股票ahp得分是什么意思

1. 股票ahp得分是什么意思

股票AHP得分是该指股票投资价值的分数。股票AHP是通过分析辅助判断客户满意度评价的研究，对股票价值进行投资策略研究，然后进行评价、总结，供更多客户参考，进行理性投资。通过股票ahp得分，更容易对股票做出分析，比较适合对股市新手。一、AHP介绍层次分析法(AHP)是将一个复杂的多目标决策问题视为一个系统，将目标分解为多个目标或准则，再将其分解为多个指标(或准则和约束)的几个层次，通过定性指标的模糊定量方法计算各层次的单项排序(权重)和总排序的系统方法，被视为优化目标(多指标)和多方案决策的系统方法。通过层次分析法，将决策问题按照总目标、各层子目标、评价标准和具体备选方案的顺序分解成不同的层次结构。然后，通过求解判断矩阵的特征向量，得到每一级的每个元素对前一级元素的优先级权重。最后，通过加权求和的方法将各备选方案对总目标的最终权重进行分层合并，最终权重最大的方案即为最优方案。二、股票股票是上市公司为了更好的发展向公众募集资金的一种相当于货币的虚拟产品。股票具有筹资成本低、流动性高、无回报日期的特点，充分调动了民间资本，在一定程度上促进了经济发展。就像商品一样，股票的价格有高有低，数量有多有少，具体价格取决于上级公司和证监会的最终决定。但购买股票取决于公司的前景，公司前景不好也不要低价买。在股票交易中，可以通过高卖低吸，低买高卖，或者阅读神牛快报来进行理性的购买。综上所述，股票AHP得分可以反映出大多数人对该股票的期许度，是作为是否购买该股的一个重要因素。

2. 股票ahp得分高好还是低好

股票ahp得分高好，
因为AHP层次分析法是一种定性和定量的计算权重的研究方法，当ahp越高，收益相对越多，ahp越低收益则越低。

3. AHP层次分析法解决用户价值评估

 @Author : Runsen
   现在互联网都有得到用户，那用户到底有没有价值需要评估。
   通过各种指标来给用户综合打分，每个用户最后会得到一个分值，分值越高，说明用户的价值越高。这是一个总的目标，一个用户可以创造的价值由两部分决定：创造价值的能力和创造价值的意愿，前者是能不能的问题、后者是愿不愿意的问题。定了两个主线以后再次进行目标拆解，根据业务经验分别找到那些能够判断用户创造价值的能力和意愿的指标，然后给不同的指标赋予不同的权重/分值，最后将各指标的权重/分值相加就是用户最后的总得分。
   上面的这个过程有两个关键步骤，一个是 选择合适的指标 ，另一个是 给不同的指标赋予不同的权重 ，关于指标的选取，这个根据业务经验直接拍脑袋就可以，但是这个不同指标的权重问题，可能直接拍脑袋就不是太好了，当然了，也不是不可以。不过，做数据是一个严谨的工作（咳咳咳），还是希望能够找到一套理论来代替拍脑袋，所以就在网上找啊找，终于找到了今天的主角，就是AHP。
   先来看看比较官方的解释：
   是不是有点看不太明白，我来说几句大白话让你理解理解。让我们与前言里面的内容对应一下，AHP其实就是一种 把复杂问题 通过定性（人为去判断各指标之间的重要性）与定量（再通过计算判断矩阵求出各指标权重）的方法进行 拆解成若干个小问题以及小指标的问题，并能够计算出各个小问题以及小指标对整个大目标的影响程度。 
   
