A. 金融模型——多因子模型歸因
本文主要詳細介紹怎麼使用多因子模型對組合資產進行歸因分析，歸因分析的內容為收益歸因和風險歸因。
上圖列出了由馬克維茨均值方差理論引出的三條路，其一為資產配置，我們本文不涉及，其二為資本資產定價（CAMP)的一條路，其三為套利定價理論（APT）的第三條路。第二條路和第三條路為本文討論重點。
第二條和第三條路都是屬於多因子分析的范疇，第二條路是知道因子收益的時間序列，通過時間序列上的回歸去求因子暴露，為的是解釋個券收益的組成部分。第三條路是知道截面因子暴露去回歸截面上的因子收益，為的是挖掘有效因子，找到這個因子帶來的超額收益。
使用多因子模型進行投資組合的歸因分析，也主要包括基於凈值的歸因方法和基於持倉的歸因方法兩大類。基於凈值的歸因方法是走的第二條路，比較簡單。基於持倉的歸因方法走的是第三條路，比較復雜。
兩者的區別主要表現在三個方面：
1、基於凈值的歸因方法是時間序列回歸，基於持倉的歸因方法是截面回歸；
2、基於凈值的歸因方法主要來自CAMP（資本資產定價）模型，基於持倉的歸因方法主要來自APT（套利定價）理論。
3、基於凈值的歸因方法要求比較簡單，數據較少且較容易獲取，僅需要組合的凈值數據以及因子收益序列即可進行分析。而基於持倉的歸因方法需要知道具體的組合權重、個股因子暴露等數據，來確定組合的因子暴露。
下面詳細介紹兩大類方法。
在介紹兩個方法前，我們下面給出項目的框架如下圖：
基於凈值的歸因方法，邏輯上很簡單，它來自資本資產定價模型，用所有因子收益的時間序列去回歸組合收益的時間序列。這樣做的目的是，是把組合的收益分解在各個特定的因子上，認為組合或者個股的收益都可以被給定的特定因子收益加個股特質收益來解釋，解釋不了的部分直接扔給殘差。這里要特別注意，此時特定因子收益在一個時間截面上是一個常數，對多所有股票都一樣，這與另一種方法基於持倉的歸因方法有本質的區別。
基於這種方法，人們開發出的模型很多，如下：
1、Fama-French三因子模型
2、Carhart四因子
在 FF 三因子模型的基礎上，引入動量因子 UMD (高收益率股票組合與低收益率股票組合 收益率之差)
3、Fama五因子模型如下：
我們這里以Fama五因子模型為例，詳細介紹這種方法的實現。
Fama五因子模型如下：
因為本文主要是項目實施前的參考文檔，所以在此不介紹Fama五因子模型怎麼得來的。只需要知道Fama五因子模型是上面公式。
其中，
表示資產 i 在時間 t 的收益率，
表示時間 t 的無風險收益率，
表示時間 t 的市場收益率，
即為時間 t 的風險溢價，
為時間 t 的市值因子的模擬組合收 益率(Small minus Big)，
為時間 t 的賬面市值比因子的模擬組合收益率(High minus Low)，
為時間 t 的盈利因子的模擬組合收益率(Robust minus Weak)，
為時間 t 的投資因子的模擬組合收益率(Conservative minus Aggressive)，
為經過正交化 調整的估值因子模擬組合收益率，其餘各變數含義與三因子模型相同。
均為回歸待擬合系數，𝜖_{𝑖𝑡} 為殘差項。
有了模型，下面我們具體去實現。
我們遵循機器學習項目的步驟，將Fama五因子模型歸因分析的實現，歸結為以下流程。
數據准備>>數據預處理>>構造Fama五因子>>數據分析>>回歸分析>>歸因分析
(1) 股票池:全A股，在每個時刻t均剔除ST、PT股票，剔除停牌及上市未滿一個月的股票，剔除 BP 值為負的股票;
(2) 時間參數:2010年1月至2018年1月;
(3) 因子對應指標:
a) 市場因子指標:上證 指數;
b) 規模因子指標:總市值 = 每股股價 × 發行總股數;
c) 估值因子指標:賬面市值比 BP，即市凈率的倒數;
d) 盈利因子指標:扣除非經常性損益、攤薄的 ROE;
e) 投資因子指標:當期總資產相對上期總資產變化率;
f) 無風險利率設為零，個股收益率用 Wind 後復權收盤價核算;
g) 以自然月為頻率，計算因子值並重新分層計算對應五因子收益率。
