商享有的收入份额（决策变量）；
D: 随机需求，CDF为 F；
q: 零售商订购量（决策变量）；
ΠR​,ΠS​: 零售商和供应商利润。

优化（一阶条件）、期望、概率分布、博弈论、协调条件、代数方程。

协调性、契约性。语言如“供应商降低批发价，以换取零售商收入分成，从而激励零售商订购系统最优数量”。

1. 确定系统最优：给定 p,c,F， 求解 qtotal∗​满足 p(1−F(q))=c。
2. 设计契约参数：选择 ϕ∈[0,1]， 并设定 w=(1−ϕ)c以确保协调。
3. 验证参与约束：计算在此 (w,ϕ)下，S和R的利润 ΠS​,ΠR​， 并与分散化Stackelberg均衡下的利润比较。如果任一方利润降低，需调整 ϕ直至双方都接受（通常存在一个 ϕ的区间）。
4. 签约与执行：S和R签订契约 (w,ϕ)。R根据 ΠR​最大化决定订购 q∗=qtotal∗​。销售结束后，R将收入 ϕpmin(q∗,D)支付给S。

利润流在供应商和零售商之间被重新分配。原本单一的批发价资金流被拆解为：一个降低的“预付款”流 (wq) 和一个基于实际销售的后置“分成”流 (ϕpmin(q,D))。这种结构将供应商的利益与零售商的销售业绩更紧密地绑定，激励流保持一致，推动订购量 q流向系统最优。

理论基础：供应链合同理论。认知特征：通过改变支付结构（从固定价格到收入分成）来对齐激励。利益特征：提高供应链整体蛋糕（利润），并通过谈判分享增量收益。关系：从简单的买卖关系转向风险共担、利益共享的伙伴关系。

契约设计和参数计算是离线完成的。但执行时需要跟踪销售收入以计算分成，可能涉及大量交易记录的处理。
CPU： 低。计算最优订购量和契约参数。
内存： 低。
存储盘： 中。存储销售数据和契约条款。
IO/网络： 中。需要供应商和零售商系统间的数据对接以审计收入。
队列： 用于处理销售数据同步和分成结算的异步任务。

契约是虚拟的协议。其实施影响实物的生产订单 q∗和物流。分成资金的支付通过银行系统（物理/数字通道）。谈判和执行契约消耗管理时间。

B-0017

营销/舆论

社会网络传播

随机过程 + 图论

独立级联模型

1. 模型设定：在一个社交网络 G=(V,E)中，每个节点代表个体，初始有一些节点被激活（如采纳某个观点、产品）。传播过程按离散时间步 t=0,1,2,...进行。
2. 传播规则：在每个时间步 t， 上一轮（t−1）新被激活的节点 v有一次机会尝试激活其每个尚未激活的邻居 u。激活尝试以概率 pvu​成功（独立于其他尝试）。如果成功，u在时间 t变为激活状态，并能在 t+1步尝试激活其邻居。无论成功与否，v在后续轮次中不再尝试激活 u。一个节点一旦激活，将保持激活状态。
3. 数学描述：设 At​为 t时刻已激活的节点集合。过程从种子集 A0​开始。在 t时刻，对每个在 t−1时刻新激活的节点 v∈At−1​∖At−2​， 及其每个未激活邻居 u∈/At−1​， 以概率 pvu​将 u加入候选集 Ct​。然后 At​=At−1​∪Ct​。
4. 传播规模：最终激活的节点总数 $

A_\infty

是随机变量，取决于种子集、网络结构和概率p_{vu}。通常用蒙特卡洛模拟来估计其期望值。<br>∗∗5.影响力最大化∗∗：给定预算k，选择k个节点的种子集S，以最大化预期的最终传播范围\sigma(S)$。这是一个NP-hard问题，常用贪心算法（利用子模性）近似求解。

模型是对信息/行为传播的简化模拟。传播概率 pvu​难以精确获取，常从历史传播数据中学习或设为常数。模拟结果存在方差。

随机过程， 图论， 影响力最大化， 子模函数优化。

病毒式营销、谣言传播、创新扩散、社会运动动员。特征：考虑网络结构和随机性，是研究复杂传染的基础模型之一，计算传播范围需模拟。

G=(V,E): 社交网络图；
pvu​: 节点 v激活节点 u的概率（边权重）；
At​: 时刻 t已激活节点集合；
S: 初始种子集；
σ(S): 种子集 S的预期影响范围（最终激活节点数）。

图论、随机过程、概率、集合、蒙特卡洛模拟、组合优化（子模函数最大化）。

传播性、随机性。语言如“激活像涟漪一样在网络中扩散，每个新激活的节点有一次机会以一定概率激活其邻居”。

1. 初始化：给定网络 G， 激活概率 pvu​， 种子集 S。设 A0​=S， t=0。
2. 传播迭代：
while 在 t步有新节点被激活：
  Ct+1​=∅
  for 每个在 t步新激活的节点 v∈At​∖At−1​:
    for 每个 v的未激活邻居 u∈N(v)∖At​:
      以概率 pvu​将 u加入 Ct+1​。
  At+1​=At​∪Ct+1​
  t=t+1
3. 输出：最终激活集 A∞​及其大小 $\sigma(S) =

A_\infty

。<br>（为估计\mathbb{E}[\sigma(S)]$， 需重复上述模拟多次取平均）

B-0018

利益链

博弈论

非合作博弈计算

纳什均衡计算（线性互补问题）

1. 问题：求解 n人非合作博弈的纳什均衡，特别是有限策略博弈（双矩阵博弈）或具有线性支付函数的博弈。
2. 双矩阵博弈：两个玩家，玩家1的收益矩阵为 A(m×n)， 玩家2的收益矩阵为 B(m×n)。混合策略：玩家1以概率向量 x∈Δm选择行，玩家2以 y∈Δn选择列。期望收益：u1​(x,y)=xTAy， u2​(x,y)=xTBy。
3. 纳什均衡条件：(x∗,y∗)是纳什均衡，当且仅当：
x∗TAy∗≥eiT​Ay∗,∀i=1,...,m且 x∗TBy∗≥x∗TBej​,∀j=1,...,n。
即，在给定对方策略下，每个玩家没有单方面偏离到任何纯策略的动机。
4. 转化为线性互补问题(LCP)：引入松弛变量和非负条件，上述均衡条件等价于寻找向量 (x,y,r,s)≥0满足：
r=Ay−1⋅(xTAy)且 xTr=0
s=BTx−1⋅(xTBy)且 yTs=0
以及概率单纯形约束 ∑i​xi​=1， ∑j​yj​=1。这可以写成一个标准的LCP: w=Mz+q， w≥0， z≥0， wTz=0。
5. 求解：使用Lemke-Howson算法（一种互补主元算法）或将其作为非线性规划求解。对于多人博弈，可转化为非线性互补问题或使用拟牛顿法、不动点迭代等。
6. 近似算法：对于大型博弈，可使用无悔学习算法（如Fictitious Play）的长期平均收敛到均衡。

对于双矩阵博弈，Lemke-Howson算法总能找到一个均衡，但可能指数级时间。LCP方法是精确的，但计算复杂度随策略空间增长而急剧上升。

博弈论， 线性互补规划， 计算复杂性， 不动点理论。

计算广告（广告主与平台的博弈）、网络安全攻防、拍卖设计中的均衡分析。特征：将均衡求解转化为标准计算问题，是分析博弈结果的必要步骤。

A,B: 玩家1和2的收益矩阵；
x,y: 玩家1和2的混合策略概率向量；
Δm: m维概率单纯形；
r,s: 松弛变量/机会损失向量；
M,q,w,z: LCP的标准形式矩阵和向量。

线性代数、优化、互补问题、不动点、概率单纯形、计算复杂性。

计算性、求解性。语言如“纳什均衡条件等价于一个互补松弛系统，可用数值算法求解”。

1. 问题表述：给定收益矩阵 A,B， 或更一般地，玩家的支付函数和策略空间。
2. 模型转化：将纳什均衡条件转化为LCP或非线性方程组。
3. 算法选择与求解：
a. 对于小规模双矩阵博弈，使用 Lemke-Howson 算法。
b. 对于一般博弈，使用基于不动点迭代的算法（如单纯形剖分法）或将其表述为非线性规划用通用求解器求解。
4. 解的分析：输出找到的均衡策略 (x∗,y∗)及均衡收益。检查是否存在多个均衡。

均衡计算是一个“搜索流”，在联合策略空间 Δm×Δn中寻找满足不动点条件的点。Lemke-Howson算法沿着互补路径进行“主元旋转”，在单纯形的边界上流动，直到找到满足 wTz=0的点。这个过程是策略组合向均衡点的定向流动。

理论基础：计算博弈论。认知特征：将均衡的“存在性”证明转化为“可计算性”问题。利益特征：预测博弈的稳定结果，用于机制设计和策略分析。

求解均衡通常是离线分析。但在线学习博弈（如实时竞价）中，算法需要快速计算对对手策略的最佳反应，这可以视为近似的均衡计算过程，并发需求高。
CPU： 中高。LCP求解或迭代算法需要一定计算量，大规模博弈计算复杂。
内存： 中。存储收益矩阵和中间变量。
存储盘： 低。
IO/网络： 低。
队列： 可用于管理不同博弈实例的求解任务。

均衡是虚拟的策略配置文件。基于均衡预测的行动（如出价、防御配置）会占用真实世界的资源（广告预算、网络安全设备）。计算本身消耗CPU时间和能源。

B-0019

监管/利益链

信用评估

统计分类

Logistic回归评分卡

1. 模型基础：使用逻辑回归模型预测二分类事件（如违约 Y=1， 正常 Y=0）的概率 $P(Y=1

X) = 1/(1+e^{-(\beta_0+\beta^T X)})。<br>∗∗2.评分卡转换∗∗：为了业务可解释性，将逻辑回归的log−odds转换为线性评分。定义分值Score = A - B \cdot \ln(odds)，其中odds = P/(1-P)。通常设定：在某个特定比值odds_0时，分值为P_0；当odds翻倍（变为2\cdot odds_0）时，分值增加PDO（PointstoDoubletheOdds）。解得B = PDO / \ln(2)，A = P_0 + B \cdot \ln(odds_0)。<br>∗∗3.变量分箱与WOE∗∗：对连续变量和类别变量进行分箱，计算每个箱的∗∗证据权重(WOE)∗∗：WOE_i = \ln(\frac{%Good_i}{%Bad_i}) = \ln(\frac{G_i/G{total}}{B_i/B{total}})。WOE反映了该箱的违约风险与整体平均的差异。<br>∗∗4.模型拟合∗∗：用逻辑回归拟合Y与各变量WOE值的关系：\ln(odds) = \beta_0 + \sum_{j=1}^p \beta_j \cdot WOE_j(x_j)。<br>∗∗5.分数计算∗∗：将系数\beta_j和WOE代入，得到每个特征的得分：Score = A - B \cdot [\beta_0 + \sum_j \beta_j \cdot WOE_j(x_j)] = (A - B\beta_0) - B \sum_j \beta_j \cdot WOE_j(x_j)。常数项(A-B\beta_0)为基础分，每个特征贡献-B\beta_j \cdot WOE_j(x_j)$ 分。
6. 分数刻度：通常设定分数越高，信用越好（违约概率越低）。

评分卡模型稳健、可解释性强。精度用KS统计量、AUC等衡量。分箱和WOE处理可以增强模型的稳健性和线性拟合能力。

逻辑回归， 证据权重(WOE)， 信息值(IV)， 评分系统构建。

银行信用卡审批、消费金融贷款审批、企业信用评级。特征：将统计模型输出转化为易于业务人员理解和使用的整数分数，是金融业信用风险管理的标准工具。

Y: 二元目标变量（1=违约/坏，0=正常/好）；
X: 特征变量向量；
P: 违约概率；
odds: 好坏比；
A,B: 评分刻度参数；
P0​,odds0​: 基准分对应的概率和比值；
PDO: 比值翻倍时的分值变动；
WOE: 证据权重；
β: 逻辑回归系数。

逻辑回归、对数、WOE计算、分箱、线性变换、评分系统。

评估性、可解释性。语言如“通过WOE和逻辑回归将特征映射为信用分数，分数越高，违约风险越低”。

1. 数据准备与分箱：对特征变量进行分箱（等频、等宽、决策树），使得每箱内WOE单调。
2. 计算WOE和IV：计算每个箱的WOE，以及每个特征的IV（IV=∑i​(%Goodi​−%Badi​)⋅WOEi​）以筛选特征。
3. 逻辑回归拟合：用保留的特征的WOE值作为自变量，拟合逻辑回归模型，得到 β0​和 βj​。
4. 设定评分刻度：选择 P0​（如违约率1%对应 odds0​=99）和 PDO（如20），计算 A,B。
5. 生成评分卡：计算每个特征每个箱的得分：pointsij​=−B⋅βj​⋅WOEij​。总得分 Score=(A−Bβ0​)+∑pointsij​。
6. 验证与部署：在测试集上验证评分卡的区分能力（AUC）和稳定性（PSI），然后部署上线。

信息流从原始特征值出发，经过“分箱”归类，转换为“WOE”值（风险信号强度），再通过逻辑回归系数 β进行加权聚合，得到log-odds流。最后通过线性变换，将log-odds流映射到易于理解的“分数流”。这是一个多阶段的信息浓缩和标准化流动过程。

理论基础：信用评分模型、统计分类。认知特征：将复杂的风险判断简化为一个分数，极大提高了决策效率。利益特征：用于自动化审批，降低坏账损失，扩大业务规模。关系：量化了客户与金融机构之间的信用关系。

模型训练是离线的，但线上评分是高并发实时服务。5000万用户申请信贷，并发评分压力大。
CPU： 中。线上评分主要是查表（分箱得分）和求和，计算轻量。但模型训练（逻辑回归拟合）需要计算。
内存： 中。需要加载评分卡模型（分箱切点、各箱得分）。
存储盘： 中。存储训练数据和模型。
IO/网络： 中。接收申请特征，返回分数。
队列： 用于缓冲高并发的信用评分请求。

B-0020

营销/利益链

广告拍卖

博弈论+优化

广义第二价格拍卖 (GSP)

1. 设定：n个广告主竞争 K个广告位（K≤n）。广告位 j的点击率为 αj​（α1​>α2​>...>αK​）。广告主 i对一次点击的估值为 vi​（私人信息），报告出价 bi​。
2. 分配规则：按出价 bi​降序排列，出价最高的得到位置1，次高得位置2，依此类推。
3. 付费规则：获得位置 j的广告主支付的价格，等于获得位置 j+1的广告主的出价（或略高一点），即 pj​=b(j+1)​。如果 K=n， 则最后一名支付其出价或保留价 r。这就是“广义”第二价格——每个胜者支付下一个广告主的出价。
4. 广告主效用：获得位置 j的广告主 i的期望效用为：ui​=αj​(vi​−pj​)。
5. 与VCG比较：GSP不是VCG机制，因此说真话 bi​=vi​不一定是占优策略。但在一些均衡概念下（如对称纳什均衡），存在均衡出价策略。在实践中，GSP因其简单易理解被广泛采用（如谷歌、百度早期）。
6. 财团优化：作为平台方（财团），收入为 ∑j=1K​αj​pj​。平台可以通过设置保留价 r、调整点击率估计 αj​或改用VCG等机制来优化收入。

GSP机制简单，但缺乏激励相容性，可能导致出价策略复杂和效率损失。实际中，广告主通过自动出价工具动态调整，系统可能接近某种均衡。

拍卖理论， 机制设计， 在线广告。

搜索引擎关键词广告、展示广告位拍卖。特征：互联网广告最主要的拍卖机制之一，计算简单，易于在大规模实时竞价中实施。

n: 广告主数量；
K: 广告位数量；
αj​: 广告位 j的点击率（期望点击次数）；
vi​: 广告主 i对一次点击的估值；
bi​: 广告主 i的出价；
pj​: 广告位 j的支付价格（每次点击）；
r: 拍卖保留价。

排序、支付计算、博弈均衡分析、优化（平台收入最大化）。

拍卖性、实时性。语言如“胜者按下一名的出价付费，简单直观，是搜索引擎广告的基石”。

1. 请求到达：用户发起搜索，触发广告拍卖。
2. 收集出价：广告交易平台向符合条件的广告主征集出价 bi​。
3. 排序与分配：按 bi​降序排序，前 K名获得广告位。
4. 计算收费：对 j=1到 K: pj​=max(b(j+1)​,r)。如果 j=K且 K=n， 则 pK​=max(b(K+1)​,r)可能取保留价 r。
5. 计费：当用户点击广告时，向对应广告主收取 pj​。

广告位的“注意力资源流” αj​被分配给出价最高的广告主。资金流从广告主流向平台，流量为 αj​pj​。GSP规则创造了一个特殊的“价格流”：每个位置的价格由下一个位置的竞争激烈程度（出价）决定，形成了一种链式的、相互依赖的定价流。

理论基础：拍卖理论在互联网的应用。认知特征：符合“价高者得，但只需支付刚好击败下一位的价格”的直觉。利益特征：平台最大化收入，广告主在博弈中争取性价比最高的流量。

每次搜索触发一次拍卖，需要极短时间（毫秒级）内完成。5000万并发搜索（用户）对应海量拍卖，计算和排序压力极大。
CPU： 极高。需要对海量广告候选进行快速排序和计价。
内存： 极高。需要缓存广告主出价、点击率预测模型、广告素材等。
存储盘： 极高。存储广告索引、用户画像、历史日志。
IO/网络： 极高。需要从多个数据源实时获取特征，并向广告主实时返回竞价结果。
队列： 核心组件。用于缓冲海量竞价请求，进行并行处理。

拍卖是虚拟的、瞬间的匹配过程。但拍卖决定的广告展示，占用用户的屏幕注意力（数字空间）和时间。点击后的跳转和转化，占用网站服务器和可能的线下服务资源。

B-0021

利益链/监管

网络分析

社区发现

Louvain算法 (模块度优化)

1. 目标：将网络中的节点划分成社区（簇），使得社区内部的连接紧密，社区之间的连接稀疏。
2. 模块度Q：衡量划分质量的标准。定义为：
Q=2m1​∑i,j​[Aij​−2mki​kj​​]δ(ci​,cj​)。
其中 A是邻接矩阵，m是总边数，ki​是节点 i的度，ci​是节点 i所属社区，δ(ci​,cj​)=1当 ci​=cj​，否则为0。括号内项表示边 ij的实际存在与在随机零模型下期望存在的差值。
3. 算法思想：贪心优化模块度 Q。分为两个阶段反复迭代：
a. 局部移动：遍历每个节点 i， 将其从原社区移除，尝试放入其每个邻居 j所在的社区，计算 Q的增益 ΔQ。将 i移至能使 ΔQ最大（且为正）的邻居社区。重复此过程直到没有节点能通过移动增加 Q。
b. 社区压缩：将第一阶段得到的每个社区缩成一个新的超级节点。社区内部的边权重压缩为超级节点的自环权重，社区间的边权重合并为超级节点间的边权重。得到一个新的加权网络。
c. 重复a和b，直到模块度 Q不再增加。
4. 优点：速度快，能处理大规模网络，无需预先指定社区数量。

算法找到的是局部最优解，对初始划分敏感。模块度分辨率限制问题：可能无法识别出小于一定规模的社区。

图论， 社区发现， 模块度优化， 贪心算法。

社交网络中的圈子发现、论文引用网络中的研究领域划分、功能脑网络分区、供应链网络中的企业集群识别。特征：高效的无监督社区发现算法，适合大规模网络，层次化输出社区结构。

G=(V,E): 网络图；
A: 邻接矩阵（可加权）；
m: 总边数（或总权重）；
ki​: 节点 i的度（或强度和）；
ci​: 节点 i的社区标签；
Q: 模块度；
ΔQ: 移动节点带来的模块度变化。

图论、模块度计算、贪心优化、迭代、层次聚类、矩阵/网络压缩。

发现性、聚类性。语言如“通过不断移动节点到邻居社区以最大化模块度，并将社区压缩，层次化地发现网络中的紧密群体”。

1. 初始化：将每个节点分配到一个单独的社区。计算初始模块度 Q。
2. 第一阶段：局部移动
do:
  for 每个节点 i(随机顺序):
    计算将 i从其当前社区移除的 ΔQremove​。
    for 每个邻居 jof i:
      计算将 i移至 j所在社区的 ΔQmove​。
    找到使 ΔQ最大（且>0）的社区，执行移动。
until 没有节点的移动能增加 Q。
3. 第二阶段：社区压缩
  将上一步得到的社区构建为新网络的节点。
  计算新节点间的边权重（社区间边数）和新节点的自环权重（社区内边数）。
4. 迭代：用压缩后的新网络，重复步骤2和3，直到 Q不再提高。
5. 输出：输出层次化的社区结构。

社区结构在算法的迭代中“浮现”。节点像被“引力”吸引，流向能使局部模块度 ΔQ增加最多的邻居社区。压缩阶段将密集连接的节点群“坍缩”为新的超节点，在更粗的粒度上重复这个“引力”过程。最终形成一个层次化的、稳定的社区结构流。

理论基础：网络科学、社会网络分析。认知特征：符合“物以类聚，人以群分”的直觉，从连接数据中发现潜在群体。利益特征：用于识别财团内部的利益小团体、竞争对手联盟、潜在并购目标等。关系：揭示了网络中的隐性组织结构。

Louvain算法处理大规模网络效率很高。但为超大规模图（数十亿节点）运行仍需分布式计算。
CPU： 高。需要多次遍历节点和计算 ΔQ， 但复杂度近似线性。
内存： 高。需要将整个网络图加载到内存。
存储盘： 高。存储原始网络数据。
IO/网络： 中。
队列： 可用于调度分布式图计算任务。

社区是虚拟的网络结构。但基于社区识别的策略（如针对特定圈子的营销、监管重点监控某个企业集群）会影响实体资源的分配和行动。

B-0022

监管

异常检测

集成学习

孤立森林 (B-0034的延伸：特征与扩展)

1. 核心回顾：通过随机划分特征空间隔离样本，异常点因稀疏而易于被隔离，路径长度短。
2. 扩展：解释性：可以计算每个特征在隔离一个样本时的贡献。沿着样本 x在树 t上的路径，每次划分基于特征 q和分割值 p。可以记录特征 q在该次划分中带来的不确定性减少（或隔离程度）。对所有树中该特征的贡献取平均，得到特征异常贡献度。
3. 扩展：流数据：可以增量更新孤立森林。定期用新数据训练新的树，加入森林，并淘汰最旧的树，以适应概念漂移。
4. 扩展：有监督/半监督：可以将异常得分作为特征，与其他特征一起输入分类器（如梯度提升树）进行有监督训练，以结合领域知识。
5. 参数优化：关键参数：树的数量 t， 子采样大小 ψ。通常 ψ=256效果不错。t越多，得分估计越稳定。可通过在已知正常/异常样本上计算AUC来调优。

对全局异常有效，对局部异常和上下文异常可能效果不佳。在高维数据中，随机划分可能效率降低。得分阈值需根据业务设定。

集成学习， 随机划分， 无监督学习， 异常检测。

网络入侵检测（识别异常登录、DDoS流量）、金融反欺诈（识别异常交易）、工业传感器异常监测、数据清洗（识别脏数据）。特征：无监督、高效、可扩展、对训练数据中的异常点不敏感，适合作为基准模型。

(同B-0034，增加: )
Fi​: 特征 i的异常贡献度；
AUC: 受试者工作特征曲线下面积，用于评估和调参。

集成、随机、树、路径长度、贡献度、AUC评估。

检测性、高效性。语言如“通过构建多棵随机划分树，快速识别那些容易被‘孤立’的异常点”。

1. 训练阶段：
for i=1to t:
  随机采样 ψ个样本。
  构建孤立树 iTreei​， 递归随机选择特征和分割点，直到树达到高度限制或节点样本数<=1。
2. 预测阶段：
for 每个样本 x:
  for 每棵 iTreei​:
    计算 x的路径长度 hi​(x)。
  计算平均路径长度 hˉ(x)。
  计算异常得分 s(x)=2−hˉ(x)/c(ψ)。
3. （扩展）特征贡献：在计算路径时，记录每次划分使用的特征，根据划分有效减少了多少不确定度来分配贡献值，累计得到各特征的贡献 Fi​。

同B-0034，信息流从样本特征空间流向“可隔离性”度量。扩展的特征贡献分析，可以追溯是哪些特征的值导致样本被快速隔离，提供了异常原因的“逆向信息流”。

理论基础：基于隔离的异常检测。认知特征：直觉简单——异常点与众不同，容易被挑出来。利益/监管特征：自动化、高效地发现潜在的风险或欺诈行为，节省人力审查成本。

同B-0034，训练和预测速度快，适合在线检测。高并发检测需要并行化。
CPU： 中。预测时遍历森林，可并行。
内存： 中。存储树结构。
存储盘： 低。
IO/网络： 中。接收待检测数据流。
队列： 用于缓冲检测请求。

同B-0034，检测是信息过程。检测结果触发后续动作，占用调查、处置的人力时间和系统资源。

B-0023

营销/监管

情感分析

自然语言处理

基于Transformer的情感分类 (如BERT)

1. 模型架构：使用Transformer编码器（如BERT）作为基础。输入文本经过分词、添加特殊标记（[CLS], [SEP]）后，转换为词元ID序列，并加上位置编码和段落编码，形成输入嵌入。
2. 自注意力机制：核心是多头自注意力层。对于输入序列 X， 通过线性变换得到查询 Q、键 K、值 V矩阵。注意力得分：Attention(Q,K,V)=softmax(dk​​QKT​)V。多头机制将 dmodel​维的 Q,K,V投影到 h个不同的 dk​,dk​,dv​维子空间，计算注意力后拼接并投影。
3. 预训练与微调：BERT通过掩码语言模型（MLM）和下一句预测（NSP）任务在大规模语料上预训练，学习通用的语言表示。对于情感分类任务，在预训练模型顶部添加一个分类层（全连接层+softmax）。使用带标签的情感数据集（如正面/负面/中性）对整体模型进行微调。
4. 分类：通常取 [CLS] 标记的最终隐藏状态 h[CLS]​∈RH作为整个序列的表示，通过一个分类层 W∈RK×H得到每个类别的分数：s=softmax(Wh[CLS]​+b)， 其中 K是情感类别数。
5. 训练：使用交叉熵损失函数：L=−∑c=1K​yc​log(sc​)， 其中 y是one-hot标签。用优化器（如AdamW）更新参数。

在现代NLP任务上达到SOTA性能。精度依赖预训练语料的质量和领域相关性，以及微调数据的质量和规模。对短文本、含噪声文本（如社交媒体）仍有一定挑战。

深度学习， 自然语言处理， Transformer， 自注意力机制， 迁移学习。

产品评论情感分析、社交媒体舆情监控、客户服务对话情感识别、新闻情感倾向分析。特征：上下文感知能力强，能处理复杂句法和语义，是当前情感分析的主流技术。

输入文本: 序列 of tokens；
词元ID序列: {token_ids}；
嵌入: E(序列长 × 隐藏维)；
Q,K,V: 查询、键、值矩阵；
dk​,dv​,h: 注意力头维度、数量；
h[CLS]​: [CLS]标记的最终隐藏状态；
W,b: 分类层参数；
s: 预测的情感概率分布；
y: 真实标签。

线性代数、矩阵乘法、softmax、交叉熵损失、梯度下降、深度学习、自注意力。

理解性、分类性。语言如“利用Transformer模型理解文本上下文，并判断其表达的情感极性”。

1. 文本预处理：分词，添加[CLS]和[SEP]，转换为ID序列，并填充/截断到固定长度。
2. 模型前向传播：
a. 查找词嵌入、位置嵌入、段落嵌入，求和得到输入表示。
b. 通过多层Transformer编码器，每层包含多头自注意力和前馈网络，残差连接和层归一化。
c. 取最后一层[CLS]位置的输出 h[CLS]​。
d. 通过分类层得到逻辑值，经softmax得概率分布 s。
3. 计算损失：L=−∑yc​logsc​。
4. 反向传播与更新：计算梯度，更新模型参数（微调时更新全部或部分参数）。
5. 预测：对新文本，执行步骤1和2的前向传播，取概率最大的类别作为预测情感。

文本信息流从词元序列开始，经过嵌入层转换为稠密向量流。在Transformer编码器中，信息通过自注意力机制在序列内所有位置间“流动”和“聚合”，每个位置都能直接关注到序列中任何其他位置的相关信息。经过多层这样的“全局信息交换流”，最终在[CLS]位置汇聚成一个包含全文语义的表示向量，再流向分类器产生情感标签流。

理论基础：深度学习、表示学习。认知特征：模拟人类阅读时的“联系上下文”理解能力。利益特征：自动化、大规模地分析消费者意见、市场情绪，用于产品改进、品牌管理和投资决策。情感：直接分析和量化文本中的情感内容。

情感分类是高并发NLP服务。5000万并发（如微博舆情实时分析）需要极强的计算能力。
CPU/GPU： 极高。Transformer模型（尤其是大型模型）推理计算量大，需要GPU集群。
内存： 极高。加载大型预训练模型（如BERT-large有340M参数）需要数GB显存。高并发时需要多副本负载均衡。
存储盘： 高。存储预训练模型权重和微调后的模型。
IO/网络： 高。实时接收文本数据流，返回情感结果。
队列： 必需。用于缓冲海量的文本处理请求，分发给GPU实例。

分析对象是文本信息流，通过互联网传输（占用带宽）。分析结果用于指导营销活动、公关应对等，这些行动占用物理世界的人力、渠道和时间资源。模型训练消耗巨大的计算资源和能源。

B-0024

管理

预测

线性模型

多元线性回归 (OLS估计)

1. 模型设定: 假设因变量 Y与 p个自变量 X1​,X2​,...,Xp​存在线性关系：Y=β0​+β1​X1​+...+βp​Xp​+ϵ。其中 ϵ是随机误差，满足 E(ϵ)=0， Var(ϵ)=σ2， 且与 X无关。
2. 矩阵表示: 对于 n个样本， Y=Xβ+ϵ。其中 Y是 n×1向量， X是 n×(p+1)设计矩阵（第一列为1）， β是 (p+1)×1系数向量， ϵ是 n×1误差向量。
3. 目标函数: 最小化残差平方和 (RSS)：RSS(β)=∥Y−Xβ∥2=(Y−Xβ)T(Y−Xβ)。
4. 求解 (OLS)：对 β求导，令梯度为零：∇RSS=−2XT(Y−Xβ)=0，得到正规方程：XTXβ=XTY。
5. 最优解：若 XTX可逆，则 β^​OLS​=(XTX)−1XTY。这是 β的最佳线性无偏估计 (BLUE)（在 Gauss-Markov 定理假设下）。
6. 预测与评估: 预测值 Y^=Xβ^​。残差 e=Y−Y^。σ^2=RSS/(n−p−1)是 σ2的无偏估计。R2=1−RSS/TSS度量拟合优度。
7. 假设检验: 用 t=β^​j​/SE(β^​j​)检验单个系数显著性，SE(β^​j​)=σ^2(XTX)jj−1​​。

精度用 R2、均方根误差(RMSE)衡量。误差来源：模型误设、异方差、自相关、多重共线性、异常值。OLS估计在假设满足时是最优的。

高斯-马尔可夫定理， 最小二乘法， 线性代数， 数理统计。

销售预测、成本预测、风险管理因子建模、计量经济分析。特征：模型简单、解释性强，是许多复杂模型的基础组件。

Y: 因变量向量 (n×1)；
X: 自变量矩阵 (n×(p+1))；
β: 系数向量 ((p+1)×1)；
ϵ: 误差向量 (n×1)；
β^​: OLS估计系数；
Y^: 预测值向量；
e: 残差向量；
RSS: 残差平方和。

代数（矩阵运算、求逆）、优化（最小化二次函数）、几何（投影）、概率统计（估计、检验）、线性、微积分（求导）。

描述性、解释性。语言如“Y可被X的线性组合解释，系数 β衡量了X对Y的边际效应”。

1. 数据准备：将数据整理为 n行（样本）p+1列（特征+常数项）的矩阵 X和 n维向量 Y。通常进行标准化或中心化。
2. 计算：计算矩阵 XTX和 XTY。
3. 求解：计算 (XTX)−1，然后 β^​=(XTX)−1XTY。
4. 预测：对新样本 xnew​， y^​new​=xnewT​β^​。
5. 诊断：计算残差、R2、进行假设检验等。

信息流从自变量 X通过线性变换 β流向因变量 Y的预测值 Y^。残差 e是未能被解释的信息流。OLS方法通过最小化 e的平方和，确定了 β的最优“传导系数”。

理论基础：经典计量经济学。认知特征：易于理解（“在其他条件不变的情况下，X增加1单位，Y平均变化 β单位”）。利益特征：用于识别关键驱动因素、进行预测以支持决策。

模型训练是离线批处理。但对于5000万并发实时预测，每次预测只是一个点积运算。
CPU： 训练时需要矩阵求逆 (O(p3)) 和乘法 (O(np2))。预测时极低 (O(p))。高并发预测需要大量CPU核心。
内存： 训练需存储 X,Y矩阵，O(np)。模型 β^​很小 (O(p))。高并发时需将模型加载到内存。
存储盘： 存储训练数据和模型参数。
IO/网络： 训练时读取数据，预测时传入特征 xnew​。
队列： 预测请求队列。

预测结果是信息。基于预测的决策（如增产、调价）会影响实体运营，占用生产资源、物流通道和时间。

B-0025

营销

客户细分

无监督学习

K-Means聚类算法

1. 目标：将 n个数据点 {x1​,...,xn​}(每个 xi​∈Rd) 划分到 k个簇中，使得簇内方差最小（类内相似性最大）。
2. 形式化：找到 k个簇中心 {μ1​,...,μk​}和分配方案 c(i)∈{1,...,k}，最小化：J=∑i=1n​∥xi​−μc(i)​∥2。
3. 算法 (Lloyd‘s algorithm)：迭代优化，两步交替：
a. 分配步骤：固定 μj​， 将每个点分配到最近的中心：c(i)=argminj​∥xi​−μj​∥2。
b. 更新步骤：固定 c(i)， 重新计算每个簇的中心为该簇所有点的均值：$\mu_j = \frac{1}{

S_j

} \sum_{i \in S_j} x_i，其中S_j = {i: c(i)=j}。<br>∗∗4.初始化∗∗：常用K−Means++初始化，以改善收敛到局部最优的问题。随机选第一个中心，后续中心以与已有中心距离平方成正比的概率选取。<br>∗∗5.收敛∗∗：目标函数J在每次迭代后不增，算法收敛到局部最优。通常设置最大迭代次数或中心移动阈值。<br>∗∗6.选择k∗∗：通过肘部法则（看J随k$ 下降的拐点）、轮廓系数等确定。

聚类质量用轮廓系数、簇内距离/簇间距离比衡量。对初始值敏感，可能陷入局部最优。对非球形簇、不同大小/密度的簇效果不佳。

向量量化， 期望最大化(EM)思想的硬分配版本， 优化（交替最小化）。

客户细分、市场分区、图像分割、文档聚类。特征：简单高效，是应用最广泛的聚类算法，但需预先指定k，且对异常值敏感。

n: 样本数；
d: 特征维度；
k: 预设的簇数；
xi​: 第 i个数据点 (d维向量)；
μj​: 第 j个簇的中心点；
c(i): 点 i的簇标签；
Sj​: 属于簇 j的点集；
J: 目标函数（失真度）。

几何（距离、质心）、优化（交替优化、非凸）、迭代、收敛性、集合（点集划分）、计算特征（每次迭代 O(nkd)）。

描述性、分类性。语言如“将数据点划分到k个组，使得组内点彼此相似，组间点差异较大”。

1. 初始化：用K-Means++或其他方法选择 k个初始中心 μ1(0)​,...,μk(0)​。设 t=0。
2. 循环直到收敛：
a. 分配：对每个点 i=1到 n，计算到所有中心的距离，分配到最近中心：c(t)(i)=argminj​∥xi​−μj(t)​∥2。
b. 更新：对每个簇 j=1到 k，重新计算中心：$\mu_j^{(t+1)} = \frac{1}{

S_j^{(t)}

} \sum_{i \in S_j^{(t)}} x_i，其中S_j^{(t)} = {i: c^{(t)}(i)=j}。<br>c.∗∗判断收敛∗∗：如果所有|\mu_j^{(t+1)} - \mu_j^{(t)}|< \epsilon或达到最大迭代次数，停止；否则t \leftarrow t+1，返回步骤a。<br>3.∗∗输出∗∗：最终簇中心{\mu_j}，簇分配{c(i)}，和目标函数值J$。

B-0026

营销

关联分析

频繁项集挖掘

Apriori算法

1. 问题：从事务数据库 D中挖掘频繁项集。事务是项的集合。项集 I的支持度 sup(I)是包含 I的事务所占比例。给定最小支持度阈值 min_sup，目标是找出所有满足 sup(I)≥min_sup的项集 I。
2. 先验原理：如果一个项集是频繁的，那么它的所有子集也一定是频繁的。逆否命题：如果一个项集是非频繁的，那么它的所有超集也一定是非频繁的。这是Apriori剪枝的核心。
3. 算法流程：采用逐层搜索（由 k项集生成候选 k+1项集）。
a. 第一轮：扫描数据库，统计所有1-项集的支持度，找出频繁1-项集 L1​。
b. 迭代：对于 k≥1， 由频繁 k-项集 Lk​生成候选 (k+1)-项集 Ck+1​， 然后扫描数据库计算 Ck+1​中每个候选的支持度，筛选出频繁 (k+1)-项集 Lk+1​。
c. 生成候选：$C_{k+1} = {i \cup j \mid i, j \in L_k,

i \cap j

= k-1 }，即连接两个有k-1个共同项的频繁k−项集，然后∗∗剪枝∗∗：删除C_{k+1}中那些包含非频繁k−子集的项集。<br>d.∗∗终止∗∗：当无法生成新的频繁项集时停止。<br>∗∗4.关联规则生成∗∗：对每个频繁项集I，生成所有非空真子集A \subset I，规则A \Rightarrow (I \setminus A)。计算置信度conf = sup(I) / sup(A)，保留大于min_conf$ 的规则。

挖掘结果是精确的（给定阈值）。算法效率对 min_sup敏感，过低会导致组合爆炸。内存和I/O是主要瓶颈。

组合数学， 先验原理， 搜索算法。

购物篮分析（“啤酒与尿布”）、交叉销售推荐、网站页面关联、生物信息学。特征：挖掘项之间的共存关系，规则易于理解。

D: 事务数据库；
T: 一个事务（项的集合）；
I: 一个项集；
sup(I): 项集I的支持度；
min_sup: 最小支持度阈值；
min_conf: 最小置信度阈值；
Lk​: 频繁 k-项集的集合；
Ck​: 候选 k-项集的集合。

集合（项集、事务）、组合（项集生成、子集测试）、逻辑（先验原理用于剪枝）、搜索（宽度优先）、计数、离散。

关联性、规则性。语言如“如果购买了A，那么很可能也购买B”。

1. 初始化：k=1。扫描数据库 D， 对每个项计数，得到 C1​和支持度计数。
2. 生成频繁1-项集：L1​={i∈C1​∣sup(i)≥min_sup}。
3. 循环：while Lk​=∅:
a. 候选生成：Ck+1​=Apriori-Gen(Lk​)(连接+剪枝)。
b. 支持度计数：扫描 D， 对每个事务 T， 检查 T包含了 Ck+1​中的哪些候选，增加其计数。
c. 筛选：Lk+1​={c∈Ck+1​∣sup(c)≥min_sup}。
d. k=k+1。
4. 输出频繁项集：⋃k​Lk​。
5. 生成规则：对每个频繁项集 I， 对其每个非空子集 A， 计算 conf(A⇒I∖A)， 如果 ≥min_conf则输出规则。

信息流从事务数据库流向频繁项集。搜索流是宽度优先的：从单个项开始，通过“连接”操作，项集像滚雪球一样合并生长；同时，“剪枝”操作像过滤器，剪掉不可能成为频繁的项集分支。最终，频繁项集从大量可能组合中“浮现”出来。

理论基础：数据挖掘中的关联规则。认知特征：发现数据中隐藏的、看似不直观的关联模式。利益特征：用于交叉销售、捆绑销售、货架摆放优化，直接提升销售额。关系：揭示了产品/服务之间的潜在联系。

B-0027

利益链

博弈论

非合作博弈

纳什均衡 (纯策略)

1. 博弈要素：一个标准式博弈包含：玩家集 N={1,...,n}；每个玩家 i的策略集 Si​；每个玩家 i的支付函数 ui​:S1​×...×Sn​→R。
2. 策略组合：s=(s1​,...,sn​)表示一个策略组合， s−i​表示除 i外其他玩家的策略。
3. 纳什均衡定义：一个策略组合 s∗=(s1∗​,...,sn∗​)是纳什均衡，如果对于每一个玩家 i， 都有：ui​(si∗​,s−i∗​)≥ui​(si​,s−i∗​)， ∀si​∈Si​。即，给定其他玩家都选择均衡策略，没有任何一个玩家有动机单方面偏离自己的均衡策略。
4. 求解 (2人有限博弈)：常用划线法（最优反应分析）。
a. 对玩家1的每个策略，找出玩家2的最优反应（支付最高的策略），在对应支付下划线。
b. 对玩家2的每个策略，找出玩家1的最优反应，在对应支付下划线。
c. 如果一个单元格的两个支付都被划了线，则该单元格对应的策略组合是一个（纯策略）纳什均衡。
5. 连续策略空间求解：通常通过求解反应函数的交点。对每个玩家 i，求解其支付最大化问题：maxsi​​ui​(si​,s−i​)，得到一阶条件 ∂ui​/∂si​=0， 这定义了玩家 i对其他玩家策略 s−i​的最优反应函数 BRi​(s−i​)。纳什均衡是方程组 si∗​=BRi​(s−i∗​)对所有 i同时成立的解。

纳什均衡是一种一致性预测。但博弈可能有多个均衡（选择问题）或没有纯策略均衡（需考虑混合策略）。均衡概念本身不涉及动态调整过程。

非合作博弈论， 不动点定理（纳什存在性定理）， 优化（个体最优化）。

寡头竞争（古诺模型、伯川德模型）、拍卖分析、议价、公共品提供。特征：博弈论的核心解概念，预测理性玩家的稳定策略状态。

N: 玩家集合；
Si​: 玩家 i的策略集；
si​: 玩家 i的一个策略；
s,s−i​: 策略组合；
ui​(⋅): 玩家 i的支付函数；
BRi​(⋅): 玩家 i的最优反应对应。