                                           
   知道了AHP是什么以后，我们来具体看看AHP的一个具体流程。
   就是首先你要确定你要解决什么问题，我们这里就是要构建用户价值模型，希望通过这个模型看出每个用户的一个价值，然后依据价值不同给与不同的运营策略。
   将搭建用户价值模型这个总目标拆解成用户购买忠诚度以及用户消费能力两部分，然后再对这两部分进行指标拆解，就是上面图表中看到的各指标。
   所谓的判断矩阵就是将任意两指标进行对比得出一个重要性结果，然后将这个结果以矩阵的形式进行呈现，其中重要程度差别等级如下：
   数值越大，表示前者比后者越重要;指标A和指标B判断结果与指标B与指标A和指标B判断结果互为倒数，即当指标A比指标B的重要程度是3的时候，那么指标B比指标A的重要程度就是3的倒数，即1/3。
   不知道你有没有注意到，其实上面的这种方法也有一定的主观判断（拍脑袋），比如两指标之间的稍微重要，明显重要，极其重要也是需要你人为去指定的，你可能会疑问，既然都是拍脑袋，那还要这个干啥，直接拍脑袋不久得了，还搞这么复杂干嘛，哈哈哈，关于好处接下来会讲到。
   判断矩阵A构造出来了，我们就可以开始计算各指标对目标问题的影响程度（即各指标的权重值）。
   一个例子如下图所示
                                           注意：这里的归一化只是把每一列的值的和当作1，然后计算每一个值在1中的占比。
   上述步骤中归一化后得到的矩阵w就是各个指标的权重情况，这个权重是根据我们主观上构造的判断矩阵的出来的，但是这个权重是否准确，还是有待确定的，为什么要去确定呢，因为判断矩阵很有可能得出的相互矛盾的结论，比如 说A指标重要性大于B指标，B指标重要性大于C指标，但是A指标重要性又小于C指标重要性，这种互相矛盾的结论。 AHP就可以避免这种矛盾的发生。这里需要引入AHP中的另一个概念一致性检验，用来判断矩阵是否一致。
                                           如果一致性比率符合使用条件，则可以直接使用计算出的各指标的权重值，如果不符合，则需要重新构造判断矩阵。
   就是对单一层次计算权重情况，比如用户价值模型总目标的下一层就是用户忠诚程度和用户消费能力的权重情况。 用户忠诚程度:用户消费能力=0.67:0.33 。而用户忠诚程度和用户消费能力的下一层就是各个更加细致的指标。
   层次总排序就是将各个层次的权重值相乘，最后就得到了各个指标的权重情况，就是层次总排序。
   还是以前面说到用户价值模型为例，走一遍完整的流程。这里我们计算用户忠诚度的AHP，因为只有三个指标及以上才会出现那种互相矛盾的情况，两个指标是不会出现的，两个指标的话直接人为指定权重占比就可以。
   将判断矩阵的每一列进行归一化得出下方的矩阵：
   对归一化后的矩阵的每一行进行求和运算：
   将上述求和的得到的矩阵再次进行归一化得到矩阵w：
   该矩阵就表示了各指标的权重情况，最近购买间隔占比占比为0.11，购买频率占比0.64，购买商品种类占比0.24。
   计算最大特征根:   在计算最大特征根我们需要先计算Aw值，Aw计算是将判断矩阵A与归一化得到的矩阵w相乘（公众号不支持公式，很烦），最后得到Aw值：
   再进行计算最大特征根： 1/3*(0.33/0.11+1.98/0.67+0.66/0.22)=3 
   计算一致性指标CI: (3-3)/(3-1)=0    根据指标数量n选择指标RI：这里n=3,所以RI=0.58
   计算一致性比率CR=CI/RI=0<0.1符合，所以用户忠诚度的各指标权重值w矩阵可用。
   因为总目标只拆解成了两个小问题，所以这里直接人为指定权重即可(用户忠诚度:用户消费能力=0.67:0.33)，不需要进行一致性检验。
   用户忠诚度拆解的指标有三个，需要进行一致性检验，且经过检验后符合CR<0.1的条件，所以用户忠诚度指标中各指标权重为：最近购买间隔占比占比为0.11，购买频率占比0.64，购买商品种类占比0.24。
   用户消费能力拆解的指标也只有两个，直接人为指定权重即可。
   最后将各层次的权重相乘就是每个指标的权重占比。
                                           最后将每个指标 缩小到0-10的范围 （不一定缩小到0-10，但是必须把每个指标缩小到相同大小范围内），然后乘各指标所占权重，最后相加，就是每个用户的总价值得分。