1、所有數據按同一時間，同一股票對齊，注意這里的財報指標相關的時間要使用財報公布時間不能使用財報報告期。
2、第一步產生的NA值，用前一個值去填充（因為這里回歸的方式是時間序列回歸）。
Fama 和 French(2015)原始的方法，是沿著某兩個因子維度將股票分成 2x3=6 個組合(圖表 2，3)。在這 2 個因子維度中，其中一個固定為規模，按照中位數分為兩層， 另外一個為 BP、盈利或者投資因子，按照 30%，70%分位數分成 3 層(圖表 3)。這樣， 我們將得到 3 個 2x3 的股票資產組合(規模與 BP 兩維度分組、規模與盈利兩維度分組、 規模與投資兩維度分組)。
因子的構造方法以及計算細節見下面表 1 和 2。在圖表 2 中，我 們用 2 個字母來標記股票的分組，第一個字母表示規模大(B)或小(S)，第二個字母在 BP 分層中，表示 BP 高(H)、中(N)、低(L);在盈利分組中表示強(R)、中(N)、弱(W);在投資 分組中，表示投資保守(C)、中(N)或者強(A)。
表1
表2
最後我們得到除了市場因子以外的 4 個因子 收益率為:
(1) SMB (small minus big):小市值組股票減大市值組股票平均月收益率;
(2) HML(highminuslowBP):高BP組股票減低BP組股票平均月收益率;
(3) RMW(Robustminusweakprofit):高ROE組的股票減低ROE組股票平均月收益率;
(4) CMA():總資產增長率低組股票減總資產增長率高組股票平均月收益率。
數據分析部分主要分析五因子組成數據的特性。其主要分析四部分內容：
1、五因子的均值，方差等summary統計。這樣能說明那個因子在市場的收益中起到作用。
2、求均值是否顯著異於零的假設檢驗對應的 t 統計量。目的是檢驗哪一個因子最能帶來超額的收益。
3、五因子累計收益分析，一般是規定一個日期為起始日期，形成五因子的累積凈值曲線，目的是用來分析五因子在歷史上和現在的表現，和預估未來的表現。後面歸因分析中會用到這里的累積。
4、五因子間的相關性分析。其目的是提出多吃公線性，用作下一步回歸用。
這里可以剔除多重共線性，也可以不剔除，因為Fama在原始論文中就發現了了五因子中存在多重公線性，但是Fama並沒有處理這個問題。所以這里也可以不處理。
去除多重共線性的方法為：
分別用4個因子對另一個因子進行線性回歸，可以找到共線性因子，找到共線性因子後。
用四個因子去回歸這個共線性的因子，生成的殘差，作為這個因子的新值，這樣既做可以去掉共線性，也因為是線性變化，不改變因子的方向。這種去除共線性的方法，使用與所有的多因子模型。包括APT多因子模型。
我們有了Fama五因子，將組合的收益時間序列作為因變數，直接進行回歸，即可求出模型：
在求出模型的同時，求出回歸的可決系數，檢驗模型的因子解釋的有效性。
我們由五因子的累積凈值走勢圖，可以分析出歷史和當前那個因子起到主要作用，通過上面方差的回歸系數，我們可以發現我們組合的收益來源，如果組合的主要收益來源和當前五因子收益表現最好的不一致，就要考慮進行調倉，高配表現好的因子。這就是基於凈值的收益歸因。
既然這里目標變數是組合的收益率，那麼有上面模型，我們可以由因子的風險矩陣求出組合的總風險，且每一個因子的風險貢獻都可以求出，道理和風險預算模型一致。這就是基於凈值的風險歸因。
額外的，在這個模型可以用來選股，我們選擇 很小的股票和資產，因為這種股票和資產收益和風險可以被五因子所解釋，風險小， 大的說明還有很多不能被五因子解釋的部分，風險也大。
所以，我們使用Fama多因子選股的時候，只需用五因子回歸市場上每一個股票，對生成的殘差 有小到大排序，選擇殘差 小的股票。
基於持倉的歸因方法，邏輯上比基於凈值的歸因方法要復雜的多，它來自套利定價模型（APT），用所有所有股票截面的因子的暴露序列去回歸所有股票的收益序列。這種做法的目的是找到個股收益和因子收益之間的關系，尋找有效因子，通過有效因子來選擇好的股票。