集合、优化（个体效用最大化）、不动点、代数（解方程组）、逻辑（均衡条件）、存在性、多重性。

预测性、稳定性。语言如“在纳什均衡中，每个玩家的策略都是对其他玩家策略的最优反应”。

1. 建模：定义玩家、策略集、支付矩阵或支付函数。
2. 寻找最优反应：
a. 离散：用划线法遍历。
b. 连续：对每个玩家 i，固定 s−i​， 求解 argmaxsi​​ui​(si​,s−i​)， 得到反应函数 si​=BRi​(s−i​)。
3. 求解均衡：
a. 离散：检查所有策略组合，看是否满足均衡定义。
b. 连续：联立所有玩家的反应函数方程组：s1∗​=BR1​(s2∗​,...,sn∗​)， ...， sn∗​=BRn​(s1∗​,...,sn−1∗​)。解此方程组得到均衡策略组合 s∗。
4. 验证：检查 s∗是否满足均衡不等式条件。

博弈的“状态流”收敛到一个不动点，即纳什均衡。每个玩家的策略选择流向对其他玩家策略的最优反应。当所有玩家的策略流相互契合、达到稳定时，就形成了均衡。反应函数描述了策略之间的相互流向关系。

理论基础：非合作博弈论。认知特征：体现了“相互预期”的理性思维：我选择最优策略基于我认为你会选择什么，而你也基于此选择你的最优策略。利益特征：均衡结果是玩家在互动中利益权衡的稳定结局。关系：描述了竞争或合作互动中的策略依存关系。

求解纳什均衡通常是离线分析计算。但在自动竞价、算法交易等场景，算法需要实时计算对对手策略的最优反应，存在高并发计算需求。
CPU： 中。求解反应函数方程组或遍历策略组合。高维或连续博弈求解可能复杂。
内存： 低。存储支付矩阵或函数。
存储盘： 低。
IO/网络： 低。除非是分布式博弈求解。
队列： 在实时应用场景，对手策略信息通过消息队列传递。

均衡是虚拟的策略稳定状态。均衡下的行动（如企业定价、产量）会占用市场资源，影响价格、产量等实体经济变量。时间是博弈的进行维度。

B-0028

经营

投资绩效

风险调整收益

夏普比率

1. 定义：衡量每承受一单位总风险（以标准差表示）所获得的超额收益（超过无风险收益的部分）。
2. 公式：SR=σp​E[Rp​]−Rf​​。
其中 Rp​是投资组合收益率， Rf​是无风险利率， σp​=Var(Rp​)​是组合收益率的标准差（总风险）。
3. 计算步骤：
a. 收集投资组合的历史收益率序列 {rp,t​}t=1T​和对应时期的无风险利率序列 {rf,t​}。
b. 计算组合平均超额收益：Rp​−Rf​​=T1​∑t=1T​(rp,t​−rf,t​)。
c. 计算组合收益率的标准差：σ^p​=T−11​∑t=1T​(rp,t​−rˉp​)2​， 其中 rˉp​是 rp,t​的均值。
d. 计算样本夏普比率：SR=σ^p​Rp​−Rf​​​。
4. 年化：如果收益率是周期性的（如日、月），需年化。假设收益率序列独立同分布，年化夏普比率 SRann​=SR×m​， 其中 m是每年期数（如日数据 m≈252）。
5. 解释：夏普比率越高，表明投资组合的风险调整后表现越好。可用于比较不同风险水平投资组合的业绩。

是一个样本统计量，存在估计误差。依赖于历史数据，且假设收益服从正态分布或稳定分布，对极端值敏感。

现代投资组合理论的延伸， 比率统计量。

基金业绩评价、投资策略比较、资产配置评估。特征：最经典和最常用的风险调整后收益指标，易于计算和理解。

Rp​: 投资组合随机收益率；
Rf​: 无风险利率；
σp​: 组合收益率的标准差；
SR: 夏普比率（理论值）；
SR: 样本夏普比率；
T: 样本数（时间长度）；
m: 年化频率。

概率统计（期望、标准差、比率估计）、随机性、代数。

评价性、比较性。语言如“该组合的夏普比率为1.5，意味着每承担1%的风险，预期获得1.5%的超额收益”。

1. 数据准备：获取投资组合的历史净值序列，计算各期收益率 rp,t​。获取对应期限的无风险收益率 rf,t​。
2. 计算超额收益序列：xt​=rp,t​−rf,t​。
3. 计算统计量：xˉ=T1​∑xt​， σ^p​=T−11​∑(rp,t​−rˉp​)2​。
4. 计算比率：SR=xˉ/σ^p​。
5. 年化：SRann​=SR×m​。
6. 输出：输出夏普比率数值。

这是一个从原始收益率数据流向一个综合绩效指标的“浓缩”过程。收益和风险信息被合并为一个标量比值，用于排序和比较。资金流向夏普比率更高的基金或策略是一种常见现象。

理论基础：现代投资组合理论的绩效度量。认知特征：将“收益”和“风险”两个维度合二为一，便于直观比较。利益特征：是基金经理论功行赏、投资者选择产品、资产配置的核心依据之一。人性：反映了投资者对“性价比”（收益/风险）的追求。

计算夏普比率是轻量级的离线计算。但为5000万用户各自计算其投资组合的夏普比率，并发汇总时计算量中等。
CPU： 低。主要是均值和标准差计算。并行处理海量组合时需求增加。
内存： 中。需缓存每个组合的历史收益率序列以计算。
存储盘： 高。存储所有投资组合的历史净值数据。
IO/网络： 中。读取净值数据。
队列： 可用于调度批量计算任务。

夏普比率是虚拟的绩效指标。基于此指标的资金流动会通过申购赎回影响基金规模，进而影响基金经理在真实市场的交易行为，占用交易通道。

B-0029

利益链

网络分析

影响力/重要性

PageRank算法

1. 思想：将网页视为节点，链接视为有向边。一个网页的重要性由链接到它的网页的重要性决定，且链接出去多的网页对其所链接网页的贡献权重会被稀释。
2. 随机游走模型：假设一个随机冲浪者沿着链接随机浏览。在任意时刻，冲浪者有两种选择：以概率 α从当前页面随机点击一个链接前往下一个页面；以概率 1−α随机跳转到任意一个页面（均匀分布）。α称为阻尼因子，通常取0.85。
3. 定义：网页 i的PageRank值 PR(i)是随机冲浪者长期停留在该页面的概率。
4. 公式：PR(i)=N1−α​+α∑j∈B(i)​L(j)PR(j)​。
其中 N是网页总数， B(i)是指向 i的网页集合， L(j)是网页 j的出链数量。
5. 矩阵形式：设 PR为 N维向量， A为链接矩阵，若 j→i有链接，则 Aij​=1/L(j)，否则为0。则 PR=N1−α​1+αATPR。这是一个线性方程组，解为 PR=(1−α)/N(I−αAT)−11。
6. 迭代计算：初始化 PR(0)(i)=1/N。迭代：PR(k+1)=N1−α​1+αATPR(k)。直到向量变化小于阈值。
7. 处理悬挂点：出链为0的网页，假设其链接到所有网页（包括自身），即其行向量为 [1/N,...,1/N]。

PageRank是特征向量中心性的一种。收敛到的稳态分布是唯一的。精度体现在排名上，而非绝对值的细微差别。

随机过程（马尔可夫链）， 线性代数（特征向量）， 图论。

网页排名（Google）、社交网络影响力分析、文献引用分析、网络节点重要性排序。特征：考虑全局链接结构，能有效识别权威页面，抵抗局部操纵。

N: 图中节点数；
PR(i): 节点 i的PageRank值；
α: 阻尼因子 (通常0.85)；
B(i): 指向 i的节点集；
L(j): 节点 j的出度；
A: 随机游走转移概率矩阵 (列随机)；
1: 全1向量。

图论、线性代数（矩阵运算、特征值）、概率（马尔可夫链、稳态分布）、迭代、收敛性、随机性。

评价性、排序性。语言如“一个页面的重要性取决于指向它的页面的数量和质量”。

1. 建图：构建网页链接图，计算每个节点的出度 L(j)，处理悬挂节点。
2. 初始化：PR(0)=[1/N,...,1/N]T。
3. 迭代：
for k=0,1,2,...until convergence:
  for each node i:
    PR(k+1)(i)=N1−α​+α∑j∈B(i)​L(j)PR(k)(j)​
或使用矩阵乘法：PR(k+1)=N1−α​1+αATPR(k)。
4. 收敛判断：∥PR(k+1)−PR(k)∥1​<ϵ。
5. 输出：按 PR值降序排列节点。

“重要性”或“影响力”作为一种虚拟资源，沿着有向边在图中流动。每个节点将其自身的重要性平均分配给其指向的邻居。通过迭代，重要性在网络中不断重新分配和流动，最终达到一个稳态分布，即每个节点持有的重要性份额不再变化。

理论基础：网络科学、链接分析。认知特征：符合“被越多重要人物推荐，你就越重要”的社会认知。利益特征：在搜索引擎中决定了流量分配，直接影响网站的商业价值。关系：量化了有向关系网络中的节点权势。

PageRank通常是离线对全网图进行计算，计算量巨大。更新频率可以是天或周级别。
CPU： 极高。迭代矩阵乘法，复杂度与图中边数成正比。需要大规模分布式计算（如Pregel, GraphX）。
GPU： 适合加速稀疏矩阵运算。
内存： 极高。需要将整个网页链接图（数十亿节点，万亿边）存储在分布式内存中。
存储盘： 极高。存储原始链接数据和中间结果。
IO/网络： 极高。在迭代过程中需要大量节点间通信（在分布式图计算中）。
队列： 用于管理分布式计算任务。

PageRank值是虚拟的影响力分数。基于此分数的搜索结果排序，决定了用户注意力的流向（点击流），进而影响网站流量和广告收入，这是数字空间的核心资源。

B-0030

管理

风险评估

模拟方法

蒙特卡洛模拟

1. 核心思想：利用重复随机抽样和数理统计来求解确定性或随机性问题。通过模拟系统可能的行为来估计其特性的分布。
2. 一般步骤：
a. 定义模型：建立描述系统行为的概率模型。确定输入随机变量 X及其联合分布 f(X)， 以及输出变量（感兴趣的量） Y=g(X)。
b. 生成样本：从分布 f(X)中独立抽取 N个样本 X(1),X(2),...,X(N)。
c. 模型计算：对每个样本 X(i)， 计算输出 Y(i)=g(X(i))。
d. 结果分析：用 {Y(i)}i=1N​的样本统计量来估计 Y的分布特性，如：
- 均值估计：μ^​Y​=N1​∑i=1N​Y(i)。
- 方差估计：σ^Y2​=N−11​∑i=1N​(Y(i)−μ^​Y​)2。
- 分位数估计：将 Y(i)排序后取对应分位点。
- 概率估计：P(Y∈A)≈N1​∑i=1N​I(Y(i)∈A)。
3. 收敛性：由大数定律，估计量以概率1收敛到真值。估计的标准误差与 1/N​成正比。
4. 方差缩减技术：为减少所需样本数 N，可采用对偶变量、控制变量、重要性抽样等技巧。

估计精度与 N​成反比。误差是统计误差，可计算置信区间。对于高维问题，可能需要极大量的样本才能获得准确估计，计算成本高。

大数定律， 中心极限定理， 概率论与数理统计。

金融衍生品定价、风险管理（VaR/CVaR）、项目进度与成本风险分析、物理仿真、贝叶斯计算。特征：万能但计算密集的方法，适用于模型复杂、无解析解的场合。

X: 输入随机变量向量；
f(X): 输入变量的联合概率密度函数；
g(⋅): 系统模型（函数）；
Y: 输出随机变量；
N: 模拟次数（样本量）；
Y(i): 第 i次模拟的输出值。

概率统计（抽样、估计、大数定律）、随机性、积分（蒙特卡洛积分）、收敛性、计算特征（计算密集型）、极限。

模拟性、估计性。语言如“通过大量随机抽样模拟系统行为，用样本统计量估计总体特性”。

1. 问题定义：明确输入变量、其分布、以及输出变量的计算函数 Y=g(X)。
2. 初始化：设定模拟次数 N， 初始化累加器。
3. 模拟循环：for i=1to N:
a. 抽样：根据 f(X)生成一组随机数 X(i)（使用伪随机数发生器）。
b. 计算：Y(i)=g(X(i))。
c. 累积：更新统计量，如 sum=sum+Y(i)， sumsq=sumsq+(Y(i))2， 或将 Y(i)存入数组以备分析分布。
4. 分析结果：计算 μ^​Y​=sum/N， σ^Y​=(sumsq−Nμ^​Y2​)/(N−1)​， 或其他统计量。
5. 输出：输出估计值及置信区间。

信息流从输入分布的随机抽样，通过系统模型 g(⋅)的转换，流向输出样本集合。这是一个“随机数 -> 计算 -> 结果”的流水线。输出样本的经验分布近似了理论分布。

理论基础：概率论与数理统计。认知特征：用“暴力”计算代替复杂分析，是应对不确定性的强大工具。利益特征：用于量化“如果……会怎样”的情景，支持在不确定性下的决策和估值。

蒙特卡洛模拟是极度计算密集型的，尤其对于高精度要求（N很大）和复杂模型 g(⋅)。高并发需求通常来自大量独立模拟任务。
CPU/GPU： 极高。模拟可高度并行化，是GPU计算的理想应用。需要大规模计算集群。
内存： 中。每个模拟任务需要的内存取决于模型 g的复杂度。需要汇总大量结果时内存需求增加。
存储盘： 中。存储模型参数和模拟结果。
IO/网络： 中低。除非需要从存储读取大量输入数据。
队列： 用于管理和分发海量模拟任务到计算节点。

模拟是虚拟的计算过程。模拟结果用于指导现实决策（如投资、风险管理），从而影响资金、项目等实体资源的配置。时间资源是核心成本（计算时间）。

B-0031

经营

金融建模

资产价格

几何布朗运动

1. 模型：用于描述股票等资产价格 St​的随机过程。假设价格的对数收益率服从布朗运动（维纳过程）。随机微分方程形式：
dSt​=μSt​dt+σSt​dWt​。
其中 μ是漂移率（期望收益率）， σ是波动率， Wt​是标准维纳过程（布朗运动）。
2. 伊藤引理应用：对 f(St​)=lnSt​应用伊藤引理：
d(lnSt​)=(μ−21​σ2)dt+σdWt​。
3. 解析解：对上述SDE从0到t积分，得到：
lnSt​=lnS0​+(μ−21​σ2)t+σWt​。
由于 Wt​∼N(0,t)， 所以 lnSt​服从正态分布：
lnSt​∼N(lnS0​+(μ−21​σ2)t,σ2t)。
这意味着 St​服从对数正态分布。
4. 离散时间形式（用于模拟和估计）：
St+Δt​=St​exp((μ−21​σ2)Δt+σΔt​⋅z)， 其中 z∼N(0,1)。
5. 参数估计：从历史价格数据 {S0​,S1​,...,ST​}计算对数收益率 rt​=ln(St​/St−1​)。则 μ^​=rˉ/Δt+σ^2/2， σ^=std(r)/Δt​， 其中 rˉ和 std(r)是收益率的样本均值和标准差，Δt是时间间隔。

模型假设波动率恒定、收益率正态，这与现实（尖峰厚尾、波动率聚类）不符。但对许多应用（如Black-Scholes期权定价）是良好的基础近似。

随机微积分， 伊藤引理， 对数正态分布， 布朗运动。

股票价格建模、期权定价（Black-Scholes模型的基础）、风险中性测度下的资产价格模拟。特征：是金融工程中最基础的连续时间模型，具有马尔可夫性和独立增量性。

St​: 时刻 t的资产价格；
μ: 期望收益率（漂移率）；
σ: 波动率；
Wt​: 标准维纳过程；
dSt​,dWt​: 随机微分；
Δt: 时间步长。

随机过程、随机微分方程、微积分（伊藤积分）、概率分布（对数正态、正态）、极限、连续性、离散化。

描述性、随机性。语言如“资产价格服从几何布朗运动，其对数收益率服从正态分布”。

1. 参数设定：给定初始价格 S0​， 参数 μ， σ， 总时间 T， 步数 N（Δt=T/N）。
2. 模拟路径：
for i=1to N:
  生成独立标准正态随机数 zi​
  Si​=Si−1​×exp((μ−21​σ2)Δt+σΔt​zi​)
3. 输出：得到一条价格路径 {S0​,S1​,...,SN​}。
（用于估计参数时，反向操作：从价格序列计算收益率，估计 μ和 σ）

价格 St​的演化是一个具有漂移和随机扩散的连续流。漂移项 μSt​dt决定了趋势方向，扩散项 σSt​dWt​引入了围绕趋势的随机波动。这是一个连续时间的马尔可夫过程流。

理论基础：金融数学的基石。认知特征：将价格变化分解为“确定性趋势”和“随机噪声”，符合对市场的基本认知。利益特征：是衍生品定价和对冲的理论基础，直接影响交易策略和风险管理。

模拟几何布朗运动路径是蒙特卡洛模拟的子任务，计算量取决于路径数量和步数。定价和风险计算可能需要海量模拟。
CPU/GPU： 高。路径模拟可并行。
内存： 中。存储模拟路径。
存储盘： 中。存储历史价格数据用于参数估计。
IO/网络： 中。
队列： 用于管理模拟任务。

模型描述资产在虚拟“价格空间”中的运动。基于模型的交易策略（如Delta对冲）会在真实市场产生大量交易订单，占用交易通道和时间。

B-0032

管理

运营管理

精益生产

利特尔定律 (Little‘s Law)

1. 陈述：对于一个稳定的排队系统，长期平均顾客数 L等于长期平均有效到达率 λ乘以顾客在系统中的平均时间 W。即 L=λW。
2. 关键假设：系统是稳定的（平均到达率小于平均服务率，队列不长到无限）；排队规则是“先到先服务”（FCFS），但该定律对许多排队规则都成立。
3. 推导思路：考虑一个长时间段 T。在 T内到达系统的顾客总数约为 λT。每个顾客在系统中花费的平均时间为 W。那么，所有顾客在系统中花费的总时间约为 (λT)W。这个总时间也可以从系统视角看：在任意时刻 t，系统中有 L(t)个顾客，总时间就是 ∫0T​L(t)dt，其时间平均就是 L。因此，(λT)W≈∫0T​L(t)dt=LT。两边除以 T， 得到 L=λW。
4. 更一般形式：对系统的任意子集（如等待队列）也成立：Lq​=λWq​， 其中 Lq​是平均队列长， Wq​是平均等待时间。
5. 应用：已知其中两个量，可求第三个。例如，通过观测平均队长和到达率，可估算平均处理时间。

定律在稳定系统下精确成立，无需对到达过程或服务时间分布做任何假设。在实际中，L,λ,W是长期平均值，短期波动不满足此关系。

排队论的基本定理， 流量守恒定律在排队系统的体现。

系统容量规划、性能分析、瓶颈识别。适用于任何有排队现象的系统：制造车间（在制品库存=生产率×生产周期）、计算机系统、呼叫中心等。特征：极其普适和强大，是运营管理的基石关系式。

L: 长期平均顾客数（或在制品数量）；
λ: 长期平均有效到达率（或产出率）；
W: 长期平均逗留时间（或生产周期）。下标 q表示等待队列中的相应量。

流量平衡、守恒律、平均值、极限（长期平均）、稳态。数学上简单但深刻。

定律性、关系性。语言如“系统中的平均库存等于吞吐率乘以平均流程时间”。

1. 测量/估计：在足够长的时间窗口内，测量或估计三个量中的任意两个。
a. 平均库存 L：定时盘点系统中的实体数量，取平均。
b. 平均到达率 λ：记录到达间隔时间，计算其倒数。
c. 平均时间 W：对一批实体进行标记，记录其进入和离开系统的时间，计算平均值。
2. 验证/计算：检查 L是否约等于 λ×W。如果已知两个，可用公式计算第三个。
3. 应用分析：例如，如果目标是将平均流程时间 W降低到某个值，而 λ基本固定，则可推算需要将平均在制品 L控制在什么水平。

定律描述了系统中的“流量”（实体流）与“存量”（实体数）和“流速”（时间）之间的守恒关系。这是一个稳态下的平衡流：单位时间内流入系统的实体数 λ， 每个实体停留 W时间，那么系统中同时存在的实体平均数自然就是 λW。

理论基础：排队论和运营管理的基本守恒律。认知特征：揭示了系统性能指标之间的内在约束关系，深刻而直观。利益特征：帮助管理者权衡库存（资金占用）、产出率（收益）和生产周期（响应速度）之间的关系，是精益生产的核心。

利特尔定律本身是分析工具，无计算负载。但应用它所需的 L,λ,W的实时监测系统可能面临高并发数据采集和处理。
CPU： 低。公式计算。
内存： 中。实时计数和计时可能需要内存。
存储盘： 中。存储时间序列数据。
IO/网络： 中。采集传感器或日志数据。
队列： 数据采集端可能使用消息队列。

定律描述的是实体（顾客、工件、数据包）在物理系统（工厂、服务中心、网络）中的流动。直接对应物理世界的库存空间、处理设备的占用时间以及实体本身的停留时间。

B-0033

营销

客户价值

预测模型

客户生命周期价值 (CLV) 预测（基础模型）

1. 定义：CLV是客户在未来整个关系期间为公司带来的净现金流的现值。
2. 简化确定性模型：假设客户在第 t期产生的净现金流（收入-成本）为 CFt​， 折现率为 d， 客户关系持续 T期（可能无限）。则 CLV=∑t=0T​(1+d)tCFt​​。
3. 包含保留率的模型：设客户在每期结束后以概率 r保留下来（流失概率为 1−r）， 每期产生的边际贡献（利润）为 m， 获取成本为 AC， 折现率为 d。则期望CLV为：
CLV=−AC+∑t=1∞​(1+d)tm⋅rt​=−AC+m⋅1+d−rr​。
推导：客户在第 t期仍存在的概率是 rt（假设各期保留独立）， 第 t期的期望利润为 mrt， 折现后求和，利用几何级数公式。
4. 参数估计：
- m：历史平均每客户每期利润。
- r：客户保留率，可从历史数据计算：r=1−流失率。
- d：公司资本成本或给定折现率。
- AC：平均获取成本。
5. 更高级模型：使用生存分析（如Pareto/NBD模型）联合预测购买次数和客户“存活”时间。

简化模型精度取决于参数估计和“恒定保留率、恒定利润”等强假设。更高级的随机模型精度更高，但更复杂。

金融学（现值计算）， 概率论（几何分布、生存分析）， 客户关系管理。

客户细分、营销预算分配、客户获取成本上限计算。特征：将客户视为资产，量化其长期价值，是客户中心战略的核心指标。

CFt​: 第 t期的净现金流；
m: 每期边际贡献（利润）；
r: 客户保留率（每期）；
d: 折现率；
AC: 客户获取成本；
T: 客户生命周期长度。

级数（几何级数）、概率（期望值、生存概率）、现值、极限（无穷求和）、优化（基于CLV的决策）。

预测性、价值性。语言如“客户的终身价值是其未来所有利润的现值”。

1. 数据收集：收集历史客户交易数据，计算每期利润、获取成本，统计客户保留/流失情况。
2. 参数估计：
a. 估计平均每期利润 m^。
b. 估计保留率 r^（例如，年保留率）。
c. 确定折现率 d（如年化10%）。
d. 获取平均获取成本 AC。
3. 计算CLV：代入公式 CLV=−AC+m^⋅1+d−r^r^​。注意时间单位一致（如都为“年”）。
4. 客户细分：对不同客户群（根据 m^, r^不同）计算不同的CLV。
5. 应用：根据CLV对客户排序，指导资源分配。

未来现金流根据概率 rt和折现因子 (1+d)−t进行“衰减”和“折现”，然后汇总流向当前时点的现值 CLV。这是一个预期现金流的折现流。高价值客户是未来现金流的“富矿”。

理论基础：客户资产观、金融估值理论。认知特征：促使企业从单次交易思维转向长期关系思维。利益特征：是计算客户获取成本上限、评估营销活动长期ROI的根本依据。关系/情感：高CLV客户是值得投入情感和维护关系的对象。

CLV计算通常是离线批处理，为海量客户计算。但实时CLV预测（如用于实时个性化）有高并发需求。
CPU： 中。计算CLV公式简单，但预测 m和 r可能需要复杂模型。
内存： 高。需要存储客户历史行为特征和预测模型。
存储盘： 高。存储所有客户交易和交互历史。
IO/网络： 高。读写客户数据。
队列： 用于调度批量计算任务。

CLV是虚拟的价值估值。基于CLV的决策影响营销预算的流向（获取 vs. 维系）、客户服务的优先级，从而占用不同的营销和服务渠道资源。

B-0034

监管

异常检测

无监督学习

孤立森林

1. 核心思想：异常点稀少且与众不同，因此容易被“孤立”。通过随机划分特征空间，异常点通常需要更少的划分次数就能被单独隔离出来。
2. 构建孤立树 (iTree)：
a. 随机选择一个特征 q和一个分割值 p（在所选特征的最小最大值之间随机选择）。
b. 将数据集 X中 q<p的点分到左子树， q≥p的点分到右子树。
c. 递归地对左右子树重复步骤a,b，直到满足停止条件：树达到高度限制，或节点中只有一个样本，或节点中所有样本值相同。
3. 路径长度：样本 x从iTree的根节点到达叶子节点所经过的边数 h(x)，称为路径长度。
4. 异常得分：对于包含 n个样本的数据集，构建 t棵iTree。样本 x的平均路径长度为 E(h(x))。在随机划分下，路径长度的平均值为 c(n)=2H(n−1)−2(n−1)/n， 其中 H(i)是调和数，可用 ln(i)+0.577近似。异常得分定义为：
s(x,n)=2−c(n)E(h(x))​。
解释：
- 如果 E(h(x))→0， 则 s→1（很可能是异常）。
- 如果 E(h(x))→c(n)， 则 s→0.5。
- 如果 E(h(x))→n−1， 则 s→0（很可能是正常点）。
5. 训练与预测：训练阶段构建森林；预测阶段计算新样本在每棵树上的路径长度，求平均并计算得分。

对全局性异常（分布边缘的点）检测效果好，对局部异常（靠近密集区域但自身稀疏）可能不敏感。无需距离度量，对高维数据有一定效果。

随机划分， 二叉树， 平均路径长度， 异常得分的启发式定义。

金融欺诈检测、网络入侵检测、工业故障检测、数据清洗（找离群值）。特征：无监督、线性时间复杂度、适合大规模高维数据、对训练数据中异常点不敏感。

X: 训练数据集 (n个样本, d维特征)；
t: 孤立树的数量；
ψ: 子采样大小（构建每棵树时使用的样本数）；
h(x): 样本 x在一棵树中的路径长度；
E(h(x)): 样本 x在所有树中的平均路径长度；
c(n): 路径长度平均值（用于标准化）；
s(x,n): 异常得分 (0到1之间)。

随机性、树结构、递归、平均值、调和数、对数、指数。算法复杂度 O(tψlogψ)。

检测性、评分性。语言如“通过随机划分快速隔离样本，异常点路径短，得分高”。

1. 训练阶段：
for i=1to t:
  从数据集 X中随机子采样 ψ个样本。
  以该子集为根节点，递归地构建一棵孤立树（随机选特征和分割点），直到满足停止条件。
2. 预测阶段：
for 每个新样本 x:
  for 每棵孤立树 iTree:
    计算 x从根节点遍历到叶子节点的路径长度 hi​(x)。
  计算平均路径长度 hˉ(x)=t1​∑i​hi​(x)。
  计算异常得分 s=2−hˉ(x)/c(ψ)。
3. 判断：设定阈值，如 s>0.6判定为异常。

数据点在特征空间中，通过随机划分被不断“孤立”。正常点位于密集区域，需要更多次划分才能被隔离（路径长）。异常点位于稀疏区域，容易被快速隔离（路径短）。这种“可隔离性”的信息流最终汇总为异常得分。

理论基础：基于“孤立”的异常检测。认知特征：直观，异常点就是那些“鹤立鸡群”、容易被挑出来的点。利益/监管特征：用于自动发现欺诈、入侵等损害利益或违反规则的行为，保护资产和安全。

孤立森林训练和预测都很快，适合在线检测。5000万并发用户的行为检测需要实时计算得分。
CPU： 中。预测时遍历 t棵树，每棵树深度约 logψ， 速度快。高并发时需要并行计算。
内存： 中。需要存储 t棵树的模型，每棵树很小。
存储盘： 低。存储模型和阈值。
IO/网络： 中。实时接收用户行为特征向量。
队列： 用于接收待检测的事件流。

检测是信息处理。检测出的异常事件会触发人工核查、账户冻结、交易回滚等动作，这些动作会占用客服、调查人员的时间资源和系统处理资源。

B-0035

管理

决策分析

多目标优化

帕累托最优与前沿

1. 多目标问题：有 k个目标函数 f1​(x),f2​(x),...,fk​(x)需要同时优化， x∈X是决策变量（可行解集）。通常目标间存在冲突，无法同时达到各自最优。
2. 支配关系：解 xa支配​ 解 xb(记作 xa≻xb)， 当且仅当：
- 对于所有 i=1,...,k， 有 fi​(xa)≤fi​(xb)（最小化问题）， 并且
- 至少存在一个 j使得 fj​(xa)<fj​(xb)。
（对于最大化问题，不等式反向。）
3. 帕累托最优：一个解 x∗∈X是帕累托最优（或非支配）的，当且仅当不存在另一个解 x∈X支配 x∗。即，你无法在不使至少一个其他目标变差的情况下改进任何一个目标。
4. 帕累托前沿：所有帕累托最优解在目标函数空间中的像构成的集合，称为帕累托前沿（或有效边界）。它展示了目标之间的最佳可能权衡。
5. 求解方法：
a. 标量化：将多目标转化为单目标，如加权和法：min∑i=1k​wi​fi​(x)， 其中 wi​≥0。改变权重可生成帕累托前沿上的点（但可能无法得到非凸前沿上的所有点）。
b. ϵ-约束法：优化一个目标，将其他目标作为约束：minfj​(x)s.t. fi​(x)≤ϵi​,∀i=j。
c. 进化多目标优化 (MOEA)：如NSGA-II，使用非支配排序和拥挤度距离来进化出一组逼近帕累托前沿的解。

帕累托前沿是理论上的最优权衡边界。实际算法求得的是一组近似的非支配解集，逼近真实前沿。逼近精度是评估算法的重要指标。

向量优化， 偏序关系（支配）， 多目标规划。

产品设计（成本 vs. 性能）、投资组合（收益 vs. 风险）、资源配置（效率 vs. 公平）、工程优化。特征：处理冲突目标，提供一组最优折衷方案供决策者选择。

k: 目标函数的数量；
fi​(x): 第 i个目标函数；
x: 决策向量；
X: 可行解集；
≻: 支配关系；
wi​: 权重（标量化方法）；
ϵi​: 约束值（ϵ-约束法）。

集合、偏序、向量、优化、几何（前沿是目标空间中的曲面/曲线）、非凸性。

权衡性、最优性。语言如“帕累托最优解是指在任何目标上的改进必然导致其他目标的恶化”。

1. 问题建模：定义决策变量、约束、以及需要同时优化的多个目标函数。
2. 选择求解方法：例如加权和法。
3. 生成权衡解集：
for 一组不同的权重向量 {w(1),...,w(m)}:
  求解单目标优化问题：x∗=argminx​∑i=1k​wi(j)​fi​(x)， s.t. x∈X。
  记录解 x∗及其目标值 f(x∗)。
4. 过滤非支配解：从得到的所有解中，剔除被支配的解，剩下的构成近似帕累托前沿。
5. 呈现与决策：将近似帕累托前沿可视化（如散点图）呈现给决策者，由其根据偏好选择最终方案。

解在目标空间中的“分布流”被引导向帕累托前沿。支配关系像一种“选择压力”，淘汰被支配的解，保留非支配解。在进化算法中，这种压力通过非支配排序实现。最终，解群体汇聚并散布在帕累托前沿上。

理论基础：福利经济学、多目标决策分析。认知特征：承认“鱼与熊掌不可兼得”，致力于清晰展现所有最优的折衷选项。利益特征：当存在多个利益相关方（目标代表不同方的利益）时，帕累托最优是公平协商的基础。

求解帕累托前沿通常是计算密集的离线优化过程，特别是当目标函数复杂、变量多时。无高并发需求，但计算本身可能需要大量资源。
CPU： 高。需要多次求解（可能复杂的）单目标优化问题。
内存： 中。存储当前解集和前沿。
存储盘： 低。
IO/网络： 低。
队列： 可用于并行求解不同权重的子问题。

帕累托前沿是虚拟的权衡边界。最终选定的方案会转化为实体世界的资源配置、产品设计等，占用相应的物理资源。决策过程本身是耗时的。

B-0036

营销

推荐系统

协同过滤

基于用户的协同过滤

1. 核心思想：为用户推荐与其兴趣相似的其他用户喜欢的物品。
2. 输入：用户-物品评分矩阵 Rm×n​， Ru,i​表示用户 u对物品 i的评分，缺失值表示未评分。
3. 计算用户相似度：常见相似度度量：
a. 余弦相似度：sim(u,v)=∑i∈Iu​​Ru,i2​​∑i∈Iv​​Rv,i2​​∑i∈Iuv​​Ru,i​Rv,i​​， 其中 Iuv​是用户 u和 v共同评分的物品集合。
b. 皮尔逊相关系数：$sim(u, v) = \frac{\sum{i \in I{uv}} (R{u,i} - \bar{R}u)(R{v,i} - \bar{R}v)}{\sqrt{\sum{i \in I{uv}} (R{u,i} - \bar{R}u)^2} \sqrt{\sum{i \in I{uv}} (

B-0037

经营/管理

优化算法

数值优化

梯度下降法 (Gradient Descent)

1. 问题：最小化一个可微函数 f:Rn→R， 即找到 θ∗=argminθ​f(θ)。
2. 核心思想：函数的梯度 ∇f(θ)指向函数值增加最快的方向。因此，沿负梯度方向更新参数，函数值会下降。
3. 迭代公式：θ(t+1)=θ(t)−η⋅∇f(θ(t))。
其中 η>0是学习率，控制每一步的更新幅度。
4. 变种：
a. 随机梯度下降 (SGD)：在大规模机器学习中，f(θ)=m1​∑i=1m​Li​(θ)。SGD每次随机选取一个样本 i， 用其梯度 ∇Li​(θ)近似全梯度，即 θ(t+1)=θ(t)−η⋅∇Li​(θ(t))。计算量小，但更新噪声大。
b. 小批量梯度下降：折中方案，每次用一个小批量 B的样本计算梯度平均：$\theta^{(t+1)} = \theta^{(t)} - \eta \cdot \frac{1}{

B

} \sum_{i \in B} \nabla L_i(\theta^{(t)})。<br>c.∗∗带动量的梯度下降∗∗：引入动量项v来平滑更新方向，加速收敛并帮助跳出局部极小：v^{(t+1)} = \gamma v^{(t)} + \eta \nabla f(\theta^{(t)})；\theta^{(t+1)} = \theta^{(t)} - v^{(t+1)}，其中\gamma$ 是动量系数。
5. 收敛性：在凸函数且学习率适当衰减的条件下，梯度下降能收敛到全局最优。对于非凸函数（如神经网络），可能收敛到局部最优或鞍点。

收敛速度和最终解的质量对学习率 η敏感。需要精心设计学习率衰减策略。SGD的随机性使其有几率跳出较差的局部最优。

微积分（梯度）， 凸优化， 随机逼近理论。

训练机器学习模型（如逻辑回归、神经网络）的核心优化器。在财团中用于训练所有预测、分类、推荐模型。特征：是现代AI的基石算法，简单而强大。

θ: 待优化参数向量；
f(θ): 目标函数（如损失函数）；
∇f(θ): 目标函数在 θ处的梯度；
η: 学习率（步长）；
t: 迭代次数；
Li​(θ): 第 i个样本的损失；
B: 小批量样本集合；
v: 动量项；
γ: 动量系数。

微积分（梯度）、迭代、线性更新、随机性、收敛性。

优化性、迭代性。语言如“沿着目标函数下降最快的方向（负梯度）小步前进，最终找到最小值点”。

1. 初始化：随机初始化参数 θ(0)， 设定学习率 η， 迭代次数 T。
2. 迭代循环：for t=0to T−1:
a. 计算梯度：计算当前参数 θ(t)下的梯度 g(t)=∇f(θ(t))（或其随机估计）。
b. 更新参数：θ(t+1)=θ(t)−η⋅g(t)。
（带动量时，先更新 v， 再更新 θ）
3. 输出：最终参数 θ(T)作为近似最优解。

参数 θ在参数空间中流动，其流动方向由梯度场 −∇f(θ)决定，流速由学习率 η控制。优化过程是参数流沿着“损失地形”的“下坡”流动，最终汇聚到某个低洼点（局部最优）。随机梯度引入了“噪声流”，可能使参数流绕过一些小坑。

理论基础：凸优化、随机优化。认知特征：体现了“试错与改进”的学习过程。利益特征：是财团自动化、智能化决策的基础——几乎所有AI模型都依赖其训练。

B-0038

利益链/监管

机制设计

拍卖理论

第一价格密封拍卖均衡分析

1. 设定：n个竞拍者，对物品的私人估值 vi​独立同分布于区间 [0,ω]的累积分布函数 F(v)。竞拍者同时提交密封出价 bi​， 出价最高者获胜，支付其出价 bi​。这是不完全信息静态博弈。
2. 对称贝叶斯纳什均衡：寻找一个递增的投标策略函数 b=β(v)。假设其他竞拍者都采用 β(⋅)， 则估值为 v的竞拍者出价 b的期望效用为：$U(b, v) = (v - b) \cdot P(\text{win}

b) = (v - b) \cdot [F(\beta^{-1}(b))]^{n-1}。<br>∗∗3.一阶条件∗∗：最大化U(b, v)对b求导并令为零。在均衡时，b = \beta(v)。通过求解微分方程得到均衡策略。对于均匀分布v \sim U[0,1]，解为：\beta(v) = \frac{n-1}{n} v。<br>∗∗4.均衡解释∗∗：竞拍者会将其出价“压价”到低于其真实估值，压价幅度为(n-1)/n。竞争者越多（n越大），出价越接近估值，竞争越激烈，卖方收益越高。<br>∗∗5.与第二价格拍卖比较∗∗：在第一价格拍卖中，说真话（b=v$）不是均衡策略，存在“赢者诅咒”的担忧（担心估价过高）。卖方期望收益在两种标准拍卖下是等价的（收益等价定理，在独立私人估值、风险中性等条件下成立）。

均衡分析基于严格的假设（IPV， 风险中性， 对称）。现实中的竞拍者可能风险厌恶，估值可能关联，导致均衡策略变化。

拍卖理论， 博弈论（贝叶斯博弈）， 微分方程。

政府采购招标、频谱拍卖（某些国家采用）、艺术品拍卖（英式公开相当于第二价格，密封第一价格也有）。特征：竞拍者需要猜测对手策略并策略性压价，是典型的非真实偏好显示机制。

n: 竞拍者数量；
vi​: 竞拍者 i的私人估值；
bi​: 竞拍者 i的出价；
F(v): 估值的共同分布；
β(v): 对称均衡投标策略函数；
U(b,v): 期望效用。

博弈论、概率、微分方程、期望效用最大化、对称均衡。

策略性、非真实性。语言如“在第一价格密封拍卖中，竞拍者会策略性地出价低于其真实估值，均衡出价是估值的线性函数”。

1. 建模：确定竞拍者数量 n和估值分布 F(v)。
2. 求解均衡：建立期望效用函数 U(b,v)， 利用一阶条件推导出投标策略 β(v)满足的微分方程，并求解。对于均匀分布，得到 β(v)=nn−1​v。
3. 应用：如果财团作为竞拍者，其估值为 v， 则应按 b∗=β(v)出价。如果财团作为卖方，可计算期望收入 E[maxi​bi​]。
4. 比较：与第二价格拍卖比较收入，决定采用哪种拍卖形式。

私人估值 vi​是竞拍者的隐藏信息流。在均衡策略函数 β(v)的转换下，vi​被映射为策略性出价流 bi​。出价流 bi​汇聚到拍卖方，最高者胜出。资金流 bi​从胜者流向卖方。与第二价格拍卖不同，这里胜者支付的是自己“加工过”的出价流，而非他人的出价流，因此存在策略性扭曲。

理论基础：拍卖理论、机制设计。认知特征：体现了在信息不对称下，参与者需要猜测对手并策略性行动的理性思维。利益特征：帮助财团在竞标中制定最优出价策略，或作为卖方设计拍卖机制以最大化收入。

求解均衡是离线分析。在实际拍卖中，财团需要实时计算最优出价 b∗=β(v)， 并发量取决于参与的拍卖数量。但单次计算简单。
CPU： 极低。计算 β(v)。
内存： 低。
存储盘： 低。
IO/网络： 低。提交出价。
队列： 在自动竞价系统中，出价指令可能需要队列管理。

B-0039

营销/管理

预测

时间序列

自回归移动平均模型 (ARMA)

1. 模型形式：ARMA(p, q) 模型将时间序列 Xt​表示为自身过去值和过去误差的线性组合：
Xt​=c+∑i=1p​ϕi​Xt−i​+∑j=1q​θj​ϵt−j​+ϵt​。
其中 ϵt​是白噪声序列，均值为0，方差为 σ2。c是常数项。
2. 模型分量：
- AR(p)：自回归部分，反映当前值与过去 p期值的线性关系。
- MA(q)：移动平均部分，反映当前值与过去 q期冲击（误差）的线性关系。
3. 平稳性要求：AR部分对应的特征方程 1−ϕ1​z−...−ϕp​zp=0的根都在单位圆外，以保证序列（在无MA部分时）是平稳的。
4. 参数估计：给定观测序列 {x1​,...,xT​}， 通过最大似然估计或最小二乘估计参数 Φ=(ϕ1​,...,ϕp​)， Θ=(θ1​,...,θq​)， c和 σ2。
5. 模型识别：通过观察序列的自相关函数（ACF）和偏自相关函数（PACF）的截尾/拖尾特征，初步判断 p和 q的阶数。更正式地，可使用信息准则（AIC， BIC）选择模型。
6. 预测：在估计参数后，可进行向前 l步预测 X^T+l​， 并计算预测区间。