4. 主成分分析和层次分析法的区别和联系

主成分分析法和层次分析法异同
1.基于相关性分析的指标筛选原理
两个指标之间的相关系数，反映了两个指标之间的相关性。相关系数越大，两个指标反映的信息相关性就越高。而为了使评价指标体系简洁有效，就需要避免指标反映信息重复。通过计算同一准则层中各个评价指标之间的相关系数，删除相关系数较大的指标，避免了评价指标所反映的信息重复。通过相关性分析，简化了指标体系，保证了指标体系的简洁有效。
2.基于主成分分析的指标筛选原理
（1）因子载荷的原理
通过对剩余多个指标进行主成分分析，得到每个指标的因子载荷。因子载荷的绝对值小于等于1，而绝对值越是趋向于1，指标对评价结果越重要。
（2）基于主成分分析的指标筛选原理
因子载荷反映指标对评价结果的影响程度，因子载荷绝对值越大表示指标对评价结果越重要，越应该保留；反之，越应该删除。通过对相关性分析筛选后的指标进行主成分分析，得到每个指标的因子载荷，从而删除因子载荷小的指标，保证筛选出重要的指标。
3.相关性分析和主成分分析相同点
一是，基于相关性分析的指标筛选和基于主成分分析的指标筛选，均是在准则层内进行指标的筛选处理，准则层之间不进行筛选。这种做法的原因是，通过人为地划分不同准则层，反映评价事物不同层面的状况，避免误删反应信息不同的重要指标。
二是，基于相关性分析的指标筛选和基于主成分分析的指标筛选的思路，均是筛选出少量具有代表性的指标。
4.相关性分析和主成分分析不同点
一是，两次筛选的目的不同：基于相关性分析的指标筛选的目的是删除反应信息冗余的评价指标。基于主成分分析的指标筛选的目的是删除对评价结果影响较小的评价指标。
二是，两次筛选的作用不同：基于相关性分析的指标筛选的作用是保证蹄选出的评价指标体系简洁明快。基于主成分分析的指标简选的目的是筛选出重要的指标。

5. 信用评分和信用评级之间是不是有本质的区别？

评分是打分制，评级是将分数映射到了级别（一般1-9级）。你第一部分说的“而我国由于数据系统不健全，更多是用专家判断法选取指标。”我估计你是看书看到建模或评分卡的部分的吧。在数据不够的情况下，很多时候都是专家打分法，通俗说就是一堆专家坐一起，有个指标体系，每个人给指标赋权重，例如对于资产负债率指标，认为重要性是多少，啪啪打分。当然每个人的认知是不同的，所以一个指标有不同得分。然后做AHP，拟合出一个各指标的权重。就这样相当于弄了一打分卡出来了。然后对各个样本去打分，再去跟外评映射（因为都习惯了看外评的级别，心里对A和B感受直观些），内评一般就这么建出来了。而在数据相对完整的情况下，就去做基于数据的数据分析和数学建模了。换句话说，指标的系数不再是拟合专家的意思，而是拟合的真实风险特征。效果会好些。只不过也面临很多问题，例如数据基础处理和准备，样本设计，就要花上一半时间，然后需要去分析指标与违约的关系、贡献度和共线性什么的，删删减减改改，最后上模型训练，再根据测试样本检验一下，最后就可以上时间组外验证。同时，这个给出来的也是个数值，只不过是预测企业发生风险的可能性，也就是PD，这个PD也还是要映射到主标尺上给出级别。当然，主标尺的设计同样会参考外评的。