這種做法把重點放在了因子挖掘和最後資產的打分模型的選擇上。
最後的模型打分，最後主要開發出來以下模型：
分層打分法、簡單線性回歸、隨機森林、邏輯回歸、支持向量機回歸。
本文以簡單線性回歸為例，詳細介紹這種方法歸因分析的實現。
我們還是遵循機器學習的項目流程，來進行實現：
數據准備>>數據預處理>>單因子有效性檢驗>>數據分析>>回歸分析>>歸因分析
(1) 股票池:全A股，在每個時刻t均剔除ST、PT股票，剔除停牌及上市未滿一個月的股票，剔除 BP 值為負的股票;
(2) 時間參數:2010年1月至2018年1月;
(3) 因子對應指標:
a) 市場因子指標:上證 指數;
b) 行業因子指標:申萬一級行業指數。
c) 風格因子指標：市值size，PE，EBITA.(這里以這三個因子為例，APT框架的優勢就是因子可以隨便加)
1、所有數據按同一時間，同一股票對齊，注意這里的財報指標相關的時間要使用財報公布時間不能使用財報報告期。雖然這種方法是截面回歸，但是要研究每個因子的有效性，所以必須列出各個因子的歷史時間序列數據。
2、第一步產生的NA值，用截面該因子的均值填充。（這與上面的做法不一樣）。
3、若因子NA比率超過30%，則舍棄該因子。
4、對每個因子的暴露（就是因子值）分布分析，剔除3-sigma以外的公司。（最後回歸用，因為回歸對極值敏感）
5、z-score標准化所有因子。（最後回歸用，去量綱）
通常我們總認為行業和市值兩個因子對股票的收益影響較大，所以在單獨分析其他因子時，要把這兩個因子暴露引起的收益剔除掉，也就是所謂的因子中性化。經常使用的方法是，用因子暴露作為因變數，用行業因子和市值因子去回歸因子暴露，得到的殘差就是中性化後的因子。
在這個過程中，因為行業是類別變數，不能直接進行回歸，要引入啞變數的方式進行回歸。
注意：因子暴露此時已經變成中心化的，所以一下處理全在中性化因子的基礎上。
整個模型最麻煩的一步，也是最瑣碎的一步。
在剔除了極端公司和填充了因子NA值後，我們對每個單因子進行有效性檢驗。做法有以下幾種：
1、IC值檢驗
2、RIC值檢驗
3、IR檢驗
4、方差分析(ANOVA)給出p-value
5、隨機森林
這里我們要先再確認下因子收益和因子暴露的概念：
因子暴露是因子具體的值，例如60000.sh(浦發銀行)的PE（因子）值為5.62.納悶普法銀行在因子PE上的暴露就是5.62。
因子收益是用截面因子暴露去回歸個股收益時產生的各項因子的回歸系數。
為什麼這樣定義，其實原因來自上面的基於CAMP模型多因子分析。
我們有各個因子的暴露值後，可以對各個因子進行單因子檢驗，我們求當期（t期）的因子暴露值和下一期（t+1期）的個股收益的相關性數,得到當期（t期）的該因子的IC值：
其中：
這樣求出來的IC值的絕對值越大越好，求出所有因子歷史一段時間的IC值走勢。因子IC的絕對值長時間處於很大的值，說明這個因子長期有效性很強，若偶爾絕對值很大，說明因子偶爾有效，也要保留，我們剔除那些IC長期很小的因子。認為這些因子有效性不強。
RIC的用法與IC的用法完全一致，只有RIC的定義不一樣，我們求當期（t期）的因子暴露值和下一期（t+1期）的個股收益的秩相關性數,得到當期（t期）的該因子的RIC值：
其中：
RIC使用方式和IC一致。
從上面使用IC和RIC時，不是很方便，我們要看IC和RIC長期表現，這種表現是定性看的，我們需要構造一個量，定量的去衡量因子的長期表現。我們很簡單的一個想法是：用IC的均值來衡量IC的長期表現好壞，用IC的標准差來衡量表現的穩定性。
於是我們綜合兩個在一起，構造IR如下：
這里的符號IR與信息比率是一樣的，因為兩者是一個東西，可以通過數學推導得到。
我們選取IR高的因子，丟棄IR低的因子。
方差分析是用來分析多組數據之間均值是否一樣的統計分析方法，當檢驗的p值大與0.05是，說明多組之前的均值沒有差異，當p值小於0，05 時，說明各組之間存在差異。對於選因子來說，我們希望每組之前有差異。所以p-value需要小於0.05.
