在金融中使用決策樹

決策樹是金融，哲學和決策分析在大學課程中。然而，儘管這些統計表徵在公司財務和經濟預測中起著不可或缺的作用，但許多學生和畢業生也無法理解其目的。

決策樹基礎知識

決策樹組織如下：一個人做出重大決定，例如資本項目或在兩個競爭性企業之間進行選擇。這些通常用決策節點描繪的決定是基於採取特定行動方案的預期結果。這樣的結果的一個例子就是“預計收入將增加500萬美元”。但是，由於最終節點指示的事件本質上是投機性的，因此Chance節點還指定了特定投影成果的可能性。

隨著潛在結果的列表，這些結果取決於先前事件，隨著複雜的決策變得更加動態，貝葉斯的概率必須實施模型以確定先驗概率。

決策樹分析中的二項式選項定價

決策樹分析通常應用於期權定價。例如，二項式選項定價模型使用離散概率來確定到期期間期權的值。最基本的二項式模型假定基礎資產的值將根據計算的概率在成熟日期的計算概率上升或下降歐洲選擇。

但是，情況變得更加複雜美國選擇，其中可以在任何時候行使選項，直到成熟為止。這二項式樹將考慮基礎資產價格可能需要隨著時間的時間的多種途徑。隨著二項式決策樹中的節點的數量增加，該模型最終會收斂到黑色 - choles公式。

儘管黑色choles公式提供了更容易的替代方案，即對決策樹的選項定價，但計算機軟件可以創建二項式帶有“無限”節點的選項定價模型。這種類型的計算通常提供更準確的定價信息，尤其是百慕大選項和支付股息的股票。

使用決策樹進行實際選項分析

評估真正的選擇，例如擴展選項和放棄選擇，必須使用決策樹的使用來完成，因為無法通過黑色choles公式確定其價值。實際選擇代表公司可能做出的實際決定，例如擴展還是合同操作。例如，一家石油和天然氣公司今天可以購買一塊土地，如果鑽井作業成功，它可以便宜地購買大量土地。如果鑽井不成功，公司將不會行使該選項，並且將毫無價值。由於實際選擇為公司項目提供了重要的價值，因此它們是資本預算決策不可或缺的一部分。

個人必須在項目啟動之前決定是否購買該期權。幸運的是，一旦確定了成功和失敗的概率，決策樹就可以幫助澄清期望值潛在的資本預算決策。公司經常接受最初看起來像是負面的淨現值（NPV）項目，但是一旦考慮了實際期權值，NPV實際上就會變得積極。

競爭項目的決策樹應用

同樣，決策樹也適用於業務運營。公司不斷就產品開發，人員配備，運營以及合併和收購等問題做出決定。通過決策樹組織所有考慮的替代方案，可以同時對這些想法進行系統的評估。

這並不是要使用決策樹來考慮每個微觀決策。但是決策樹確實提供了確定問題解決方案的一般框架，並管理重大決策的實現後果。例如，決策樹可以幫助管理人員確定僱用未能達到期望並且必須解僱的員工的預期財務影響。

用二項式樹的利率工具定價

儘管並非嚴格地是決策樹，但以類似的方式構造了二項式樹，用於確定波動/不確定變量的影響的類似目的。利率的上下移動對固定收益證券和利率的價格產生了重大影響衍生物。二項樹木讓投資者準確地評估了嵌入式通話和提出規定利用關於未來利率的不確定性。

由於黑色choles模型不適用於評估債券和基於利率的期權，因此二項式模型是理想的選擇。企業項目通常被認為是考慮各種經濟可能替代狀態的決策樹。同樣，債券的價值，利率地板和帽子，利率掉期，可以通過分析不同利率環境的影響來確定其他類型的投資工具。

決策樹和公司分析

決策樹讓個人探索可能會對他們的決策產生重大影響的範圍。在播放數百萬美元的超級碗廣告之前，一家公司旨在確定其不同的結果營銷活動。各種問題會影響支出的最終成功或失敗，例如商業上的吸引力，經濟前景，產品質量以及競爭對手的廣告。一旦確定了這些變量的影響並分配了相應的概率，公司就可以正式決定是否運行AD。

決策樹的局限

一個主要的缺點是它們變得過於復雜，尤其是在處理大量變量和可能的結果時。上面的“公司分析”示例顯然是這種情況。隨著分支機構的數量的增加，這可能導致所謂的“維度詛咒”，這意味著太多的信息可能會使決策過於復雜。

另一個限制是依賴主觀概率估計。許多財務場景，例如預測市場變動或估算默認風險，涉及基於歷史數據或專家判斷的概率。這不僅可以實現或成為可靠的功能；例如，過去衰退的原因可能不一定表明未來的衰退。

決策樹也很難處理相關變量，這些變量在金融中很常見。例如，諸如利率之類的東西，通貨膨脹，股價通常會互相影響。標準決策樹模型並未固有地解釋這些相互依存關係，可能導致結論過於簡單。

最後，決策樹可能無法有效捕獲變量之間的連續財務數據或非線性關係。金融市場經常表現出複雜的模式，這些模式使用高級統計方法或機器學習方法（如神經網絡）進行了更好的建模。例如，嘗試分配信用風險，可能有太多相互聯繫的變量彼此依賴，無法在樹分析結構中有用。

修剪決策樹以進行財務分析

在決策樹上修剪是通過刪除沒有顯著貢獻決策的分支來完善模型的主要方法。通過修剪不必要的分支，決策樹變得更加精簡，提高了其在現實世界的情況。

修剪有兩種主要類型：預固化和後腹部。預先修復（也稱為早期停止）涉及在樹木建造過程中設置約束。例如，您可以限制樹的最大深度，或者每次拆分需要最少數量的數據點。首先，這可以防止模型變得過大。

封閉後涉及完全種植樹，然後系統地刪除不會增加實質性預測價值的分支。這通常是使用驗證數據完成的，以確定可以在保持準確性的同時消除哪些分支。並不是說這個後期階段是您最有可能過度貼上數據的風險。

通常用於決策樹分析的軟件工具

財務分析師可以使用不同的軟件工具來構建和分析決策樹。Microsoft Excel是使用最廣泛的工具之一，特別是用於基本決策樹建模。分析師可以使用Excel的內置功能手動構建決策樹，也可以使用XLMINER（例如XLMINER）進行更高級的分析。

對於更複雜的決策樹分析，R是一個流行的選擇。 R中的RPART軟件包允許您使用機器學習技術構建，修剪和優化決策樹。 R通常具有更好的處理大型數據集並執行更複雜的計算的能力。 Python，尤其是Scikit-Learn庫，是另一種選擇。 Scikit-Learn允許您實現決策樹分類器和回歸器。通常也可以將其與其他財務建模工具集成在一起。

除了通用編程語言外，專門的財務建模軟件，例如Palantir，SAS和MATLAB還提供決策樹分析功能。這些類型的工具可能更適合需要進行更多強大的分析，還可以對公司的核心進行分析（即公司分析或承保）進行分析。

底線

這些示例提供了典型評估的概述，可以從利用決策樹中受益。一旦確定了所有重要變量，這些決策樹就會變得非常複雜。但是，這些儀器通常是必不可少的工具投資分析或管理決策過程。