6. 信用评分与信用评级之间是不是有本质的区别

关于信用的问题是很让人头疼的，原因之一在于：信用概念界定的难度，这由此直接导致信用评分和信用评级是否有区别。
先说信用的概念，再说信用与信用评价、信用评级之间的关系。
信用在通常的意义上多指经济领域内的借货信用， 有各种定义。综合起来看，本人把它定义为：信用是遵守承诺，履行诺言的一种行为。这是一个更一般化的信用定义。它描述了有关主体的信用行为发生的状态，发生了，我们可以说主体有信用，否则没有。而这个说主体有信用是什么意思呢，其实就是做了一个定性化的评价。
这个定性化的评价，就是针对于主体的信用评价。评价结果的表现形式是可以是一个量化值：评分，也是可以只是一个定性值：讲信用，有信用，守信用。
针对于一个特定的主体A，对其的进行信用评价的人，只要与之产生信用往来即可。为此，不同的评价人会给出不同的评价结果，这个结果如果是量化值，通常表现为打分。如专家打分，买家打分等。
采用专家打分来量化主体信用时，往往不能直接进行等同。因为，不同人的打分受自身知识背景影响，存在偏差，需要进行修正。利用一个信用评价模型将打分转化为主体的信用分后，所得到的结果，可以称之为信用评分。为此，有多少人打分，就可以形成多少个评分。注意到，这里的评分是经过模型计算的得到的分。模型计算的意义在于，标准化不同风格的评分。

同一主体获得了不同的评分后，我们进行一步进行集结，可以集结出一个值来：信誉值。注意到， 不是信用值。信誉是主体在多方面的信用行为表现所获得一种社会声誉。它是纯粹的定性的抽象之物：用一个精确的值来体现主体信誉是没有意义的，为此信誉常用等级来作定性的划分。这个划分过程就是信用评级。评级的结果往往是一个定性符号表示，用以区分不同主体的信誉。

综述上所述，信用评分与信用评级有没有本质区别呢？
我的回答是，没有本质区别，但所表达的精度不同。理由在于，信用评分是对主体信用进行量化的表达，信用评级是对主体的信用进行定性的表达。都以对主体信用状况进行评价为依归，只是表现方式不同而已。为此，二者在本质上没有区别。正如，当说一个人72岁时，另一个说，他是老年人一样，都是在说一个人的年龄状况。

7. 层次分析法AHP处理多份调查问卷的数据

你的问卷应该是和判断矩阵对应的。然后，可以先使用多数表决的方法，来确定大的比较趋势，然后，再用这部分得分取均值，来最终确定得分。注意做一致性检验。另外，数据处理的方法有很多种，只要你能解释通，就可以。

8. AHP层次分析法在规划设计行业中都有哪些应用？

当我们的规划设计方案提交给甲方的时候，你一定收到过这样的修改建议或答复：“ 我觉得 这个方案设计的不行，你们应该如何如何……”
  
 规范化的内容还好说，你可以向其丢出一本国家规范：“看，国家是这样要求的，我不能按你说的那样修改”。但是，如果是创意的内容或模棱两可的内容呢？这时候，我们就说不清了，你可以跟他说根据我们的从业经验，这样是比较好的做法。但他往往会反驳道：“不不不，这个地方我比你们熟悉的多，你们才来待了几天啊……”
  
 于是很多时候，我们无奈的做多个比选方案，甚至自己也弄不清楚到底哪个好了，最后让客户来进行最终的选择。
  
 一、为什么我们说服不了自己？说服不了甲方
  
 规划设计是一个比较复杂的过程，方案比选其实也是其很重要的一个研究方法。但是，当你的客户执拗的认为你科学的设计并“不好”而去选择了一个比较差劲的方案的时候，我们应该如何说服他呢？
  
 我们看下面这两种描述方式：
                                          
 左边定性的描述总结了当前一年的销售情况，并对来年的预期做出一个不好的评价。但如果听报告的人对销售的具体细节不了解的话，他可能心里会有疑问：销售情况不好？我感觉还可以啊，你们是不是在忽悠我？
  
 但是如果你给他看右侧定量的描述，比如绘制一张带有数据的图表，则他会非常直观的感受到来年的销售压力，感受到今年的成绩确实非常烂。他的关注点会放到怎么止损，怎么提高销售成绩上，而不是怀疑你的观点。
  