P值的計算方式很復雜，其思想是用組內方差處於組間方差構造統計量，進行F檢驗。可直接調用python方差分析函數。
本步主要查看上一步選出的各個因子之間相關系數,為解決下面回歸中的兩兩共線性問題，我們要合並部分因子，我們設置閥值0.6.認為相關系數在0.6 以上的因子看作同一組因子。
對同一組的因子，我們採用IC_IR加權的方式合並這些因子，將其合成一個因子。
其具體加權方式為： 。
這樣我們就得到了組合因子。但是這一步雖然剔除了兩兩間的共線性，但是未能剔除多重共線性。
本步對上面篩選出的因子，以個股收益為因變數驚喜建模，常用模型為多元線性回歸，獲得如下回歸方程：
其中： 是股票n在因子k 上的暴露。 為因子k的因子收益， 為股票n的殘差收益，既股票特有收益率。
由這個回歸方程，用最小二乘發，我們可以得到因子k的收益 。
進一步的，若現有一組合P，則這個組合P的收益率為：
其中： 為組合P中股票n的權重。
所以組合在因子k上的暴露設為 為：
所以此時，我們知道了組合的因子暴露，各因子的收益，所以可以得到組合裡面個因子的收益貢獻 ：
所以，此時的多因子模型收益歸因歸因。
這里的風險歸因分析和Barra一模一樣：
由上面回歸模型得到（將其向量化表示）：
其中：r為股票的收益向量，X因子的暴露矩陣，f為股票的因子收益向量，u為股票的特質收益。
則我們的組合P的波動率為：
其中： 為所有因子收益學列的協方差矩陣，𝛥為股票特質收益序列的協方差矩陣。w為持倉權重。具體推導詳見馬克維茨均值方差理論。
有了組合的風險（既波動率），就可以得到以下三個量：
組合的系統風險：
組合的特質風險：
因子𝑖對總風險的貢獻比例為(推導詳見風險預算):
以上就是多因子模型在風險歸因上的應用。
傳統的這一版多因子，另一大作用是用來選股的，我們得到以下回歸方程的時候。
最簡單的，可以把最新一期的因子帶入到回歸方程，計算出的個股的的未來收益，將其線性映射到1到100，可以直接作為分數，我們選擇分數高的股票即可。一般都是直接做前10%,做空後10%獲得超額收益。
B. 數據分析可以不用python嗎
可以不用，但是python還是運用較為廣泛，許多公司都是用python的。如果你不想用python還可以選擇其他的，比如，NBI一站式大數據分析平台無需編碼，簡單拖拽就可實現數據可視化。
SAS軟體
SAS是全球最大的軟體公司之一，是由美國NORTH CAROLINA州立大學1966年開發的統計分析軟體。SAS把數據存取、管理、分析和展現有機地融為一體。
R軟體
R是一套完整的數據處理、計算和制圖軟體系統。數據存儲和處理系統；數組運算工具（其向量、矩陣運算方面功能尤其強大）；完整連貫的統計分析工具；優秀的統計制圖功能；簡便而強大的編程語言：可操縱數據的輸入和輸出，可實現分支、循環，用戶可自定義功能。
SPSS
SPSS是世界上最早的統計分析軟體。操作簡便：界面非常友好，除了數據錄入及部分命令程序等少數輸入工作需要鍵盤鍵入外，大多數操作可通過滑鼠拖曳、點擊「菜單」、「按鈕」和「對話框」來完成。編程方便：具有第四代語言的特點，告訴系統要做什麼，無需告訴怎樣做。功能強大：具有完整的數據輸入、編輯、統計分析、報表、圖形製作等功能。自帶11種類型136個函數。
C. 請問各類數據統計分析和編程語言：Access, VBA, SQL, Python, SAS, Matlab, etc. 這些有什麼區別和聯系
首先你得對他們進行分類：
資料庫：Access、SQL、Oracle
數據分析類型：SAS、Matlab、Python、VBA
流行編程軟體：Python
其中作為資料庫現在以Oracle和SQL最流行，僅僅是管理資料庫而已
數據分析最老的是SAS，擁有大多的庫和包
Matlab相當於一個大型的計算器，對於計算非常簡單，也具備編程的效果，但是運行過慢