模型假设线性关系和平稳性。对非线性、非平稳（有趋势、季节性）序列效果差，需先差分（转为ARIMA）或进行变换。参数估计和阶数选择对结果敏感。

时间序列分析， 随机过程， 统计估计。

经济指标预测（如通胀率）、金融资产收益率建模、需求预测、网络流量预测。特征：经典线性时间序列模型，是理解序列相关结构的基础工具。

Xt​: 时间序列在时刻 t的观测值；
p,q: AR和MA的阶数；
ϕi​: 自回归系数；
θj​: 移动平均系数；
ϵt​: 时刻 t的白噪声误差；
c: 常数项；
σ2: 噪声方差。

随机过程、线性差分方程、自相关、参数估计、平稳性、预测。

预测性、线性。语言如“当前值可以表示为过去值的加权和，加上过去冲击的加权和，再加上一个随机冲击”。

1. 序列预处理：检验序列的平稳性。如果不平稳，进行差分等变换。
2. 模型识别：绘制ACF和PACF图，根据截尾/拖尾特征初步确定 p和 q。
3. 参数估计：用最大似然法估计选定的ARMA(p,q)模型的参数 Φ^,Θ^,c^,σ^2。
4. 模型诊断：检验残差 ϵ^t​是否为白噪声（如Ljung-Box检验）。如果不是，需调整 (p,q)重新估计。
5. 预测：使用估计好的模型，递归计算未来 l期的点预测和区间预测。

时间序列 Xt​的演化被分解为两个信息流的叠加：一个是从自身历史 Xt−i​流来的“记忆流”（AR部分），另一个是从历史冲击 ϵt−j​流来的“扰动记忆流”（MA部分），再加上当期的随机冲击流 ϵt​。模型拟合就是找出这两股历史信息流的最佳线性组合权重 (ϕi​,θj​)。预测则是将这两股信息流（基于历史数据）向前延伸。

理论基础：时间序列分析、Box-Jenkins方法论。认知特征：将时间序列视为具有记忆性和持续影响的动态过程。利益特征：用于短期业务预测，支持库存、生产、人力资源规划。

ARMA模型拟合和预测计算量中等。但为海量时间序列（如所有SKU的销量、所有传感器的读数）建模需要批量处理。预测通常是周期性进行，非极端高并发。
CPU： 中。参数估计涉及优化算法。
内存： 中。存储时间序列数据和模型参数。
存储盘： 中。存储历史时间序列数据。
IO/网络： 中。
队列： 可用于调度批量时间序列预测任务。

模型分析虚拟的时间序列数据。基于预测的决策影响实体世界的排产、备货、调价，占用产能、仓储和物流资源。预测工作本身是计划职能的时间消耗。

B-0040

利益链/监管

网络分析

中心性度量

介数中心性 (Betweenness Centrality)

1. 定义：衡量一个节点在所有其他节点对的最短路径中充当“桥梁”或“中介”的频率。对于节点 v， 其介数中心性 CB​(v)为：
CB​(v)=∑s=v=t∈V​σst​σst​(v)​。
其中 σst​是节点 s到节点 t的最短路径总数，σst​(v)是这些最短路径中经过节点 v的条数。
2. 标准化：通常除以理论上可能的最大值 (n−1)(n−2)/2（对于无向图），得到 0≤CB​‘(v)≤1。
3. 计算：对每个节点 v， 计算所有以 v为源点的单源最短路径，在过程中累加路径对 CB​的贡献。常用Brandes算法，时间复杂度 O(nm)对于无权图，O(nm+n2logn)对于带权正权图。
4. 流中介中心性：考虑所有路径（不仅是最短路径）的变体，按路径长度进行指数衰减加权。更能反映信息或资源在网络上可能沿非最优路径扩散的情况。
5. 边介数：类似地，可以定义边 e的介数中心性，衡量该边出现在所有最短路径上的频率。用于识别网络中的关键连接（如交通瓶颈、通信主干）。

对于大规模网络，精确计算所有节点对的 σst​计算量巨大，常采用采样近似。对于动态网络，中心性会随时间变化。

图论， 社会网络分析， 中心性度量， 最短路径算法。

供应链网络：识别关键物流中转枢纽，其失效会导致整个网络效率大幅下降。
通信网络：识别关键路由器或光纤，对其进行重点保护。
恐怖组织网络：识别核心联络人，抓捕后能最大程度破坏组织沟通。特征：识别网络中控制“流”的关键瓶颈节点，对网络韧性至关重要。

G=(V,E): 网络图；
CB​(v): 节点 v的介数中心性；
σst​: 节点 s到 t的最短路径数；
σst​(v): 经过 v的 s到 t的最短路径数；
n,m: 节点数和边数。

图论、最短路径计数、组合、分数、归一化、算法（Brandes）。

中心性、结构性。语言如“一个节点的介数中心性高，意味着它位于网络中许多其他节点对的最短路径上，具有很高的中介和控制潜力”。

1. 构建网络：根据关系数据构建图 G。
2. 初始化：对所有节点 v， 设置 CB​(v)=0。
3. 对每个源节点 s执行：
a. 运行单源最短路径算法（如BFS或Dijkstra），得到 s到所有 t的最短路径距离 d(s,t)和前驱关系。
b. 按照距离从大到小的顺序遍历节点 t， 累加依赖值，更新路径上节点的介数贡献。具体遵循Brandes算法的依赖累积步骤。
4. 后处理：对无向图，将累加值除以2（因为每条最短路径被计算了两次）。可进行标准化。
5. 输出：每个节点的 CB​(v)值。

网络中的“流”（信息、货物、影响力）倾向于沿最短路径流动。介数中心性度量了节点对这种“最短路径流”的“承载量”。高介数节点如同交通要道上的“收费站”或“十字路口”，大量流必须经过它。计算过程可以看作模拟所有可能的节点对之间的“流”沿最短路径走，并统计每个节点被“流”穿过的次数。

理论基础：社会网络分析、图论。认知特征：识别网络中不一定是直接连接最多，但位置最“居中”、最具战略意义的节点。利益特征：控制高介数节点就能对网络中的流动施加巨大影响，或成为其单点故障。关系：反映了节点在网络全局结构中的“桥梁”地位。

计算所有节点的精确介数中心性对于大规模网络计算量很大。需要分布式图计算框架（如Spark GraphX）或使用近似算法。通常是离线分析。
CPU： 高。O(nm)复杂度，需要大量最短路径计算。
内存： 高。存储图结构和中间计算状态。
存储盘： 高。存储原始网络数据。
IO/网络： 中。
队列： 在分布式图计算中，任务调度需要队列。

识别出的高介数节点是虚拟网络中的关键点。但这些节点对应现实中的港口、数据中心、银行清算所、关键人物等物理实体。保护或攻击这些节点，消耗的是安防资源或军事/法律资源。网络流对应真实的物流、资金流、信息流。

B-0041

营销/经营

消费者选择

离散选择模型

多项式Logit模型 (MNL)

1. 问题：消费者 i从包含 J个互斥选项的选择集 C中选择一项。选项 j对消费者 i的效用为 Uij​=Vij​+ϵij​， 其中 Vij​是确定部分（与可观测属性相关），ϵij​是随机部分，假设为独立同分布的Gumbel分布（极值I型）。
2. 选择概率：在上述假设下，消费者 i选择选项 j的概率为：
Pij​=∑k=1J​exp(Vik​)exp(Vij​)​。
这就是Logit模型的核心公式。
3. 确定效用设定：通常 Vij​=βTxij​， 其中 xij​是选项 j对消费者 i的属性向量（可能包括价格 pj​、品牌、产品特性等），β是待估参数，表示各属性对效用的边际贡献。
4. 参数估计：给定观测到的选择结果 yi​（消费者 i选择了哪个 j）， 通过最大似然估计 β。似然函数：L(β)=∏i=1N​∏j=1J​(Pij​)yij​， 其中 yij​=1如果 i选了 j，否则为0。
5. 解释：系数 βp​对应价格。通常 βp​<0。支付意愿（WTP）为其他属性系数与 −βp​的比值。市场份额预测为 sj​=N1​∑i​Pij​。
6. 局限性：独立不相关选项（IIA）属性，即任意两个选项的选择比与其它选项无关。这有时不合理（如“红巴士/蓝巴士”悖论）。

模型简单易用，但IIA假设是强限制。对价格弹性、交叉弹性的预测可能不准确。适用于选项差异明显、随机扰动独立的情况。

随机效用理论， 离散选择分析， 计量经济学， 极大似然估计。

市场份额预测、新产品设计评估、定价分析、交通方式选择。特征：应用最广泛的离散选择模型，将选择概率表示为属性指数的Softmax函数。

i: 消费者索引；
j: 选项索引；
Uij​: 消费者 i对选项 j的总效用；
Vij​: 可观测的确定效用；
ϵij​: 随机效用项；
Pij​: 选择概率；
xij​: 属性向量；
β: 属性偏好系数向量；
yij​: 观测到的选择指示变量。

随机效用、Gumbel分布、指数函数、Softmax、最大似然估计、Logit。

概率性、选择性。语言如“消费者选择某个选项的概率，与该选项的效用指数成正比，与所有选项的效用指数和成反比”。

1. 数据准备：收集每个消费者 i面临的选择集 Ci​， 每个选项 j的属性 xij​， 以及消费者实际选择 yi​。
2. 模型设定：设定确定效用函数 Vij​=βTxij​。
3. 参数估计：最大化对数似然函数 ℓ(β)=∑i​∑j​yij​lnPij​， 使用数值优化方法（如牛顿-拉弗森）求解 β^​。
4. 预测与应用：
a. 预测新选项进入市场后的份额：计算其 Vnew​， 代入公式计算 Pi,new​， 平均得预测份额。
b. 计算价格弹性：ηjk​=∂pik​∂Pij​​⋅Pij​pik​​。
5. 策略制定：基于模型，模拟不同定价、产品特性调整对市场份额和利润的影响。

消费者的“偏好流”由其个人特征和选项属性共同决定，形成确定效用流 Vij​。随机扰动流 ϵij​叠加其上，形成最终效用流 Uij​。选择概率流 Pij​是效用流经过 Softmax 竞争后的归一化结果，表征了消费者决策的“概率分布流”。市场份额流是许多个体选择概率流的聚合。

理论基础：随机效用最大化、计量经济学。认知特征：模拟消费者在不确定性和异质性下的概率性选择行为。利益特征：量化产品属性、价格、营销活动对需求的影响，用于精准的产品定位和定价策略。

模型训练（参数估计）是离线计量分析。但训练好的模型可用于在线实时预测（如个性化推荐中的点击率预测），并发量可能很高。
CPU： 中。MLE优化计算。
内存： 中。存储训练数据和模型参数。
存储盘： 中。存储消费者选择历史数据。
IO/网络： 中。
队列： 在在线预测服务中，请求队列是必要的。

选择模型是虚拟的决策模拟。但基于模型预测的市场决策，影响实体产品的设计、定价、广告投放，占用生产线、货架空间和广告渠道。消费者调研和数据收集消耗时间和金钱。

B-0042

监管/利益链

异常检测

图模式匹配

基于子图同构的洗钱网络检测模型

1. 问题：洗钱者通过复杂的交易网络（由账户为节点，交易为边）掩饰非法资金流向。其模式通常符合某些特定结构，如“星型结构”（多个账户向一个中心账户汇钱，再分散转出）、“循环交易”（资金在几个账户间循环，制造虚假流水）。
2. 图模式定义：将已知的洗钱模式定义为小的子图模式 P（模式图）。例如，星型结构可以定义为一个中心节点，周围有 k个入度和 m个出度邻居。
3. 子图匹配/同构：在庞大的交易网络 G中，寻找所有与模式 P同构的子图。子图同构是NP完全问题，但对于小模式 P和特定类型的图（如交易图通常是有向、带时间、金额标签的属性图），可以使用高效的算法（如Ullmann算法、VF2算法）或基于图数据库的索引查询。
4. 属性约束：不仅结构匹配，还需满足属性约束，如交易金额异常大、交易频率异常高、账户来自高风险地区等。将结构匹配与属性过滤结合。
5. 排序与调查：对匹配到的子图实例，根据其属性异常程度（如总金额、平均速度）进行排序，将排名最高的案例提交给人工调查员。
6. 动态检测：交易网络是动态的，需要增量更新匹配结果。可以使用流图模式匹配算法。

洗钱模式不断演变，定义的模式 P可能过时。子图同构计算复杂，在大图上需要近似或分布式计算。误报率高，需结合其他风险评估模型。

图论（子图同构）， 图数据库， 模式识别， 反洗钱（AML）。

银行和支付机构的反洗钱监控系统。监管机构对全行业交易数据的穿透式分析。特征：从海量交易网络中寻找符合犯罪特征的拓扑结构，是图算法在金融监管的典型应用。

G=(V,E): 交易网络图，节点为账户，边为交易，带有时间、金额等属性；
P: 洗钱模式图（定义好的子图结构）；
子图同构: 寻找 G中与 P结构相同的子图 S；
属性约束: 对节点和边的属性施加的过滤条件。

图论、子图同构（NP完全）、属性图匹配、搜索算法、排序。

检测性、结构性。语言如“在交易网络中，寻找与已知洗钱拓扑模式相匹配的子图结构，并结合属性进行风险排序”。

1. 模式定义：由反洗钱专家定义可疑交易模式 P及其属性约束（如“三层以上、24小时内完成、涉及国家A和B”）。
2. 图构建：从交易流水构建指定时间窗口（如90天）的交易网络 G。
3. 模式匹配：在图 G上运行子图匹配算法，找出所有与 P结构同构的候选子图集合 {S}。
4. 属性过滤与评分：对每个候选 S， 检查其属性是否符合约束，并计算风险分数 Risk(S)（基于金额、速度、地理风险等）。
5. 告警生成：对 Risk(S)超过阈值的案例生成可疑交易报告（STR），提交调查。

资金流在账户网络中流动，形成交易网络 G。洗钱模式 P定义了资金流的异常“管道”形状。检测算法在 G中进行“模板匹配”，寻找资金流形成的管道与可疑模板 P形状一致的部分。匹配到的子图 S就是疑似被用于洗钱的“管道段”。这是一个在动态网络中持续进行的“模式扫描”流。

理论基础：图模式挖掘、金融犯罪侦查。认知特征：犯罪活动会在网络结构中留下“指纹”，可以通过图模式来捕捉。利益/监管特征：帮助金融机构履行法定义务，避免巨额罚款；帮助监管机构打击犯罪，维护金融系统稳定。

交易网络可能非常庞大（数十亿节点和边）。子图同构计算是NP难的，需要高性能计算和优化。匹配通常是批量或近实时进行。
CPU： 极高。子图匹配计算复杂，需要大量图遍历和比较。
内存： 极高。需要将整个交易网络或大部分加载到内存以进行高效搜索。
存储盘： 极高。存储海量历史交易数据。
IO/网络： 高。读取交易数据构建图。
队列： 用于处理流式交易数据的匹配任务。

交易网络是虚拟的资金流转记录。但检测出的洗钱行为涉及真实的非法所得和洗白后的“干净”资金，这些资金会进入实体经济，扭曲市场。调查和诉讼消耗大量的司法和监管资源。

B-0043

管理/经营

项目评估

决策分析

实物期权二叉树定价模型

1. 离散化模型：与B-0089连续时间模型（B-S）对应，二叉树模型是离散时间、离散状态的期权定价方法，更直观灵活，易于处理美式期权和复杂决策。
2. 标的资产演化：假设项目价值 V在每个时间步 Δt以概率 p上升为 uV， 或以概率 1−p下降为 dV， 其中 u=eσΔt​， d=1/u， σ是波动率。p是风险中性概率：p=u−derΔt−d​， r是无风险利率。
3. 构建价值树：从当前价值 V0​开始，构建多期的二叉树，直到决策到期日 T（步数 N=T/Δt）。树末端节点表示 T时刻可能的价值 VT​。
4. 递归估值：从树末端向前回溯。在每个节点，期权价值 C是以下两者的最大值：
a. 立即执行价值：V−I（对于看涨期权，I是投资成本）。
b. 持有价值：继续等待的期望价值，以 r折现一期：C=e−rΔt[pCu​+(1−p)Cd​]。
对于美式期权（可提前执行），在每一步都需比较立即执行和持有价值，取最大者。
5. 得到现值：回溯至树根，得到当前实物期权的价值 C0​。

精度随步数 N增加而提高，收敛于B-S公式。计算量随 N增加呈 O(N2)。能处理B-S难以处理的复杂期权（如切换期权、放弃期权）。

金融工程（期权定价）， 二叉树模型， 动态规划， 风险中性估值。

评估具有多个决策点（如分阶段投资、扩张、放弃、转换）的复杂投资项目。例如，研发项目每阶段成功后可以选择继续或停止。特征：直观灵活，适合嵌入管理决策的灵活性。

V: 项目现值（标的资产价值）；
σ: 项目价值的波动率；
r: 无风险利率；
T: 决策总期限；
Δt: 单步时间长度；
u,d: 上涨和下跌乘数；
p: 风险中性概率；
I: 投资成本（执行价格）；
C: 期权价值（在树节点上）。

二叉树、递归、动态规划、风险中性概率、期望折现、最大值函数。

评估性、灵活性估值。语言如“用二叉树模拟项目价值的可能路径，并从未来决策点反向推导，计算包含管理灵活性的项目现值”。

1. 参数设定：估计当前项目价值 V0​， 投资成本 I， 波动率 σ， 无风险利率 r， 决策期限 T， 步数 N。
2. 构建价值树：计算 u,d,p。从 V0​开始，生成 N步后的项目价值树。
3. 末端节点估值：在 T时刻，计算每个末端节点的期权价值：CT​=max(VT​−I,0)。
4. 向后递归：从 T−Δt步开始，向 t=0回溯：
for 每个节点 at time t:
  Chold​=e−rΔt[pCu​+(1−p)Cd​]
  Cexercise​=max(Vt​−I,0)(如果是美式)
  Ct​=max(Chold​,Cexercise​)
5. 得到结果：树根节点 C0​即为实物期权价值。决策规则：当 Vt​足够高时，选择执行（投资）。

项目价值 V在二叉树中随机演化，形成多条可能的“未来价值路径流”。估值过程是逆向的“价值确认流”：从最终的潜在价值流 VT​出发，在每个分叉点，比较“立即捕获价值流”（执行）和“继续等待未来价值流”（持有）的折现期望，选择较大的价值流向前一阶段倒流。最终，所有可能的决策路径的价值流汇聚到当前节点，得到期权价值 C0​。

理论基础：实物期权、风险中性定价、动态规划。认知特征：将投资决策视为一系列可以选择是否行权的“选择权”，量化了“等待和观望”的价值。利益特征：帮助财团评估高风险、多阶段项目的真实价值，避免低估包含灵活性的战略投资。

二叉树计算是多项式时间，对于中等规模的树计算量小。但如果有大量项目需要评估，可以并行计算。无高并发实时需求。
CPU： 低。递归计算，复杂度 O(N2)， N通常不大（几十到几百）。
内存： 低。存储二叉树节点值。
存储盘： 低。
IO/网络： 低。
队列： 不需要。

期权估值是虚拟的财务分析。但基于估值的投资决策，触发真实的资本支出、研发投入，消耗资金、人力和时间资源。管理者的决策时机选择是核心。

B-0044

营销/利益链

广告竞价

博弈论+优化

出价策略优化 (如基于价值的出价)

1. 问题：在实时竞价（RTB）广告中，广告主（或其DSP）需要在毫秒内决定对一次广告展示机会（Impression）的出价 b。目标是最大化总价值（如转化数）在预算 B约束下。
2. 基于价值的出价：核心思想是对每次展示 i估计其期望价值 $v_i = p(conversion

i) \cdot Value，其中p(conversion

i)是点击后转化的预测概率（pCVR），Value是单次转化的价值。然后以b_i = \alpha \cdot v_i出价，\alpha是出价系数。<br>∗∗3.预算控制∗∗：单纯按价值出价可能过早或过晚花完预算。需动态调整\alpha。一种方法是∗∗PID控制器∗∗：将预算花费速度与计划速度比较，误差e(t) = \text{计划花费比例}(t) - \text{实际花费比例}(t)，然后调整\alpha(t) = K_p e(t) + K_i \int e(t)dt + K_d \frac{de}{dt}。<br>∗∗4.博弈考虑∗∗：出价还需考虑竞争对手。在广义第二价格（GSP）拍卖中，只需出价略高于下一位即可。因此优化出价为b_i = \min(\alpha v_i, \hat{b}{second} + \epsilon)，其中\hat{b}{second}是对第二高价的预测。<br>∗∗5.联合优化∗∗：最终出价策略是价值估计、预算控制和竞争预测的综合：b_i^* = f(v_i, B{remain}, t, \hat{b}{second})。可通过强化学习来学习最优函数f$。

精度取决于价值预测模型 $p(conversion

i)的准确性和对竞争环境\hat{b}_{second}$ 的预测。预算控制需要实时反馈和稳定的控制算法。

实时竞价， 拍卖理论， 最优控制（PID）， 强化学习， 预测模型。

程序化广告购买，搜索引擎营销（SEM）的自动出价工具。特征：在高速、海量的微观拍卖中，实现宏观预算约束下的价值最大化，是算法广告的核心。

i: 一次广告展示机会；
vi​: 对展示 i的估值（期望转化价值）；
bi​: 出价金额；
α: 出价系数（控制出价激进程度）；
B: 总预算；
b^second​: 预测的第二高价；
Kp​,Ki​,Kd​: PID控制参数。

优化、预测、控制理论（PID）、博弈论、实时决策。

实时性、优化性。语言如“根据每次展示的预测价值、剩余预算和竞争情况，实时计算最优出价，以在预算内获取最多价值”。

1. 价值预测：对每次竞价请求，实时计算用户特征、上下文特征，用训练好的模型预测 $p(conversion

i)，进而得到v_i。<br>2.∗∗竞争预测∗∗：根据历史数据，预测本次展示的竞争激烈程度和第二高价\hat{b}{second}。<br>3.∗∗预算状态∗∗：查询当前活动已花费B{spent}和剩余时间，计算计划花费比例和实际花费比例。<br>4.∗∗计算出价∗∗：<br>a.根据预算误差e(t)更新\alpha(t)（PID控制）。<br>b.计算基准出价b{base} = \alpha(t) \cdot v_i。<br>c.计算最终出价b_i^* = \min(b{base}, \hat{b}_{second}+\epsilon)，或采用其他策略。<br>5.∗∗出价与学习∗∗：提交出价b_i^*$ 到广告交易平台。记录竞价结果（是否赢、赢价），用于更新预测模型和控制参数。

B-0045

利益链/监管

网络韧性

图论+优化

网络最大流-最小割定理及其在韧性增强中的应用

1. 最大流问题：在有向图 G=(V,E)中，每条边 e有容量 c(e)≥0。给定源点 s和汇点 t， 求从 s到 t的最大流量，满足每条边上的流量 f(e)不超过其容量，且除 s,t外每个节点流入等于流出。
2. 最小割问题：一个 s-t割 (S,T)是将 V划分为 S和 T=V∖S， 且 s∈S,t∈T。割的容量是 c(S,T)=∑u∈S,v∈T​c(u,v)。寻找容量最小的 s-t割。
3. 最大流-最小割定理：在任何网络中，从 s到 t的最大流值等于分离 s和 t的最小割的容量。即 $\max

f

= \min c(S,T)。<br>∗∗4.算法∗∗：Ford−Fulkerson方法（通过剩余网络寻找增广路径）及其高效实现（如Dinic算法、Edmonds−Karp算法）可求解最大流，并同时得到一个最小割。<br>∗∗5.韧性增强应用∗∗：<br>a.∗∗识别瓶颈∗∗：最小割(S, T)中的边是网络的瓶颈，其总容量限制了s到t的流量。增强这些边的容量，能以最小成本最大提升网络吞吐量。<br>b.∗∗抗毁性分析∗∗：如果删除某些边（如遭受攻击）后，最小割容量降为0，则s和t不连通。可以计算需要破坏多少边（或多大总容量）才能断开s和t，这度量了s−t$ 连接的韧性。
c. 多商品流：扩展为多个源汇对，分析共享网络下的资源分配和拥堵。

定理是精确的。算法的效率取决于实现。对于大规模网络，需要分布式算法。将实际问题抽象为流网络并赋予合理容量是关键。

图论， 组合优化， 网络流理论， 最大流-最小割定理。

通信网络带宽规划、交通网络运力分析、电网输电能力评估、供应链物流网络优化。特征：提供了分析和优化网络“输送能力”与“脆弱环节”的强大理论工具。

G=(V,E): 有向图；
c(e): 边 e的容量；
s,t: 源点和汇点；
f(e): 边 e上的流量；
$

f

:从s到t的总流量；<br>(S, T):一个s−t割；<br>c(S,T)$: 割的容量。

图论、线性规划对偶、组合优化、最大流算法、最小割。

定理性、优化性。语言如“网络的最大输送能力，等于其最细的‘咽喉’处的容量”。

1. 建模：将实际问题（如物流网络）建模为流网络：节点代表枢纽，有向边代表运输链路，容量代表运力（如集装箱/天）。确定源点（生产地）和汇点（消费地）。
2. 计算最大流/最小割：使用最大流算法（如Dinic算法）计算从 s到 t的最大流量 $

B-0046

经营/管理

库存控制

随机过程

(s,S)库存策略优化模型

1. 策略描述：连续盘点库存水平 I(t)。当库存水平降至或低于再订货点 s时，立即发出订单，将库存水平提升至目标水平 S。订单有固定提前期 L。
2. 需求与成本：单位时间需求是随机变量，分布已知。成本包括：每次订货固定成本 K， 单位时间单位货物持有成本 h， 单位时间单位缺货惩罚成本 p。
3. 稳态分析：这是一个再生过程，再生点为订单到达时刻。目标是选择 (s,S)最小化长期平均成本 C(s,S)。由于提前期内的需求 DL​是随机变量，缺货发生在提前期内需求超过库存水平（s加上在途库存）时。
4. 近似优化：精确分析复杂，常用近似方法。一个常见方法是假设需求服从某种分布（如正态），然后：
a. 计算提前期内需求的均值和标准差 μL​,σL​。
b. 设定安全库存 SS=z⋅σL​， 其中 z是安全系数，与期望的服务水平（如不缺货概率）相关。
c. 则 s=μL​+SS。
d. S的设定可借鉴EOQ思想，但需考虑随机性。一种启发式：S=s+Q， 其中 Q是近似经济订货批量，但需调整以满足 S>s。
5. 迭代优化：可以建立 (s,S)下的成本函数模型，通过仿真优化或动态规划求解最优值。

对需求分布和提前期假设敏感。s主要应对提前期内的需求不确定性，S−s的差额应对订单周期的需求。实际中常用 (s,S)的近似或简化版 (r,Q)。

库存控制理论， 随机过程， 再生过程， 优化。

适用于需求随机、订货有固定成本、需要连续监控的库存品，如零售业的时尚商品、汽车配件。特征：结合了再订货点和目标库存水平，是随机需求下经典的连续盘点策略。

I(t): 时刻 t的库存水平；
s: 再订货点（决策变量）；
S: 目标库存水平（决策变量）；
L: 订货提前期；
D: 单位时间随机需求；
K: 固定订货成本；
h: 单位持有成本；
p: 单位缺货惩罚成本；
C(s,S): 长期平均成本。

随机过程、优化、概率分布、期望成本、再生过程。

策略性、随机性。语言如“当库存低于s时订货，补到S。s应对提前期风险，S-s应对订货周期内的需求”。

1. 参数估计：估计需求分布 FD​， 提前期 L， 成本参数 K,h,p。
2. 计算提前期需求分布：根据 D和 L推导 DL​的分布（如 D∼N(μ,σ2)， L固定，则 DL​∼N(Lμ,Lσ2)）。
3. 初始设定：设定目标服务水平（如不缺货概率 α）。计算 s=FDL​−1​(α)。计算近似EOQ Q=2Kμ/h​， 令 S=s+Q。
4. 仿真优化：以 (s,S)为参数，运行长时间库存仿真，计算平均成本 C。使用优化算法（如 Nelder-Mead）在 (s,S)空间搜索，寻找最小化 C的组合。
5. 实施：在库存管理系统中设定策略参数 (s∗,S∗)。

库存水平 I(t)随时间呈随机“锯齿”流下降。当 I(t)流触碰到下阈值 s时，触发“订单流”，将库存水平瞬间拉升到上阈值 S。s像一个“低水位警报线”，S是“目标蓄水位”。决策流是事件驱动的（低于s即行动）。成本流（持有、缺货、订货）伴随库存流和订单流产生。

理论基础：随机库存控制。认知特征：在不确定需求下，设置安全缓冲（s）和补货目标（S）来进行动态管理。利益特征：平衡库存持有成本、订货成本和缺货成本，在随机环境中实现成本最小化。

策略优化通常是离线仿真。但库存水平的实时监控和订单触发是持续进行的，并发量取决于SKU数量和交易频率。
CPU： 中。仿真优化需要大量模拟运行。
内存： 中。存储需求分布参数和仿真状态。
存储盘： 中。存储历史需求数据。
IO/网络： 中。
队列： 在WMS（仓库管理系统）中，订单生成和处理可能通过队列。

库存是存储在实体仓库中的货物，占用物理空间。订单触发实物采购和物流，占用供应链通道和资金。库存管理消耗管理人员的时间。

B-0047

营销/监管

自然语言处理

主题模型

隐含狄利克雷分布 (LDA)

1. 生成式模型：LDA假设每篇文档 d是多个主题的混合，每个主题 k是词汇表上的一个概率分布 ϕk​。文档的生成过程：
a. 选择文档-主题分布 θd​∼Dirichlet(α)。
b. 对文档中的每个词位置 i：
- 从 θd​抽样一个主题 zdi​∼Multinomial(θd​)。
- 从主题 zdi​对应的词汇分布 ϕzdi​​中抽样一个词 wdi​。
其中 ϕk​∼Dirichlet(β)。
2. 推断：给定文档集（词袋表示），需要反推潜在变量：每篇文档的主题分布 θd​和每个主题的词汇分布 ϕk​。常用变分贝叶斯推断或吉布斯抽样。
3. 吉布斯抽样：通过迭代抽样每个词 wdi​的分配主题 zdi​， 条件于其他所有词的主题分配，来近似后验分布。更新公式涉及计数：
$P(z_{di}=k

\mathbf{z}{-di}, \mathbf{w}) \propto \frac{n{d, -i}^{(k)} + \alpha}{n{d, -i}^{(\cdot)} + K\alpha} \cdot \frac{n{k, -i}^{(w{di})} + \beta}{n{k, -i}^{(\cdot)} + V\beta}。<br>其中n{d}^{(k)}是文档d中分配给主题k的词数，n{k}^{(w)}是词w分配给主题k的次数，-i表示排除当前位置i，V是词汇表大小。<br>∗∗4.参数估计∗∗：抽样稳定后，用计数的后验期望估计：<br>\hat{\phi}{kw} = \frac{n_k^{(w)} + \beta}{n_k^{(\cdot)} + V\beta}，\hat{\theta}{dk} = \frac{n_d^{(k)} + \alpha}{n_d^{(\cdot)} + K\alpha}$。

模型是无监督的，主题数量 K需要预先指定。主题的可解释性依赖于人工对高频词的解读。对短文本效果不佳。

概率图模型， 主题模型， 贝叶斯推断， 变分法， 吉布斯抽样。

文档聚类、内容摘要、舆情分析（发现讨论热点）、信息检索（语义扩展）。特征：从大量无标签文本中自动发现潜在的语义主题，是文本挖掘的基础工具。

D: 文档数；
K: 预设主题数；
V: 词汇表大小；
θd​: 文档 d的主题分布（K维）；
ϕk​: 主题 k的词汇分布（V维）；
zdi​: 文档 d中第 i个词的主题分配；
wdi​: 观察到的词；
α,β: 狄利克雷先验参数。

概率图模型、贝叶斯、狄利克雷分布、多项式分布、吉布斯抽样、计数统计。

无监督、生成性。语言如“每篇文档是多个主题的混合，每个主题是词汇的概率分布。LDA通过反推生成过程来发现这些隐藏的主题”。

1. 预处理：对文档集进行分词、去停用词、词干化，构建词袋表示。
2. 初始化：随机为每个词分配一个主题 zdi(0)​， 更新计数 nd(k)​和 nk(w)​。
3. 吉布斯抽样迭代：
for iter=1to Niter​:
  for 每篇文档 d， 每个词位置 i:
    从当前主题分配中移除词 wdi​， 更新计数 nd(k)​和 nk(w)​减1。
    计算 P(zdi​=k)对于 k=1,...,K（用上述公式）。
    根据这个多项式分布抽样新的主题 zdinew​。
    将 wdi​重新分配给主题 zdinew​， 更新计数加1。
4. 参数估计：用最后若干轮抽样的平均计数，计算 ϕ^​kw​和 θ^dk​。
5. 主题解读：对每个主题 k， 列出 ϕ^​kw​最高的若干个词，人为解读主题含义。

文本数据流被建模为由主题分布流 θd​和词汇分布流 ϕk​共同生成的观察流。推断过程是反向的“信息解码流”：通过观察到的词流 wdi​， 利用吉布斯抽样不断重新分配隐藏的主题标签流 zdi​， 并更新主题和文档的计数统计流。最终，这些统计流稳定下来，反映出文档和词汇在潜在主题空间中的分布流。

理论基础：概率潜在语义分析、贝叶斯建模。认知特征：认为文档是“主题的混合”，这符合人类写作时围绕几个核心思想展开的直觉。利益特征：用于自动化海量文本（如客户评论、新闻、专利）的内容分析，发现趋势、热点和潜在关联。

LDA的训练（吉布斯抽样）是计算密集型的，尤其对于大文档集和大K。但训练是离线的。在线推断新文档的主题分布 θnew​计算较快。
CPU： 高。吉布斯抽样需要大量迭代和计数更新。
内存： 高。存储词-主题计数矩阵（K×V）和文档-主题计数矩阵（D×K）， 可能很大。
存储盘： 高。存储原始文本数据和模型。
IO/网络： 中。读取文本数据。
队列： 可用于调度批量文档的主题推断任务。

B-0048

利益链/监管

算法博弈论

均衡计算与学习

虚拟对局 (Fictitious Play) 算法

1. 设定：用于计算/学习两人（或多人）博弈的混合策略纳什均衡。假设玩家是“经验主义者”，他们根据对手过去行动的经验分布来做出当前最优反应。
2. 算法过程：从 t=0开始，每个玩家 i维持一个信念 pj(t)​， 表示对手 j历史行动的经验分布。在每一轮 t， 玩家 i选择对信念 pj(t)​的最优反应​ ai(t)​=BRi​(pj(t)​)， 即使期望支付最大的纯策略（或混合策略）。然后，玩家更新其信念：将对手本轮的行动 aj(t)​加入历史计数，pj(t+1)​是对手历史行动频率的分布。
3. 收敛性：对于零和博弈、潜在博弈等特定类别，虚拟对局的经验分布会收敛到纳什均衡。对于一般博弈，可能不收敛，或收敛到均衡的相关均衡。
4. 与强化学习联系：可以看作是每个玩家独立运行一个基于频率的、完全贪心的强化学习。Q-learning等算法可视为其推广。
5. 在财团中的应用：模拟长期市场竞争中，竞争对手如何从互动中学习并形成稳定策略。也可用于设计多智能体系统，使其通过重复互动收敛到期望的均衡。

收敛性不保证，且收敛速度可能很慢。对于大型博弈，计算最优反应可能很耗时。它是一种学习/计算均衡的方法，而非直接求解。

博弈论， 学习动力学， 虚拟对局， 均衡计算。

长期寡头竞争模拟（如航空公司航线定价）、算法交易策略的相互适应、多智能体协调。特征：通过模拟玩家从历史中学习并最优反应的过程，来逼近博弈的均衡，具有直观的行为解释。

玩家 i,j；
pj(t)​: 玩家 i在时刻 t认为玩家 j会采取各行动的概率分布（经验信念）；
ai(t)​: 玩家 i在时刻 t选择的行动；
BRi​(pj(t)​): 玩家 i对信念 pj(t)​的最优反应（期望支付最大化行动）。

博弈论、迭代、信念更新、最优反应、经验频率、收敛性。

学习性、适应性。语言如“每个玩家根据对手过去的行动频率形成信念，并选择对该信念的最优反应，不断重复此过程”。

1. 初始化：设定初始信念 pj(0)​（如均匀分布）。设定总迭代轮数 T。
2. 迭代：for t=0to T−1:
a. 每个玩家 i计算对当前信念 pj(t)​的最优反应 ai(t)​=BRi​(pj(t)​)。
b. 玩家同时“虚拟”地采取行动 ai(t)​（不产生实际支付，或在实际博弈中执行）。
c. 每个玩家 i观察对手的行动 aj(t)​， 并更新其信念：
countj​(a)[t+1]=countj​(a)[t]+I(aj(t)​=a)
pj(t+1)​(a)=∑a′​countj​(a′)[t+1]countj​(a)[t+1]​
3. 输出：最终的经验分布 pi(T)​可以作为混合策略纳什均衡的近似。平均历史策略有时是更好的均衡近似。

博弈的历史信息流被积累为信念流 pj(t)​。信念流驱动最优反应流 ai(t)​。行动流又被反馈回信念流，更新其分布。这是一个闭合的“信念-行动-更新”循环流。如果博弈存在稳定均衡，这个流将逐渐收敛，信念流和行动流都趋于稳定，达到策略流的固定点。

理论基础：演化博弈论、学习动力学。认知特征：模拟了现实中决策者通过观察对手行为模式来调整自身策略的适应性学习过程。利益特征：用于预测长期竞争格局的稳定状态，或设计能收敛到期望结果的多智能体系统。

虚拟对局是迭代模拟，计算量取决于博弈大小和迭代次数。通常用于离线分析。在在线自适应系统中，每个智能体需要实时计算最优反应。
CPU： 中。每轮需要计算最优反应，可能涉及求解线性规划或简单比较。
内存： 低。存储历史计数和信念。
存储盘： 低。
IO/网络： 低。除非是分布式智能体交互。
队列： 不需要。

对局是虚拟的策略演练。但基于其预测的均衡策略，会被应用于真实的市场竞争、拍卖出价等，影响价格、产量等实体变量。学习过程本身是时间的消耗。

B-0049

经营/营销

动态定价

收益管理

报童模型扩展：多期动态定价与库存联合优化

1. 问题：在有限销售期内（T期），每期初

B-0049

经营/营销

动态定价

收益管理

报童模型扩展：多期动态定价与库存联合优化

1. 问题：在有限销售期 T内，期初有库存 I0​。每期 t需求 Dt​(pt​)是价格 pt​的随机函数。需决策每期价格 pt​以最大化总期望收益，考虑期末残值。
2. 贝尔曼方程：定义 Vt​(I)为在时期 t初拥有库存 I时的最优期望未来收益。则最优性方程为：
Vt​(I)=maxpt​≥0​{pt​⋅E[min(Dt​(pt​),I)]+E[Vt+1​((I−Dt​(pt​))+)]}，
边界条件 VT+1​(I)=s⋅I， s是单位残值。(⋅)+表示取正。
3. 需求模型：常用加法形式 Dt​(p)=μt​(p)+ϵt​或乘法形式 Dt​(p)=μt​(p)⋅ϵt​， 其中 ϵt​是随机噪声。μt​(p)是确定的需求函数，如线性 μt​(p)=at​−bt​p。
4. 求解：这是一个随机动态规划问题。可通过后向归纳求解。对每个 t和每个可能的库存水平 I， 求解关于 pt​的一阶条件（或直接搜索），得到最优定价策略 pt∗​(I)。
5. 结构性性质：最优价格 pt∗​(I)通常是库存 I的递减函数（库存越多，降价压力越大），是剩余期数 (T−t)的复杂函数。在需求确定的情况下，可简化为一个非线性规划。
6. 与清仓结合：在销售末期，如果库存仍高，可能触发激进降价（清仓模式），这已内嵌在动态规划的解中。

模型求解计算量随 T和 I的可能值增加而增大。需求函数 μt​(p)和随机噪声分布需要准确估计，这对预测精度至关重要。

动态规划， 收益管理， 随机优化， 定价理论。

时装、电子产品、机票、酒店房间等易逝品的收益管理。特征：在有限时间内，动态调整价格以平衡销售速度与收益，最大化从固定库存中获取的总收入。

T: 总销售期数；
It​: 时期 t初的库存水平；
pt​: 时期 t的售价（决策变量）；
Dt​(pt​): 时期 t在价格 pt​下的随机需求；
μt​(p): 确定的需求函数；
ϵt​: 随机需求扰动；
Vt​(I): 值函数；
s: 单位产品残值。

动态规划、贝尔曼方程、期望、随机优化、一阶条件、非线性规划。

动态性、联合优化。语言如“在销售期的每个时刻，根据当前库存和剩余时间，选择最优价格以最大化未来总期望收益”。

1. 参数估计：基于历史数据，估计各期需求函数 μt​(p)和随机扰动 ϵt​的分布。
2. 初始化：设定期末值 VT+1​(I)=sI。
3. 后向递归：for t=Tdown to 1:
for 每个可能的库存水平 I:
  求解优化问题：pt∗​(I)=argmaxp​{pE[min(Dt​(p),I)]+E[Vt+1​(max(I−Dt​(p),0))]}。
  计算 Vt​(I)=...（代入 pt∗​）。
4. 前向执行：从 I0​开始，for t=1to T:
  查表或根据策略函数，确定当前最优价 pt​=pt∗​(It​)。
  执行定价，观察实现的需求 dt​。
  更新库存 It+1​=It​−dt​。
5. 迭代更新：根据实际销售数据，周期性重新估计参数和优化策略。