 切换到规划设计的场景，其实原理是一样的。我们为什么不能说服自己说服别人这个方案好呢？因为我们总结不出这样的定量指标，或者我们提到的指标难以来衡量我们的方案优劣。
  
 “我很好，我是很棒的规划设计师！我做的方案非常好！非常好啊非常好，真的真的非常好！”这种话说多了，其实自己都会越来越没底气。为什么好？我们得换一种思路来讲出来。
  
 二、什么是AHP层次分析法
  
 层次分析法（The analytic hierarchy process）简称AHP，在20世纪70年代中期由美国运筹学家托马斯·塞蒂（T.L.saaty）正式提出。它是一种定性和定量相结合的、系统化、层次化的分析方法。由于它在处理复杂的决策问题上的实用性和有效性，很快在世界范围得到重视。它的应用已遍及经济计划和管理、能源政策和分配、行为科学、军事指挥、运输、农业、教育、人才、医疗和环境等领域。具体介绍可以参考这篇百科： https://wiki.mbalib.com/wiki/AHP 
  
 例如，客户纠结于某道路行道树树种的选择，我们经过初步筛选，可以确定当地本土树种中有6种行道树比较适合在此地种植。但是在决定采用哪一种（或两种）树种时，往往不是直接拿树种的整体进行比较，因为存在许多不可比的因素，而是选取一些中间指标进行考察。例如行道树的遮阴效果、价格、树形美观度、植株高度、生长速度、维护成本、是否落叶/飞絮/有特殊气味等。然后再考虑各类树种在上述各中间标准下的优劣排序。借助这种排序，最终作出决策。在决策时，由于6种树种对于每个中间标准的优劣排序一般是不一致的，因此，决策者首先要对这7个标准的重要度作一个估计，给出一种排序，然后把6种树种分别对每一个标准的排序权重找出来，最后把这些信息数据综合，得到针对总目标的排序权重。有了这个权重向量，经过一些计算，决策就很容易了。
                                                                                  
 《AHP事例集》中的一个案例
  
 当我们把这份研究分析的报告呈现给客户的时候，他即便是心里并不太喜欢这一种树，但是看到分析过程合理，并无不妥之处，他也就会放弃自己的想法，慢慢接受你的观点。否则你得到的结果就是：“不行，我觉得那个树不好，我们还是种XX吧。”
  
 三、AHP的具体计算方法
  
 （一）原理：
  
  https://wenku.baidu.com/view/7906bbcd89eb172ded63b732.html 
  
  https://blog.csdn.net/mmm_jsw/article/details/84863416 
  
 （二）在线计算工具：
  
 微思矩阵一致性检验工具  https://wis-ai.com/tools/ahp 
  
 四、AHP在规划设计中的应用
  
 本部分给大家列举了一些应用场景，具体细节可以查看我给出的参考文章。但是需要说明的是，这些参考文章我并未一一核验，有些文章的可读性、代表性可能并不好，如果碰到自己感兴趣的领域，可以再从网上搜一下相关的文献资料即可。
  
 （一）规划设计方案评价
  
 规划做完了，到底做的好不好？找专家进行打分评价。可以利用AHP辅助决策。比如下面这篇文章：
  
 刘佳铭，基于层次分析法的合肥交通规划评价分析
  
  http://www.doc88.com/p-1778502065599.html 
  
 孙必春，基于层次分析法评价房地产项目规划设计方案
  
  http://www.doc88.com/p-1364668837242.html 
  
 许娟，贺鹏飞，层次分析法在城市街道景观设计中的应用——以西安小寨东西路街景规划设计为例
  
  http://jz.docin.com/p-686861016.html 
  
 （二）项目风险评价
  
 比如老板要搞点投资，看中了几个项目。那到底投哪个风险小回报大呢？可以借助AHP来辅助决策。比如下面的这几篇文章：
  
 陈亚军，基于层次分析法的房地产项目风险评价
  
  http://www.doc88.com/p-3107631715700.html 
  
 夏金华，基于模糊层次分析法的保险资金股票投资风险评价研究
  
  http://www.doc88.com/p-9136705754208.html 
  
 （三）项目选址评价
  
 这个是比较常见的一个应用了，很多时候，我们的选址更多的是自己的感觉，或者是借助辐射半径来简单布局，借助GIS工具和AHP，可以让我们的选址工作变得科学、简单起来。以下文章可以参考：
  