Python是現在主流的編程軟體之一，屬於綜合型軟體，數據分析、建站等都可以
VBA是VB衍生出來的軟體，excel自帶，具有VB的一些特性，實行軟體化非常簡單，同時也繼承了運行速度慢的基因
不知道你要走哪一行，所以不知道你會用到哪一些
D. SAS，SPSS，Matlab，Mathematic，R，Python各用於什麼行業和職位
SAS，SPSS，R 一般都是作為統計和建模軟體 ，其中SAS，SPSS在金融電信等傳統行業用的很多，R用的比較小眾，但是已成為新寵，偏互聯網行業。
Matlab 是商業數值計算軟體，模擬工具，一般用於工業領域，Mathematic是純數學軟體專用。python主流的編程語言，用途主要是在web 開發，自動化測試，爬蟲，數據科學等領域。具體的求職你看下招聘網站看下就知道了
E. Matlab-SPSS-R-Stata-SAS-Eviews-Python，哪個更適合做科研
函數：gaussdesign
解釋：高斯FIR脈沖成型濾波器設計。
語法
h = gaussdesign(bt,span,sps) 參數描述
這個命令設計並返回了一個低通高斯FIR脈沖成型濾波器，其中，
h：濾波器系數
bt：3db單邊單寬和符號時間的乘積
span：截斷長度（符號周期）
sps：SamplesPerSymbol，過采樣因子，每個符號包含的采樣點個數
F. SAS，STATA，SPSS三大統計軟體未來含金量怎樣
國外都是統一用SAS和stata，SPSS在專業的人看來簡直就是傻瓜軟體（無貶義，在簡單分析的時候確實更加快捷了）。個人覺得，SAS和SPSS的關系就像PS和美圖秀秀==。在醫葯、生物統計這方面只承認SAS。stata確實簡單易學，特別容易上手。看你要在什麼類型的企業裡面使用了。如果在國外或外企，還是用SAS。在國內大型企業里用stata或者r都可以，SPSS作圖還可以。
下面甩個綜合介紹：
SPSS
一般用法。SPSS非常容易使用，故最為初學者所接受。它有一個可以點擊的交互界面，能夠使用下拉菜單來選擇所需要執行的命令。它也有一個通過拷貝和粘貼的方法來學習其「句法」語言，但是這些句法通常非常復雜而且不是很直觀。
數據管理。SPSS有一個類似於Excel的界面友好的數據編輯器，可以用來輸入和定義數據（缺失值，數值標簽等等）。它不是功能很強的數據管理工具（盡管SPS 11版增加了一些增大數據文件的命令，其效果有限）。SPSS也主要用於對一個文件進行操作，難以勝任同時處理多個文件。它的數據文件有4096個變數，記錄的數量則是由你的磁碟空間來限定。
統計分析。SPSS也能夠進行大多數統計分析（回歸分析，logistic回歸，生存分析，方差分析，因子分析，多變數分析）。它的優勢在於方差分析（SPSS能完成多種特殊效應的檢驗）和多變數分析（多元方差分析，因子分析，判別分析等），SPSS11.5版還新增了混合模型分析的功能。其缺點是沒有穩健方法（無法完成穩健回歸或得到穩健標准誤），缺乏調查數據分析（SPSS12版增加了完成部分過程的模塊）。
繪圖功能。SPSS繪圖的交互界面非常簡單，一旦你繪出圖形，你可以根據需要通過點擊來修改。這種圖形質量極佳，還能粘貼到其他文件中（Word 文檔或Powerpoint等）。SPSS也有用於繪圖的編程語句，但是無法產生交互界面作圖的一些效果。這種語句比Stata語句難，但比SAS語句簡單（功能稍遜）。
總結。SPSS致力於簡便易行（其口號是「真正統計，確實簡單」），並且取得了成功。但是如果你是高級用戶，隨著時間推移你會對它喪失興趣。SPSS是制圖方面的強手，由於缺少穩健和調查的方法，處理前沿的統計過程是其弱項。
Stata
一般用法。Stata以其簡單易懂和功能強大受到初學者和高級用戶的普遍歡迎。使用時可以每次只輸入一個命令（適合初學者），也可以通過一個Stata程序一次輸入多個命令（適合高級用戶）。這樣的話，即使發生錯誤，也較容易找出並加以修改。