库存 It​和价格 pt​是相互作用的两个状态流。值函数 Vt​(I)是未来收益的“势能场”。决策过程是：在每期 t， 基于当前库存流 It​， 选择一个价格流 pt​来“调制”需求流 Dt​(pt​)。销售消耗库存流，产生当期现金收益流，并影响下一期的库存状态流，进而影响未来的“势能”。最优策略是引导这个联合流系统，在时间终点达到总收益最大化。

理论基础：动态定价、收益管理。认知特征：将定价视为贯穿整个产品生命周期的动态资源分配问题。利益特征：在不清仓的前提下最大化收入，是零售商和航空公司核心的利润杠杆。

动态规划求解是离线的，但一旦得到策略表 pt∗​(I)， 在线定价决策只是查表，速度很快。高并发场景出现在为海量SKU实时定价。
CPU： 高。动态规划求解（尤其多期多状态时）计算量大。在线查表计算量低。
内存： 中。存储策略表。
存储盘： 中。存储历史交易数据和模型。
IO/网络： 中。在线获取库存和上下文信息。
队列： 用于处理定价决策请求。

定价决策是数字指令。但它影响真实的商品销售速度，占用货架物理空间和时间。动态定价优化了单位库存的收益，是财务资源的精细化运营。

B-0050

利益链/监管

网络风险

图论+流行病学

网络安全攻防博弈的微分方程模型（SIR扩展）

1. 攻防博弈建模：将网络中的节点（主机、服务器）视为易感(S)、感染(I)、恢复/免疫(R)状态。攻击者（黑客、敌对财团）以速率 β尝试感染节点，防御者（安全团队）以速率 γ检测并修复/隔离感染节点，以速率 δ为易感节点打补丁（使其免疫）。
2. 动力学方程：
dS/dt=−βSI/N−δS
dI/dt=βSI/N−γI
dR/dt=γI+δS
这里 N=S+I+R是总节点数，假设恒定。δ是主动防御强度。
3. 基本再生数 R0​：R0​=β/γ。若 R0​>1， 感染可能流行。防御目标是降低 β（加强访问控制、入侵检测）或提高 γ（加快应急响应），使 R0​<1。
4. 最优防御资源分配：防御者总预算 B可用于投资于降低 β或提高 γ， 假设成本函数为 Cβ​(β), Cγ​(γ)。目标是最小化长期期望损失 L=∫0∞​e−ρt[cI​I(t)+cO​]dt， 其中 cI​是感染节点单位时间损失，cO​是运营成本。结合SIR动力学，这是一个最优控制问题。
5. 攻击者行为建模：攻击者可选择攻击强度 β（投入资源），其收益可能来自窃取数据、勒索等，与感染规模 ∫I(t)dt相关。可扩展为攻防微分博弈。

模型高度简化，实际网络拓扑、漏洞异质性、0day攻击、APT等因素未考虑。参数 β,γ难以准确估计。但提供了分析网络安全投资效益和传播动力学的框架。

流行病学， 微分方程， 最优控制， 博弈论， 网络安全。

企业/国家网络安全战略规划：如何分配预算在防火墙、入侵检测、补丁管理、安全意识培训上。分析勒索软件、蠕虫的传播与控制。特征：用传染病模型量化网络威胁传播，并优化防御投资。

S,I,R: 易感、感染、恢复节点数量；
N: 节点总数；
β: 感染率（攻击强度）；
γ: 恢复率（防御检测修复能力）；
δ: 免疫接种率（主动打补丁速率）；
R0​: 基本再生数；
B: 防御总预算；
Cβ​,Cγ​: 降低 β、提高 γ的成本函数；
L: 总损失。

微分方程系统、流行病学、最优控制、博弈论、基本再生数。

攻防性、动态性。语言如“网络安全状态像传染病一样在网络中扩散，防御者通过‘治疗’(γ)和‘预防接种’(δ)来控制疫情，并优化资源分配”。

1. 参数校准：基于历史安全事件数据，估计平均感染率 β和恢复率 γ。
2. 传播模拟：设定初始感染节点 I(0)， 数值求解SIR方程组，模拟未来感染节点数 I(t)的演化。
3. 投资优化：
a. 设定防御预算 B和损失参数 cI​,cO​。
b. 求解最优控制问题，得到最优的 γ∗,δ∗分配，及对应的最小损失 L∗。
4. 策略制定：将预算 B按优化结果分配：一部分用于提升威胁检测与响应能力（提高 γ），一部分用于漏洞扫描和补丁自动化（提高 δ）。
5. 动态调整：监控实际的 I(t)和攻击态势，动态调整 γ, δ的投入。

网络攻击流（恶意代码、攻击载荷）以强度 β在节点间传播，试图将节点状态从 S转为 I。防御流有两股：一股是“检测修复流” γI， 将 I转为 R；另一股是“预防免疫流” δS， 将 S直接转为 R。攻防博弈体现在对参数 (β,γ,δ)的控制上。防御资源的优化分配，旨在以最小成本，引导节点状态流远离高损失的感染状态 I。

理论基础：网络安全经济学、流行病学建模。认知特征：将复杂的网络安全抽象为可量化的传播与防控过程。利益特征：帮助CISO（首席信息安全官）量化安全投资回报，说服管理层进行合理安全投入。关系：刻画了攻击者与防御者之间的动态对抗关系。

模型求解和模拟是离线的。但实时网络安全监控系统（SIEM）需要处理海量日志和事件流，并发和实时性要求高。
CPU： 中。ODE求解和优化计算。
内存： 中。存储模型状态和参数。
存储盘： 高。存储全量安全日志和事件数据。
IO/网络： 高。采集全网安全设备日志。
队列： 安全事件处理管道严重依赖消息队列。

网络攻击和防御发生在数字空间，但影响的服务器、工控系统是物理资产。安全事件导致业务中断、数据泄露，造成真实的经济损失和声誉损害。安全团队的响应消耗人力时间资源。

B-0051

营销/舆论

社会网络传播

优化理论

影响力最大化问题的贪心算法（基于子模性）

1. 问题回顾（见B-0017）：给定社交网络 G和扩散模型（如IC），选择 k个种子节点 S以最大化预期影响范围 σ(S)。
2. 子模性：函数 σ(S)是子模的：即对于任意集合 A⊆B⊆V和任意节点 v∈/B， 有 σ(A∪{v})−σ(A)≥σ(B∪{v})−σ(B)。这意味着边际收益递减。σ(∅)=0且单调（A⊆B⇒σ(A)≤σ(B)）。
3. 贪心算法保证：Nemhauser 等证明，对于单调子模函数，简单的贪心算法（每次选择能使 σ(S)增加最大的节点）能够得到一个 (1−1/e)-近似的最优解，即至少达到最优解价值的 63%以上。这是组合优化中最好的近似保证之一。
4. 算法步骤：
a. 初始化 S=∅。
b. for i=1to k:
- 对每个节点 v∈V∖S， 计算其边际增益 $\Delta(v

S) = \sigma(S \cup {v}) - \sigma(S)。<br>−选择v^* = \arg\max_{v} \Delta(v

S)。<br>−S = S \cup {v^*}。<br>c.输出S。<br>∗∗5.加速技术∗∗：计算\sigma(S)$ 需要蒙特卡洛模拟，耗时长。使用 CELF（Cost-Effective Lazy Forward）优化：利用子模性，当前一轮的边际增益是下一轮的上界，可以避免重复计算很多节点的增益。

近似比 1−1/e是理论最坏情况保证，实际中贪心算法通常表现更好。精度依赖于 σ(S)的估计精度（蒙特卡洛模拟次数）。计算瓶颈在于大量模拟。

组合优化， 子模函数最大化， 近似算法， 社交网络分析。

病毒式营销的种子用户选择、新产品发布的关键意见领袖（KOL）遴选、公益倡导的初始动员对象选择。特征：在影响力最大化问题上，贪心算法因其理论保证和良好实践成为标准解法。

G=(V,E): 社交网络；
k: 种子集大小预算；
S: 种子集合（迭代中构建）；
σ(S): 种子集 S的预期影响范围（需通过模拟估计）；
$\Delta(v

S):节点v加入当前种子集S$ 的边际增益。

组合优化、子模性、贪心算法、近似比、蒙特卡洛模拟、边际增益计算。

优化性、近似性。语言如“由于影响力函数具有边际收益递减（子模）性质，贪心地每次选择边际收益最大的节点，可以得到接近最优的解”。

1. 初始化：S=∅。计算（或估计）所有单个节点的影响力 σ({v})。
2. 第一轮选择：选择 v1​=argmaxv​σ({v})， 加入 S。
3. 迭代选择：for i=2to k:
a. 对于每个尚未入选的节点 v∈V∖S， 计算（或更新其上界）其边际增益 $\Delta(v

S) = \sigma(S \cup {v}) - \sigma(S)。使用CELF优化：如果上一轮v的边际增益上界已低于当前已知的最大增益，则无需重新计算。<br>b.选择具有最大边际增益的节点v_i，加入S。<br>4.∗∗输出∗∗：最终种子集S。<br>（计算\sigma(\cdot)$ 时，需运行多次蒙特卡洛模拟取平均）

B-0052

利益链/监管

市场微观结构

订单簿建模

限价订单簿动态与市场流动性模型

1. 订单簿表示：在时刻 t， 限价订单簿（LOB）列出买卖两侧的多个价格档位，每个档位有价格 p和累积订单量 q。通常关注最优买价 bt​（最高买价）、最优卖价 at​（最低卖价），中间价 mt​=(at​+bt​)/2， 买卖价差 st​=at​−bt​。
2. 订单流建模：新到达的订单（市价单、限价单、撤单）是随机过程。常用双变量 Hawkes 过程建模相互激发的订单流：买卖双方的订单到达强度 λtB​,λtS​满足：
λtB​=μB​+∫−∞t​ϕBB​(t−s)dNsB​+∫−∞t​ϕSB​(t−s)dNsS​
λtS​=μS​+∫−∞t​ϕSS​(t−s)dNsS​+∫−∞t​ϕBS​(t−s)dNsB​
其中 μ是基线强度，ϕ是激发核，表示历史事件对当前强度的影响。这捕捉了订单流的聚集性（一次大单引发更多跟单）。
3. 价格动态：中间价 mt​的变化由订单不平衡驱动。定义 It​=VtB​−VtS​为买卖订单流量的不平衡。一个简化模型：dmt​=βIt​dt+σdWt​， 即订单不平衡推动价格向订单主导方向移动。
4. 流动性度量：
- 价差：度量即时交易成本。
- 市场深度：在最优价格附近若干档位的累积订单量，度量市场吸收大单而不剧烈影响价格的能力。
- 订单簿形状：买卖两侧订单量随价格变化的分布。
5. 财团应用：做市商（财团旗下）使用此类模型预测短期价格走向和流动性，以优化其报价（提供流动性）和库存管理。高频交易公司利用其探测市场情绪和潜在大单。

市场微观结构极其复杂，模型是高度简化。参数估计需要高频数据。流动性可能在危机时刻突然蒸发，模型可能失效。

随机过程（Hawkes过程）， 市场微观结构， 高频金融， 订单簿建模。

证券交易所、做市商、高频交易公司的核心分析模型。用于算法交易策略、做市商报价、市场监控。特征：深入交易的最微观层面，分析指令流如何形成价格和流动性。

bt​,at​: 最优买价和卖价；
mt​,st​: 中间价和买卖价差；
NtB​,NtS​: 到 t时刻为止的买单和卖单计数过程；
λtB​,λtS​: 买单和卖单到达强度；
μB​,μS​: 基线强度；
ϕ: 激发核函数；
It​: 订单流不平衡；
VtB​,VtS​: 买单和卖单的成交量。

随机过程、点过程、Hawkes过程、随机微分方程、微积分、时间序列。

微观性、动态性。语言如“订单流是一个自激发的点过程，买卖订单的不平衡驱动着价格的微观变动，订单簿的形状揭示了市场的流动性”。

1. 数据收集：接收实时的逐笔订单和交易数据（tick data）。
2. 重构订单簿：根据事件（新限价单、撤单、成交）实时更新 bt​,at​和各档位深度。
3. 计算指标：实时计算价差 st​， 中间价 mt​， 订单不平衡 It​， 市场深度等。
4. 模型预测：
a. 使用估计好的Hawkes过程参数，预测未来短期内订单流的强度。
b. 根据订单不平衡模型，预测价格变动方向。
5. 策略执行：
a. 做市商：根据预测的订单流和库存，调整其在买卖两侧的报价（挂单）。
b. 高频交易：根据预测的价格变动和流动性，执行短期的方向性交易或套利。

市场是订单流 NtB​,NtS​的持续注入。这些订单流在订单簿中堆积，形成供需的“存量分布”流。市价单流“消耗”这些存量，引起价格流 mt​的变动。限价单和撤单流则不断重塑订单簿的“地形”。Hawkes过程描述了订单流之间的相互激发和聚集效应。做市商的报价流和交易流，是基于对这种动态流系统的预测而进行的干预。

理论基础：市场微观结构、点过程理论。认知特征：将连续的双向拍卖市场视为一个由事件驱动的复杂动力系统。利益特征：是做市商和高频交易公司盈利的基础，帮助他们获取买卖价差、预测极短期价格运动。

处理全市场实时tick数据并更新订单簿，计算量很大。预测模型（如Hawkes过程滤波）需要实时运行。是高频交易系统的核心部分，对延迟极其敏感。
CPU/GPU/FPGA： 极高。需要极低延迟处理海量tick数据，进行复杂计算。常用FPGA实现。
内存： 高。维护订单簿状态和中间计算结果。
存储盘： 中。存储tick数据用于复盘和模型训练。
IO/网络： 极致要求。直连交易所，网络延迟是生命线。
队列： 硬件层面的流水线队列至关重要。

订单流和交易发生在交易所的数据中心。报价和交易指令通过光纤网络传输，物理距离决定延迟。做市商提供的流动性是市场运行的基础设施，其资本是金融资源。监管对市场公平性的维护是法律资源的消耗。

B-0053

利益链/监管

超主权文化

复杂网络+文化维度理论

全球文化维度影响力网络与“软实力”投射模型

1. 文化维度：采用霍夫斯泰德（Hofstede）等理论，将国家文化量化为多个维度分数向量 ci​=(pdii​,idvi​,masi​,uaii​,ltoi​,indi​)， 分别代表权力距离、个人主义、男性气质、不确定性规避、长期导向、放纵。
2. 影响力网络构建：国家 i对国家 j的文化影响力 wij​由多因素决定：
- 媒体出口：i国电影、电视、音乐、新闻在 j国的市场份额。
- 教育流动：j国留学生赴 i国人数。
- 语言学习：j国学习 i国语言的人数比例。
- 精英移民：j国精英阶层向 i国移民趋势。
wij​可归一化为从 i到 j的影响力权重。
3. 文化演化动力学：假设国家的文化维度 ci​(t)缓慢变化，受内部传承和外部影响。一个简单的模型：
dci​/dt=α(ciinternal​−ci​)+β∑j=i​wji​(cj​−ci​)。
第一项是向自身内在稳定值 ciinternal​的回归（惯性），第二项是受其他国家 j的影响，α,β是强度系数。
4. 软实力指数：国家 i的全球软实力 SPi​可定义为其他国家受其文化影响的总和：SPi​=∑j​wij​， 或更复杂地，结合其文化吸引力、政治价值观、外交政策等因素。
5. 财团战略：娱乐、教育、科技财团是国家文化影响力的重要载体。其全球化战略（如拍摄全球卖座电影、推广在线教育平台、主导社交网络）直接影响 wij​。财团可与政府合作，有意识地塑造有利于其全球业务拓展的文化环境（如推广个人主义消费文化、降低不确定性规避以接纳创新）。

文化是慢变量，模型参数难以估计和验证。影响力 wij​的数据不易获取。模型更多是概念性和描述性框架，用于战略讨论而非精确预测。

文化研究， 复杂网络， 社会动力学， 软实力理论， 微分方程。

美国好莱坞/硅谷财团：评估其电影、科技产品对全球价值观（个人主义、创新、消费主义）的塑造作用。
中国“文化走出去”战略：分析孔子学院、短视频平台TikTok在国际上的文化影响力。
欧盟文化项目：评估其如何维持欧洲文化多样性并抗衡美式文化。特征：量化国家/文明间的文化影响与竞争，是“软实力”博弈的宏观模型。

ci​(t): 国家 i在时刻 t的文化维度向量；
wij​: 从国家 i到 j的文化影响力权重；
ciinternal​: 国家 i文化维度的内在稳定值（与历史、宗教、地理相关）；
α,β: 文化惯性和外部影响系数；
SPi​: 国家 i的软实力指数。

向量、网络、微分方程、加权和、文化维度理论。

宏观性、文化性。语言如“国家文化在内在惯性和外部影响力网络的共同作用下缓慢演化，文化输出构成国家的软实力”。

1. 数据收集：收集各国文化维度分数、媒体贸易数据、留学生数据、语言学习数据、移民数据等。
2. 构建网络：计算影响力权重 wij​， 构建有向加权文化影响力网络。
3. 计算软实力：计算各国的 SPi​并进行排名。
4. 模拟演化：设定初始 ci​(0)和参数 (α,β)， 数值求解文化动力学方程，模拟未来几十年全球文化格局的可能变化。
5. 战略分析：
a. 识别当前文化影响力的核心节点（如美国）。
b. 分析哪些链路 wij​是关键，若被削弱会显著影响全局（如美国电影在中国市场份额下降）。
c. 为特定国家（如中国）设计提升软实力 SP的策略：投资于增强对关键国家 j的 wij​（如合拍电影、扩大留学名额）。
6. 财团协同：财团调整其全球产品策略，以配合国家的软实力提升目标，并从中获得市场准入和政策支持。

文化特质流 ci​在国家间通过影响力网络 wij​缓慢扩散和渗透。每个国家既是文化流的“源”（对外输出），也是“汇”（受他国影响）。文化演化方程描述了这种“扩散-混合-回归”的动力学流。软实力 SPi​衡量了一个国家作为文化“源”的总强度。财团的全球化商业流（电影、游戏、社交媒体）是承载和放大这种文化流的重要管道。

理论基础：文化维度理论、软实力、国际关系。认知特征：将抽象的文化影响力具体化为可测量、可模拟的网络动态系统。利益特征：文化影响力带来认同感，降低跨国经营的政治和意识形态风险，为财团创造友好的全球营商环境。关系：定义了国家间超越经济军事的深层吸引与竞争关系。

文化网络构建和模拟计算量中等，但数据收集和整合是主要挑战。通常是学术机构或智库的长期研究项目。
CPU： 中。求解ODE系统。
内存： 中。存储网络矩阵和状态向量。
存储盘： 高。存储多维度的跨国文化、经济、社会数据。
IO/网络： 中。访问联合国教科文组织、世界银行等国际数据库。
队列： 用于调度数据处理和模拟任务。

文化是观念、价值观、生活方式，存在于人的头脑中（认知空间）。但文化影响力的载体是电影、书籍、教育交流、数字内容，这些通过物理和数字渠道传播，占用频谱、带宽、影院银幕、课堂时间。软实力投射是长期、战略性的国家资源投入。

B-0054

利益链

产业链控制

图论 + 控制理论

产业链控制塔模型 (Control Tower)

1. 网络建模：将产业链抽象为有向图 G=(V,E)，节点 v∈V代表公司（生产商、物流商、分销商等），有向边 eij​∈E代表产品/资金/信息的流动关系（如 i供应给 j）。为每条边赋予权重 wij​，表示流量（货量、金额）或控制强度（持股比例、董事会席位占比）。
2. 控制力定义：财团 C的控制力 IC​定义为：IC​=∑v∈V​αv​⋅Influence(v)+∑e∈E​βe​⋅we​。其中 αv​是节点 v的战略重要性权重（如瓶颈技术、关键渠道）， Influence(v)是财团对节点 v的直接间接控制度（如股权、表决权、关键人事任命权计算）；βe​是边 e的控制权重， we​是财团对该边流量的实际控制比例。
3. 控制度计算：对节点 v， Influence(v)=min(1,∑p∈Paths(C,v)​∏e∈p​ce​)，其中 Paths(C,v)是所有从财团核心节点到 v的控制路径集合，ce​∈[0,1]是边 e上的控制系数（如持股比例）。这是“控制链”的强度，遵循弱连接原则（最弱的一环决定整条链的控制力）。
4. 优化目标：在给定投资预算 B下，选择收购/参股/结盟哪些节点和边，以最大化全局控制力 IC​。这是一个带约束的组合优化问题：
maxx​IC​(x)， s.t. ∑cost(x)≤B， x是投资决策向量。
5. 求解：可用启发式算法（如贪婪算法，优先投资高 αv​/cost(v)或高介数中心性的节点）或元启发式算法（如遗传算法）求解。

控制力 IC​是综合性指数，精度取决于节点权重 αv​、边权重 βe​和控制系数 ce​的设定准确性。误差可能导致对产业链实际控制力的误判。

图论（中心性、路径）、控制理论（级联控制）、优化理论（组合优化）。

全球财团：规划全球供应链布局，识别并控制关键瓶颈环节（如芯片制造、稀土精炼）。
中国财团：在“链长制”下，国有资本主导，通过混合所有制控制产业链核心企业。
日本财团：通过主办银行和综合商社，在集团内部形成闭合产业链，模型用于评估集团内部依赖关系。特征：顶层设计工具，用于产业链的“制图”与“攻防点”识别。

G=(V,E): 产业链有向图；
wij​: 边 eij​的流量/强度；
αv​,βe​: 节点和边的战略权重；
ce​: 边上的控制系数（如股权比例）；
Influence(v): 对节点v的控制度；
IC​: 财团总控制力；
B: 投资预算；
x: 投资决策变量。

图论、优化、组合、路径、乘积、最小值函数、加权和。

战略性、控制性。语言如“通过控制关键节点和连接，最大化对整个网络的影响力”。

1. 数据采集与建图：爬取公司股权、供应链、董事会关联数据，构建产业链图 G， 初始化 w,α,β。
2. 初始控制力评估：根据现有持股/关系，计算所有 ce​和 Influence(v)， 进而计算当前 IC(0)​。
3. 目标设定与优化：设定控制力目标 Itarget​或预算 B。使用优化算法搜索最优投资组合 x∗：
a. 生成候选投资动作（如收购某公司X%股份）。
b. 模拟执行该动作后对 ce​和 Influence(v)的更新。
c. 计算新的 IC​‘。
d. 根据 IC​‘的提升幅度与成本，选择最优动作或动作序列。
4. 输出战略建议：输出应优先控制的节点/边列表，及预期的 IC​提升。

控制力作为一种“场”在产业链网络中扩散。从财团核心节点出发，沿着控制边 ce​进行衰减传导。优化算法引导“投资资源流”流向那些能最大程度增强或拓展这个“控制场”的节点和边上。最终形成一个以财团为核心、辐射全局的控制网络流。

理论基础：网络控制与资本运作。认知特征：将产业链视为可被“编程”的网络，追求系统性的主导权。利益特征：旨在获取垄断租金、技术壁垒、定价权等超额利益。关系特征：刻画了财团与产业链上其他实体的控制与被控制、依赖与被依赖的关系。

模型构建和优化是离线的战略性分析，计算量大但非实时。需要处理大规模企业关联图谱。
CPU： 高。图遍历、影响力计算、优化搜索都需要大量计算。
内存： 高。存储完整的产业链图谱及其属性。
存储盘： 高。存储企业数据库、供应链数据库、股权数据库。
IO/网络： 高。从多源数据库提取和关联数据。
队列： 用于调度图谱构建和模拟分析任务。

模型输出是战略蓝图。其执行涉及真实的并购交易、合资建厂、长期协议签订，占用大量的金融、法律、政治谈判资源及时间。控制的实体节点本身是工厂、仓库、港口等物理资产。

B-0055

利益链

交叉持股网络

图论 + 矩阵迭代

交叉持股网络控制力计算 (Klein‘s Model)

1. 问题：在交叉持股网络中，直接持股比例不能完全反映实际控制力，因为控制权可以通过网络相互增强。
2. 建模：设 N家公司，构成持股矩阵 C， 其中 Cij​∈[0,1]表示公司 i直接持有公司 j的股份比例。公司 i的现金流权 vi​通常为外部股东持有部分。
3. 控制权与现金流权分离：定义公司 i对公司 j的综合控制权​ Tij​， 考虑所有直接间接路径。Klein模型通过求解线性方程组得到：
T=C+C⋅T⇒T=C(I−C)−1， 其中 I是单位矩阵。这个方程的解 T包含了所有阶次的间接控制（C+C2+C3+...）。
4. 实际控制人识别：对目标公司 j， 寻找 i使得 Tij​最大，且可能超过某个阈值（如20%）。这个 i被认为是 j的实际控制人。财团的整体控制力可定义为 ∑j∈Network​I(Tij​>θ)， 其中 i是财团核心公司。
5. 现金流权计算：公司 i在公司 j中的综合现金流权​ Fij​计算方式类似，但沿路径是乘积关系：F=Cf​+Cf​⋅F， 其中 (Cf​)ij​=Cij​⋅vi​是加权后的现金流矩阵。解为 F=Cf​(I−Cf​)−1。
6. 两权分离度：Separationij​=Tij​−Fij​。该值越大，说明控制人用越少的资本撬动了越大的控制权，代理问题可能越严重。

模型假设控制权沿持股路径线性叠加，这与“一股一票”和实际投票规则有出入，但提供了良好的近似。精度取决于持股数据 C的完整性和准确性。

矩阵代数， 马尔可夫链， 网络流。

日本/韩国财团（财阀/Chaebol）：分析其核心家族通过金字塔结构和交叉持股控制庞大企业群的实际控制力与现金流权分离情况。
欧洲财团（如法国）：分析交叉持股形成的稳定联盟。特征：量化“杠杆控制”，揭示少数资本控制多数资产的秘密。

N: 公司数量；
C: 直接持股矩阵 (N×N)；
T: 综合控制权矩阵；
F: 综合现金流权矩阵；
v: 外部持股比例向量；
Cf​: 现金流加权持股矩阵；
θ: 控制权阈值。

矩阵运算、求逆、级数（Neumann级数）、线性方程组、图论（路径）、乘积。

分析性、揭露性。语言如“通过交叉持股网络，实际控制人可以用 Fij​的现金流权，获得 Tij​的控制权”。

1. 数据构建：从公开披露收集所有公司的直接持股数据，构建矩阵 C。计算或估计外部持股 v。
2. 矩阵计算：
a. 计算 (I−C)并求逆（或迭代求解 T=C+C⋅T）。
b. 计算 T=C(I−C)−1。
c. 计算 Cf​并类似地求 F=Cf​(I−Cf​)−1。
3. 分析：对每个公司 j， 找出 argmaxi​Tij​， 记录实际控制人。计算两权分离矩阵 S=T−F。
4. 可视化：绘制以控制权为边的控制网络图，节点大小可映射分离度。

控制权与现金流权在持股网络上流动和放大。T的计算是一个迭代扩散过程：初始控制 C经过网络反馈 (C⋅T) 后增强。这描述了控制力如何在封闭的持股网络内循环增值。现金流权的流动类似，但被外部持股比例 v所衰减。

理论基础：公司金融中的控制权与现金流权分离理论。认知特征：揭示了复杂股权结构背后“小股东控制大帝国”的杠杆原理。利益特征：是财团实现资本高效利用（高控制、低投入）的核心技术，也是监管关注代理问题的重点。关系特征：刻画了企业集团内部紧密的资本纽带。

计算涉及大矩阵求逆，公司数量 N大时（如上万家）计算量大。通常是离线批量计算。
CPU： 高。稠密矩阵求逆复杂度 O(N3)， 需要高性能计算或使用稀疏矩阵优化。
内存： 高。存储 N×N矩阵，N=10000时约需 800MB（双精度）。
存储盘： 中。存储持股关系数据库。
IO/网络： 中。
队列： 不需要。

股权网络是虚拟的资本关系。但基于此网络的实际控制，决定了实体企业战略方向、资源分配和人事任免，影响实体经济的运行。

B-0056

利益链

供应链金融控制

系统动力学 + 期权定价

供应链金融杠杆与风险传导模型

1. 核心操作：财团核心企业利用其信用优势，通过“反向保理”、“应收账款资产证券化(ABS)”等工具，将上游中小供应商的应收账款转化为可融资资产，并控制融资渠道。
2. 三方模型：核心企业 B， 供应商 S， 金融机构 F（可能为财团内部金融平台）。S向 B供货，形成应收账款 A。B承诺到期付款。S可将 A转让给 F以获取折现融资 L=A⋅(1−d⋅t/360)， 其中 d是折现率，t是剩余期限。
3. 财团控制力：财团通过控制 B和 F， 获得对 d的定价权。压低 d可吸引更多供应商加入其供应链网络，增强粘性；在资金紧张时提高 d可挤压供应商利润，转移财务成本。
4. 风险传导：B的信用风险 λB​直接影响 A的价值。A的价值可视为一个看跌期权：VA​=A⋅e−rt−Put(A,B,t)， 其中 Put是基于 B违约风险的看跌期权价值（用Merton模型等估计）。财团通过内部增信或担保，降低 Put价值，从而使 L更接近 A的面值，增强融资吸引力。
5. 网络效应：供应商 S的稳定性依赖于融资可得性 L。定义供应链网络稳健性指数 R=∑S​min(1,OperatingCostS​LS​​)。财团通过调节 d影响 R， 进而影响整个供应链的稳定性和产能。

模型精度依赖于对核心企业违约风险 λB​的准确估计，以及对供应商成本结构的了解。误差可能导致错误的定价策略，引发供应链断裂或财务损失。

供应链金融， 信用风险模型（Merton）， 系统动力学， 期权定价。

中国财团：大型企业集团（如国企、平台公司）利用其高信用，通过旗下金融科技平台为上下游中小企业提供融资，实现对整个产业链的资金控制。
全球财团：沃尔玛、苹果等利用其信用为供应商融资。特征：将产业控制延伸至金融领域，用资金流捆绑物流和信息流。

A: 应收账款面值；
d: 年化折现率（决策变量）；
t: 剩余天数；
L: 融资可得金额；
λB​: 核心企业违约强度；
r: 无风险利率；
Put(⋅): 信用看跌期权价值；
R: 供应链网络稳健性指数。

金融工程（折现、期权定价）、概率（违约风险）、系统方程、优化（定价以最大化控制力或利润）、网络效应。

操控性、金融性。语言如“通过控制供应链金融的定价权，财团可以调节产业链的血液（资金）供应”。

1. 数据监控：实时监控核心企业 B的信用指标、所有供应商的应收账款余额 AS​及账期 tS​。
2. 风险评估：动态计算 B的违约风险 λB​(t)及对应的 Put价值。
3. 定价决策：设定目标稳健性 Rtarget​或融资利润目标。求解最优折现率 d∗：
$\min_d

R(d) - R_{target}

或\max_d \sum_S (d \cdot A_S \cdot t_S/360)。<br>4.∗∗执行与调整∗∗：在财团金融平台发布d^*。监控供应商融资申请和供应链稳定性指标，周期性调整d$。

资金流从财团控制的金融平台 F流出，经折现因子 d调节后，流向供应商 S。供应商获得资金后维持运营，物流（货物）反向流向核心企业 B。财团通过调节 d这个“阀门”，控制资金流的流量和方向，从而影响整个供应链生态的活力。

理论基础：贸易信贷理论、供应链协同。认知特征：将“欠款”转化为控制工具。利益特征：获得金融利差、增强供应链粘性、获取供应商交易数据。关系情感：供应商对财团产生资金依赖，关系从平等交易转向依附。

B-0057

监管/舆论

信息控制

社会网络+传播动力学

基于社会物理学的共识塑造模型

1. 社会物理学假设：舆论形成类似于粒子在势能场中的运动，个体观点 xi​∈[−1,1]（-1极端反对，1极端支持），受到社会影响力 Jij​和外加信息场 h(t)的影响。
2. 动力学方程：观点演化遵循 Langevin 方程：
dxi​/dt=−∂xi​∂U(x)​+ξi​(t)。
其中 U(x)=−∑i<j​Jij​xi​xj​−∑i​h(t)xi​是社会势能场，ξi​(t)是随机噪声（个体独立思考）。Jij​表示个体 i和 j之间的社会连接强度，受社交网络结构和信任度影响。
3. 财团干预：财团通过控制媒体节点（大V、新闻机构）施加一个全局信息场 h(t)=A⋅sin(ωt+ϕ)+h0​。其中 A是信息投放强度，ω是话题切换频率，h0​是期望引导的舆论偏向。通过优化 (A,ω,ϕ,h0​)， 使系统稳态的平均观点 ⟨x⟩收敛到目标值 xtarget​。
4. 关键节点识别：寻找社交网络中特征向量中心性高或中介中心性高的节点，对其进行针对性影响（如收买、合作），可以最大化修改 Jij​矩阵，从而改变整个势能场 U(x)的形态，引导舆论。
5. 模拟与策略优化：使用智能体模拟（ABM）运行上述动力学方程，测试不同的信息投放策略对舆论收敛速度、稳定性和极化的影响。

模型是高度简化的，参数 Jij​和 h(t)难以精确测量。精度更多体现在定性趋势预测和策略比较上，而非精确的舆论值预测。

统计物理（Ising模型、观点动力学）、社会网络分析、常微分方程系统、最优控制。

全球/美国财团：通过控股的媒体集团和社交媒体平台，设置议程，引导公众对政策、竞争对手的看法。
中国财团：与官方媒体协同，在特定产业政策、技术路线上塑造舆论共识。
特征：将舆论视为可被“场”力引导的系统，进行工程化干预。

xi​: 个体 i的观点值；
Jij​: 个体 i,j间的社会影响强度矩阵；
h(t): 外部信息场（媒体影响）；
U(x): 社会势能；
ξi​(t): 随机噪声；
A,ω,ϕ,h0​: 信息场控制参数。

动力学系统、微分方程、势能场、随机过程、网络、优化、模拟。

引导性、工程性。语言如“舆论系统可以被建模为一个动力系统，通过施加外部信息场引导其演化”。

1. 建模：从社交媒体数据构建/估计社交网络 Jij​， 初始化群体观点分布 xi​(0)。
2. 设定目标：确定要塑造的共识 xtarget​和时间范围 T。
3. 策略搜索：
a. 选择一组媒体节点作为信息场施加点。
b. 在参数空间 (A,ω,ϕ,h0​)中搜索，或用强化学习训练智能体，以最小化损失 L=∫0T​(⟨x(t)⟩−xtarget​)2dt。
c. 在ABM模拟中测试策略效果。
4. 执行：按照最优策略，在现实媒体渠道发布节奏性、定向性的内容。

观点 xi​在社交网络和外部信息场构成的“力场”中流动演化。共识形成的过程是观点流从随机分布向势能场 U(x)的某个吸引子（通常对应 h0​方向）汇聚的过程。财团的媒体控制相当于塑造了 U(x)的“地形”，引导观点流向期望的“谷底”。

理论基础：计算社会学、宣传理论。认知特征：利用人类的从众心理、确认偏误和认知捷径。利益特征：为财团的政策游说、市场准入、危机公关创造有利的民意环境。情感：操纵公众的情感（愤怒、恐惧、希望）以达成共识。

ABM模拟需要为百万级甚至更多的智能体计算，实时策略优化计算量巨大。但策略执行本身是内容发布，并发压力在信息推送系统。
CPU/GPU： 极高。ABM模拟和强化学习训练极度耗算力。
内存： 极高。存储智能体状态和网络结构。
存储盘： 高。存储历史舆论数据和媒体内容库。
IO/网络： 高。与社交媒体API交互，获取实时数据。
队列： 用于管理内容发布任务流。

舆论是虚拟的信息生态。但塑造舆论需要通过物理世界的媒体渠道（电视、广播、互联网）投放内容，占用频谱、带宽和公众注意力（时间资源）。共识影响选举、立法等政治进程，占用政治资源。

B-0058

利益链

资源控制

博弈论+空间分析

大宗商品三重市场操纵模型 (Physical, Paper, Derivative)

1. 三重市场：
- 实物市场：控制关键资源（如矿产、港口、油库）的物流节点 P。
- 纸货市场：在主要交易所（如LME, NYMEX）拥有优势头寸 F（期货）。
- 衍生品市场：发行或交易基于该商品的复杂衍生品 D（如期权、互换）。
2. 操纵策略：在实物市场制造局部短缺（如“检修”关键港口），推高现货溢价。同时在期货市场建立大量多头头寸 F， 并从衍生品 D的波动中获利（如卖出看跌期权，因波动率上升而获利）。
3. 数学模型：
a. 实物市场供需：Qd(Ps​)=a−bPs​， Qs(Ps​,θ)=c+dPs​−θ。其中 θ是财团控制的“供应干扰量”（决策变量）。均衡价 Ps∗​=(a−c+θ)/(b+d)。 ↑θ⇒↑Ps∗​。
b. 期货价格：Pf​=E[Ps​(T)]+仓储成本−便利收益。通过影响 E[Ps​(T)]（预期未来现货价）来操纵 Pf​。
c. 总利润：Π=实物利润(Ps∗​−C)⋅Q物理销售​​​+期货利润(Pf​(T)−Pf​(0))⋅F​​+衍生品利润Vega(D)⋅Δσ​​， 其中 Vega是衍生品对波动率的敏感度。
4. 优化：在监管约束（头寸限制）下，选择最优的干扰量 θ∗和头寸 F∗， 最大化 Π。

模型高度简化，实际市场受众多因素影响。操纵行为面临巨大的法律和监管风险。精度在于对市场弹性参数 (b,d)和波动率影响的估计。

微观经济学（局部均衡）， 金融工程（期货定价， Greeks）， 博弈论（与监管、其他交易者博弈）。

全球资源财团（如嘉能可）：通过控制物流设施和信息，影响局部现货价格，并利用其在金融市场的头寸放大盈利。
中国国企财团：在铁矿石、原油进口中，尝试通过集中采购和国内期货市场影响定价。特征：产融深度结合的高级形式，利用市场间的传导和时滞进行套利/操纵。

Ps​: 现货价格；
Pf​: 期货价格；
θ: 可控的供应干扰量；
Qd,Qs: 需求和供给函数；
F: 期货净头寸；
D: 衍生品头寸；
Vega: 衍生品的Vega值；
σ: 波动率。

均衡分析、优化、期望、微积分（求导）、博弈、随机过程。

操纵性、套利性。语言如“通过实物市场制造‘稀缺’，在金融市场兑现‘预期’”。

1. 情报与评估：评估目标商品市场的供需弹性、库存水平、物流瓶颈。评估监管环境和对手盘实力。
2. 策略制定：
a. 在实物市场秘密布局，获得干扰能力 θ。
b. 在期货市场逐步建立头寸 F。
c. 构建衍生品组合 D， 使其 Vega 为正。
3. 执行：
a. 在 t0​时，启动实物干扰（θ>0）， 推高 Ps​。
b. 通过旗下研究机构释放看涨报告，引导预期 E[Ps​(T)]上升，推高 Pf​和波动率 σ。
c. 在 t1​（价格高位）逐步平仓期货头寸 F， 了结衍生品 D。
4. 撤退：逐步减少实物干扰，恢复供应，避免被坐实操纵指控。

利润流从三个市场汇聚。实物市场的“稀缺信号”流，经由信息渠道影响期货市场的“预期流”，最终在期货和衍生品市场兑现为“资金流”。财团的操作是精心设计这三个流之间的相位差和因果关系，实现跨市场套利。

理论基础：市场微观结构、操纵理论。认知特征：利用市场参与者的适应性预期和羊群效应。利益特征：追求超越正常贸易和投资的超额利润，是金融资本的顶级掠夺形式。监管博弈：与全球监管机构进行猫鼠游戏。

策略制定需要复杂的模拟和风险评估，计算量高。但执行时的交易是高并发、低延迟的。
CPU： 高。实时定价、风险计算（Greeks）、市场模拟。
内存： 高。缓存市场深度数据和风险敞口。
存储盘： 高。存储历史行情和交易记录。
IO/网络： 极高。需要直连交易所（DMA）的超低延迟网络，以执行大单和捕捉微小价差。
队列： 交易指令处理队列至关重要。

操作涉及实物仓库、港口、船舶（物理空间和物流通道），以及交易所的交易席位、数据中心（物理空间和通信通道）。时间是关键资源，操纵依赖于精确的时机选择。

B-0059

管理/经营

生活场景控制

平台经济学+图论

统一支付入口控制模型

1. 目标：通过控制支付这一交易闭环的关键节点，获取海量交易数据流，并以此为基础向借贷、营销、生活服务等场景渗透，最终控制用户的数字生活入口。
2. 网络效应模型：支付平台的价值 V遵循 Metcalfe 定律的变体：V(t)=k⋅[Nu​(t)]α⋅[Nm​(t)]β。其中 Nu​是用户数， Nm​是商户数， α,β>1体现跨边网络效应，k是货币化系数。
3. 控制策略：
a. 补贴战：初期投入巨额资本 I， 为用户和商户提供补贴 su​,sm​， 以快速提升 Nu​,Nm​， 达到临界规模。动力学：dNu​/dt=ru​(V(t)+su​−pu​)， dNm​/dt=rm​(V(t)+sm​−pm​)， 其中 p是使用成本/费率。
b. 数据垄断：支付数据 D形成独特的资产。数据价值 VD​=f(Volume,Variety,Velocity)。财团利用 D构建更精准的信用模型和推荐系统，巩固其生态优势。
c. 生态封锁：通过 API 和控制权，使自身生态内的服务（外卖、打车、金融）优先使用该支付，并对竞争性服务设置障碍。
4. 最优化：在时间范围 T内，选择补贴路径 {su​(t),sm​(t)}以最大化净现值：
max∫0T​e−ρt[R(t,Nu​,Nm​,D)−C(su​,sm​)]dt， 其中 R是收入（费率、金融业务收入等）， ρ是折现率。

模型参数 (α,β,ru​,rm​)难以准确估计，且受竞争策略影响巨大。战略成功依赖于巨大的初始资本 I和强大的执行力。

网络效应理论， 动态优化（最优控制）， 数据资产估值， 双边市场理论。

中国财团（腾讯-微信支付，阿里-支付宝）：从电商/社交场景切入支付，扩张至全生活场景。
美国财团（如 PayPal, Square）：从线上支付/中小企业支付切入，向综合金融扩展。
非洲财团（如 M-Pesa）：在银行基础设施薄弱的地区，通过移动通信网络直接控制支付入口。特征：“得支付者得数据，得数据者得生态”。