 张琳，黄黎平，叶芬芳，基于模糊层次分析法的港口选址评价
  
  http://www.doc88.com/p-7952437929319.html 
  
 李磊跃，杨远程，利用层次分析法构建新区选址评价模型
  
  http://www.docin.com/p-1018862229.html 
  
 刘李霞，毕华兴，孔宪娟... 基于改进层次分析法的GIS公共服务设施选址
  
  https://www.ixueshu.com/document/0134f7feb925d9e5318947a18e7f9386.html 
  
 （四）生态环境评价
  
 景区开发、生态开发过程中，应该重点保护哪些内容？哪些因素的敏感度较高，不能触及？借助AHP分析，可以帮我们实事求是，因地制宜的针对性保护开发。以下文章可以参考：
  
 胡晓寒，党志良，马飞... 层次分析法在水库景区规划中的应用
  
  https://www.ixueshu.com/document/06e71b4b7f9590a1.html 
  
 周家艳，李冰，黄夏银... 基于层次分析法的生态敏感海岛开发决策研究——以江苏沿海地区发展规划环评为例
  
  http://www.doc88.com/p-6993726779746.html 
  
 （五）土地适宜性评价
  
 哪些土地适合建设？土地集约利用的评价如何？哪些土地对某研究对象有相关影响？结合GIS，都可以通过图层的加权叠加而轻松实现。
  
 鲍艳，胡振琪，王建峰... 层次分析法在土地开发中的适宜性评价
  
  https://wenku.baidu.com/view/3d72fdd9a58da0116c174965?pu=usm@1,sz@1320_2001,ta@iphone_1_9.2_3_601 
  
 尚天成，高彬彬，李翔鹏... 基于层次分析法和熵权法的城市土地集约利用评价
  
  http://www.doc88.com/p-0179370568957.html 
  
 王娟，陈天，胡一可，高校用地对风景名胜区边缘地带影响范围研究——基于GIS和层次分析法以岳麓山风景名胜区为例
  
  https://www.ixueshu.com/document/f52c5c21fcb54f6b7d721b29bfac1625.html 
  
 （六）旧城改造/棚户区改造决策
  
 旧城改造应该重点突出哪些功能？哪些地区该拆哪些地区不该拆？
  
 刘学，层次分析法在旧城改建规划中的应用
  
  http://www.doc88.com/p-74188117413.html 
  
 （七）历史建筑保护与修复
  
 董征，合理确定历史建筑保护与修复措施的方法──层次分析法与里格尔历史建筑价值论相结合的确定方法
  
  http://www.doc88.com/p-9009566567340.html 
  
 （八）政府决策
  
 某市共有5个比较有特色的小镇，省里一共就给一个特色小镇扶植指标，该选谁啊？
  
 某区共有6个村庄拟搬迁合并，顺序如何？
  
 随着产业的转型升级，某市未来核心主导产业如何选择？
  
 政府采购项目、招投标项目的评估评价。
  
 ……
  
 五、AHP的局限性
  
  当然，AHP并不是万能的。 
  
 第一，AHP只能帮你决策，但不能帮你创新。它只能评价你给出的选项哪个更好，但提不出新的建议。
  
 第二，考虑因素的设置很重要，但是没有固定的法则。如果这些因素设置的不合理，那结果也就不合理。
  
 第三，考虑因素的权值是主观的，需要采取专家经验。虽然看上去有了定量计算的过程，但本质上还是主观的。在使用ahp方法的时候，尽可能的咨询和征求专家意见，而不要闷头自己来决定。另外，矩阵的一致性检验必须要做。否则很容易得出错误结论。
  
 第四，因为需要计算矩阵，当考虑因素多，选择方案多的时候，计算量大，而且计算过程中，可能会有误差。