數據管理。盡管Stata的數據管理能力沒有SAS那麼強大，它仍然有很多功能較強且簡單的數據管理命令，能夠讓復雜的操作變得容易。Stata主要用於每次對一個數據文件進行操作，難以同時處理多個文件。隨著Stata/SE的推出，現在一個Stata數據文件中的變數可以達到32,768，但是當一個數據文件超越計算機內存所允許的范圍時，你可能無法分析它。
統計分析。Stata也能夠進行大多數統計分析（回歸分析，logistic回歸，生存分析，方差分析，因子分析，以及一些多變數分析）。Stata最大的優勢可能在於回歸分析（它包含易於使用的回歸分析特徵工具），logistic回歸（附加有解釋logistic回歸結果的程序，易用於有序和多元logistic回歸）。Stata也有一系列很好的穩健方法，包括穩健回歸，穩健標准誤的回歸，以及其他包含穩健標准誤估計的命令。此外，在調查數據分析領域，Stata有著明顯優勢，能提供回歸分析，logistic回歸，泊松回歸，概率回歸等的調查數據分析。它的不足之處在於方差分析和傳統的多變數方法（多變數方差分析，判別分析等）。
繪圖功能。正如SPSS，Stata能提供一些命令或滑鼠點擊的交互界面來繪圖。與SPSS不同的是它沒有圖形編輯器。在三種軟體中，它的繪圖命令的句法是最簡單的，功能卻最強大。圖形質量也很好，可以達到出版的要求。另外，這些圖形很好的發揮了補充統計分析的功能，例如，許多命令可以簡化回歸判別過程中散點圖的製作。
總結。Stata較好地實現了使用簡便和功能強大兩者的結合。盡管其簡單易學，它在數據管理和許多前沿統計方法中的功能還是非常強大的。用戶可以很容易的下載到別人已有的程序，也可以自己去編寫，並使之與Stata緊密結合。
SAS
一般用法。SAS由於其功能強大而且可以編程，很受高級用戶的歡迎。也正是基於此，它是最難掌握的軟體之一。使用SAS時，你需要編寫SAS程序來處理數據，進行分析。如果在一個程序中出現一個錯誤，找到並改正這個錯誤將是困難的。
數據管理。在數據管理方面，SAS是非常強大的，能讓你用任何可能的方式來處理你的數據。它包含SQL（結構化查詢語言）過程，可以在SAS數據集中使用SQL查詢。但是要學習並掌握SAS軟體的數據管理需要很長的時間，在Stata或SPSS中，完成許多復雜數據管理工作所使用的命令要簡單的多。然而，SAS可以同時處理多個數據文件，使這項工作變得容易。它可以處理的變數能夠達到32,768個，以及你的硬碟空間所允許的最大數量的記錄條數。
統計分析。SAS能夠進行大多數統計分析（回歸分析，logistic回歸，生存分析，方差分析，因子分析，多變數分析）。SAS的最優之處可能在於它的方差分析，混合模型分析和多變數分析，而它的劣勢主要是有序和多元logistic回歸（因為這些命令很難），以及穩健方法（它難以完成穩健回歸和其他穩健方法）。盡管支持調查數據的分析，但與Stata比較仍然是相當有限的。
繪圖功能。在所有的統計軟體中，SAS有最強大的繪圖工具，由SAS/Graph模塊提供。然而，SAS/Graph模塊的學習也是非常專業而復雜，圖形的製作主要使用程序語言。SAS 8雖然可以通過點擊滑鼠來互動式的繪圖，但不象SPSS那樣簡單。
總結。SAS適合高級用戶使用。它的學習過程是艱苦的，最初的階段會使人灰心喪氣。然而它還是以強大的數據管理和同時處理大批數據文件的功能，得到高級用戶的青睞。
總體評價
每個軟體都有其獨到之處，也難免有其軟肋所在。總的來說，SAS，Stata和SPSS是能夠用於多種統計分析的一組工具。通過Stat/Transfer可以在數秒或數分鍾內實現不同數據文件的轉換。因此，可以根據你所處理問題的性質來選擇不同的軟體。舉例來說，如果你想通過混合模型來進行分析，你可以選擇SAS；進行logistic回歸則選擇Stata；若是要進行方差分析，最佳的選擇當然是SPSS。假如你經常從事統計分析，強烈建議您把上述軟體收集到你的工具包以便於數據處理。