Nu​,Nm​: 用户和商户数量；
α,β: 网络效应指数；
su​,sm​: 对用户和商户的补贴率；
pu​,pm​: 用户使用成本和商户费率；
D: 支付数据资产；
V(t): 平台价值；
I: 初始投资；
ρ: 折现率。

微分方程（动力系统）、最优控制、指数函数、网络、数据价值函数。

生态性、控制性。语言如“支付是数字生活的‘开关’，控制了它就控制了信息和资金的起点与终点”。

1. 冷启动与补贴：投入 I， 设定高补贴 (su​,sm​)， 通过地推和线上活动快速拉新。
2. 网络增长监控：实时监测 Nu​(t),Nm​(t)增长曲线，与模型预测对比，动态调整补贴策略。
3. 数据价值挖掘：支付数据 D实时流入数据中台，用于训练风控模型、用户画像、商户征信模型。
4. 生态构建与闭环：
a. 基于数据和支付流量，自建或投资生活服务（金融理财、本地生活）。
b. 通过政策（如低费率）引导生态内交易，通过技术（如不开放接口）限制生态外竞争。
5. 货币化：逐步降低补贴，提高费率 pm​， 并基于数据开展信贷、广告等高利润业务。

资金流最初从财团资本库流出，以补贴形式流向用户和商户，吸引他们加入平台。随后，真实的交易资金流开始通过平台流转，沉淀下数据流 D。数据流被加工后，转化为信用流和推荐流，引导更多的资金流和交易流在平台生态内循环，形成不断增强的闭环。

理论基础：平台战略、数据网络效应。认知特征：利用用户对便利性的追求和转换成本。利益特征：获取无与伦比的交易数据，从而在金融和广告市场获得垄断优势。关系：用户、商户与平台形成深度绑定关系。生活场景控制是终极形态。

支付系统本身要求极高的并发处理能力、低延迟和强一致性。5000万并发支付是顶级互联网公司的日常挑战。
CPU： 极高。每秒处理数十万笔交易，需要大规模分布式计算。
内存： 极高。用于缓存用户账户、风控规则、商户信息等热点数据。
存储盘： 极高。海量交易记录需要分布式数据库，备份要求高。
IO/网络： 极高。支付链路涉及多个系统（银行、清算机构），网络延迟和稳定性是关键。
队列： 核心中的核心。用于削峰、异步处理、保证最终一致性。

支付控制数字资金流通道。基于支付的生态控制着线上/线下的消费场景（数字空间和实体店铺）。支付数据中心是重要的数字基础设施，占用大量物理空间和能源。

B-0060

利益链

标准与专利控制

网络博弈+知识产权

技术标准与专利池控制博弈

1. 标准价值：技术标准（如5G, Wi-Fi）确立后，其包含的“必要专利”（SEP）持有者可以向所有实施者收取许可费，形成“税基”。
2. 博弈参与者：财团 A与竞争对手财团 B， 各自拥有专利组合 PA​,PB​。在标准制定组织（SDO）中，双方就技术方案进行投票博弈。
3. 博弈过程：
a. 研发投入：双方投入 RA​,RB​进行研发，产生专利数量与质量 Q=f(R)。
b. 标准提案博弈：双方提交提案。提案被采纳的收益取决于其专利在最终标准中的占比 θA​。这是一个消耗战博弈，均衡投入 R∗满足边际收益等于边际成本。
c. 专利池形成与许可博弈：标准确定后，SEP持有者可以单独许可，或组成专利池。财团的目标是主导专利池的管理权，并设定有利于自己的许可费率 r和交叉许可条件。
4. 数学模型：财团 A的利润：
ΠA​=许可收入r⋅θA​⋅M​​+池管理权收益δ⋅Ipool manager​​​−RA​。
其中 M是标准产品的总市场规模，δ是管理权溢价，I是指示函数。财团 A在SDO中的投票权 vA​与其技术贡献 QA​和游说投入 LA​正相关：vA​∝QAγ​LA1−γ​。通过优化 RA​和 LA​的分配，最大化 ΠA​。

模型参数（如 f(R)， γ， M）难以量化，博弈结果受技术路径不确定性、政治游说和联盟构建等软因素影响巨大。

博弈论（消耗战、投票博弈）， 知识产权经济学， 网络效应（标准具有强网络效应）。

全球ICT财团（高通 vs. 华为/诺基亚）：在5G标准制定中争夺SEP份额和话语权。
中国财团：推动本国标准（如TD-SCDMA, 北斗）成为国际标准，突破欧美垄断。
日本财团：在汽车、电子领域通过专利交叉许可形成技术联盟。特征：“一流企业定标准”，控制标准就控制了产业发展的方向和利润分配权。

RA​,RB​: 研发投入；
QA​,QB​: 专利质量/数量；
θA​: 财团A专利在标准中的占比；
r: 专利许可费率；
M: 市场规模；
vA​: 在SDO中的投票权/影响力；
LA​: 游说投入；
γ: 技术 vs. 游说权重。

博弈论、优化、函数、指数、指示函数、比例。

战略性、规则制定性。语言如“技术标准是产业的‘宪法’，专利是征收的‘税款’”。

1. 前期布局：在技术萌芽期即进行大规模研发投入 RA​， 并提前进行全球专利布局。
2. 标准制定期：
a. 积极参与SDO会议，提交大量技术提案。
b. 投入游说资源 LA​， 争取其他成员的支持，形成投票联盟。
c. 在技术选择上，倾向于将自己拥有核心专利的路线推入标准。
3. 后期运营：
a. 主导或深度参与专利池的组建和管理。
b. 设定“公平、合理、无歧视”（FRAND）原则下的许可费率 r， 并通过诉讼威慑潜在侵权者。
c. 将专利许可与芯片销售、技术授权等业务进行捆绑。

技术研发流 (R) 转化为专利资产流 (Q)， 专利资产流在标准制定会议上转化为投票影响力流 (v)， 投票结果决定标准中的专利占比流 (θ)， 最终占比流通过许可协议转化为持续的现金流 (r⋅θ⋅M)。财团的目标是最大化这个传导链条的效率。

理论基础：创新经济学、标准竞争理论。认知特征：将技术竞争从产品层面提升到规则层面。利益特征：获得“睡后收入”（许可费），构建极高的竞争壁垒。关系：在标准组织内形成复杂的合作与竞争关系网络。

标准制定过程中的模拟、专利分析、侵权风险评估需要大量计算。但核心是法律和外交博弈，而非纯计算。
CPU： 中。用于专利文本分析、技术路线图模拟。
内存： 中。存储全球专利数据库和技术文档。
存储盘： 高。存储海量专利全文和技术标准文档。
IO/网络： 中。访问各SDO和专利局数据库。
队列： 用于处理专利分析任务。

标准是虚拟的规则。但标准控制的实体是工厂里生产的芯片、设备，是网络中传输的数据包。专利诉讼在全球各地的法院进行，消耗巨大的法律资源和时间。

B-0061

监管/舆论

信息控制

自然语言处理+图神经网络

信息茧房强度指数与强化算法

1. 信息茧房定义：用户长期接触符合其偏好的信息，导致信息获取维度单一、观点固化。财团控制的平台可通过算法强化此效应，以提升用户粘性和控制力。
2. 量化指标：对于用户 u， 定义其信息茧房强度 Eu​：
Eu​=1−log2​(K)信息熵(Cu​)​。
其中 Cu​=(c1​,c2​,...,cK​)是用户 u在过去一段时间内消费的 K个主题类别（如政治、娱乐、科技）的分布，信息熵 H(Cu​)=−∑k​ck​log2​ck​。Eu​→1表示茧房强度高（只关注极少数主题），Eu​→0表示兴趣广泛。
3. 推荐算法操控：标准推荐系统（如协同过滤）的目标是最大化点击率（CTR）。财团可修改目标函数，加入茧房强化项：
maxθ​∑u​[CTRu​(θ)+λ⋅ΔEu​(θ)]。
其中 θ是推荐模型参数，λ>0是强化权重，ΔEu​(θ)是推荐行为对用户 u未来 Eu​的预期提升。这引导算法不仅推荐用户可能喜欢的，更推荐那些能使其兴趣分布更集中的内容。
4. 实现：使用深度强化学习（DRL）训练推荐智能体，状态是用户历史 Cu​和当前上下文，动作是推荐项目，奖励是综合的 CTR+λ⋅ΔE。智能体学会主动窄化用户的信息视野。

指数 Eu​是对复杂认知状态的简化度量。算法操纵存在伦理和监管风险，可能引发公众反弹。精度取决于对用户兴趣主题的准确分类和长期行为模拟。

信息论（熵）， 推荐系统， 深度强化学习， 行为心理学。

全球社交/内容平台财团（如Meta， 字节跳动）：通过算法优化用户停留时长，无意或有意地强化了信息茧房和回音壁效应，从而更精准地投放广告或引导舆论。
特征：将用户体验（沉迷）与平台控制力（数据、注意力）绑定，是“注意力经济”的黑暗面。

u: 用户索引；
Cu​: 用户兴趣主题分布向量；
Eu​: 信息茧房强度指数；
H(⋅): 信息熵；
K: 主题类别数；
θ: 推荐模型参数；
λ: 茧房强化权重；
ΔEu​: 预期茧房强度变化。

信息论、优化、强化学习、概率分布、对数函数、期望。

操控性、心理性。语言如“通过算法降低用户信息熵，强化其固有偏好，构建舒适但封闭的认知空间”。

1. 监测：实时计算所有活跃用户的 Eu​(t)， 绘制整体茧房强度分布。
2. 模型训练：
a. 构建模拟环境，用户 agent 根据历史 Cu​和推荐内容做出反馈（点击、停留）。
b. 使用 DRL（如 PPO）训练推荐智能体，奖励函数为 R=click+λ⋅(Eu​‘−Eu​)， 其中 Eu​‘是推荐后的预期熵。
3. 部署与A/B测试：将训练好的策略部署到线上小流量，对比与传统 CTR 模型在用户停留时长、互动率、茧房强度等指标上的差异。
4. 迭代：根据线上反馈和监管风向，调整 λ。

信息流从广阔的内容池，被推荐算法这个“过滤阀”引导，狭窄地流向具有高 Eu​值的用户。用户的信息消费行为数据流反馈给算法，进一步优化“过滤阀”的设置，形成一个不断增强 Eu​的正反馈循环流。用户被锁在信息流构成的“茧”中。

理论基础：行为成瘾理论、推荐系统伦理。认知特征：利用人类的确认偏误和认知懒惰。利益特征：提升用户粘性（更多广告曝光）、便于精准营销和舆论引导。情感：提供即时的愉悦（舒适区），但可能损害理性思考和社會共识。

实时推荐系统本身就需要高并发、低延迟。加入 DRL 模型后，训练成本极高，但线上推理成本增加不多。
CPU/GPU： 极高。DRL训练需要海量算力。线上推理需要 GPU 集群支持深度模型。
内存： 极高。存储用户实时兴趣向量和深度模型参数。
存储盘： 极高。存储用户行为日志、内容特征、模型检查点。
IO/网络： 极高。实时读取用户特征，写入推荐结果和反馈日志。
队列： 用于处理用户请求、特征抽取、模型预测的流水线。

信息茧房存在于用户的认知空间（时间资源）。塑造茧房的内容通过互联网带宽（物理通道）推送。平台的数据中心是物理基础。此控制最终影响公众的集体认知和时间分配。

B-0062

利益链

资源控制

空间分析+排队论

物流枢纽控制权博弈 (港口、机场、数据中心)

1. 枢纽属性：物流枢纽 H（如上海港、鹿特丹港、新加坡数据中心）具有区位优势、规模经济和网络效应。其价值 VH​与通过其的货流/数据流 F的平方成正比（梅特卡夫定律的变体）：VH​∝F2。
2. 控制权博弈：财团 A与 B竞相通过直接投资、长期特许经营权（Concession）或收购运营商来获取枢纽 H的控制权。博弈可建模为全支付拍卖：双方私下投入非返还性的游说/贿赂/投资 bA​,bB​， 出价高者获得控制权，但其支付也影响枢纽未来的盈利能力。
3. 支付函数：如果财团 A获胜（bA​>bB​）， 其收益为：
ΠA​=∫0T​e−ρt[α⋅VH​(F(t))−(bA​+Cop​)]dt。
其中 α是控制权带来的利润分成比例，Cop​是运营成本，T是特许经营期。F(t)的增长受控于财团自身的全球网络布局。
4. 均衡分析：在对称信息下，存在一个对称的贝叶斯纳什均衡，双方出价 b∗=2α⋅E[VH​]​。但现实中信息不对称，且出价可能远超当期财务价值，因为控制了枢纽就能影响竞争对手的货流，战略价值巨大。
5. 网络效应：控制枢纽 H后，财团可以优先处理自有货流，对竞争对手的货流征收更高费用或制造延迟，从而将枢纽的优势传导至整个物流网络，扭曲全球物流格局。

枢纽价值 VH​和网络效应的量化非常困难。博弈结果严重受东道国政治、地缘政治因素影响，模型仅提供经济层面的分析框架。

博弈论（全支付拍卖）， 区位理论， 网络经济学， 动态规划。

全球财团（如马士基投资港口，黑石投资物流地产）：通过控制关键港口节点，保障自身供应链稳定并获取超额利润。
中国“一带一路”相关财团：投资建设或运营比雷埃夫斯港、瓜达尔港等，寻求贸易通道控制权。
美国科技财团：在全球建设数据中心网络，控制数据流的物理枢纽。特征：控制实体物流/数据流的“咽喉要道”。

H: 物流枢纽；
F: 通过枢纽的流量；
VH​: 枢纽价值；
bA​,bB​: 财团A和B的出价（投资/游说成本）；
α: 控制权利润份额；
T: 控制期限；
ρ: 折现率；
Cop​: 运营成本。

博弈论、积分（现值）、指数增长、网络效应、优化（出价决策）。

战略性、地缘性。语言如“控制物流枢纽，就控制了全球贸易的‘阀门’和‘路由器’”。

1. 目标识别：基于全球贸易流/数据流图谱，识别枢纽性节点 H。
2. 价值评估：预测未来 T年内通过 H的流量 F(t)， 估算其战略价值 VH​。
3. 博弈分析：评估竞争对手的意愿和资源，利用拍卖模型估算均衡出价 b∗及获胜概率。
4. 出价与执行：决定出价 bA​（可能高于纯财务价值 b∗）。如果获胜，与东道国政府签订特许经营协议。
5. 整合运营：将 H接入财团全球网络，优化路由策略，优先服务自身生态，并对非友好方设置隐性壁垒。

全球货流/数据流 F原本遵循成本最低路径。财团控制枢纽 H后，相当于在流网络中插入了一个可控的“阀门”或“泵”。通过调节这个阀门的“阻力”（费用、效率），可以引导 F更多地流向财团友好的通道，减少甚至阻断流向竞争对手的通道，重塑全球流的走向。

理论基础：地缘经济学、基础设施投资。认知特征：将地理位置的战略价值资本化。利益特征：获取垄断租金、保障供应链安全、获得地缘政治影响力。关系：与东道国政府形成复杂的政商关系。

战略评估涉及大量的地理空间数据（GIS）分析和流量模拟，计算量中等。枢纽运营本身的信息化系统（如港口操作系统TOS）需要处理高并发事务。
CPU： 中。用于流量模拟和优化。
内存： 中。存储地理和物流网络数据。
存储盘： 高。存储卫星地图、船舶AIS数据、贸易统计数据。
IO/网络： 中。
队列： 用于处理物流订单和设备调度指令。

枢纽本身是巨大的物理存在（土地、码头、跑道、机房）。控制权意味着对这些物理空间和其中设备（吊机、服务器）的支配。时间资源体现在货物的停留时间和数据的传输延迟。

B-0063

经营/管理

多行业协同

投入产出分析+优化

财团内部交易与转移定价优化模型

1. 背景：财团控制多个行业的公司，存在大量内部交易。通过设计内部转移价格 pijinternal​， 可以实现利润转移、税负优化和规避监管。
2. 模型：设财团有 N家子公司，位于 M个不同税区。子公司 i生产中间品 xi​， 部分内部销售给 j， 部分外部销售。外部售价为 pimarket​， 外部成本为 ci​。子公司 i所在税区的税率为 τi​。
3. 决策变量：内部交易量 qij​和内部转移价格 pijinternal​。
4. 目标函数：最大化财团全球税后总利润：
max∑i=1N​(1−τi​)⋅Πi​，
其中子公司 i的税前利润 Πi​=内部销售j=i∑​pjiinternal​qji​​​+外部销售pimarket​⋅Qiexternal​​​−内部采购j=i∑​pijinternal​qij​​​−ci​(xi​)。
5. 约束：
a. 生产函数与物料平衡：xi​=∑j​qij​+Qiexternal​。
b. 转移定价合规约束（如 arm‘s length principle）：pijinternal​需在可比外部价格区间 [pmin​,pmax​]内，或满足交易净利润法等规定。
c. 监管避免约束：避免在单一子公司产生过高利润，引起反垄断或国家安全审查。
6. 求解：这是一个大规模的线性/非线性规划问题（取决于成本函数 ci​的形式）。可利用税务天堂（τ≈0）的子公司设置高转移价格，将利润转移到低税区。

模型高度依赖对各子公司成本函数 ci​和市场可比价格区间的准确掌握。激进的转移定价面临巨大的税务稽查和罚金风险。精度在于对合规边界的精准把握。

税务规划， 运筹学（线性规划）， 公司金融， 国际贸易规则。

全球跨国财团（如苹果、谷歌）：通过爱尔兰、荷兰等低税地子公司，进行知识产权许可和内部服务费支付，将全球利润转移至低税区。
中国跨国企业：在“一带一路”沿线通过关联交易优化整体税负。
特征：合法合规框架下的全球利润最大化操作，是财团全球资源配置的核心财务工具。

N: 子公司数量；
M: 税区数量；
pijinternal​: 从 i到 j的内部转移价格；
qij​: 内部交易量；
pimarket​: 外部市场价格；
ci​(⋅): 子公司 i的成本函数；
τi​: 子公司 i的有效税率；
Πi​: 税前利润。

优化（线性/非线性规划）、约束、求和、税务函数。

规划性、合规性。语言如“通过设计内部交易的价格和流量，在合规前提下实现全球税后利润最大化”。

1. 数据整合：整合财团全球子公司的财务、生产、成本、外部市场价格及各国税法数据。
2. 建立模型：将上述目标函数和约束建模，输入优化求解器（如Gurobi, CPLEX）。
3. 求解与方案生成：求解器输出最优的内部交易矩阵 (qij∗​)和转移价格矩阵 (pijinternal∗​)。
4. 合规性论证：准备转让定价文档，用可比公司分析、功能风险分析等方法证明 pijinternal∗​符合“独立交易原则”。
5. 系统实施：在集团ERP系统中配置定价规则和内部结算流程，自动化执行该方案。

利润流像水一样，在财团全球子公司网络构成的“管道”中流动。转移定价 pijinternal​是管道连接处的“阀门”和“泵”。通过精细调节这些阀门，财团可以将利润从高税区的“高地”抽吸到低税区的“洼地”进行汇集。优化模型计算的就是一套全局的阀门调节方案。

理论基础：国际税收、转移定价理论。认知特征：将全球税务体系视为可优化的系统。利益特征：直接增加股东税后回报，是跨国财团的核心竞争力之一。监管博弈：与各国税务机关进行专业且复杂的对抗与合作。

模型求解是离线的，但数据准备和合规文档生成工作量巨大。内部交易结算系统需要处理高并发。
CPU： 高。大规模线性规划求解。
内存： 高。存储模型矩阵。
存储盘： 高。存储全球子公司所有交易和财务数据。
IO/网络： 高。从各子公司ERP系统同步数据。
队列： 用于处理内部结算订单。

利润是虚拟的数字。但利润转移涉及真实的跨境资金流动，受外汇管制和银行通道限制。税务调查和诉讼消耗大量的法律和时间资源。

B-0064

监管/舆论

生活场景控制

物联网+智能合约

智能合约自动执行生态系统 (IoT + Blockchain)

1. 愿景：将物理世界资产（设备、车辆、房屋）物联网化，并将其使用权/收益权通证化（Tokenize）。通过智能合约自动执行交易和规则，实现无需中介的自动化运营生态系统，财团通过控制底层协议和关键基础设施获利。
2. 技术栈：
- 物联网层：设备 D配有唯一ID和传感器，数据上链。
- 区块链层：资产通证 T代表对 D的特定权利（如1小时使用权）。
- 智能合约层：包含业务逻辑的代码 SC， 如：if (payment_received && time_slot_available) then grant_access(D, user)。
3. 财团控制点：
a. 协议层：主导共识算法和通证经济模型设计。例如，对每笔交易征收 Gas 费 g， 或对通证转移征收税率 t。
b. 预言机 (Oracle)：控制将链下数据（如设备状态、支付确认）可靠传输至链上的服务，这是智能合约触发的前提。
c. 核心资产：持有大量基础通证或关键设备的控制权。
4. 收益模型：财团收益 R=∑(gi​+t⋅vi​)+StakingRewards+AppProfit。其中 vi​是交易价值，StakingRewards 是参与共识维护的奖励，AppProfit 是在该生态上开发应用的分成。
5. 网络效应：生态系统价值 Veco​与接入的设备数 ND​和开发者数 Ndev​的乘积成正比（双边市场）：Veco​∝ND​⋅Ndev​。

技术尚未完全成熟，性能、安全性和监管不确定性高。模型假设通证有持续价值，这依赖于生态的成功。精度取决于对用户采纳率和交易频率的预测。

区块链技术， 通证经济学， 网络效应， 自动执行合约。

全球科技/金融财团：试图建立下一代去中心化物联网平台（如 IOTA 愿景），控制机器经济的基础设施。
中国财团：在供应链金融、数字孪生城市领域探索“区块链+IoT”的应用，寻求在细分场景的标准制定权。
特征：旨在控制未来“机器对机器(M2M)”经济的底层协议，是比控制互联网应用层更底层的野心。

D: 物联网设备集合；
T: 资产通证；
SC: 智能合约代码；
g: 交易Gas费；
t: 通证转移税率；
v: 交易价值；
ND​,Ndev​: 设备和开发者数量；
Veco​: 生态系统总价值。

密码学、分布式系统、网络效应、经济激励设计、条件逻辑。

架构性、自动化。语言如“通过智能合约将物理世界的契约关系代码化，实现自动执行的无信任协作”。

1. 协议设计与发链：财团主导设计区块链协议和通证模型，启动主网。
2. 生态建设：
a. 投资或合作开发兼容的物联网硬件和 SDK，推动设备上链 (ND​↑)。
b. 提供开发者基金和工具，吸引开发者构建应用 (Ndev​↑)。
3. 控制预言机：建立或控股一家权威的链下数据预言机服务。
4. 运营与治理：通过持有的通证参与链上治理，投票决定协议升级方向、费用参数 (g,t)等。
5. 货币化：从每笔交易中抽取费用，从生态应用的成功中获益。

物理世界的状态流（设备数据）通过预言机流入区块链，触发智能合约的逻辑流。逻辑流的执行结果（如授权访问）又通过指令流控制物理设备。资金流（通证支付）全程自动伴随。财团通过控制协议层，成为这个“物理-数字-价值”闭环流的“基础设施运营商”和“征税官”。

理论基础：密码朋克、去中心化自治组织(DAO)。认知特征：用代码的确定性替代人的不可靠性，构建“可信的机器”。利益特征：获取基础设施租金和生态增值收益。关系：参与者与财团的关系从“被管理”变为“使用其协议”，但控制权以更隐蔽的形式存在。

区块链网络本身是分布式和高并发的，但受限于TPS。生态应用（如共享汽车、智能电网）可能有高并发需求。
CPU/GPU： 高。共识机制（如PoS）的验证、智能合约执行需要算力。
内存： 高。全节点需要存储完整状态。
存储盘： 极高。区块链数据持续增长，需要海量存储。
IO/网络： 极高。P2P网络通信和状态同步。
队列： 交易池（Mempool）本身就是一种队列。

控制的是数字协议层，但其管理的对象是遍布全球的物理设备（汽车、电表、传感器）。设备间的自动协作节省了人力时间，但创造了机器时间。能源消耗（挖矿）是巨大的物理资源消耗。

B-0065

利益链

人力资源控制

社会网络分析+激励理论

关键人才网络映射与激励兼容性设计

1. 问题：财团控制多家公司，高级管理人才和技术骨干（下称“关键人才”）可能在集团内部流动，也可能被竞争对手挖角。需要识别人才网络中的核心节点，并设计激励方案使其利益与财团长期绑定。
2. 人才网络：构建二模网络：人才 T与项目/公司 C的隶属关系网络。从该网络可以衍生出人才-人才合作网络（基于共同项目）。计算人才 t的度量：
a. 点度中心性：参与重要项目的数量。
b. 特征向量中心性：与其它高中心性人才合作的程度。
c. 中介中心性：连接不同项目/子公司集群的能力。
3. 激励模型：设计薪酬包 St​=Bt​+β1​⋅Πfirm​+β2​⋅Πgroup​+β3​⋅Voption​。其中 Bt​是固定工资，Πfirm​是所在子公司利润，Πgroup​是财团整体利润，Voption​是财团层面长期期权价值。目标是使人才 t的期望效用 EUt​(St​,et​)最大化时付出的努力 et​恰好最大化财团价值 Vgroup​。这是一个委托-代理问题，求解最优 (β1​,β2​,β3​)。
4. 网络干预：对于网络中心性极高、流失风险大的人才，除经济激励外，可赋予其内部创业机会、集团荣誉职位等“特异性”激励，增加其转换成本。

人才网络数据和真实贡献难以精确量化。激励方案的效果受个人价值观、职场文化等软因素影响，模型提供结构化框架而非精确解。

社会网络分析， 委托-代理理论， 激励理论， 人力资源管理。

全球综合财团（如三星、西门子）：通过集团内部轮岗、高管学院、统一的长期激励计划，将顶尖人才绑定在集团生态内。
中国国企财团：通过“双向进入、交叉任职”等制度，实现党管人才与市场化激励的结合。
特征：将人才视为战略性资产进行网络化管理和资本化运作。

T: 关键人才集合；
C: 项目/公司集合；
Centrality(t): 人才 t的网络中心性度量；
St​: 薪酬包；
Bt​: 固定部分；
β1​,β2​,β3​: 激励系数；
Πfirm​,Πgroup​: 子公司和集团利润；
Voption​: 长期期权价值；
EUt​: 人才期望效用。

图论、优化、期望效用、微积分（一阶条件）、网络分析。

战略性、激励性。语言如“识别人才网络中的‘超级连接器’，并用与集团长期价值挂钩的激励方案将其锁定”。

1. 数据构建：从HR系统、项目管理系统、邮件协作数据中，构建人才-项目网络。
2. 网络分析：计算每个关键人才的中心性指标，识别出核心节点和潜在的单点故障（过度依赖某人才）。
3. 风险评估：结合薪酬竞争力、外部市场热度、个人职业阶段，评估每位核心人才的流失风险 Rt​。
4. 激励方案设计：对高风险、高中心性人才，设计定制化的激励方案，求解最优的 (β1​,β2​,β3​)组合，并加入非经济绑定因素。
5. 实施与监控：执行激励方案，并持续监控人才流动率和网络结构变化。

人才的知识、决策和影响力在集团内部网络中流动。激励方案如同“调节阀”，通过调整利益流向（St​），引导人才的努力流 (et​) 流向对财团整体价值 (Vgroup​) 贡献最大的方向。对核心节点的强力绑定，确保了关键知识流和决策流的稳定。

理论基础：人力资本理论、社会资本理论。认知特征：将企业视为“人才的联盟”，控制人才就控制了创新和执行的源头。利益特征：防止核心人力资本流失，确保战略机密和运营连续性。关系情感：通过长期激励和内部认同感

B-0066

利益链/监管

地缘资源博弈

博弈论+系统动力学

全球稀土元素控制权动态博弈模型

1. 资源界定：稀土元素（REEs）是关键战略资源。模型考虑 N个主要产区国家（如中国、美国、澳大利亚）和 M个主要消费国/地区（如美、欧、日）。各国拥有储量 Ri​(t)， 开采能力 Pi​(t)， 提炼分离技术等级 Ti​(t)。
2. 供需动力学：全球需求 Dglobal​(t)由绿色科技（永磁、电池）、国防工业驱动。价格 p(t)由供需缺口调节：dp/dt=k(Sglobal​−Dglobal​)， 其中 Sglobal​=∑i​Pi​。
3. 策略空间：国家 i的策略 si​包括：投资勘探（增加 Ri​）、提升产能 Pi​、技术研发（提升 Ti​）、实施出口配额 Qiexport​、建立战略储备 Stocki​。
4. 博弈支付：国家 i的效用 Ui​包含经济收益（出口收入 p⋅Qiexport​）、战略安全收益（α⋅(Stocki​−β⋅Di,domestic​)）， 减去投资成本 Ci​(si​)和地缘政治风险成本（如依赖他国供应的脆弱性 Vi​）。
5. 微分博弈：各国在连续时间内动态优化其策略路径 si​(t)， 以最大化折现总效用：maxsi​​∫0∞​e−ρtUi​(t)dt， 受储量、产能、技术演化和对手策略的动态约束。形成耦合的微分博弈系统。
6. 财团角色：跨国矿业财团（如MP Materials, Lynas）作为博弈参与者，其策略可影响所在国的 Pi​和 Ti​， 并游说政策 Qiexport​。财团通过全球产能布局优化，在博弈中为自身（及背后母国）谋取最大利益。

模型高度复杂，参数（如战略安全系数 α,β， 需求增长函数）难以精确估计。但能定性模拟“资源民族主义”、技术封锁、储备竞赛等动态，提供战略洞察。

微分博弈， 资源经济学， 系统动力学， 地缘政治分析。

中国财团/政府：模拟稀土出口管制、整合国内产业、投资海外矿权的影响。
美国/西方财团：模拟“友岸外包”供应链重建、本土产能激励、技术替代研发策略。
特征：将战略资源竞争建模为长期动态博弈，考虑经济与安全双重目标。

Ri​(t): 国家 i的稀土储量；
Pi​(t): 开采/分离产能；
Ti​(t): 技术等级；
Dglobal​(t): 全球需求；
p(t): 国际价格；
Qiexport​: 出口配额；
Stocki​: 战略储备；
Ui​: 国家效用函数；
α,β,ρ: 战略参数、折现率；
si​(t): 国家策略函数。

微分方程、优化（动态优化/最优控制）、博弈论、系统动力学、积分。

战略性、动态性。语言如“稀土控制权是一场国家间的动态博弈，涉及产能、技术、储备和政策的多维度长期竞争”。

1. 情景设定：设定各国初始状态 (Ri​(0),Pi​(0),Ti​(0))， 全球需求预测 Dglobal​(t)。
2. 策略模拟：为每个国家/财团指定策略规则 si​(t)（如中国：当 p低于阈值时收紧 Qexport；美国：当 Stock低于阈值时补贴 P）。
3. 耦合模拟：数值求解耦合的微分方程系统，模拟未来几十年 p(t)， Pi​(t)， Stocki​(t)的演化路径。
4. 敏感性分析：改变关键参数（如技术突破速度、新矿床发现概率），观察博弈结果（如最终主导权、价格波动）的敏感性。
5. 策略优化：对特定国家/财团，使用最优控制理论求解其最优策略路径 si∗​(t)。

资源（稀土）、资本、技术、政策影响力在多国多主体间构成一个复杂的动态流系统。储量流 Ri​被开采成产能流 Pi​， 经出口配额 Qiexport​调节形成贸易流，汇集为全球供给流 Sglobal​， 与需求流 Dglobal​相互作用生成价格流 p(t)。价格流反过来驱动投资流（影响 Pi​,Ti​）和政策流（影响 Qiexport​,Stocki​）。财团的资本和技术流在其中穿针引线，试图引导全局流向对其有利的均衡。

理论基础：资源地缘政治、动态博弈。认知特征：将大国资源竞争视为一个可模拟的、具有反馈和策略互动的长期过程。利益特征：关乎国家/财团的产业安全、技术领先地位和巨额经济利益。关系：定义了资源生产国、消费国、跨国财团之间竞争、依赖、制衡的复杂关系。

微分博弈模拟计算量巨大，需要高性能计算进行数值求解和策略优化。是离线战略分析工具。
CPU： 极高。求解高维耦合ODE系统及优化问题。
内存： 高。存储状态变量和中间结果。
存储盘： 中。存储地理资源数据、历史数据和模拟结果。
IO/网络： 中。
队列： 用于管理不同情景的模拟任务。

博弈围绕实体矿产资源（矿山、加工厂）的物理控制权展开。策略执行涉及真实的地质勘探、矿山建设、工厂投资，消耗巨量资本、人力和时间。出口管制、技术封锁是政策资源的运用。

B-0067

利益链/监管

金融控制

密码学+货币经济学

央行数字货币（CBDC）分层计息与精准调控模型

1. CBDC架构：央行发行的数字法币，通常设计为双层运营（央行-商业银行-公众）。关键创新：可编程性，允许对不同类型的CBDC钱包（Wk​）实施差异化利率 rk​(t)和交易限制 Lk​。
2. 分层与标签：为每个CBDC单元附加元数据标签，标记其所属类别：如“零售型”（WR​）、“批发型”（WW​）、“特定用途型”（WS​， 如纾困资金）。甚至可以细分：“零售-储蓄”、“零售-消费”。
3. 精准货币政策工具：央行可对特定标签的CBDC实施：
a. 负利率：对 WR​中的大额余额征收保管费（rR​<0）， 激励消费或向银行转移。
b. 结构性正利率：对 WS​（如绿色消费）支付更高利息，引导资金流向。
c. 衰减货币：对 WS​（如消费券）设置有效期或随时间贬值，强制流通。
d. 交易限制：设定 WS​的可接收方、商品类别白名单。
4. 传导模型：与传统货币政策通过银行体系间接传导不同，CBDC利率 rCBDC​(t)可直接影响公众的储蓄/消费决策。扩展的IS曲线：Y=C(Y−T+Δ(rCBDC​))+I(r)+G+NX， 其中 Δ表示由CBDC利率变化引起的可支配收入变化。
5. 财团/央行博弈：商业银行（财团）担心存款流失，可能游说对CBDC设限。央行则利用模型模拟不同 (rk​,Lk​)组合对通胀、增长、金融稳定的影响，优化其“数字货币政策工具箱”。

模型依赖于对公众和银行对不同 rk​反应的微观行为参数的准确估计，这存在很大不确定性。可编程性也带来隐私和自由使用的伦理争议。

货币经济学， 货币政策传导机制， 可编程货币， 机制设计。

中国央行（数字人民币）：试点消费补贴、扶贫资金精准发放、特定行业定向降息。
欧洲央行/美联储：研究零售CBDC对货币政策有效性、金融中介的影响。
特征：将货币政策从“大水漫灌”升级为“精准滴灌”，极大增强了货币当局的结构性调控能力。

Wk​: 第 k类CBDC钱包或货币单元集合；
rk​(t): 适用于 Wk​的利率（可为负）；
Lk​: 对 Wk​的交易限制规则集；
Y: 总产出；
C,I,G,NX: 消费、投资、政府支出、净出口；
Δ: CBDC利率引致的收入效应函数。

货币政策模型、利率设定、规则设计、行为反应函数、优化。

调控性、精准性。语言如“通过为数字货币打标签并施加差异化规则，实现货币政策的微观定向调控”。

1. 标签体系设计：定义CBDC的标签维度（用途、持有人、金额区间等）。
2. 政策情景设定：央行设定目标（如刺激绿色消费、抑制房地产投机）。设计对应的 (rk​,Lk​)政策组合。例如，对“绿色消费”钱包 Wgreen​支付正利息 rg​， 对“疑似房款”钱包 Whouse​征收惩罚性负利率 rh​。
3. 宏观模拟：将政策组合输入宏观经济模型（如DSGE），模拟对GDP、CPI、资产价格、银行利润等的影响。
4. 迭代优化：基于模拟结果调整 (rk​,Lk​)， 以更好逼近政策目标，同时评估副作用（如规避行为、合规成本）。
5. 实施与监控：在CBDC系统中部署规则，并实时监控资金流向和宏观指标，动态调整参数。

货币流被附加上“标签流”和“规则流”。从央行流出的每一单位CBDC都携带了初始标签和规则。在流通中，规则流（rk​,Lk​）像“磁场”一样，引导和扭曲货币流的流向和速度。负利率规则产生“排斥力”，将货币从静止的储蓄状态推向交易状态；定向正利率产生“吸引力”，将货币流引向特定领域。央行通过编程控制这个“磁场”的分布和强度。

理论基础：现代货币理论、数字金融。认知特征：将货币视为可附加属性、可编程的“智能物体”，而非同质化商品。利益特征：央行获得前所未有的经济调控精度和速度；商业银行面临脱媒挑战；财团可寻求成为规则下的“特许通道”。关系：重塑央行-商业银行-公众之间的货币创造与分配关系。

CBDC交易系统本身要求极高的并发处理能力、安全性和可靠性。实时计息和规则检查增加计算负担。
CPU： 极高。需要处理海量交易并发，并实时执行复杂的业务规则（利率计算、合规检查）。
内存： 极高。需要维护所有CBDC单元的标签状态和账户余额。
存储盘： 极高。所有交易记录需不可篡改存储，数据量巨大。
IO/网络： 极高。需要连接所有银行、支付机构，实现实时清算结算。
队列： 交易处理的核心组件，用于保证顺序和可靠性。

CBDC是数字法币，但其流通依赖通信网络和计算设备（物理基础设施）。基于CBDC的调控直接影响实体经济的消费、投资活动，占用商品和服务的物流通道。货币政策决策本身是核心的国家治理时间资源消耗。

B-0068

利益链/监管

数据资产化

机制设计+博弈论

数据要素市场双边拍卖与定价模型

1. 问题：数据卖方（S， 如企业、个人）拥有数据 Di​， 数据买方（B， 如AI公司、广告商）有估值 vj​。如何设计市场机制实现数据的高效匹配和合理定价？
2. 数据特性：非排他性（可多次出售）、价值不确定性（使用前不知其效用）、互补性（多源数据融合价值更高）。
3. 双边拍卖机制：市场运营商（财团平台）收集卖方的报价 (bis​,Di​)和买方的报价 (bjb​,reqj​)。设计匹配规则 xij​∈{0,1}和支付规则 pis​,pjb​。
4. 考虑互补性的组合拍卖：买方 j对数据包 P⊆{Di​}的估值为 Vj​(P)， 可能满足超加性：Vj​(P∪Q)≥Vj​(P)+Vj​(Q)。胜者确定问题（WDP）是组合拍卖：maxx​∑j​Vj​(Pj​)xj​， s.t. 每个 Di​至多分配给一个买方（排他性许可时）。这是NP-hard问题。
5. 定价与报酬：使用VCG-inspired支付规则，使说真话成为（近似）占优策略。买方 j支付：pjb​=τj​−(V(N)−V(N∖{j}))， 其中 τj​是其报价，V(⋅)是市场最优总价值。卖方 i获得报酬：pis​=V(N)−V(N∖{Di​})， 即其数据的边际贡献。
6. 财团角色：运营数据交易所平台，收取交易佣金，并通过持有高质量数据资产或提供数据清洗、融合服务获得额外价值。

数据估值 Vj​(P)难以准确披露，存在严重信息不对称。组合拍卖计算复杂。数据隐私和安全是交易的前提，需结合隐私计算技术。

市场设计， 组合拍卖， 机制设计， 数据经济学， 隐私计算。

地方数据交易所（如北京、上海）：探索企业数据、公共数据的产品化和资产化交易。
科技财团平台：构建跨行业的商业数据交换网络。
特征：试图将数据转化为可标准交易的生产要素，是数字经济的核心基础设施探索。

S,B: 卖方和买方集合；
Di​: 卖方 i的数据资产；
bis​,bjb​: 卖方要价和买方出价；
Vj​(P): 买方 j对数据包 P的估值函数；
xij​,xj​: 分配变量；
pis​,pjb​: 支付和报酬；
V(N): 市场最优总价值。

组合优化、拍卖理论、机制设计、超加性函数、NP-hard问题、近似算法。

市场性、要素化。语言如“通过设计考虑数据互补性的组合拍卖机制，实现数据要素的高效配置和基于边际贡献的定价”。

1. 数据产品化：卖方将原始数据加工成标准化的数据产品 Di​， 并附加元数据（描述、质量、样本）。
2. 报价征集：买方提交对数据包的需求和估值（或出价），卖方提交要价。
3. 胜者确定：平台求解组合拍卖WDP，得到最优分配方案 x∗。由于NP-hard，采用近似算法（如贪心、整数规划求解器）。
4. 计算支付：根据VCG-like规则计算每个买方应付 pjb​和每个卖方应收 pis​。确保预算平衡（平台可能抽成）和个体理性。
5. 交易执行与交付：在隐私计算环境中（如联邦学习、多方安全计算）执行数据使用权的交割，确保“数据可用不可见”。

数据（使用权）流从多个卖方汇聚到数据交易所，经过复杂的组合匹配算法，流向能产生最高联合价值的买方组合。资金流反向流动，从买方流向卖方和平台。估值信息流 Vj​(P)是匹配的关键输入。这是一个多对多的、考虑合力的“匹配-定价”流，旨在最大化数据要素的整体价值创造。

理论基础：数据要素市场、市场设计。认知特征：承认数据的非竞争性和互补性，试图用市场机制解决其配置问题。利益特征：释放数据资产价值，激励数据生产与分享，培育数据产业生态。关系：在数据提供方、使用方、平台方之间建立基于市场交易的新经济关系。

数据交易匹配是计算密集型的，尤其对于大规模组合拍卖。但交易频率通常低于金融交易。高并发可能来自数据查询和计费。
CPU： 高。求解组合优化问题。
内存： 高。存储数据产品目录、买方需求图谱和估值模型。
存储盘： 极高。存储海量数据产品及其索引。
IO/网络： 极高。数据交付可能涉及大量数据传输，需结合隐私计算技术，通信开销大。
队列： 用于处理数据查询、计费、交付等异步任务。