G. sas和python的區別 知乎
根據我個人經歷的話：風管愛SAS，策略愛Python。SAS能handle很大數據量，量大時跑得快，而且很多統計功能用起來方便，和其它軟體結合的很好，可以博採眾長。有時候有些功能sas能實現但proc加其它軟體做merge啊join啊能快很多；Python的話就比較好上手，而且package各式各樣的，設計那種從網頁扒數據的策略啊，time series相關的策略啊，都可以選相應的package輔助。另外我的經驗來看的確美帝大公司很愛SAS，我前老闆說這個寫簡歷上會非常fancy。【畢竟這軟體不便宜個人一般不用？】Python的話很accessible，用mac就更是自帶python。另外一些網上的回測平台都是用的python的語法，的確很適合拿它寫策略吖～
H. python和spss和matlab，哪一個預測效果好，還有這幾個在預測上有什麼區別
您好，你的問題，我之前好像也遇到過，以下是我原來的解決思路和方法，希望能幫助到你，若有錯誤，還望見諒！展開全部
SPSS和Python，單純地說哪個好，是沒有意義的，還要看你用來干什麼?
我來幫你區分一下這些術語。
1、分析工具：Excel、SPSS、Tableau屬於分析工具類;
2、分析語言：Python、R屬於分析腳本語言。
分析工具類，如果細分還可以分為統計工具和挖掘工具。
1)統計工具： 比如像Excel/Tableau/PowerBI都屬於統計工具，此類工具的很簡單，是基於統計(比如分類匯總)的分析工具，通過統計指標，查看業務的規律、變化、趨勢等等，來作出對業務的判斷並給出合適的業務策略。
所以，此類工具側重於業務的描述性分析(業務規律、業務變化、業務周期)，常用有的分析方法有：對比分析、分布分析、結構分析、趨勢分析等等。
2)挖掘工具： 像SPSS/SAS類就屬於挖掘工具。此類挖掘工具側重探索隱藏得比較深的業務知識和模式，挖掘工具側重於業務的影響因素分析、預測性分析等等，講究分析模型(比常規的分析方法要復雜)，在分析模型中不見得有統計指標，而是模式。
常用的分析模型：影響因素分析(相關/方差/列聯分析)、數據預測模型(回歸預測/時序預測)、分類預測模型(決策樹、神經網路、支持向量機等)，當然還其它更多的模型，比如聚類、關聯等等。
理論上，使用高級的數據挖掘工具也是可以進行常規的數據統計分析的，即Excel能夠實現的，理論上SPSS也可以實現。但坦白地說，用挖掘工具來做統計工具分析，其效率反而沒有統計工具高。
不過，當前絕大多數公司，都是在用Excel/SQL來做數據分析，可見他們並沒有什麼復雜的業務問題需要用到更高級的分析工具，簡單的工具已經足以勝任平時的業務數據分析了。
最後再來說分析語言Python/R。非常感謝您的耐心觀看，如有幫助請採納，祝生活愉快！謝謝！
I. sas和python哪個好學
具體業務用的是什麼咯，對比可以看下
（1）SAS：在商業分析領域，它是無可爭辯的霸主。SAS提供了豐富的統計功能，友好的GUI界面可以讓分析師快速上手，技術支持也做得相當到位。但，太貴了，並且對於一些最新的統計分析方法，SAS更新比較慢。
（2）Python：最早是一個開源腳本語言，近幾年使用率大增。如今一些庫（如numpy、scipy和matplotlib）和函數的引入，也使得它能支持幾乎所有統計分析和統計建模工作。另外也由於Pandas這個庫，使得Python在結構化數據的處理上非常給力。
J. spss，r，sas，python哪一種最容易入門
肯定是SAS啊，R軟體是開源免費的語言環境，主要優勢是對數組，向量的計算。SAS是款非常著名的軟體，其功能強大，主要用於金融領域，科研領域也有。