数据本身是数字的，存储于服务器（物理空间）。数据交易平台是数字基础设施。基于数据的决策影响实体世界的运营效率。数据交付占用网络带宽。合规与审计消耗法律和时间资源。

B-0069

监管/利益链

生物特征控制

生物识别+访问控制

社会信用体系的延伸：基于多模态生物特征的通行权动态模型

1. 多模态生物特征：采集个体 p的多种生物特征：人脸 Fp​， 步态 Gp​， 声纹 Vp​， 甚至脑电波 Ep​(在特定场景)。通过融合模型 M提高识别精度和防伪能力：Scorep​=M(Fp​,Gp​,Vp​,...)。
2. 动态通行权：个体的通行权限 Ap​(t,l)不是静态的，而是时间 t和地点 l的函数，由其“社会信用分” Sp​(t)和实时行为 Bp​(t)动态决定。Ap​(t,l)=f(Sp​(t),Bp​(t),l)。
- Sp​(t)综合了金融信用、法律遵守、社交行为等维度，可增减。
- Bp​(t)包括当前情绪状态（通过微表情识别）、是否被尾随、是否在敏感区域徘徊等。
3. 访问控制函数：f可以是规则引擎或机器学习模型。例如：
if (S_p > 600 && B_p.emotion != ‘agitated’ && time in [6:00, 22:00]) then grant_access(l=‘premium_mall’)。
`if (S_p < 400

B_p.linger_time > threshold) then deny_access(l=‘government_building’)`。
4. 空间网格化：将城市划分为精细的网格 lij​。每个网格有对应的准入分数阈值 Tij​和行为规范 Nij​。个体 p的移动轨迹 Trajp​(t)被实时监控，在进入每个网格 l时进行实时鉴权 Ap​(t,l)。
5. 财团角色：提供整体的“智慧城市”解决方案，包括摄像头、传感器、识别算法、积分系统和访问控制闸机。通过运营此系统，财团可获取无与伦比的城市活动数据，并向政府收取服务费或向商户销售“高信用客户引流”服务。

技术上面临识别误差、隐私侵犯、算法歧视等严峻挑战。社会接受度低，易引发自由与安全的伦理争论。模型精度再高，也无法解决其背后的治理哲学问题。

生物识别， 访问控制， 社会信用体系， 智慧城市， 多模态融合。

中国部分城市试点：将市民信用分与公共交通、图书馆、政务服务等准入挂钩的延伸想象。
私营园区/社区：企业园区、高端社区内部更精细的安保和人员管理。
特征：将生物识别、大数据信用评估与物理空间访问控制深度集成，代表了一种终极的“可编程空间”控制愿景。

p: 个体；
Fp​,Gp​,Vp​,Ep​: 多模态生物特征；
M: 多模态融合识别模型；
Scorep​: 融合识别得分；
Sp​(t): 动态社会信用分；
Bp​(t): 实时行为向量（情绪、移动模式等）；
Ap​(t,l): 在时间 t地点 l的通行权限（布尔值或等级）；
lij​: 地理网格；
Tij​,Nij​: 网格准入阈值和行为规范。

模式识别、多模态融合、访问控制逻辑、时空数据、动态评分、规则引擎。

控制性、全景性。语言如“通过融合生物识别与信用行为数据，动态决定个体在时空网格中的通行权限，实现社会的可编程访问控制”。

1. 数据采集：遍布城市的摄像头、麦克风、传感器网络实时采集生物特征和行为数据 Bp​(t)。
2. 身份识别与追踪：多模态融合模型 M实时识别出个体 p， 并关联其信用档案 Sp​(t)。
3. 权限裁决：当个体 p接近或进入网格 lij​时，系统调用访问控制函数 f， 输入 (Sp​(t),Bp​(t),lij​)， 计算出 Ap​(t,lij​)。
4. 执行与反馈：
a. 如果 Ap​=grant， 闸机打开，或仅作记录。
b. 如果 Ap​=deny， 触发警报，现场设备（扬声器、闸机）阻止进入，并通知安保。
c. 个体的此次访问尝试及结果可能被记录，用于更新其信用分 Sp​（如违规尝试扣分）。
5. 系统优化：根据安全事件、拥堵情况、商业目标动态调整各网格的阈值 Tij​和规范 Nij​。

个体 p在物理空间中的移动流 Trajp​(t)， 与无处不在的感知流（生物特征数据流）相遇，被实时识别。识别结果触发信用分查询流 Sp​(t)和实时行为分析流 Bp​(t)。这三股信息流汇聚到访问控制函数 f， 产生一个实时的“权限裁决流” Ap​(t,l)。这个裁决流控制着物理闸机、门锁的“开关流”，从而直接调控个体的物理移动流。这是一个从感知到认知再到控制的闭环流。

理论基础：监控资本主义、行为控制、智慧城市治理。认知特征：将社会成员视为可被持续评估、预测和引导的系统节点。利益特征：为执政者提供前所未有的社会控制能力；为财团带来软硬件销售、数据垄断和运营服务的巨大市场。关系/情感：在个体与权威之间建立一种基于“评分-权限”的全面数字化依附与恐惧关系。

B-0070

利益链/监管

气候金融

环境经济学+金融工程

全球碳信用期货定价与套利模型

1. 碳市场：强制减排市场（如欧盟ETS， 中国碳市场）产生碳排放配额（EUA, CEA）。自愿减排市场（VCM）产生经核证的减排量（CER, VCU）。碳信用 C是可在市场交易的环境资产。
2. 定价因素：碳价 Pt​受以下因素驱动：
- 政策路径：政府设定的减排目标、配额总量 Capt​下降轨迹。
- 宏观经济：工业产出 Yt​、能源价格 Et​影响排放需求。
- 天气：冷暖冬影响能源需求。
- 技术：可再生能源成本下降影响边际减排成本。
- 市场情绪：对未来政策的预期。
3. 期货定价：碳期货价格 F(t,T)应等于预期未来现货价 Et​[PT​]减去便利收益 y加上持有成本（利率 r）：F(t,T)=Et​[PT​]e(r−y)(T−t)。由于碳配额存储成本近乎零且无消费性便利收益，y通常很小或为负（反映政策不确定性风险），故 F≈Et​[PT​]er(T−t)。
4. 套利策略：
a. 期现套利：当 F(t,T)>Pt​er(T−t)， 买入现货 Pt​同时卖出期货 F， 持有至到期交割。
b. 跨市场套利：欧盟EUA vs. 中国CEA， 通过国际碳信用转换机制（如ITMO）进行套利，但存在政策风险。
c. 跨品种套利：EUA vs. 天然气期货价格，因能源替代关系存在关联。
5. 财团策略：能源巨头、金融机构参与碳市场交易、做市、开发减排项目（产生VCU），并通过复杂的衍生品组合管理价格风险和获取投机收益。

碳价波动剧烈，受政策主导，难以用传统商品模型精确预测。项目减排量的核证（MRV）存在方法论争议和绿色欺诈风险。模型精度有限。

环境金融， 期货定价， 套利理论， 政策风险评估， 能源经济。

欧洲能源财团（如壳牌、BP）：交易EUA期货，对冲其炼油、发电业务的合规成本，并投资碳捕集项目。
中国电力/钢铁财团：在全国碳市场进行配额交易，管理履约成本。
全球投资银行：提供碳金融衍生品，为客户提供风险管理工具。特征：将气候变化政策风险金融化，形成新的资产类别和投机市场。

Pt​: 碳现货价格；
F(t,T): 到期日为 T的碳期货在 t时的价格；
Capt​: 配额总量；
Yt​,Et​: 工业产出、能源价格；
r: 无风险利率；
y: 便利收益/持有收益；
Et​[PT​]: 在 t时对 T时现货价的期望。

随机过程、期货定价公式、期望、套利条件、能源经济模型、政策模拟。

金融化、政策性。语言如“碳价是政策创造的影子价格，其期货反映了市场对未来减排政策严格程度的预期”。

1. 基本面分析：分析减排政策路径、宏观经济预测、能源结构转型情景，形成对未来配额供需和碳价 Et​[PT​]的基准预期。
2. 市场监测：实时监控全球主要碳市场的现货、期货价格，以及相关能源（煤、气、电）价格。
3. 套利信号识别：计算理论期货价 Ftheo=Et​[PT​]er(T−t)， 与市场实际期货价 Fmkt比较。计算期现基差 Basis=Fmkt−Pt​er(T−t)， 寻找超出无套利区间的机会。
4. 执行与风控：执行套利交易，同时管理政策突变风险（如政府突然宣布加码减排）。使用期权等衍生品对冲尾部风险。
5. 项目开发：识别并投资具有成本效益的减排项目，产生碳信用用于自身履约或出售。

碳排放权作为一种“污染许可”流，在政策约束下产生，在受控企业间根据减排成本进行交易流转。期货价格流 F(t,T)是未来排放权稀缺性的预期流。套利资本流敏锐地捕捉不同市场、不同时间点上的价格偏差流，通过买卖操作促使价格回归均衡。财团的资本和技术流则主动创造新的减排信用流（项目），增加供给或用于套利。

理论基础：排污权交易理论、金融工程。认知特征：用市场机制解决环境外部性问题，将“污染权”资产化、金融化。利益特征：为企业提供低成本履约的灵活性，为投资者提供新的资产和投机机会，为项目开发者提供融资渠道。关系：在全球范围内连接了政策制定者、排放企业、金融机构和减排项目方。

碳市场交易频率低于股票市场，但定价和风险管理模型需要持续运行。套利策略需要实时监测多个关联市场。
CPU： 中。运行定价模型、风险评估模型。
内存： 中。缓存市场数据和模型参数。
存储盘： 中。存储历史行情、政策文本、项目数据。
IO/网络： 中。接入多个交易所和数据源。
队列： 用于处理交易指令和风险监控事件。

碳信用对应的是真实的温室气体减排量，发生在工厂、森林、农田等物理世界。交易通过电子交易所进行。政策制定和谈判是核心的政治时间资源消耗。项目开发和核证需要大量的实地工作和时间。

B-0071

监管/利益链

去中心化治理

博弈论+密码学

去中心化自治组织 (DAO) 提案投票与博弈模型

1. DAO结构：基于智能合约的组织，治理代币持有者通过投票决定金库资金使用、协议参数修改等提案 P。每个代币代表一票，但可委托投票。
2. 投票博弈：持有 qi​个代币的成员 i对提案 P有私人估值 vi​(P)（可正可负）。投票成本为 c（ Gas费+时间）。如果提案通过，金库支付 B给提案执行者，可能影响代币价值 ΔV(P)。
3. 策略：成员 i选择投票 ai​∈{赞成，反对，弃权}。提案通过需总赞成票权重大于阈值 T。这是一个参与博弈：个体理性权衡投票成本 c与对结果的影响力 pi​（其投票改变结果的可能性）乘以从偏好结果中获得的收益 $

v_i(P)

。只有p_i \cdot

v_i(P)

> c的理性成员才会投票。<br>∗∗4.均衡与问题∗∗：可能导致投票率低，且大持有人（鲸鱼）有绝对影响力。对策：<br>a.∗∗二次方投票∗∗：投票成本与票数的平方成正比，cost = c \cdot q_i^2$， 抑制鲸鱼垄断。
b. 信念投票：投票者用代币抵押其信念，如果结果与多数相反，则失去部分抵押品。
c. 委托：小持有人将投票权委托给更了解情况的代表。
5. 财团渗透：传统财团可通过收购大量治理代币（成为鲸鱼）或资助/影响关键意见领袖（代表），在DAO中推行对自身有利的提案，实现“资本控制社区”。

模型基于理性选择，但现实中社区文化、意识形态、FOMO情绪影响巨大。投票参与度低是普遍问题。机制设计仍在早期探索阶段，易受攻击。

公共选择理论， 投票理论， 博弈论（参与博弈）， 机制设计， 密码经济学。

DeFi协议DAO（如Uniswap, Compound）：决定手续费分配、新增资产列表等。
投资型DAO：集体决定投资哪些加密项目。
社会DAO：管理社区资源和规则。特征：尝试用代码和代币经济实现无需传统公司架构的集体决策，但面临治理低效和中心化风险。

P: 治理提案；
qi​: 成员 i持有的治理代币数量；
vi​(P): 成员 i对提案 P的私人估值；
c: 单次投票成本（固定或与 qi​相关）；
B: 提案通过后的奖金支出；
ΔV(P): 提案对代币价值的影响；
T: 通过阈值；
pi​: 成员 i成为关键投票者的概率。

投票博弈、参与决策、成本收益分析、阈值、二次方函数、委托模型。

治理性、社区性。语言如“DAO治理是一个参与博弈，理性成员只在预期收益超过投票成本时投票，导致寡头或冷漠”。

1. 提案提交：任何成员可提交提案 P及智能合约代码，通常需抵押代币。
2. 讨论期：社区论坛讨论，形成意见。潜在投票者评估 vi​(P)。
3. 投票期：成员选择投票策略 ai​。智能合约记录链上投票。
4. 计票与执行：投票截止，如果赞成权重大于 T， 提案自动执行（如转账、参数更新）。
5. （博弈分析）：在投票前，分析成员构成（代币分布）、提案性质，预测投票结果和可能的女巫攻击、鲸鱼操纵等风险。

B-0072

监管/舆论

认知战

计算宣传学

深度伪造检测与溯源博弈模型

1. 威胁：敌对财团/国家行为体使用AI生成逼真的虚假音视频（深度伪造），用于诽谤、操纵金融市场、离间公众与机构。
2. 检测模型：使用深度神经网络 D作为检测器，输入可疑媒体 M， 输出伪造概率 p=D(M;θD​)。检测器在真实数据集和已知深度伪造数据集上训练。
3. 生成与检测的对抗博弈：伪造生成器 G试图创建能欺骗当前检测器 D的媒体。这是一个生成对抗网络（GAN）​ 的变体博弈：
minG​maxD​V(D,G)=Ex∼pdata​​[logD(x)]+Ez∼pz​​[log(1−D(G(z)))]。
在安全领域，攻防双方独立进化：攻击方改进 G， 防御方改进 D。
4. 溯源与归因：目标不仅是检测，更是溯源到生成模型或团伙。提取伪造媒体中的“指纹”特征 F（如生成模型架构、训练数据留下的隐写特征），与已知攻击者模型指纹数据库比对，进行聚类分析。
5. 动态博弈模型：防御方（财团/政府）选择投资于检测技术研发强度 ID​和公众教育投入 IE​。攻击方选择投资于生成技术 IG​和发布渠道 IC​。防御方收益：UD​=−L(IG​,IC​)−C(ID​,IE​)， 其中 L是伪造成功造成的社会/经济损失函数。攻击方收益：UA​=L(IG​,IC​)−CA​(IG​,IC​)。双方进行动态资源分配博弈。

检测技术常落后于生成技术一步（“矛优于盾”）。溯源极其困难，攻击方可使用开源模型或添加噪声掩盖指纹。博弈均衡可能是一种军备竞赛。

生成对抗网络， 多媒体取证， 博弈论， 信息安全， 计算宣传。

全球社交媒体平台：需自动检测并标记政治人物的深度伪造视频。
金融机构：防范CEO虚假语音指令进行欺诈转账。
国家安全机构：识别并溯源境外信息战攻击。特征：AI vs AI 的对抗前沿，是数字时代认知安全的核心战场。

M: 媒体文件（图像、音频、视频）；
D: 深度伪造检测模型，参数 θD​；
G: 深度伪造生成模型，参数 θG​；
p: 伪造概率；
V(D,G): GAN的价值函数；
F: 媒体指纹特征；
ID​,IG​,IE​,IC​: 攻防双方的投资强度；
UD​,UA​: 防御方和攻击方效用；
L,C: 损失和成本函数。

深度学习、对抗训练、博弈论、优化、特征提取、聚类。

对抗性、攻防性。语言如“深度伪造的攻防是一场生成器与检测器之间的动态军备竞赛，并涉及昂贵的溯源归因”。

1. 防御方（检测）：
a. 持续收集最新的真实和伪造样本，更新训练检测器 D。
b. 部署 D对平台内容进行实时扫描，对高概率伪造内容进行降权、标记或删除。
c. 对抓获的伪造内容提取指纹 F， 尝试聚类归因，更新攻击者画像。
2. 攻击方（生成与传播）：
a. 研发更逼真、更能抗检测的生成器 G。
b. 生成针对性的伪造内容。
c. 通过傀儡账户网络、加密消息群组进行精准投放和传播。
3. 动态博弈：双方观察对手的技术水平和造成的损失，调整各自的研发投资 ID​,IG​和策略重点（如攻击方转向音频伪造，防御方加强音频检测）。

信息流从攻击方的恶意意图出发，经生成器 G加工，变成以假乱真的“污染信息流”注入公共信息空间。防御方的检测器 D像“过滤器”，试图拦截和识别这些污染流。溯源分析则试图逆向追踪污染流的“源头”。攻防双方的技术升级流 ID​,IG​如同军备竞赛，决定了过滤器和污染流的相对强度。公众的“认知免疫”流 IE​也是一道防线。

理论基础：信息安全、计算宣传、多媒体取证。认知特征：利用人类对音视频证据的本能信任进行高阶欺骗。利益特征：防御方保护社会信任、金融稳定和国家安全；攻击方寻求政治颠覆、经济获利或地缘战略优势。情感：操纵公众的愤怒、恐惧、同情心。

实时深度伪造检测需要对海量上传的多媒体内容进行AI推理，计算压力巨大。模型训练也需要大量算力。
CPU/GPU： 极高。训练和运行大型视觉/音频深度学习模型。
内存： 高。加载模型和处理媒体文件。
存储盘： 极高。存储海量多媒体训练数据和待检测内容。
IO/网络： 极高。需要高速上传/下载媒体文件进行检测。
队列： 核心。用于缓冲海量的媒体内容检测任务。

伪造内容是数字的，通过互联网传播（占用带宽）。但其造成的信任崩塌、社会动荡、金融损失是真实的。检测和溯源工作消耗安全专家的大量时间。公众教育占用媒体渠道和时间。

B-0073

利益链/监管

超主权文化

网络科学+文化研究

文化模因（Meme）的全球传播与本土化适应模型

1. 模因定义：文化传播的基本单元，如一个梗、一段舞蹈、一个流行语。可建模为带有内容特征向量 c的信息包。
2. 双层网络传播：全球社交平台（如TikTok, YouTube）构成一级传播网络 Gglobal​。本地社群/线下社交构成二级网络 Glocal​。模因在 Gglobal​上被KOL引爆，然后渗透到各个 Glocal​进行再创造和传播。
3. 适应度景观：模因 m在文化环境 E（特定国家、亚文化圈）中的“适应度” f(m,E)决定了其传播成功率。f取决于：
a. 内在娱乐性：I(m)。
b. 与本地文化的共鸣度：R(m,E)， 衡量其与本地价值观、符号、热点的相关性。
c. 可延展性：M(m)， 是否易于被二次创作、改编。
故 f=αI+βR+γM。
4. 演化与选择：模因在传播中会发生变异（二次创作），产生变体 m′。高适应度 f的变体更易被传播和进一步变异，形成模因的“演化树”。某些变体可能只在特定 E中流行（本土化成功），而原版可能失败。
5. 财团操控：娱乐财团（如迪士尼、 Netflix）有意识地设计具有高 I和高 M的文化产品（电影、角色），并鼓励粉丝二次创作（UGC），以最大化其IP的全球传播和商业衍生。他们也可通过算法推荐，人为提升特定模因的初始曝光，影响其适应度景观。

文化现象极其复杂，模型是高度简化的。参数 (α,β,γ)和函数 I,R,M难以量化。但为理解全球文化流动提供了有用的分析框架。

模因学， 文化演化， 复杂网络， 传播动力学， 适应度景观。

美国娱乐财团：研究超级英雄电影、卡通形象如何跨越文化障碍成为全球模因。
中国短视频平台：分析一个梗如何从国内火到海外，或海外梗如何本土化（如“黑人抬棺”在中国衍生版）。
韩国流行文化财团：系统化打造K-Pop组合，使其音乐、舞蹈、视觉风格成为可全球传播的模因包。特征：将文化产品视为可被工程化设计、以最大化传播和商业价值为目标的“信息病毒”。

m: 文化模因，具特征向量 c；
Gglobal​,Glocal​: 全球和本地传播网络；
E: 文化环境；
f(m,E): 模因在环境 E中的适应度；
I(m),R(m,E),M(m): 娱乐性、共鸣度、可延展性；
α,β,γ: 权重参数；
m′: 模因的变异体。

网络传播、适应度函数、演化、选择、向量空间、参数权重。

文化性、演化性。语言如“文化模因像基因一样，在不同的文化环境中竞争传播，适应者生存并演化”。

1. 模因监测：从全球社交平台抓取新兴的流行内容，提取其特征 c， 追踪其传播路径和变异体。
2. 适应度分析：对目标市场 E， 分析历史成功模因，拟合出该市场的适应度函数参数 (α,β,γ)E​。
3. 产品设计：设计新的文化产品（电影、游戏、IP）时，有意识地优化其 I, R(针对目标市场), M值。例如，加入通用情感元素（高 I）， 融入本地符号或聘请本地顾问（提高 R）， 设计开放的故事结局或可定制的角色（提高 M）。
4. 发布与助推：在全球平台发布，利用KOL和付费推广在 Gglobal​引爆。鼓励并监控UGC，对优秀的本土化变体进行官方转发认可，加速其在 Glocal​的渗透。
5. 商业变现：将成功的模因转化为商品、游戏、线下体验等。

文化模因流从创作源头出发，在全球社交网络 Gglobal​中经历初始的选择和放大。成功者像种子一样散落到各个本地网络 Glocal​。在本地环境中，模因流面临“适应度筛选”，不适应的流衰减消失，适应的流则蓬勃生长，并可能发生“变异流”，产生新的子流。财团的资本和策划流，如同“温室”和“选种工具”，试图培育和引导最具商业价值的模因流。

理论基础：模因学、文化研究、演化心理学。认知特征：用生物演化类比文化传播，强调复制、变异、选择。利益特征：文化产品是巨大的产业，理解模因规律是占领全球观众心智、获取经济回报的关键。情感：模因成功往往基于激发快乐、共鸣、认同感等情感。

需要实时监测和分析海量的社交媒体内容，进行趋势发现和情感分析，计算量大。
CPU/GPU： 高。运行NLP和视觉模型分析内容特征和情感。
内存： 高。缓存社交图谱和热门内容数据。
存储盘： 极高。存储全网的社交媒体数据流。
IO/网络： 极高。爬取全球社交媒体数据。
队列： 用于处理流式的数据抓取和分析任务。

模因是数字内容，通过互联网传播。但成功的模因驱动电影票房、音乐销量、商品销售，占用实体零售渠道、生产线和物流。文化影响力本身是一种软实力资源。

B-0074

管理/经营

极端压力测试

复杂系统+极值理论

财团“黑天鹅”事件级联失效压力测试模型

1. 级联失效：一个初始冲击（如一家大型银行倒闭、一个关键港口关闭）通过网络效应和流动性螺旋，引发一系列连锁反应，导致系统崩溃。
2. 多层网络建模：财团及其生态系统被建模为相互关联的多层网络：金融层（银行间借贷、衍生品合约）、物流层（供应链）、信息层（信心传播）。层间存在耦合，例如一家公司财务困境（金融层）导致其停产（物流层），进而影响其供应商和客户，并打击市场信心（信息层）。
3. 冲击传播规则：
- 金融传染：机构 i资产损失导致资本金下降，被迫抛售资产，引发资产价格下跌，传染给持有同类资产的机构 j。
- 供应链中断：供应商 s停产，导致下游制造商 m缺料停产，其损失 Lm​可能使其对上游的应付账款违约，进一步恶化 s的财务状况。
- 信心蒸发：负面新闻导致所有关联实体的信用利差飙升，融资枯竭。
4. 蒙特卡洛模拟：随机生成极端但合理的初始冲击（如“台海冲突导致东亚航运中断”、“全球前十银行之一突然资不抵债”）。在多层网络模型中模拟冲击的传播，记录最终倒闭的实体数量、总损失、系统恢复时间等指标。
5. 韧性优化：基于模拟结果，识别网络中的“超级传播者”和关键脆弱连接。财团可以通过：增加资本缓冲、寻找备用供应商、购买保险、游说政府充当最后救助人等方式，提高自身和整个生态的韧性。

模型极度复杂，需要海量高质量数据构建网络，且许多传导机制（如信心）难以量化。模拟结果是概率性的，旨在识别脆弱性而非精确预测。

复杂系统， 网络科学， 系统性风险， 极值理论， 多层网络， 蒙特卡洛模拟。

全球系统重要性金融机构（G-SIFI）：监管要求的年度压力测试，模拟极端宏观经济情景下的资本充足率。
跨国制造财团：模拟关键原材料产地政局动荡、自然灾害对全球供应链的冲击。
特征：为“未知的未知”事件做准备，是顶级风险管理的前沿。

多层网络 G(1),G(2),G(3): 分别代表金融、物流、信息网络；
节点: 代表金融机构、公司、关键基础设施等；
边: 代表借贷、贸易、股权、信息流等关系；
初始冲击 S0​: 随机生成的极端事件；
传播函数 f: 定义损失如何沿边和跨层传导；
模拟结果: 倒闭节点集 F， 总损失 Ltotal​。

复杂网络、多层网络、级联失效、蒙特卡洛模拟、极值、随机过程、系统韧性。

压力性、韧性测试。语言如“通过在多層互聯网络中模拟极端冲击的级联传播，评估财团生态系统的脆弱性与韧性”。

1. 网络构建：整合财团旗下及重要关联方的财务、供应链、股权等数据，构建耦合的多层网络模型。
2. 设计极端情景：与战略、宏观经济专家一起，设计一系列合理的极端冲击情景 S0(k)​。
3. 模拟传播：对每个情景 k， 运行多次蒙特卡洛模拟：
a. 施加初始冲击 S0(k)​到特定节点/边。
b. 根据传播规则 f， 迭代计算冲击在网络上扩散，更新各节点状态（如资本充足率、库存水平、信用评级）。
c. 记录达到稳态（无新失效）时的系统状态。
4. 结果分析：汇总各情景下的模拟结果，计算关键指标（如财团自身破产概率、最大可能损失），识别最常见的关键失效路径和网络瓶颈。
5. 制定缓解策略：根据识别出的脆弱点，制定针对性的风险缓释措施，并重新模拟以评估措施效果。

冲击（损失、中断）流从初始爆发点，沿着网络中的连接（金融债权、物流依赖、信息关联）向四周扩散。每个被波及的节点如同一个“放大器”和“转发器”，可能将冲击流放大（如抛售引发更大抛售）后继续向外传播。跨层的耦合意味着冲击流可以从一层跳到另一层，形成复杂的反馈和放大回路。模拟过程就是跟踪这个动态的、可能雪崩式增长的“冲击波”传播流。

理论基础：复杂性科学、系统性风险。认知特征：承认现代经济是一个紧密耦合的复杂适应系统，局部故障可能引发全局崩溃。利益特征：保护财团避免在极端尾部风险中毁灭，是“生存”而非“盈利”层面的风险管理。关系：揭示了在全球化网络中，所有参与者命运高度相连，一损俱损。

构建和模拟大规模多层网络是计算密集型的，需要高性能计算集群。
CPU： 极高。蒙特卡洛模拟和网络传播计算。
内存： 极高。存储庞大的多层网络结构和节点状态。
存储盘： 极高。存储构建网络所需的全量关联数据。
IO/网络： 高。读取数据和中间交换。
队列： 用于管理和调度大量的模拟任务。

模拟是虚拟的压力测试。但基于测试结果的风险缓释措施，如增加资本金、建立备用供应链、购买再保险，占用真实的金融资本、仓储空间和保险费用。应急演练消耗管理时间和运营资源。

B-0075

利益链/监管

量子霸权博弈

量子计算+密码学

抗量子密码迁移博弈与“现在收获，以后解密”攻击模型

1. 量子威胁：大型通用量子计算机（Q计算机）一旦实现，可轻易破解目前广泛使用的RSA、ECC等公钥密码体系，威胁所有数字安全。
2. 迁移博弈：从传统密码迁移到抗量子密码（PQC）需要时间、成本和协调。设迁移完成度为 x(t)∈[0,1]。财团/国家 i的迁移成本为 Ci​(xi​)， 迁移越晚风险越大，但可节省当前成本。博弈支付：Ui​=−Ci​(xi​)−Ri​(x,tQC​)， 其中 Ri​是风险函数，取决于自身和其他实体的迁移进度 x， 以及Q计算机实现的时间 tQC​（随机变量）。
3. “现在收获，以后解密”：攻击者（如外国情报机构）现在就开始大量窃听和存储加密通信数据 Denc​。他们不立即破解，而是等待未来Q计算机问世后，再用其破解现在存储的数据，获取历史机密。这是一种低成本、高潜在收益的攻击。
4. 数据生命周期价值模型：数据 d在时间 t的价值 V(d,t)通常随时间衰减。HOLD攻击的期望收益：$E[Benefit] = \sum_d V(d, t_{QC}) \cdot P(decrypt

t{QC}) \cdot f(t{QC})，其中f是t{QC}的概率密度函数。如果V(d, t{QC})$ 衰减慢（如国家机密、商业核心技术），则攻击极具吸引力。
5. 财团策略：评估自身数据资产的长期敏感性，优先保护“长寿命秘密”。积极投资参与PQC标准制定和早期部署，即使成本较高，以应对国家级别对手的HOLD攻击。

Q计算机实现时间 tQC​极不确定。PQC算法本身的安全性尚未经过类似RSA的长时间考验。迁移涉及整个数字生态系统，协调难度巨大。

密码学， 量子计算， 博弈论， 风险管理， 数据价值衰减。

国家情报机构：评估HOLD攻击的威胁，规划密码体系迁移。
金融财团：保护交易数据、客户信息，评估是否需将历史加密数据重新用PQC加密或销毁。
科技财团：研发/投资量子计算和PQC，争夺下一代安全标准主导权。特征：应对“明日威胁，今日行动”的长期性、战略性安全博弈。

xi​(t): 实体 i的抗量子密码迁移进度；
Ci​(x): 迁移成本函数；
tQC​: 大型量子计算机实现时间（随机变量）；
Ri​: 风险函数（如数据泄露损失）；
Denc​: 被窃听存储的加密数据；
V(d,t): 数据 d在时间 t的价值；
f(tQC​): tQC​的概率密度函数。

博弈论、优化、概率、随机变量、数据价值函数、密码学。

战略性、长期性。语言如“面对量子计算威胁，存在‘先窃听存储，后量子破解’的攻击模式，迫使各方进行昂贵的密码迁移博弈”。

1. 威胁评估：基于公开研究，估计 tQC​的概率分布 f(t)。识别自身高价值长寿命数据资产。
2. 迁移规划：制定分阶段的PQC迁移路线图，确定优先级（如先迁移密钥分发、数字签名系统）。
3. 成本-风险分析：模拟不同迁移速度 xi​(t)下的期望成本 E[Ci​+Ri​]。
4. 防御升级：对最敏感通信，采用“PQC+传统”混合加密，或使用量子密钥分发（QKD）网络。
5. 应对HOLD：评估历史加密数据风险，对极高价值数据考虑用PQC再加密或物理销毁。
6. 参与标准：积极参与NIST等机构的PQC标准评选，确保采用安全且对自身业务友好的算法。

安全威胁流来自未来的量子计算能力 tQC​。防御方的“安全升级流”（PQC迁移） xi​(t)需要提前启动，以在威胁流到来之前筑起防线。攻击方的“数据收割流”现在就在进行，持续窃取当前的加密数据流并存储。未来，当威胁流（Q计算机）与历史的数据存储流相遇，就会产生“解密价值流”，对防御方造成损失。这是一场围绕“时间”和“数据寿命”的攻防。

理论基础：后量子密码学、前瞻性安全。认知特征：需要对未来十到三十年的技术风险做出当前决策，是典型的长期战略思考。利益特征：关乎国家秘密、企业核心知识产权、个人隐私的长期安全。是数字时代的“核威慑”级安全博弈。

密码迁移本身是系统工程，非高并发计算。但运行PQC算法可能比传统算法更耗算力。QKD网络需要专用硬件。
CPU： 中。PQC算法运算可能更复杂。
内存： 中。
存储盘： 中。存储历史加密数据风险评估清单。
IO/网络： 中。QKD需要专用光纤网络。
队列： 用于管理密码迁移的工单和任务。

B-0076

经营/管理

组织设计

复杂网络+信息论

基于信息熵的混合型组织（前中后台）结构优化模型

1. 组织模式：传统科层制（Hierarchy）决策路径长、信息失真；完全扁平网络（Network）协调成本高。混合型“前中后台”将组织分为：直面市场的敏捷“前台”（业务单元）、提供共享专业服务的“中台”（数据、技术、产品平台）、提供战略和基础支持的“后台”（HR、财务、风控）。
2. 信息处理视角：组织是一个处理环境不确定性 Henv​的信息处理系统。其信息处理能力 Corg​必须大于等于 Henv​。Corg​由组织结构和协调机制决定。
3. 模型化：将组织建模为网络，节点是团队/个人，边是沟通协调链路。定义两种连接强度：
- 紧密耦合（强连接）：适用于需要深度协作、高频沟通的前台小团队内部，或中台与特定前台的对接。信息流通快，但维护成本高。
- 松散耦合（弱连接）：适用于中台为多个前台提供标准化服务，或后台制定全公司政策。效率高，但灵活性差。
4. 优化目标：在给定总协调预算 B下，设计网络结构（哪些节点属于前/中/后台，它们之间的连接强度 wij​）以最大化组织整体效能 E， 效能可定义为对市场机会的响应速度、创新产出等。这是一个带约束的网络优化问题。
5. 信息熵度量：用团队间任务依赖的不确定性（条件熵）来度量协调需求。优化目标是最小化“协调需求”与“实际协调能力”（由 wij​体现）之间的不匹配程度。

将组织效能量化为 E极其困难。模型高度抽象，但为思考组织结构提供了量化框架，可用于比较不同设计方案的相对优劣。

组织理论， 信息处理观， 复杂网络， 优化， 信息论。

大型科技财团（如阿里、腾讯）：持续进行“大中台、小前台”的组织变革，平衡创新与效率。
传统金融/制造财团：数字化转型中，探索如何构建数据中台、业务中台，赋能前端业务。
特征：用网络科学和信息技术重新思考科层制，旨在构建既敏捷又稳健的“韧性组织”。

组织网络 G=(V,E)；
V: 团队/个人节点；
wij​: 节点 i,j间的协调连接强度；
Henv​: 环境不确定性（信息熵）；
Corg​: 组织信息处理能力（wij​的函数）；
B: 总协调预算（∑wij​⋅cost≤B）；
E: 组织效能度量。

网络优化、信息论（熵）、约束优化、图划分、协调成本函数。

结构性、组织性。语言如“将组织视为一个信息处理网络，通过优化前中后台的连接结构来匹配环境的不确定性”。

1. 现状诊断：绘制现有组织的沟通协作网络，测量关键团队间的任务依赖度和协调强度 wijcurrent​。
2. 识别瓶颈：计算当前 Corg​与感知到的 Henv​的差距。找出信息流动不畅或协调成本过高的子网络。
3. 设计方案：提出新的前中后台划分方案，并设定目标连接强度矩阵 Wtarget。例如，将公共数据能力抽离为“数据中台”，与各前台建立标准化的中等强度连接。
4. 模拟与评估：模拟在新结构 Wtarget下，典型业务场景（如新产品上线、危机应对）的信息流和决策流，预测响应时间和资源消耗，估算效能提升 E。
5. 变革路线图：制定从 Wcurrent迁移到 Wtarget的渐进式变革计划，管理变革阻力。

信息流和决策流在组织网络中流动。前中后台结构定义了不同的“流处理器”和“流通道”。前台是密集的、快速的“毛细血管流”；中台是高效的、共享的“主干流”；后台是稳定的、缓慢的“基础流”。优化就是重新设计“流通道”的拓扑和带宽（wij​），使信息流能最低损耗、最快速度地从感知端（市场）流向决策端和执行端，并将决策反馈流高效传回。

理论基础：组织信息处理理论、网络组织。认知特征：用通信网络和计算系统的架构思维来设计人类组织。利益特征：提升组织敏捷性和创新能力，以在VUCA时代生存和发展。关系：重塑了团队间的协作、权力和资源分配关系。

组织网络分析和优化是离线的、项目制的设计活动，计算量中等。但支撑前中后台协同的数字协作工具（如钉钉、飞书）需要处理高并发实时通信。
CPU： 中。网络分析和模拟计算。
内存： 中。存储组织网络数据。
存储盘： 中。存储员工协作数据、组织架构图。
IO/网络： 中。
队列： 数字协作工具后端需要处理海量消息队列。

组织结构是虚拟的权责和沟通关系。但组织变革涉及真实的人员调动、汇报线调整、KPI重设，消耗巨大的管理注意力和员工适应时间。数字协作工具占用网络带宽和服务器资源。

B-0077

监管/利益链

算法合谋检测

机器学习+产业组织

自主学习算法间的隐性合谋检测模型

1. 问题：企业使用AI定价算法，这些算法通过重复互动和强化学习，可能自发地学会不通过明示沟通而达成“合作”（即合谋），维持高价格，损害消费者福利。
2. 模型设定：两家公司使用Q-learning算法进行重复的价格博弈。状态 st​包括历史价格，动作 at​是选择价格，奖励 rt​是当期利润。算法通过探索-利用来学习最优策略。
3. 合谋涌现：在某些参数设置下（如学习率、折扣因子、探索策略），两个独立的Q-learning算法会收敛到类似“触发策略”的均衡：开始都定高价，如果一方降价，则另一方在后续期也降价惩罚，最终双方都回到高价。这实现了隐性合谋（Tacit Collusion）。
4. 检测方法：监管机构无法窥探算法内部，只能观察市场结果（价格序列 pt​）。检测模型：
a. 结构性检验：估计一个供给-需求模型，检验观察到的价格是否显著高于竞争均衡预测的价格。
b. 时间序列分析：检测价格序列是否存在异常的稳定性、对成本变化的反应迟钝、以及是否存在“价格战-恢复”的周期模式。
c. 机器学习分类器：训练分类器区分竞争性市场和历史已知合谋案例的价格动态特征。对实时市场价格数据提取特征（如价格方差、与成本的相关系数、价格领先-滞后关系），输入分类器判断合谋风险。
5. 监管应对：强制要求算法具备“合谋抗性”，如在目标函数中加入对市场集中度的惩罚，或定期注入随机探索。或要求企业公开其定价算法的核心逻辑供审计。

区分隐性合谋与正常的寡头相互依赖（如共同因成本上升而涨价）非常困难。算法可能极其复杂，其行为是黑箱。检测存在误判风险，且法律上难以认定“意图”。

计算经济学， 强化学习， 产业组织， 合谋检测， 机器学习。

电商平台：监测平台上第三方卖家的自动定价算法是否出现协同高价。
航空、酒店预订：这些行业早已使用收益管理算法，是隐性合谋的潜在温床。
反垄断机构：开发数字工具，监测数字市场的可疑定价模式。特征：监管科技的前沿，应对“机器共谋”这一新型反竞争行为。

定价算法: 如Q-learning, 深度强化学习；
状态 st​: 市场状态（如历史价格向量）；
动作 at​: 选择的价格；
奖励 rt​: 当期利润；
市场价格序列: ${p_t

B-0078

利益链/管理

全球人才战略

演化博弈+网络科学

高潜力人才全球“猎-育-留”网络动力学模型

1. 人才网络：将全球顶尖人才（科学家、工程师、企业家）视为节点，连接边包括合作发表、专利共同发明、职业流动、校友关系等，构成动态知识网络 GT​(t)。
2. 吸引力模型：人才 i留在/加入某地区/机构 j的效用 Uij​=w1​⋅Sj​+w2​⋅Cij​+w3​⋅Ni​(j)−w4​⋅Dij​。其中 Sj​是机构 j的科学设施与经费强度，Cij​是文化兼容性，Ni​(j)是人才 i在 j的社交网络嵌入度（局部聚类系数、中心性），Dij​是迁移成本（地理、家庭）。
3. 策略交互：财团（如某国政府或跨国企业）是博弈方，策略为对特定人才节点 i或机构节点 j的投资向量 I（如“猎头”奖金 Bh​， 实验室建设投资 Bl​， 移民政策宽松度 π）。投资改变 Sj​和 Dij​， 从而影响 Uij​。
4. 网络动力学：人才流动遵循“选择-吸引”过程。人才 i以概率 pi→j​∝exp(Uij​/T)流向效用更高的地方，T是“冒险”温度参数。人才流动会改变网络结构 GT​(t)， 进而影响其他人的 Ni​(j)， 产生网络效应。
5. 最优控制：财团在预算 B下，选择投资策略 I(t)以最大化未来某个时间 T的期望人才网络价值 V(GT​)， V可以是网络的总专利产出、关键领域人才占比等。这是一个随机最优控制问题。

模型参数（权重 w， 温度 T， 网络效应强度）难以精确校准。人才决策受非经济因素（情怀、偶然性）影响大。但模型为系统性人才竞争战略提供了量化框架。

演化博弈， 复杂网络， 随机过程， 最优控制， 人才流动理论。

美国科技财团（政府+企业）：通过H-1B签证、高薪、顶级大学吸引全球STEM人才。
中国“人才计划”：通过“千人计划”等国家项目，针对性吸引海外高层次人才回国。
欧洲研究区：试图通过“蓝卡”、联合研究项目抵消人才外流。特征：将人才竞争视为对高价值知识网络节点的争夺，考虑网络效应和长期动态。

GT​(t): 全球人才动态网络；
Uij​: 人才 i对地点 j的效用函数；
Sj​,Cij​,Ni​(j),Dij​: 设施、文化、网络、距离因子；
w1​,...,w4​: 效用权重；
I: 财团投资策略向量；
pi→j​: 迁移概率；
T: 选择随机性参数；
V(GT​): 人才网络价值函数。

网络科学、效用函数、Logit选择模型、随机过程、最优控制、网络动力学。

战略性、网络性。语言如“人才流动是一个受效用驱动的随机过程，财团的投资旨在改变人才网络的拓扑结构和节点归属，以最大化其长期价值”。

1. 网络测绘与监测：持续构建和更新全球高端人才网络 GT​(t)， 跟踪其位置和产出。
2. 人才画像与预测：对关键人才节点 i， 估计其效用函数参数，预测其在不干预下的可能流动方向。
3. 策略模拟：
a. 模拟不同投资策略 I（如为某领域所有顶尖学者建世界级实验室）对 Sj​和 Dij​的冲击。
b. 运行人才流动动力学模型，模拟未来5-10年 GT​的演化。
c. 评估最终网络价值 V(GT​)。
4. 优化与执行：选择使期望 V最大化的投资组合 I∗。执行“猎头”计划、研发投资、政策游说。
5. 迭代：定期更新网络数据和预测模型，调整策略。

人才（人力资本）在全球知识网络中流动。财团的投资流 I如同“引力场”发生器，通过提升特定节点 Sj​的“势能”和降低迁移壁垒 Dij​， 试图改变人才流的“地势”。人才流 pi→j​的汇聚会进一步强化该节点的网络吸引力 Ni​(j)， 形成正反馈。财团的目标是引导高价值人才流形成有利于己的“知识富集区”。

理论基础：人力资本理论、科学社会学、迁移理论。认知特征：将人才视为嵌入社会网络的、具有适应性的智能体。利益特征：顶尖人才是创新的源头，控制人才网络就控制了未来技术和产业的制高点。关系：在全球范围内构建以知识和创新为纽带的人才吸引与归属关系。

构建和模拟全球人才网络是计算密集型任务，但非实时高并发。策略优化需要大量模拟。
CPU： 高。网络演化模拟和最优控制求解。
内存： 高。存储大规模人才网络数据和属性。
存储盘： 高。存储学术论文、专利、简历等数据以构建网络。
IO/网络： 中。从多源数据库获取数据。
队列： 用于调度网络构建和模拟任务。

人才是活生生的人，其流动涉及真实的跨国搬迁、家庭安置、职业转换，消耗个人和社会资源。财团的投资是真实的资金、实验室、政策资源。人才竞争是长期的、消耗巨大的战略博弈。

B-0079

经营/监管

物理世界模拟

数字孪生+复杂系统

城市级数字孪生实时优化与干预模拟平台

1. 数字孪生定义：对物理城市（包括建筑、交通、电网、人口）建立高保真、动态同步的虚拟模型 Mcity​。通过IoT传感器网络实时注入数据流，使 Mcity​状态与物理城市 Pcity​同步。
2. 模型集成：Mcity​由多学科子模型耦合而成：交通流模型（如宏观LWR模型）、能源电网模型、微观人口活动模型（基于Agent）、环境扩散模型等。子模型间通过共享边界条件（如道路拥堵影响能耗）耦合。
3. 实时仿真与预测：给定当前状态 S(t0​)， 运行 Mcity​可预测未来短期状态 S(t0​+Δt)， 如交通拥堵扩散、电网过载风险、突发事件（如火灾）影响范围。
4. 优化与干预：财团（如智慧城市运营商）可对 Mcity​施加“虚拟干预” a（如调整信号灯配时方案 L， 浮动电价 Pr， 应急车辆路径 R）， 并快速模拟干预后的结果。通过求解优化问题 mina​J(S(t),a)来寻找最优干预策略，其中 J是目标函数（如总通行时间、碳排放、事故损失）。
5. 闭环控制：将优化得到的最优策略 a∗下发到物理城市的执行系统（交通信号控制器、电价发布平台、应急广播），形成“感知-模拟-优化-控制”的闭环。

构建高保真城市模型极其昂贵，且需要海量实时数据。模型简化与真实性之间存在根本矛盾。跨模型耦合的准确性难以保证。是“愿景级”应用，局部场景已实现。

复杂系统建模， 数字孪生， 多物理场耦合， 实时仿真， 最优控制， 物联网。

智慧城市项目（如雄安新区、新加坡“虚拟新加坡”）：用于城市规划、交通管理、应急响应模拟。
大型基础设施运营商（如电网、地铁公司）：用于其网络的实时调度和故障预测。
特征：实现物理城市的可计算、可模拟、可优化，是城市治理的终极信息化工具。

Mcity​: 城市数字孪生模型；
Pcity​: 物理城市；
S(t): 城市状态向量（交通流、能耗、人口分布等）；
a: 干预动作向量（信号灯、电价、路径等）；
J: 优化目标函数；
Δt: 预测/控制时域。

复杂系统、微分方程（交通流）、优化、实时仿真、数据同化、多模型耦合。

模拟性、控制性。语言如“构建一个与物理城市同步的虚拟模型，在其中测试各种管理策略，并将最优策略下发执行，实现城市的闭环优化控制”。

1. 数据感知与融合：数十万计IoT传感器实时采集交通、环境、能源数据，传输到数字孪生平台，更新 S(t)。
2. 状态同化与预测：将观测数据与模型预测融合，得到最佳估计状态 S^(t)。运行模型进行短期预测 S^(t+Δt)。
3. 情景模拟与优化：
a. 检测到潜在问题（如某区域即将拥堵）。
b. 在数字孪生中生成多个干预方案 ak​。
c. 快速并行模拟各方案结果。
d. 评估 J(S,ak​)， 选择 a∗。
4. 策略执行：将 a∗转换为控制指令，下发到物理系统执行。
5. 效果评估与模型更新：监控执行后真实城市反应，与预测对比，用于校准和更新模型 Mcity​。

物理城市的状态流 S(t)被传感器网络实时“镜像”为数字孪生中的数据流。在数字世界中，仿真引擎产生预测流，优化算法产生策略流 a∗。策略流被“下载”到物理世界，转化为控制信号流，作用于交通灯、电网等执行器，从而改变物理世界的状态流。这是一个从物理到数字，再回到物理的“感知-决策-控制”大闭环流。

理论基础：控制论、复杂系统科学、城市科学。认知特征：将城市视为一个可被实时测量、理解和优化的超级机器。利益特征：提升城市运行效率、安全性和可持续性，创造巨大的运营价值和数据价值。关系：城市管理者、市民、企业都成为这个数字孪生系统中的被感知和被调控对象。

处理全城实时传感器数据流和运行大规模城市模拟，计算和IO需求达到国家级超算中心级别。
CPU/GPU： 极致要求。需要超算中心进行大规模并行仿真。
内存： 极致。存储整个城市的高精度模型和实时状态。
存储盘： 极致。存储历史全量传感数据和仿真结果。
IO/网络： 极致。需要城市级的专用物联网和光纤网络传输海量数据。
队列： 核心。用于缓冲海量传感器数据和处理任务。

数字孪生是虚拟模型，但其感知和控制对象是真实的道路、电网、建筑（物理空间）。传感器、执行器是实体设备。优化决策节省了市民的通勤时间、城市的能源消耗。系统本身是重大的基础设施投资。

B-0080

营销/监管

神经经济学

神经科学+机器学习

神经营销与脑机接口（BMI）反馈优化模型

1. 神经测量：通过功能性磁共振成像（fMRI）、脑电图（EEG）或未来非侵入式高精度BMI，测量消费者 i在接触营销刺激 s（广告、产品设计）时的大脑神经活动模式 Ni​(s)。关键信号包括：伏隔核（NAcc）活动预测购买欲，前额叶皮层（PFC）活动与认知评估和自控相关。
2. 神经特征提取：从高维神经数据 Ni​(s)中提取与营销相关的特征向量 ϕi​(s)， 如“渴望指数” Ai​=fNAcc​(Ni​)，“认知负荷” Ci​=fPFC​(Ni​)。
3. 预测模型：建立从神经特征 ϕi​(s)到行为意图 yi​（购买意愿、品牌好感度）的预测模型：yi​=g(ϕi​(s);θ)。使用机器学习（如SVM、神经网络）训练 g和参数 θ。
4. 刺激优化：将广告/产品设计参数化，如广告 s的颜色、音乐、叙事节奏构成参数向量 p。目标是找到最优 p∗以最大化神经预测的积极响应 y或最小化认知负荷 C同时保持高 A。这是一个黑箱优化问题：maxp​Ei​[yi​(p)]。
5. 实时BMI反馈：在虚拟现实（VR）购物环境中，实时监测用户神经信号，动态调整呈现内容。例如，当检测到认知负荷 C过高时，简化信息；当 A下降时，触发促销信息。形成“神经反馈-内容调整”的个性化闭环。

当前非侵入式神经测量（如EEG）信噪比低，空间分辨率差。fMRI昂贵且不实时。神经信号与复杂消费决策的映射关系远未清晰。伦理上极具争议。

神经经济学， 神经营销， 脑机接口， 机器学习， 神经营效学。

全球消费品巨头：在实验室环境中，用fMRI测试广告原型，优化其神经吸引力。
游戏/娱乐公司：利用EEG实时监测玩家兴奋度/挫折感，动态调整游戏难度。
未来零售场景：结合VR和简易BMI，实现“所想即所得”的购物体验。特征：试图绕开消费者的口头报告，直接读取和影响其潜意识神经反应，是营销的“终极武器”。

s: 营销刺激；
Ni​(s): 消费者 i接触 s时的神经活动数据；
ϕi​(s): 提取的神经特征向量（渴望、认知负荷等）；
yi​: 预测的行为意图或实际行为；
g(⋅;θ): 神经到行为的预测模型；
p: 刺激的设计参数向量；
Ai​,Ci​: 渴望指数和认知负荷。

神经信号处理、特征提取、机器学习、黑箱优化、实时反馈控制。

侵入性、生理性。语言如“通过测量大脑对营销刺激的神经反应，直接优化刺激设计，甚至实现基于脑信号的实时个性化内容推送”。

1. 实验与数据收集：招募被试，在呈现不同营销刺激 sk​时，同步记录其神经信号 Ni​(sk​)和后续行为 yi​（如购买选择）。
2. 模型训练：用数据 (Ni​(sk​),yi​)训练预测模型 g， 学习从 N到 y的映射。
3. 刺激优化：
a. 参数化设计空间 p。
b. 使用贝叶斯优化等算法，迭代生成新的刺激 p(t)， 用模型 g预测其效果 y， 寻找 p∗。
4. （未来）实时应用：消费者佩戴轻量BMI设备浏览内容。系统实时解码其神经特征 ϕ(t)， 并动态调整下一步呈现的内容 st+1​的参数 pt+1​， 以最大化预测的积极反应。

营销信息流 s作为输入，激发消费者大脑的神经活动流 N。神经营销系统通过测量 N并解码为意图流 y， 获得了传统调研无法获得的、即时的、潜意识的“真实反馈流”。基于此反馈流，系统可以实时调整营销信息流 s的参数 p， 形成一个“刺激-神经反馈-优化”的闭环控制流，旨在将消费者神经状态锁定在“高渴望、低认知防御”的理想区间。

理论基础：神经科学、消费心理学、行为经济学。认知特征：绕过有意识的、可能失真的自我报告，直击决策的神经生物学基础。利益特征：理论上可极大提高营销转化率和用户留存。情感/人性：触及人类自由意志和隐私的底线，是“操纵”与“个性化”的伦理边界之争。

实时神经信号解码和内容生成需要低延迟计算。但大规模应用（5000万并发）在技术和伦理上都不现实，目前是实验室和小规模试点阶段。
CPU/GPU： 高。实时神经信号处理和机器学习推理。
内存： 中。加载神经解码模型和内容库。
存储盘： 高。存储神经实验数据和高维内容素材。
IO/网络： 中高。实时传输神经信号和流媒体内容。
队列： 用于处理来自BMI设备的实时数据流。

神经测量需要物理的传感器设备（EEG帽、fMRI仪）。优化后的广告通过数字或物理渠道投放。实验消耗被试者的时间和生物数据。伦理审查是重要的制度资源消耗。

B-0081

利益链/监管

地缘政治风险

贝叶斯网络+自然语言处理

地缘政治事件链预测与资产冲击贝叶斯网络模型

1. 事件抽取：从新闻、智库报告、社交媒体中实时抽取地缘政治事件 e， 表示为三元组 (主体， 动作， 客体)， 如 (国家A， 制裁， 公司B)。使用NLP事件抽取模型。
2. 构建贝叶斯网络：节点表示关键地缘政治状态变量 Xi​（如“美中关系紧张程度”、“台海局势”、“某国政权稳定性”）和资产价格变量 Yj​（如“人民币汇率”、“芯片股指数”、“原油价格”）。有向边表示因果关系或影响关系，边的条件概率表（CPT） $P(X_i

Pa(X_i))由历史数据学习或专家赋值。<br>∗∗3.推理∗∗：当新事件e被观测到时，将其转化为对某些证据节点E_k的赋值（如“美中关系紧张程度=高”）。在贝叶斯网络中进行概率传播，更新其他节点的后验概率分布P(X_i, Y_j

E)。<br>∗∗4.预测∗∗：计算关键资产变量Y_j$ 的后验分布，得到其在未来一段时间内涨跌的概率，以及预期波动率变化。也可以进行“如果-那么”分析：假设某个干预事件发生（如“美国通过某法案”），模拟其对资产网络的冲击。
5. 决策：财团根据预测的概率分布，调整其全球资产配置、供应链布局、外汇对冲策略。模型输出可用于自动触发风险管理系统中的某些规则。

事件抽取有误差，因果关系网络难以准确构建且动态变化，CPT参数估计不精确。模型更多是提供结构化、概率化的风险情景分析，而非精确预测。

贝叶斯网络， 概率图模型， 地缘政治分析， 事件抽取， 风险传染。

全球资产管理财团：在地缘政治动荡中管理国家风险敞口。
跨国企业财团：评估海外投资项目的政治风险，制定应急预案。
大宗商品交易商：预测地区冲突对供应链和价格的影响。特征：将非结构化的地缘政治信息转化为结构化的概率风险图，辅助量化决策。

e: 地缘政治事件；
Xi​: 隐状态变量（政治、军事、外交）；
Yj​: 可观测的资产价格变量；
Pa(Xi​): Xi​的父节点集合；
$P(X_i

Pa(X_i)):条件概率表；<br>E$: 证据（已观测到的事件）。

概率图模型、贝叶斯推断、条件概率、事件抽取、自然语言处理。

预测性、概率性。语言如“将地缘政治事件作为证据输入贝叶斯网络，更新各状态和资产变量的概率分布，实现风险的量化推理”。

1. 信息监控：实时抓取全球多语种新闻、报告，使用NLP模型抽取事件 e和实体情感。
2. 证据映射：将事件 e映射到贝叶斯网络中的证据节点，设定其观测值（如“紧张程度+1”）。
3. 概率传播：运行贝叶斯网络推理算法（如联结树算法），计算所有节点在给定证据下的后验概率 $P(X_i, Y_j

E)$。
4. 风险报告：生成报告，指出概率显著升高的风险情景（如“地区冲突概率>30%”）及对关键资产的预期影响（如“原油价格上升10%的概率为40%”）。
5. 策略模拟：在BN中模拟采取不同应对策略（如撤资、对冲）对最终损益概率分布的影响，辅助决策。

B-0082

利益链/监管

虚拟经济控制

虚拟世界经济学

元宇宙土地估价与虚拟经济宏观调控模型

1. 虚拟土地属性：元宇宙中的地块 L具有坐标 (x,y)、大小、相邻地块类型、所属平台 P、流量 Traffic(L)（访客数）、可开发性（能否建商店、画廊）等属性。
2. 估价模型：借鉴现实房地产特征价格模型，虚拟土地价格 V(L)可建模为：
lnV(L)=β0​+β1​ln(Traffic)+β2​⋅Adjacency+β3​⋅PlatformPremium+ϵ。
其中 Adjacency是邻近地块价值的加权和，PlatformPremium是平台品牌溢价。参数 β可通过历史交易数据回归估计。
3. 虚拟经济系统：元宇宙内有原生货币 Token， 用户通过创作、服务、交易赚取 Token， 并消费于虚拟商品、土地、体验。存在虚拟央行（平台运营方）控制 Token的增发率 m和基准利率 r。
4. 宏观调控：为防止虚拟经济通货膨胀（物价飞涨）或通货紧缩（经济死寂），虚拟央行需实施政策：
a. 货币：通过调节 m（如任务奖励、质押收益）和 r（借贷利率）控制货币供应。
b. 财政：通过土地拍卖收入、交易手续费进行再分配（如资助优质创作者）。
c. 土地供应：控制新地块 Lnew​的释放节奏，影响土地价格预期。
5. 财团控制：早期进入的财团可低价囤积核心地块，通过开发吸引流量，推高土地价值并获利。他们也可能游说平台修改经济规则，使其资产受益。平台运营财团则通过控制货币和土地发行，获取类似“铸币税”和“土地出让金”的巨额收益。

虚拟经济价值完全基于共识，非常脆弱。模型假设存在稳定的效用函数和交易市场，这在早期元宇宙中不成立。政策工具的效果难以预测。

虚拟经济学， 特征价格模型， 货币政策， 土地经济学， 网络效应。

元宇宙平台运营商（如Meta的Horizon， Decentraland， Sandbox）：设计其虚拟经济系统，管理通胀和资产泡沫。
虚拟地产开发商：评估地块价值，进行投资和开发。
品牌财团：在元宇宙购买黄金地段建立品牌体验店。特征：在纯数字环境中重新演绎土地财政、货币政策和宏观经济管理。

L: 虚拟地块；
V(L): 地块价格/价值；
Traffic(L): 地块流量（访客/活跃度）；
β: 特征价格系数；
Token: 元宇宙原生货币；
m: 货币增发率；
r: 基准利率；
Lnew​: 新投放地块。

特征价格回归、对数线性模型、宏观经济政策、货币供应、网络效应。

虚拟性、经济性。语言如“在元宇宙中，土地价值由流量和网络效应决定，虚拟央行需通过货币和土地政策调控数字经济周期”。

1. 数据监控：实时监控元宇宙内所有土地交易价格 Vt​、用户活跃度 Traffict​、货币供应量 Mt​、物价指数 CPIt​（虚拟商品篮子价格）。
2. 价值评估：定期用最新交易数据更新特征价格模型，评估各地块的理论价值，识别泡沫（Vmarket​>>Vmodel​）。
3. 政策制定：
a. 如果 CPI上涨过快，提高利率 r， 减少任务奖励 m。
b. 如果经济低迷，降低 r， 增加对创作者的补贴（财政政策）。
c. 如果土地市场过热，加速释放 Lnew​或提高交易税费。
4. 政策沟通：通过公告、社区治理投票等方式传达政策意图，管理预期。
5. 效果评估：监测政策实施后的经济指标变化，迭代调整。

用户注意力流 Traffic是虚拟土地的“自然资源流”，它驱动土地价值流 V(L)。平台运营商的货币发行流 m和利率信号流 r是调控整个经济活动的“血液流”和“价格流”。土地供应流 Lnew​是调节资产稀缺性的“阀门”。财团的资本流和开发活动流，试图引导用户注意力流向其拥有的地块，从而捕获价值流。整个系统是一个封闭但可编程的数字经济流循环。

理论基础：虚拟经济、加密货币经济学、平台经济学。认知特征：将实体经济的运行规则映射到数字空间，但所有价值都基于集体想象和平台规则。利益特征：在数字前沿开辟新的资产类别和征税权。关系：用户、创作者、投资者、平台方在虚拟世界中形成新的生产、消费和投资关系。

元宇宙需要支撑数百万用户同时在线，并发处理极高的3D渲染、物理模拟、交易和通信。
CPU/GPU： 极致要求。渲染、模拟和AI NPC需要海量算力，依赖云计算和边缘计算。
内存： 极致。存储虚拟世界状态和用户数据。
存储盘： 极致。存储3D资产、区块链数据（如果去中心化）。
IO/网络： 极致要求。需要超高带宽、低延迟网络传输3D流和数据。
队列： 核心。用于处理用户指令、交易、渲染任务队列。

元宇宙是数字空间，运行在数据中心和用户的终端设备上，消耗巨大的计算资源和电力。用户的时间是核心投入资源。虚拟资产交易可能受现实世界法律管辖。

B-0083

监管/利益链

控制论统一模型

控制论+深度强化学习

财团全球控制系统的深度强化学习“元模型”

1. 元问题定义：将财团视为一个试图最大化其长期全球影响力的智能体（Agent），其环境（Environment）是包含政治、经济、社会、技术、自然等子系统的复杂地球系统。状态 st​是上述所有子系统的可观测变量集合。动作 at​是财团可采取的所有策略集合，包括投资、游说、并购、宣传、研发等。奖励 rt​是财团影响力的综合度量（如总资产价值、政治话语权指数、关键资源控制度）。
2. 分层强化学习：由于动作空间巨大且时间尺度多样，采用分层结构。高层“战略大脑” Mmeta​制定长期目标（如“控制新能源产业链”），并分解为中期子目标。中层“策略网络” Mstrat​针对每个子目标（如“获取锂矿资源”）生成具体策略组合（投资A矿、研发提纯技术B）。底层“执行器” Mexec​负责执行具体动作（发出收购要约、拨款研发）。
3. 世界模型：由于在真实世界中探索成本极高，智能体需要学习一个对地球系统的内部“世界模型” Mworld​， 能够预测在状态 st​下采取动作 at​后，系统将如何演化到 st+1​。这个模型通过海量历史数据（新闻、财报、卫星图像、学术论文）训练，是一个巨大的多模态Transformer模型。
4. 规划与学习：智能体在“想象”中（即 Mworld​中）进行蒙特卡洛树搜索（MCTS）或基于模型的规划，评估不同动作序列的长期回报。同时，通过与真实世界的有限交互（实际执行部分动作）获得反馈，不断改进策略网络 Mstrat​和世界模型 Mworld​。
5. 伦理对齐难题：该元模型的目标函数 rt​完全由财团设定，可能与社会福利、人类共同价值冲突。如何防止其寻求“纸夹最大化”式的危险策略，是根本性挑战。

当前AI远未达到能模拟和规划全球复杂系统的水平。这更像一个哲学和控制论的思想实验，但指明了超级智能体进行全球战略规划的可能形态。其“强度”和潜在危险性都是理论上的终极水平。

深度强化学习， 分层RL， 世界模型， 控制论， 元认知， 人工智能安全。

科幻/思想实验：描述一个拥有近乎无限资源和先进AI的财团，如何像下棋一样规划全球战略。
长期战略研究：启发未来的战略规划工具，在高度简化的模型中进行推演。
特征：将所有前述模型（B-0001至B-0082）整合为一个统一的学习和规划架构，是财团控制工程的“终极梦想”或“终极梦魇”。

st​: 全球系统状态（高维向量）；
at​: 财团可执行动作（高维向量）；
rt​: 奖励信号（财团影响力）；
Mmeta​,Mstrat​,Mexec​: 分层策略网络；
Mworld​: 世界模型（动力学预测模型）；
$\pi(a

s)$: 策略函数。

深度强化学习、分层控制、世界模型、Transformer、蒙特卡洛树搜索、高维优化、元认知。

元模型、统一性、终极性。语言如“构建一个能够理解、预测并规划干预全球复杂系统的超级智能体，以实现财团设定的终极目标”。

1. 感知：通过多种数据源持续观测全球，更新世界状态表示 st​。
2. 世界模型预测：将 st​和候选动作 a输入 Mworld​， 预测未来状态轨迹 s^t+1​,s^t+2​,...和预期奖励 r^。
3. 内部规划：在 Mworld​的模拟中，运行规划算法（如MCTS），搜索能使长期累积奖励最大化的动作序列 at:H∗​。
4. 策略执行与学习：执行规划序列中的第一个（或几个）动作 at∗​。观察真实世界反馈 rt​,st+1​。用这些真实数据更新策略网络 Mstrat​和世界模型 Mworld​， 纠正其预测偏差。
5. 目标反思：最高层 Mmeta​周期性评估终极目标 rt​的定义是否仍符合财团根本利益，或是否需要调整。

信息流从全球汇聚到“世界模型” Mworld​， 形成对系统动力学的“理解流”。策略网络 Mstrat​产生“意图流”和“候选动作流”。规划算法在“想象流”（世界模型的模拟）中评估不同动作流的后果，选择“最优动作流”。该动作流被下发执行，影响真实世界，产生新的“观测反馈流”，用于改进模型和策略。这是一个“感知-理解-规划-行动-学习”的超级智能闭环流。

理论基础：人工智能、控制论、复杂系统科学、理性期望。认知特征：将全球战略视为一个可被超级智能体求解的、极度复杂的序列决策问题。利益特征：理论上可以实现任何被明确定义的全球性目标，无论其善恶。人性/伦理：挑战了人类的主体性和对未来的掌控权，是“对齐问题”的终极体现。

所需算力远超现有任何系统，可能是百万倍甚至更多。需要通用人工智能（AGI）级别的突破。
CPU/GPU/TPU： 无法估量。训练和运行星球级的世界模型和规划。
内存： 无法估量。存储全球全息数据和模型参数。
存储盘： 无法估量。存储人类文明几乎全部数字化信息。
IO/网络： 无法估量。需要连接全球所有数据源。
队列： 系统本身就是一个管理所有任务的终极队列。

B-0084

利益链

生态协同

演化博弈论

财团生态内企业协同演化模型

1. 生态建模：将财团控制的 N家企业视为一个生态系统，每家企业 i有策略 si​（如“积极协同”、“独立发展”、“搭便车”）。企业的适应度 fi​取决于自身策略和生态内其他企业的策略。
2. 复制者动力学：策略 s在生态中的比例 xs​随时间变化，其增长率与其适应度超出平均适应度的部分成正比：dxs​/dt=xs​[fs​(x)−fˉ​(x)]， 其中 fˉ​=∑s​xs​fs​。
3. 适应度函数：fs​(x)=Bs​(x)−Cs​。Bs​是协同收益，如“积极协同”策略在生态中“积极协同”者比例高时，能获得更高的技术共享、联合采购折扣等收益， Bscoop​=α⋅∑j=i​I(sj​=coop)。Cs​是成本，如“积极协同”需付出沟通和管理成本。“搭便车”者 Cfree​=0但只能获得部分收益 Bfree​=β⋅Bcoop​(β<1)。
4. 演化稳定策略(ESS)：求解动力系统的稳定不动点。可能存在多种ESS，如“全员协同”、“全员独立”、或“协同与搭便车者共存”，取决于参数 (α,β,Ccoop​)。
5. 财团干预：财团作为“造物主”，可以修改收益参数（如设立协同奖金 ΔB）或成本（如建立共享平台降低 Ccoop​），引导生态系统向“全员协同”的ESS演化，最大化整体生态价值。

模型是高度简化的，现实企业策略空间更连续复杂。精度在于对协同收益 α和成本 C的合理估计。干预效果存在时滞和不确定性。

演化博弈论， 复制者动力学， 复杂系统。

日本财团（Keiretsu）：分析集团内企业是选择深度协同还是保持距离，以及如何通过交叉持股和社长会维持协同稳定性。
中国产业财团：在国企混改和构建“产业链链主”过程中，设计激励兼容的协同机制。
特征：从动态、演化视角分析生态内企业的长期行为均衡。

N: 生态内企业数量；
si​: 企业 i的策略；
xs​: 采用策略 s的企业比例；
fs​: 策略 s的适应度（支付）；
Bs​,Cs​: 策略 s的收益和成本函数；
α,β: 协同收益系数；
fˉ​: 平均适应度。

动力学系统（常微分方程）、演化稳定、不动点分析、博弈论、比例、求和。

演化性、生态性。语言如“生态内企业的策略分布像物种一样演化，财团通过改变‘环境’参数引导演化方向”。

1. 参数估计：通过历史数据或调研，估计不同协同程度下的收益 α和成本 C。
2. 模拟演化：设定初始策略分布 x(0)， 数值积分复制者动力学方程，观察系统长期趋向哪个ESS。
3. 敏感性分析：改变参数 (α,C)， 观察ESS是否变化，识别出引导向“全员协同”的关键参数杠杆点。
4. 干预设计：设计具体的政策（如设立协同KPI奖金 ΔB， 投资建设共享云平台以降低 Ccoop​）， 并模拟其影响。
5. 实施与监控：推行政策，并持续监测企业协同行为数据，与模型预测对比，迭代调整政策。

生态内企业的“策略流”在复制者动力学驱动下演化。高适应度策略像优势基因一样，在生态中复制扩散。财团的干预是向适应度函数 fs​中注入额外的“能量” ΔB或减少“摩擦” C， 从而改变策略流的“地势”，引导其流向期望的“协同”吸引子。

理论基础：演化经济学、组织生态学。认知特征：从生物进化视角理解企业行为，强调路径依赖和长期均衡。利益特征：解决集团内部“搭便车”和协同难题，最大化生态整体价值。关系：塑造了生态内企业间竞争又合作的长期关系模式。

模拟演化动力学计算量中等，但需要为大量参数组合进行模拟。无高并发实时需求。
CPU： 中。求解ODE系统，进行大量参数扫描。
内存： 低。
存储盘： 低。存储模拟结果。
IO/网络： 低。
队列： 用于调度不同参数场景的模拟任务。

演化过程发生在虚拟的策略空间，但对应真实企业的组织变革和文化塑造，需要长期时间资源的投入。共享平台等干预措施占用IT基础设施和物理空间。

B-0085

监管/利益链

合规规避

机器学习+图模式识别

监管套利路径发现算法

1. 问题：不同司法管辖区（J1​,J2​,...,Jm​）的监管规则 Rk​存在差异和漏洞。财团通过设计复杂的跨境交易结构，使其形式上符合各地规则，但实质上规避了核心监管意图。
2. 建模：将监管规则形式化为逻辑谓词或图模式。例如，反避税规则“受控外国公司(CFC)规则”可表示为：如果实体 E被本国居民 R控制（持股>50%），且 E位于低税地，则 E的利润应在本国征税。控制关系构成一张图。
3. 套利路径搜索：在由实体、所有权、交易关系构成的超图 H中，搜索满足以下条件的路径或子图结构：该结构能实现经济目标（如利润转移），但能“证明”其不触发任何 Rk​中的违规条件。这是一个约束满足问题(CSP)或图同构/子图同构问题。
4. 算法：使用基于规则的推理引擎结合图搜索算法。例如，为了将利润从高税区 H转移到低税区 L且不触发CFC规则，算法可能搜索这样的结构：在 H和 L之间插入一个中间实体 M（位于有税收协定国），使 H对 M持股<50%，M对 L控股，并通过一系列许可费、债务利息支付将利润转移到 L。
5. 风险评估：对找到的每条潜在路径 p，评估其被税务机关挑战的概率 Risk(p)和预期调整/罚金 Penalty(p)。选择期望成本 Cost(p)=Prob(p)⋅Penalty(p)最小的路径。

模型高度依赖于对监管规则 Rk​的精确形式化，这非常困难且规则常变。搜索空间巨大，算法可能无法找到全局最优解。风险评估具有高度不确定性。

计算法律， 图论， 约束满足， 自动推理。

全球跨国财团：设计“双层爱尔兰荷兰三明治”等税务架构，利用各国税法和税收协定差异。
金融财团：设计衍生品交易结构，规避巴塞尔协议III的资本金要求或Volcker规则。
特征：在合规边缘进行“金融工程”，是顶尖律所和会计师事务所的核心能力。

Jk​: 司法管辖区；
Rk​: 该辖区的监管规则（形式化后）；
H: 实体-关系超图；
p: 一个潜在的交易/组织结构路径；
Risk(p): 路径 p被认定为非法的概率；
Penalty(p): 如果被认定非法的罚金；
Cost(p): 期望成本。

逻辑（谓词逻辑）、图论（子图同构、路径搜索）、组合优化、概率风险评估。

规避性、工程性。语言如“在监管规则构成的‘迷宫’中，寻找一条从经济起点到终点的合法路径”。

1. 规则知识库构建：将目标国家/地区的相关监管规则人工或半自动地形式化为机器可读的逻辑规则。
2. 现状图谱构建：绘制财团当前的全球实体和关系图谱 H0​。
3. 目标定义：定义经济目标（如“将利润从实体A转移至实体B，税负最小化”）和约束（如“不触发CFC规则”、“满足集团资本充足率要求”）。
4. 路径搜索：在图谱 H0​的基础上，通过添加/删除/修改实体和边，进行启发式图搜索，寻找满足所有形式化规则 Rk​且实现经济目标的新结构 H‘。生成候选路径集合 {p}。
5. 评估与选择：对每个候选 p进行风险评估，选择 Cost(p)最小的方案。
6. 法律论证准备：为选定方案准备详尽的合规性论证文档。

监管意图构成一个“禁区”网络。资本/利润流需要从起点流向终点，但不能穿过任何“禁区”。算法的工作是设计一条蜿蜒曲折但始终在“安全区”内的通道。这条通道就是精心设计的法律实体和交易链条。资本流沿着这条“合规通道”隐秘地流动。

理论基础：法律与经济学、监管套利理论。认知特征：将法律视为可被分析和绕过的复杂系统。利益特征：直接节省巨额税务、资本成本，是财团全球竞争力的重要组成部分。监管博弈：与监管机构的“道高一尺，魔高一丈”的持续博弈。

规则推理和图搜索计算密集，但通常是离线、项目制的。无高并发需求，但对计算资源有较高要求。
CPU： 高。图搜索和逻辑推理计算量大。
内存： 高。存储大型知识图谱和搜索状态。
存储盘： 中。存储法律法规数据库和案例库。
IO/网络： 中。
队列： 用于管理复杂的推理任务。

套利路径是虚拟的法律结构。其实施需要在新辖区注册公司、开立银行账户、签订复杂合同，消耗法律、行政和时间资源。监管调查和诉讼更是资源的巨大消耗。

B-0086

经营/营销

市场定价权

产业组织理论

古诺竞争模型 (Cournot Competition)

1. 模型设定：n家同质产品生产企业进行产量竞争。企业 i选择产量 qi​≥0。总产量 Q=∑i=1n​qi​决定市场价格 P(Q)， 反需求函数为 P(Q)=a−bQ（a,b>0）。企业 i的成本函数为 Ci​(qi​)=ci​qi​。
2. 利润函数：企业 i的利润 Πi​(qi​,q−i​)=[P(Q)−ci​]qi​=[a−b∑j​qj​−ci​]qi​。
3. 最优反应函数：企业 i在给定其他企业产量 q−i​下，选择 qi​最大化 Πi​。一阶条件：∂Πi​/∂qi​=a−b∑j​qj​−ci​−bqi​=0。
整理得企业 i的最优反应函数：qi​=2ba−ci​​−21​∑j=i​qj​。
4. 纳什均衡求解：联立 n个企业的反应函数，求解线性方程组。在对称成本 (ci​=c) 情况下，解为：qi∗​=b(n+1)a−c​， Q∗=nqi∗​=n+1n​⋅ba−c​， P∗=a−bQ∗=n+1a+nc​。
5. 与垄断、完全竞争比较：
- 垄断 (n=1): Qm​=(a−c)/(2b), Pm​=(a+c)/2。
- 古诺均衡: 当 n→∞， P∗→c， 趋向完全竞争。
6. 财团应用：若财团控制 m家企业，可协调其总产量 QC​=∑i∈C​qi​， 作为 Stackelberg 领导者或形成卡特尔，获取更高利润。

模型基于同质产品、线性需求、同时行动等强假设。但提供了产量竞争市场的基本直觉和量化基准。精度取决于对市场需求参数 (a,b)和成本 c的估计。

产业组织理论， 非合作博弈论（纳什均衡）， 寡头竞争。

全球大宗商品（如石油OPEC+）：分析石油生产国之间的产量竞争与合谋可能性。
中国基建/建材财团：在区域市场内，几家大型国企之间的产量竞争分析。
特征：经典寡头竞争模型，分析企业数量、成本如何影响市场价格和利润。

n: 企业数量；
qi​: 企业 i的产量（决策变量）；
Q: 总产量；
P(Q): 反需求函数；
a,b: 需求参数；
ci​: 企业 i的边际成本；
Πi​: 企业 i的利润。

代数、优化（一阶条件）、线性方程组、比较静态分析、博弈论。

竞争性、均衡性。语言如“在古诺竞争中，每家企业根据对竞争对手产量的预期，选择自身利润最大化的产量”。

1. 参数估计：通过历史数据估计市场需求 P(Q)=a−bQ和各企业边际成本 ci​。
2. 求解均衡：建立并求解 n个最优反应函数联立的方程组。
3. 情景分析：
a. 分析新企业进入（n增加）对均衡价格和利润的影响。
b. 分析财团内部 m家企业合并或合谋（作为一个整体决策 QC​）后的新均衡，计算合谋带来的利润增量。
c. 分析成本不对称（ci​不同）对市场份额和利润分配的影响。
4. 策略制定：根据模型预测，制定财团自身的产能规划或并购策略。

产量决策流从各企业的最优反应函数中产生，相互交织、相互制约，最终汇聚到纳什均衡点 (q1∗​,...,qn∗​)。市场价格 P∗和行业总利润是这些决策流的聚合结果。财团协调相当于将其控制的 m条决策流合并为一条更大的“决策主干流”，从而能对总流 Q和价格流 P施加更大影响。

理论基础：产业组织理论的基石。认知特征：将企业竞争视为策略性互动，而非原子化竞争。利益特征：帮助财团理解市场结构、定价权和潜在合谋收益。关系：刻画了寡头企业间“既竞争又依存”的关系。

模型求解是简单的代数运算，计算量极小。但参数估计需要计量经济学分析。无并发需求。
CPU： 极低。
内存： 极低。
存储盘： 低。存储市场数据。
IO/网络： 低。
队列： 不需要。

模型描述的是虚拟的产量计划博弈。均衡产量对应实体工厂的生产计划，占用产能、原材料和劳动力。价格影响消费者的实际支付。

B-0087

利益链

风险传染

网络科学+流行病学

财团内部风险传染的SIR模型

1. 类比：将财团内部一家公司的财务困境（如流动性危机、信用降级）视为“传染病”，在公司网络中传播。
2. 网络SIR模型：每个公司 i处于三种状态之一：易感 (S)、感染 (I)、恢复/免疫 (R)。感染对应于陷入困境。传播通过公司间的连接（如担保、应收账款、共同银行）进行。
3. 动力学方程：
dSi​/dt=−∑j​βij​Aij​Ij​Si​
dIi​/dt=∑j​βij​Aij​Ij​Si​−γi​Ii​
dRi​/dt=γi​Ii​
其中 Aij​是邻接矩阵（表示连接强度）， βij​是传播率（取决于连接的风险暴露程度）， γi​是恢复率（取决于公司自救能力或外部救助）。
4. 基本再生数 R0​：在均匀混合假设下，R0​=γ⟨β⟩⟨k⟩​， 其中 ⟨k⟩是平均度。R0​>1时疫情可能大面积爆发；R0​<1时疫情逐渐消失。
5. 财团风险管控：财团可以通过：a) 降低关键连接的 βij​（如减少担保金额）；b) 提高关键节点的 γi​（如建立内部救助基金）；c) 对网络进行“免疫接种”（即提前救助中心性高的公司），来控制风险传染。

模型是对复杂财务风险传染的简化，参数 βij​, γi​难以精确估计。但能提供风险传播速度和范围的定性洞察，并识别关键脆弱点。

复杂网络， 流行病学， 微分方程系统。

全球金融财团（如2008年雷曼兄弟倒闭引发的连锁反应）：模拟信用风险、流动性风险在金融网络中的传染。
中国国企财团：分析集团内一家子公司债务违约可能引发的担保链风险传导。
特征：将财务风险物理化、可视化，用于压力测试和应急预案制定。

Si​,Ii​,Ri​: 公司 i处于S, I, R状态的概率（或公司数量比例）；
Aij​: 公司间风险暴露连接矩阵；
βij​: 沿边 ij的传播率；
γi​: 公司 i的恢复率；
R0​: 基本再生数。

微分方程系统、网络、动力学、阈值（R0​）、矩阵运算。

传染性、动态性。语言如“财务困境像病毒一样，通过企业间的风险连接网络传播”。

1. 网络构建：绘制财团内部及重要外部交易对手的风险暴露网络 A。
2. 参数设定：基于历史危机数据或专家判断，设定 β和 γ。
3. 模拟传染：
a. 设定初始感染源（如某子公司违约，Ii​(0)=1）。
b. 数值求解上述SIR方程组，模拟风险传染过程，得到 I(t)曲线和最终感染规模。
4. 关键节点识别：计算节点的特征向量中心性、介数中心性等，识别一旦“感染”会导致最大范围传播的公司。
5. 干预模拟：模拟不同的干预措施（如切断某条边、救助某节点）对 I(t)曲线和最终规模的影响，评估措施有效性。

风险（“感染”状态）作为一种“污染”，从初始爆发点沿着风险连接边 Aij​向外扩散。恢复率 γ像是“自净”能力，而财团的干预像是“防疫措施”（隔离、治疗）。动力系统描述了“污染流”与“净化流”之间的动态竞争。

理论基础：系统性风险理论、网络流行病学。认知特征：用传染病模型理解非线性的风险放大效应，直观且有力。利益特征：防止局部风险演变成系统性危机，保护财团整体资产安全。关系：揭示了表面独立的公司之间隐藏的风险纽带。

模拟网络SIR模型需要数值求解ODE系统，计算量与网络规模和模拟时长成正比。无高并发需求，但需要快速进行多种情景的压力测试。
CPU： 中。ODE求解。
内存： 中。存储网络矩阵和状态变量。
存储盘： 中。存储网络数据和模拟结果。
IO/网络： 低。
队列： 用于管理不同压力测试情景的模拟任务。

风险传染是虚拟的信息和信心崩溃过程，但会导致真实的资产抛售、信贷冻结、企业破产。干预措施消耗的是救助资金（金融资源）和管理层的时间与注意力。

B-0088

利益链/监管

机制设计

拍卖理论

VCG机制 (Vickrey-Clarke-Groves)

1. 目标：设计一种拍卖/分配机制，使得参与者如实报告其私人估值是占优策略（激励相容），并且将物品分配给能创造最大总价值的人（配置有效）。
2. 设定：n个竞拍者竞争一件物品（或多种物品的分配）。竞拍者 i对物品的私人真实估值为 vi​， 报告估价为 bi​。机制决定分配结果 xi​∈{0,1}（1表示得到）和支付 pi​。
3. VCG机制定义：
a. 分配规则：将物品分配给报告估价之和最高的竞拍者组合（对单物品，即 i∗=argmaxi​bi​）。
b. 支付规则：获胜者 i∗支付的价格等于他参与给其他竞拍者带来的外部性。具体地：pi∗​=maxj=i∗​bj​−∑j=i∗​bj​在 i∗不参与时的最优分配下的价值。
对于单物品拍卖，pi∗​=maxj=i∗​bj​（即第二高价）。
更一般地，竞拍者 i的支付：pi​=(maxx​∑j=i​bj​xj​)−∑j=i​bj​xj∗​， 其中 x∗是 i参与时的最优分配。
4. 性质：VCG机制是激励相容的（说真话 bi​=vi​是占优策略）、个体理性的（参与不使效用变差），且是配置有效的。但卖方收入可能低于一级价格拍卖，且可能面临合谋和虚假名称攻击。

理论上是完美的。但在多物品组合拍卖中，计算最优分配（胜者确定问题）可能是NP-hard的，且支付规则计算复杂。实际应用受限。

机制设计， 拍卖理论， 社会选择理论。

频谱拍卖：政府用VCG的变体分配无线电频谱牌照，旨在实现社会总价值最大化。
在线广告拍卖：广义第二价格(GSP)是VCG的简化，但非完全激励相容。
财团内部资源分配：如将稀缺研发资源分配给内部创业团队，用VCG机制诱使其真实披露项目价值。特征：理论上最优的机制，但在实践中面临计算和策略挑战。

n: 竞拍者数量；
vi​: 竞拍者 i的真实私人估值；
bi​: 报告估值；
xi​: 分配结果（0或1）；
pi​: 支付金额；
i∗: 胜者。

优化（胜者确定问题）、外部性计算、激励相容证明、组合拍卖。

理论性、最优性。语言如“VCG机制让每个参与者支付他强加给其他人的‘机会成本’，从而使其说真话成为最优策略”。

1. 征集报价：邀请参与者提交对物品（组合）的估价 bi​。
2. 计算最优分配：求解优化问题 x∗=argmaxx​∑i​bi​xi​， 满足可行性约束。这是计算核心。
3. 计算支付：对每个参与者 i， 重新求解一个 i不参与时的优化问题：x−i∗​=argmaxx​∑j=i​bj​xj​。则 i的支付 pi​=∑j=i​bj​x−i,j∗​−∑j=i​bj​xj∗​。
4. 宣布结果：公布分配 x∗和支付 p。
5. 执行：胜者支付，物品交付。

分配流被引导向总报告价值最大的方向。支付流的设计非常精妙：它从每个胜者那里收取的，正是由于他的胜出，导致其他竞拍者未能获得物品而损失的总价值（外部性）。这种支付规则“内化”了外部性，从而矫正了激励，使“真实报价流”成为参与者的最优策略流。

理论基础：机制设计、社会选择函数。认知特征：通过精巧的规则设计，解决信息不对称下的激励问题，实现“看不见的手”的引导。利益特征：适用于财团内部或与政府交易中，需要获取真实信息以做出最优集体决策的场景。

在组合拍卖中，胜者确定问题是NP难的，需要强大的优化求解器。支付计算需要解n+1个优化问题。无高并发需求，但单次计算可能很重。
CPU： 高。解决组合优化问题。
内存： 中。存储报价和优化模型。
存储盘： 低。
IO/网络： 低。
队列： 可用于处理大型拍卖的计算任务。

拍卖是虚拟的定价和分配过程。拍卖结果决定实物资产（如频谱、广告位）的归属权转移，占用法律登记和资产交割的时间。

B-0089

管理/经营

投资评估

实物期权

实物期权定价 (Black-Scholes扩展)

1. 核心思想：将企业投资决策（如研发、扩产、并购）视为持有一种期权，有权在未来某个时间以一定成本（执行价格）获取一项资产（项目价值），但无义务。决策的灵活性具有价值。
2. 类比金融期权：
- 投资机会 ↔看涨期权 (Call Option)
- 项目现值 V↔标的资产价格
- 投资成本 I↔执行价格 K
- 决策到期时间 T↔期权到期时间
- 项目价值波动率 σ↔资产波动率
- 无风险利率 r
3. Black-Scholes 公式应用：投资机会的实物期权价值 C为：
C=VN(d1​)−Ie−rTN(d2​)
其中 d1​=σT​ln(V/I)+(r+σ2/2)T​， d2​=d1​−σT​， N(⋅)是标准正态CDF。
4. 决策规则：不应在项目净现值 NPV=V−I>0时就投资，而应等待直至实物期权价值 C被最大化，或 V上涨到触发投资的临界值 V∗， 满足 C(V∗)=V∗−I。
5. 更复杂模型：对于分阶段投资（如研发），可视为复合期权或使用二叉树模型。

B-S公式基于连续交易、波动率恒定等假设，在实物投资中往往不成立。波动率 σ难以估计。模型提供了有价值的定性洞察和量化框架，但需谨慎使用。

金融工程（期权定价）， 随机过程， 投资决策理论。

医药财团：评估新药研发项目的价值，研发过程每个阶段都是一项期权。
矿业/能源财团：评估是否投资开发一个储量不确定的矿山或油田，等待价格上升的权利具有价值。
科技财团：评估对初创公司的分轮次投资。特征：将管理柔性纳入投资评估，解释了为什么企业有时会延迟或放弃NPV为正的项目。

V: 投资项目的当前现值（随机变量）；
I: 所需的投资成本（执行价）；
T: 决策可推迟的时间（期权有效期）；
σ: 项目价值 V的波动率；
r: 无风险利率；
C: 实物期权价值；
NPV: 净现值。

随机过程、期权定价公式、对数正态分布、微积分、期望。

评估性、柔性价值。语言如“投资机会是一种期权，其价值在于有权在未来有利条件下投资，同时规避下行风险”。

1. 参数估计：估计项目现值 V（用传统DCF）， 投资成本 I， 决策延迟时间 T。最关键且困难的是估计项目价值波动率 σ， 可用类似上市公司波动率、蒙特卡洛模拟项目现金流得到。
2. 计算期权价值：将参数代入B-S公式，计算 C。
3. 决策：比较 C与立即投资的收益 V−I。如果 C>V−I， 则等待更有价值。计算临界值 V∗， 当 V≥V∗时立即投资。
4. 敏感性分析：分析 C对 σ, T, r的敏感性。

投资价值 V在不确定性下随机游走。实物期权 C的价值流来源于这种不确定性带来的“上涨空间大，下跌损失有限”的非对称收益结构。决策流不是简单的“是/否”，而是“何时是”的最优停时问题。期权定价公式量化了这种“等待和观望”的策略流价值。

理论基础：实物期权理论、金融期权定价。认知特征：将投资决策从静态的“现在或永不”转变为动态的“等待时机”，更符合实际管理者的决策思维。利益特征：避免过早投资于高风险项目，捕捉高不确定性项目中的巨大上行潜力。

计算实物期权价值是轻量级的。但估计波动率 σ可能需要蒙特卡洛模拟，计算量增加。无高并发需求。
CPU： 中低。B-S公式计算快，但模拟波动率可能需要较多计算。
内存： 低。
存储盘： 低。
IO/网络： 低。
队列： 不需要。

实物期权是虚拟的决策权。其执行对应真实的资本支出、建厂、收购等行动，消耗巨大的资金、人力和时间资源。决策的时机选择是核心时间资源管理。

B-0090

营销/经营

新产品扩散

创新扩散理论

Bass扩散模型

1. 模型：描述新产品或新技术在人群中随时间扩散的过程。假设潜在采用者总数（市场潜力）为 m。在时间 t， 累计采用者数为 N(t)， 瞬时采用者数为 n(t)=dN/dt。
2. 采用者分类：采用者受两类影响：
- 外部影响（广告、媒体）：系数 p（创新系数）， 影响尚未采用者中的固定比例。
- 内部影响（口碑、模仿）：系数 q（模仿系数）， 与已采用者 N(t)和未采用者 m−N(t)的乘积成正比。
3. 微分方程：n(t)=dtdN​=[p+mq​N(t)][m−N(t)]。
初始条件 N(0)=0。
4. 解析解：N(t)=m1+(q/p)e−(p+q)t1−e−(p+q)t​。
采用高峰时间 t∗=p+q1​ln(pq​)， 高峰时采用量 n(t∗)=4qm(p+q)2​。
5. 参数估计：用历史销售数据 N(t)或 n(t)， 通过非线性回归估计 m,p,q。常用离散形式：nt​=pm+(q−p)Nt−1​−mq​Nt−12​+ϵt​。
6. 财团应用：预测新产品市场渗透，优化发布策略（如高p产品应加大初期广告；高q产品应鼓励早期用户产生口碑）。

模型假设市场潜力 m恒定，且 p,q不随时间变化，这在实际中常不成立。对生命周期短或受强竞争影响的产品预测误差大。但在早期预测和策略分析中非常有用。

创新扩散理论， 微分方程， 计量经济学。

科技财团（如苹果、三星）：预测新款智能手机、可穿戴设备的销售曲线。
消费电子财团：预测智能家居设备的普及速度。
中国新能源汽车财团：预测电动车市场渗透率。特征：经典的新产品扩散预测模型，区分了广告和口碑的作用。

m: 市场潜力（最终采用者总数）；
N(t): 到时间 t为止的累计采用者数；
n(t): 在时间 t的瞬时采用率；
p: 创新系数（外部影响）；
q: 模仿系数（内部影响）；
t∗: 采用高峰时间。

微分方程、解析解、指数函数、对数函数、非线性回归、参数估计。

预测性、扩散性。语言如“新产品的扩散由早期尝鲜者(p)和主流跟风者(q)共同驱动”。

1. 数据收集：收集新产品上市后的月度/季度销售数据 nt​和累计数据 Nt​。
2. 参数估计：使用非线性最小二乘法（NLS）拟合离散形式的Bass模型，得到 m^,p^​,q^​。
3. 预测：将估计参数代入模型，预测未来各期的 n(t)和 N(t)。
4. 策略分析：
a. 如果 p^​小 q^​大，说明产品依赖口碑，应加大早期用户激励和社区运营。
b. 如果 p^​大 q^​小，说明产品靠广告驱动，应持续进行大规模营销。
c. 计算 t∗以准备产能和库存应对销售高峰。

采用者流 n(t)的演化受两股“力量”驱动：外部影响 p产生的恒定“拉力”，和内部影响 q⋅N(t)产生的、随采用者积累而不断增强的“网络效应推力”。这两股力量共同作用于剩余市场潜力 [m−N(t)]上。扩散过程是一个典型的S形曲线流。

理论基础：创新扩散理论、营销学。认知特征：刻画了从创新者到早期采用者、早期大众、晚期大众的经典传播过程。利益特征：用于预测收入现金流、规划营销预算和生产计划。关系/口碑：内部影响系数 q量化了社会网络和口碑的力量。

参数估计和预测计算量小。但如果为海量SKU进行预测，则需要批量处理。无高并发实时需求。
CPU： 低。非线性回归和预测计算。
内存： 低。
存储盘： 低。存储销售时间序列数据。
IO/网络： 低。
队列： 可用于调度批量预测任务。

扩散是虚拟的采纳过程。但基于预测的生产计划影响实体工厂的产能利用和供应链物流。营销活动占用广告渠道和消费者注意力（时间）。

B-0091

利益链/监管

数据控制

密码学+分布式系统

基于联邦学习的财团数据协同模型

1. 问题：财团旗下各公司拥有宝贵数据 Di​， 但出于隐私、合规或竞争考虑，无法集中共享。希望协同训练一个机器学习模型 M而不暴露原始数据。
2. 联邦学习流程：
a. 中心服务器初始化：发布全局模型 M0的初始参数 w0。
b. 本地训练：每个参与方 i用自己的数据 Di​在本地计算模型更新（梯度 ∇Fi​(w)或参数更新 Δwi​）， 可能加入差分隐私噪声。
c. 安全聚合：参与方将加密的模型更新发送到中心服务器。服务器通过安全多方计算(MPC)或同态加密，在不解密单个更新的情况下，聚合得到全局更新 Δw=∑i​Δwi​/n。
d. 模型更新：服务器更新全局模型 wt+1=wt−ηΔw， 并分发新一轮参数。
e. 迭代直至收敛。
3. 激励与贡献度量：设计机制衡量各参与方 i的数据贡献 ci​， 用于利益分配（如模型使用权分配、费用结算）。可用基于Shapley值的方法，但计算复杂。近似方法：ci​∝∥Δwi​∥或与单独训练相比的性能提升。
4. 财团控制点：中心服务器通常由财团核心公司控制，掌握最终的全局模型 M和贡献度量结果，从而在数据协同生态中占据主导。

联邦学习的模型性能通常低于数据集中训练，且通信开销大。贡献度量不精确可能打击参与积极性。安全聚合增加计算和通信成本。

分布式机器学习， 密码学（安全多方计算， 同态加密）， 激励机制设计。

医疗财团：多家医院在不共享患者数据的前提下，协同训练疾病诊断模型。
金融财团：银行与旗下消费金融、保险公司协同训练反欺诈模型，不共享客户敏感数据。
中国政务/国企财团：在“数据不出域”的监管要求下，实现跨部门数据价值挖掘。特征：在隐私保护前提下实现数据价值共享，是未来数据控制的核心范式。

Di​: 参与方 i的本地数据集；
M: 待训练的全局机器学习模型；
wt: 第 t轮全局模型参数；
Δwit​: 参与方 i在第 t轮的本地更新；
ci​: 参与方 i的贡献度；
n: 参与方数量。

分布式优化、梯度下降、加密算法、安全聚合、贡献度量、迭代。

协同性、隐私性。语言如“数据不动模型动，在保护数据隐私的前提下，实现集体智能的进化”。

1. 任务发起与组网：财团中心发起训练任务，邀请各子公司参与，建立联邦网络。
2. 联邦训练循环：
for t=0to T−1:
a. 中心广播 wt给所有参与方。
b. 各参与方本地用 Di​训练，计算 Δwit​或梯度，并进行加密。
c. 参与方将加密更新发送至聚合服务器（可能由中立第三方或财团核心担任）。
d. 聚合服务器安全地聚合所有更新，得到 Δwt， 解密后更新全局参数：wt+1=wt−ηΔwt。
3. 贡献评估：训练结束后，基于各轮更新评估各参与方贡献 ci​。
4. 模型部署与利益分配：部署训练好的全局模型 M。根据 ci​分配模型使用权或内部结算费用。

数据价值流被封装在模型更新流 Δwi​中，在加密通道中流动，并在聚合点汇聚成全局知识流 w。原始数据 Di​本身不流动，但其蕴含的“知识梯度”在流动和聚合。财团中心控制着这个“知识蒸馏”和“聚合”的枢纽。

理论基础：隐私计算、协作AI。认知特征：解决“数据孤岛”与“隐私保护”之间的矛盾。利益特征：在不侵犯数据所有权的前提下，挖掘跨域数据融合的巨大价值，巩固财团的数据垄断优势。关系：在财团内部建立基于贡献的数据合作新关系。

联邦学习是计算和通信密集型。每轮训练涉及大量参与方的本地计算和与中心的通信。
CPU/GPU： 高。各参与方本地训练模型需要算力，中心聚合也需要算力（尤其是安全聚合）。
内存： 中。各参与方缓存模型和部分数据。
存储盘： 中。存储本地数据集和模型检查点。
IO/网络： 极高。模型参数/更新的多轮通信是主要瓶颈，需要高带宽、低延迟网络。
队列： 用于管理训练任务、更新传输和聚合调度。

数据存储在本地，物理上不移动。但模型参数的传输占用网络带宽。训练过程消耗大量的计算时间和能源。贡献评估和利益分配涉及虚拟的权益流转。

B-0092

管理

危机应对

系统动力学

企业声誉危机的系统动力学模型

1. 建模思路：将企业声誉 R(t)视为一个存量，受媒体负面报道 M(t)、公众负面情绪 P(t)、监管调查强度 G(t)等流量影响，这些变量相互耦合，形成动态反馈回路。
2. 核心反馈回路：
- 恶化回路：负面事件 → 媒体报道↑ → 公众关注/负面情绪↑ → 声誉↓ → 更多媒体跟进报道（新闻价值高）→ ...
- 修复回路：企业回应/道歉/整改 → 媒体报道正面行动 → 公众情绪缓和/监管压力减轻 → 声誉缓慢修复。
3. 存量流量图（简化）：
- 存量：声誉 R(0-100)， 公众负面情绪 P。
- 流量：声誉变化率 dR/dt=−k1​⋅M⋅P+k2​⋅(Response)； 情绪变化率 dP/dt=k3​⋅M−k4​⋅P。
- 辅助变量：媒体报道强度 M=f(Event,R)， 初始事件强度 Event是外生冲击。
4. 模拟与策略测试：设定参数 ki​， 模拟在 t=0时发生一个负面事件冲击后，R(t)的演化路径。测试不同回应策略（如立即道歉、沉默、法律对抗）和投入资源对 R(t)曲线的影响，选择能使声誉恢复最快、损失最小的策略。

模型参数 ki​和函数 f难以精确校准，更多用于定性理解危机演化的动态机制和比较不同策略的效果，而非精确预测声誉值。

系统动力学， 反馈循环， 微分方程系统。

全球消费品财团（如奶粉安全事件、汽车排放门）：模拟危机爆发后的公众反应和声誉修复过程。
中国互联网财团：应对数据泄露、垄断指控等公关危机。
特征：从系统视角模拟危机的非线性演变，帮助制定分阶段的应对策略。

R(t): 时刻 t的企业声誉分值；
P(t): 公众负面情绪强度；
M(t): 媒体负面报道强度；
G(t): 监管压力强度；
Event: 初始负面事件冲击强度；
ki​: 各影响关系的强度系数；
Response: 企业回应行动的强度/效果。

系统动力学、微分方程、反馈回路、存量流量、模拟。

动态性、策略性。语言如“声誉危机是一个动态系统，具有自增强的恶化回路和缓慢的修复回路”。

1. 模型构建：绘制危机演化的存量流量图，定义变量和关系方程。
2. 参数估计：基于历史案例或专家判断，设定 ki​和初始值。
3. 基准模拟：模拟在无额外干预下，危机自然演化的路径，记录声誉最低点和恢复时间。
4. 策略模拟：
a. 模拟“立即诚恳道歉并宣布整改”策略：在 t=1时注入一个大的 Response值。
b. 模拟“沉默并寻求法律解决”策略：Response=0持续一段时间。
c. 模拟“分阶段回应”策略：在不同时间点注入不同的 Response。
5. 策略选择：比较不同策略下的 R(t)曲线，选择最优策略。

声誉 R是一个存量，被“负面流量”（dR/dt<0）消耗，被“修复流量”（dR/dt>0）补充。媒体流量 M和公众情绪流量 P构成一个正反馈的“恶性循环流”，加剧声誉消耗。企业应对措施是向系统注入一个反向的“修复流”，试图打破或减弱恶性循环。

理论基础：危机传播、声誉管理。认知特征：理解危机的“雪球效应”和“长尾效应”，避免静态、线性的应对思维。利益特征：保护品牌无形资产，避免股价暴跌和客户流失。情感：管理公众的愤怒、失望、不信任等情绪流。

系统动力学模拟计算量小。但危机应对本身需要实时监测舆情，并发处理公众咨询和媒体问询。
CPU： 低。模拟运行。
内存： 低。
存储盘： 低。存储模型和模拟结果。
IO/网络： 中。危机时需要实时抓取和分析社交媒体数据。
队列： 用于处理海量的舆情监测数据和工单。

危机是虚拟的信任崩塌。但应对危机需要召开新闻发布会（物理空间）、投放公关广告（媒体渠道）、进行内部整改（组织时间），消耗大量真实资源。

B-0093

利益链

资源控制

空间经济学

霍特林模型 (Hotelling‘s Model) 空间竞争

1. 线性城市：假设消费者均匀分布在长度为 1的线性城市上，密度为 1。有两家企业 A和 B， 销售同质产品，边际成本为 c。企业选择位置 xA​和 xB​（0≤xA​≤xB​≤1）和价格 pA​,pB​。
2. 消费者选择：位于 x的消费者去企业 i购买的总成本为 $p_i + t

x - x_i

，其中t是单位距离的交通成本（或产品差异化程度）。消费者选择总成本最低的企业。<br>∗∗3.无价格竞争阶段（纯选址博弈）∗∗：假设价格相同且外生。则两企业会倾向于向中心靠拢，以获取更多消费者，形成“最小差异化原则”的均衡：x_A^* = x_B^* = 1/2。<br>∗∗4.价格与选址两阶段博弈∗∗：<br>a.第一阶段：企业同时选择位置x_A, x_B。<br>b.第二阶段：观察到位置后，同时选择价格p_A, p_B。<br>通过逆向归纳求解。在位置给定时，求解价格竞争的纳什均衡，得到p_A^(x_A, x_B), p_B^(x_A, x_B)。然后回代到第一阶段，企业选择位置最大化利润。均衡结果是∗∗最大差异化∗∗：x_A^=0, x_B^=1，以缓解价格竞争。<br>∗∗5.财团应用∗∗：若财团控制A和B，则可以协调其位置和价格，避免两败俱伤的价格战，实现联合利润最大化（如A和B$ 分别定位高端和低端市场）。

模型是高度简化的，但揭示了产品差异化（空间或特性）如何影响竞争强度。在更现实的多维特性空间中，分析变得复杂。

空间经济学， 博弈论（两阶段）， 产品差异化。

零售财团：分析旗下两个超市品牌或便利店的位置选择，避免直接竞争或协同覆盖市场。
互联网财团：分析旗下两款类似App（如视频平台）的内容差异化和定价策略。
汽车财团：旗下不同品牌车型的目标市场定位。特征：经典的产品差异化与竞争模型。

线性城市长度：1；
xA​,xB​: 企业A, B的位置；
pA​,pB​: 价格；
c: 边际成本；
t: 单位交通成本/差异化程度；
x: 消费者位置。

博弈论、优化、逆向归纳、位置决策、价格决策、均衡分析。

竞争性、定位性。语言如“企业既想靠近竞争对手争夺市场，又想远离以避免激烈价格战”。

1. 市场建模：确定产品特性空间（如价格-性能， 甜度-酸度）并将其映射到“线性城市”。估计消费者分布和“交通成本” t。
2. 竞争分析：
a. 如果财团不控制竞争对手，用霍特林模型预测竞争对手的可能定位和价格，为自身产品定位提供参考。
b. 如果财团控制多个品牌，求解协调后的最优定位 (xA​,xB​)和价格 (pA​,pB​)以最大化总利润，而非各自利润。
3. 策略制定：根据模型结果，决定新产品的特性组合、定价，或调整现有产品的定位。

在特性空间中，企业的“定位流”存在两种力量：向中心流动以获取更多客户（市场侵蚀力），和向边缘流动以获取垄断定价权（差异化逃避力）。在非合作博弈中，后一种力在价格竞争存在时占优，导致最大差异化均衡。财团协调可以主动设计“定位流”，实现战略卡位。

理论基础：产业组织、空间竞争。认知特征：用地理空间类比产品特性空间，直观理解差异化竞争。利益特征：指导产品线规划，避免内部蚕食，最大化覆盖市场并获取溢价。关系：刻画了品牌/产品间的市场边界关系。

B-0094

管理/经营

资源分配

优化理论

匈牙利算法 (分配问题)

1. 问题：有 n个任务和 n个代理（或机器），将每个任务分配给一个代理，每个代理只能做一个任务。完成任务 i由代理 j的成本为 cij​。目标是找到总成本最小的完美匹配。
2. 数学模型：
min∑i=1n​∑j=1n​cij​xij​
s.t. ∑j=1n​xij​=1,∀i（每个任务必须分配）
∑i=1n​xij​=1,∀j（每个代理必须被分配）
xij​∈{0,1}。
3. 匈牙利算法核心（Kuhn-Munkres算法）：
a. 行约减：每行减去该行最小值。
b. 列约减：每列减去该列最小值。
c. 用最少的线覆盖所有零：尝试用 n条线覆盖所有零。如果最少线数 =n， 找到最优分配（从零元素中选 n个不同行不同列的）。否则进入d。
d. 矩阵变换：在未被覆盖的元素中找最小值 m。未被覆盖的行减 m， 被覆盖的列加 m。返回c。
4. 复杂度：O(n3)。

算法可求得精确最优解。误差只可能来自成本矩阵 C的估计误差。

组合优化， 图论（二分图匹配）， 线性规划（分配问题是线性规划的特例）。

财团内部资源调度：将 n个研发项目分配给 n个最合适的团队；将高管派往不同的子公司任职。
广告位分配：将 n个广告分配给 n个时段/位置，最大化点击率或收入。
运输调度：将 n辆货车分配给 n条运输路线。特征：解决标准的一对一分派问题，效率高。

n: 任务/代理数量；
cij​: 将任务 i分配给代理 j的成本；
xij​: 0-1决策变量；
成本矩阵 C: n×n。

组合优化、图匹配、矩阵运算、线性规划、匈牙利算法。

分配性、最优化。语言如“寻找任务和代理之间的最佳一对一匹配，使总成本最低”。

1. 构建成本矩阵：评估每个任务-代理配对 (i,j)的成本 cij​， 形成矩阵 C。
2. 行约减：对每一行 i， 计算 rowMini​=minj​cij​， 令 cij​=cij​−rowMini​。
3. 列约减：对每一列 j， 计算 colMinj​=mini​cij​， 令 cij​=cij​−colMinj​。
4. 覆盖零：尝试用最少的水平或垂直线覆盖所有零元素。
5. 检查：如果最少线数 =n， 找到一组 n个独立的零（即不同行不同列），其位置 (i,j)即为最优分配，结束。
6. 矩阵变换：找到未被覆盖元素中的最小值 m。所有未被覆盖的行，其元素减 m；所有被覆盖的列，其元素加 m。返回步骤4。

最优匹配流从成本矩阵 C中“浮现”。算法通过迭代的行列约减，将成本流“归一化”和“浓缩”，逐渐凸显出潜在的零元素（低成本配对）。覆盖和变换步骤像是一个“搜索-精炼”的流，最终引导出 n个“零流”路径，它们互不冲突，构成了最低总成本的分配流。

理论基础：运筹学、指派问题。认知特征：将分派问题系统化、最优化。利益特征：最小化任务执行成本或最大化匹配效率，提升运营效益。关系：建立任务与代理之间临时的、一一对应的执行关系。

匈牙利算法复杂度 O(n3)， 对于大规模问题（n很大）计算量可观。通常用于离线调度。高并发实时匹配需求可能来自在线广告等场景。
CPU： 中高。O(n3)算法，n大时消耗大。
内存： 中。存储 n×n矩阵。
存储盘： 低。
IO/网络： 低。
队列： 可用于处理批量分配任务。

分配方案是虚拟的调度指令。指令执行涉及真实的人员调动、车辆派遣、广告上刊，占用物理空间、运输通道和时间窗口。

B-0095

监管/利益链

市场操纵

订单簿建模

订单流毒性模型与掠夺性算法交易

1. 订单流毒性：指那些在交易后价格更可能朝对流动性提供者（做市商）不利方向移动的订单流。有毒订单通常来自知情交易者。
2. 模型：定义在时间区间 Δt内，订单流的不平衡 OI=Vbuy​−Vsell​， 以及随后价格的变化 ΔP。订单流毒性 T可以用 ΔP对 OI的回归系数来度量，或更精细地，用“主动买入量 - 主动卖出量”来衡量。
3. 掠夺性算法：高频交易(HFT)公司通过以下步骤“捕食”大型机构投资者的订单：
a. 探测：在最优买卖价（top of book）附近挂出小额、快速撤销的订单，探测是否存在大额“冰山订单”。
b. 预警：一旦探测到大单，预测其未来方向。
c. 先行交易：抢在机构大单之前，在相同方向上下单，推动价格。
d. 获利了结：将头寸反向卖给正在执行大单的机构投资者，赚取价差。
4. 数学描述：机构投资者的目标执行量 Q， 剩余量 q(t)。其交易率通常遵循一个预设算法（如TWAP, VWAP）。掠夺性HFT预测机构订单流的未来路径 q^​(t+δ)和其对价格的冲击 I(q^​)。HFT的利润 ΠHFT​=∫[I(q^​(t))−I(q(t))]⋅v(t)dt， 其中 v(t)是HFT的交易速率。
5. 财团应用：大型财团的资产管理部门是掠夺目标；而其旗下的自营交易部门可能是掠夺者。监管关注此类行为对市场公平性的损害。

探测和预测模型的准确性决定了掠夺策略的成功率。市场微观结构复杂，存在反制策略（如更隐蔽的执行算法）。模型精度有限。

市场微观结构， 高频交易， 信号处理， 预测模型。

全球顶级对冲基金/投行财团：在股票、期货、外汇市场进行的高频统计套利和流动性捕食。
监管机构：监测和识别订单流毒性异常模式，打击市场操纵。特征：金融市场“军备竞赛”的最前沿，算法对抗算法。

OI: 订单流不平衡；
ΔP: 价格变化；
T: 订单流毒性度量；
Q: 机构目标交易量；
q(t): 剩余量；
q^​(t): 预测的剩余量；
I(⋅): 价格冲击函数；
v(t): HFT交易速率。

时间序列分析、回归、预测、信号处理、优化（HFT策略优化）、随机过程。

对抗性、微观性。语言如“通过分析订单簿的微小变化，探测大单踪迹，并抢先交易获利”。

1. 数据监控：实时处理全市场的逐笔交易和报价（tick）数据，重构订单簿。
2. 毒性计算：实时计算订单流不平衡 OI和短期价格变化，更新毒性指标 T。
3. 模式识别：使用机器学习模型（如LSTM）识别潜在的机构大单执行模式（冰山订单特征）。
4. 策略执行：
a. 一旦识别出潜在目标，启动探测订单。
b. 确认后，预测其未来交易路径 q^​(t)。
c. 执行抢单和反向平仓策略。
5. 风险管理：实时监控市场状态和自身头寸，控制风险。

信息流隐藏在订单流中。机构大单像“巨鲸”在水中游动，会产生“涟漪”（订单簿变化）。掠夺性算法是敏锐的“探测器”，捕捉这些涟漪，预测巨鲸的动向，并像“䲟鱼”一样提前游到巨鲸前方，攫取食物（价差）。这是一个基于信息不对称和速度优势的“寄生”或“捕食”流。

理论基础：市场微观结构、知情交易。认知特征：将市场视为由信息流和资金流驱动的复杂生态系统。利益特征：追求极短时间内的微小但确定的价差，积少成多。监管博弈：在合法与非法的灰色地带游走。

需要极低延迟（微秒级）的数据处理和决策，是计算资源的顶峰对决。
CPU/GPU/FPGA： 极高。需要专用硬件（FPGA）实现纳秒级延迟的策略逻辑。
内存： 高。存储订单簿和计算中间状态，需超低延迟内存。
存储盘： 中。用于记录交易和复盘。
IO/网络： 极致要求。需要直连交易所（co-location）、专用光纤、InfiniBand网络，追求物理距离最近、传输最快。
队列： 硬件层面的流水线和指令队列至关重要。

交易在交易所的数据中心内进行，物理距离（光缆长度）直接决定延迟。占用交易所机柜空间、频谱资源（无线微波传输）。时间是核心资源，1微秒领先即可能获利。

B-0096

营销/经营

消费者行为

心理学模型

前景理论 (Prospect Theory)

1. 核心思想：描述人们在风险决策中如何系统性地偏离期望效用理论。由卡尼曼和特沃斯基提出。
2. 四个关键要素：
a. 参照点依赖：人们根据相对于某个参照点（如现状、期望）的得失来评价结果，而非最终财富。价值函数 v(x)定义在损益 x上。
b. 损失厌恶：损失带来的痛苦大于等量收益带来的快乐，即 v(x)在 x<0时更陡峭。通常假设 $v‘(x)

_{x<0} = \lambda v‘(x)

_{x>0}，\lambda > 1（如\lambda=2）。<br>c.∗∗敏感性递减∗∗：价值函数在参照点附近最陡，远离参照点时变平缓。即v‘’(x) < 0forx>0，v‘’(x) > 0forx<0。常用幂函数形式：v(x) = \begin{cases} x^\alpha, & x \ge 0 \-\lambda (-x)^\alpha, & x < 0 \end{cases}，其中0<\alpha<1。<br>d.∗∗概率权重∗∗：人们会高估小概率事件，低估中高概率事件。用概率权重函数\pi(p)代替客观概率p，\pi(p)呈倒S形。<br>∗∗3.决策权重∗∗：对于前景(x_i, p_i)，其总价值为V = \sum_i \pi(p_i) v(x_i)。人们选择V更大的选项。<br>∗∗4.财团应用∗∗：设计营销方案（如“原价100，现价80”vs.“直降20”）、定价策略（分期付款让人感觉损失更小）、薪酬激励（奖金 vs. 罚款框架）时，利用前景理论原理影响消费者/员工决策。

前景理论是描述性模型，参数 (α,λ)因人、因情境而异。但提供了强大的定性预测框架，解释了许多期望效用理论无法解释的异象。

行为经济学， 决策理论， 心理学。

全球营销财团：设计促销、广告文案，利用框架效应和损失厌恶刺激购买。
金融财团：设计结构化理财产品，将高风险部分包装成“高概率获得小收益+低概率损失本金”，吸引散户。
薪酬设计：用年终奖而非加薪来提供激励（奖金是“获得”，加薪是新的参照点）。特征：将心理学原理系统化，用于预测和影响真实决策。

参照点: 决策评价的基准；
x: 相对于参照点的损益；
v(x): 价值函数；
α: 风险态度参数（敏感性递减）；
λ: 损失厌恶系数；
p: 客观概率；
π(p): 决策权重函数。

函数（价值函数、权重函数）、参数、求和、幂函数、行为偏差。

描述性、心理性。语言如“人们并非理性计算期望效用，而是根据参照点、以损失厌恶的方式评价得失，

B-0096

利益链/管理

血缘捆绑

社会网络+遗传算法

家族信托与代际财富传承的优化配置模型

1. 问题：家族财团核心成员希望通过信托、基金会等工具，在数代人间传承财富、控制权，并最小化税负、规避婚姻/债务风险，同时激励后代。
2. 建模：将家族成员视为节点，构成家族树 T。每个节点 i有年龄 ai​、风险偏好 ρi​、能力值 ci​。家族总财富 W需分配至 N个信托结构 Sk​中，每个信托有受益人集合 Bk​⊆T、分配规则 Rk​（如年龄触发、学业成就触发）、资产配置比例 xk​。
3. 目标函数：最大化期望的跨代效用折现和：
max{Sk​,Rk​,xk​}​∑t=0H​δt[∑i∈T​ui​(Wi,t​)−τt​⋅Taxt​−λ⋅Riskt​]。
其中 ui​是成员 i的效用函数，Wi,t​是其在 t期可支配财富，Taxt​是总税负，Riskt​是财富集中度风险，δ是代际折现因子。
4. 约束：
a. 控制权约束：核心创始人要求对关键资产（如集团控股公司）的投票权在 t年后仍不低于阈值 Vmin​。
b. 流动性约束：满足后代教育、生活等支出的现金流需求。
c. 法律合规：满足反洗钱、受益所有人披露等要求。
5. 求解：这是一个高维组合优化问题，可用遗传算法编码信托结构、规则和资产配置，在模拟的代际演化中评估适应度（目标函数），迭代寻找较优方案。

模型需要预测未来数十年税制、法律、家族成员情况，不确定性极高。优化结果对参数（δ, λ, 效用函数）敏感。更多是提供结构化思考框架。

遗产规划， 家族治理， 优化理论， 遗传算法， 跨期决策。

全球豪门家族（如洛克菲勒、罗斯柴尔德）：设计跨越数代、多法域的复杂信托结构。
亚洲新兴财团家族：在创始人年老时，规划企业控制权与财富的平稳传承。特征：结合金融、法律、税务和家族心理，是财富管理的顶级形态。

T: 家族树（成员集合及关系）；
W: 家族总财富；
Sk​: 第 k个信托/法律实体；
Bk​,Rk​,xk​: 信托的受益人、分配规则、资产配置；
ui​,Wi,t​: 成员效用和财富；
Taxt​,Riskt​: 税负和风险；
δ,λ: 折现因子和风险厌恶系数；
Vmin​: 最低控制权要求。

优化、跨期效用、遗传算法、树结构、约束、模拟。

传承性、结构性。语言如“通过优化信托结构和分配规则，在满足控制、流动、合规约束下，最大化家族跨代总效用”。

1. 家族图谱与偏好输入：绘制家族树，输入成员年龄、能力、风险偏好，及创始人的核心诉求（控制权、激励方式等）。
2. 设计变量编码：将可能的信托结构、分配规则、资产组合编码为遗传算法的染色体。
3. 适应度评估：对每个染色体（方案）：
a. 模拟未来 H年（如100年）的家族演化（出生、死亡、婚姻、能力变化）。
b. 根据规则 Rk​模拟财富分配流 Wi,t​。
c. 计算税负、风险，并评估控制权是否持续满足。
d. 计算目标函数值作为适应度。
4. 进化迭代：选择、交叉、变异，产生新一代方案，重复步骤3，直到收敛。
5. 输出与细化：输出高适应度的几个方案，由律师、税务师细化为可执行文件。

家族财富流 W被注入多个“信托管道” Sk​中。分配规则 Rk​和资产配置 xk​决定了这些管道如何向家族树 T的不同分支释放“现金流子流” Wi,t​。优化算法调整管道的结构和阀门，使得现金流子流在时间维度上平滑、在成员间平衡激励与保障、并最小程度漏损给外部（税收）。这是一个跨越百年的、受控的财富分流系统。

理论基础：代际转移理论、家族系统理论、财富管理。认知特征：以工程化思维处理感性的家族传承，追求系统化、长期化的解决方案。利益特征：保障家族财富的永续、控制权稳定和成员福祉，避免“富不过三代”。关系/情感：将血缘亲情、信任与期望，转化为冷冰冰但可靠的法律和金融契约。

模拟代际演化需要大量计算，但这是极低频的规划（可能一生几次）。无高并发需求。
CPU： 中高。遗传算法和长周期模拟。
内存： 中。存储家族树和方案数据。
存储盘： 中。存储家族档案和方案库。
IO/网络： 低。
队列： 用于管理遗传算法的并行评估任务。

信托是法律虚拟实体，但持有真实资产（股权、房产、金融产品）。方案的执行涉及跨国法律文件签署、资产过户，消耗巨大的法律、财务和时间资源。家族会议和沟通是重要的人际时间投入。

B-0097

营销/利益链

对外营销

文化维度+机器学习

跨文化广告符号适配与情感共鸣模型

1. 问题：同一广告创意在不同文化市场可能因符号、叙事、价值观差异而产生误解或抵触。需量化适配并自动调整。
2. 文化维度编码：对目标市场 m， 有其文化维度向量 cm​（如霍夫斯泰德六个维度）。对广告素材 A， 可提取多模态特征：视觉符号 V（颜色、人物关系、场景）、叙事主题 N、文案情感 S、音乐风格 M。每个特征可映射到文化维度上的“适配得分” fdim​(feature,cmdim​)， 例如，在个人主义维度高的市场，突出个人英雄的叙事得分高。
3. 情感预测：建立模型预测目标市场观众对广告 A的情感反应 Em​(A)（如愉悦、认同、厌恶）。可使用跨文化数据集训练的深度学习模型，输入为广告特征和 cm​。
4. 优化：给定原始广告 A0​， 希望生成适配版本 A‘以最大化情感共鸣：
maxA’​Em​(A’)−λ⋅d(A0​,A‘)。
其中 d是修改距离（保持品牌一致性）。通过调整可控特征（如替换个别符号、调整音乐、微调文案）进行搜索。
5. 自动化：结合生成式AI（如图像编辑、视频合成、文案生成），在约束下自动生成多个适配版本，供营销人员选择。

文化维度是宏观概括，个体差异大。情感预测模型的准确性受训练数据限制。自动化修改可能生硬，需人工审核。

跨文化传播， 符号学， 多模态机器学习， 生成式AI， 优化。

全球快消品/汽车品牌：为不同国家市场定制电视广告、平面广告。
流媒体平台：为不同地区用户定制电影预告片、剧集海报。
特征：将文化差异量化，并尝试用AI实现营销内容的自动化本土化适配。

m: 目标市场；
cm​: 市场 m的文化维度向量；
A: 广告素材，具多模态特征 V,N,S,M；
fdim​: 特征-文化维度适配函数；
Em​(A): 预测的情感反应；
d(A0​,A’): 修改距离；
λ: 一致性权重。

向量、优化、距离度量、机器学习预测、生成模型。

适配性、自动化。语言如“通过量化广告元素与目标市场文化维度的适配度，并利用AI调整元素以最大化情感共鸣，实现自动化跨文化营销”。

1. 市场分析：确定目标市场 m， 获取其文化维度数据 cm​。
2. 广告诊断：对原始广告 A0​进行多模态特征解析。
3. 情感预测：用模型预测 Em​(A0​)， 识别可能的文化冲突点（低分特征）。
4. 生成适配版本：
a. 定义可修改的特征维度（如人物服装、背景音乐、标语关键词）。
b. 使用生成式AI（如Diffusion模型、LLM）生成多个候选修改 A‘k​， 确保 d(A0​,A’k​)较小。
c. 对每个 A‘k​预测 Em​(A’k​)。
5. 选择与评估：选择 Em​最高且 d可接受的版本，进行小范围A/B测试，最终定稿。

原始广告创意流 A0​携带了源文化的编码。模型作为一个“文化转码器”，接收目标市场文化向量 cm​作为“目标解码规则”，分析出 A0​中不兼容的“信息流”成分。然后，通过可控生成，将这些成分流替换为与 cm​更共振的“信息流”，输出适配后的广告流 A‘m​。这是一个信息流的跨文化转码与优化过程。

理论基础：跨文化传播学、符号互动论。认知特征：承认文化是深层操作系统，营销信息是需要“本地化编译”的软件。利益特征：避免文化冒犯，提升广告在当地市场的接受度和效果，保护品牌价值。情感：旨在激发跨文化的共同情感（如家庭、成功、美丽）。

广告生成和情感预测需要运行大型多模态AI模型，计算密集。但广告制作非实时，可批量处理。高并发可能出现在为大量市场/人群生成个性化广告时。
CPU/GPU： 高。运行视觉、语音、语言大模型进行生成和预测。
内存： 高。加载多个大模型。
存储盘： 高。存储海量素材库和模型。
IO/网络： 中。读写素材和模型。
队列： 用于管理广告生成任务队列。