21世紀數學技術和計算機技術壹樣成為任何壹門科學發展過程中的必備工具。美國花旗
銀行副總裁柯林斯（Collins）1995年3月6日在英國劍橋大學牛頓數學科學研究所的講演
中敘述到：“在18世紀初，和牛頓同時代的著名數學家伯努利曾宣稱：‘從事物理學研
究而不懂數學的人實際上處理的是意義不大的東西。’那時候，這樣的說法對物理學而
言是正確的，但對於銀行業而言不壹定對。在18世紀，妳可以沒有任何數學訓練而很好
地運作銀行。過去對物理學而言是正確的說法現在對於銀行業也正確了。於是現在可以
這樣說：‘從事銀行業工作而不懂數學的人實際上處理的是意義不大的東西’。”他還
指出：花旗銀行70%的業務依賴於數學，他還特別強調，‘如果沒有數學發展起來的工具
和技術，許多事情我們是壹點辦法也沒有的……沒有數學我們不可能生存。”這裏銀行
家用他的經驗描述了數學的重要性。在冷戰結束後，美國原先在軍事系統工作的數以千
計的科學家進入了華爾街，大規模的基金管理公司紛紛開始雇傭數學博士或物理學博士
。這是壹個重要信號：金融市場不是戰場，卻遠勝於戰場。但是市場和戰場都離不開復
雜艱深，迅速的計算工作。
然而在國內卻不能回避這樣壹個事實：受過高等教育的專業人士都可以讀懂國內經濟類
，金融類核心期刊，但國內金融學專業的本科生卻很難讀懂本專業的國際核心期刊《Jo
urnal of Finance》，證券投資基金經理少有人去閱讀《Joural of Portfolio Manage
ment》，其原因不在於外語的熟練程度，而在於內容和研究方法上的差異，目前國內較
多停留在以描述性分析為主著重描述金融的定義，市場的劃分及金融組織等，或稱為描
述金融；而國外學術界以及實務界則以數量性分析為主，比如資本資產定價原理，衍生
資產的復制方法等，或稱為分析金融，即使在國內金融學的教材中，雖然涉及到了標的
資產（Underlying asset）和衍生資產（Derivative asset）定價，但對公式提出的原
文證明也予以回避，這種現象是不合理的，產生這種現象的原因有如下幾個方面：首先
，根據研究方法的不同，我國金融學科既可以歸到我國哲學社會科學規劃辦公室，也可
以歸到國家自然科學基金委員會管理科學部，前者占主要地位，且這支隊伍大多來自經
濟轉軌前的哲學和政治學隊伍，因此研究方法多為定性的方法。而西方正好相反，金融
研究方向的隊伍具有很好的數理功底。其次是我國的金融市場的實際環境所決定。我國
證券市場剛起步，也沒有壹個統壹的貨幣市場，投資者隊伍主要由中小投資者構成，市
場投機成分高，因此不會產生對現代投資理論的需求，相應地，學術界也難以對此產生
研究的熱情。
然而數學技術以其精確的描述，嚴密的推導已經不容爭辯地走進了金融領域。自從1952
年馬柯維茨（Markowitz）提出了用隨機變量的特征變量來描述金融資產的收益性，不確
定性和流動性以來，已經很難分清世界壹流的金融雜誌是在分析金融市場還是在撰寫壹
篇數學論文。再回到Collins的講話，在金融證券化的趨勢中，無論是我們采用統計學的
方法分析歷史數據，尋找價格波動規律，還是用數學分析的方法去復制金融產品，誰最
先發現了內在規律，誰就能在瞬息萬變的金融市場中獲取高額利潤。盡管由於森嚴的進
入堡壘，數學進入金融領域受到了壹定的排斥和漠視，然而為了追求利潤，未知的恐懼
顯得不堪壹擊。
於是，在未來我們可以想象有這樣壹個充滿美好前景的產業鏈：金融市場--金融數學--
計算機技術。金融市場存在巨大的利潤和高風險，需要計算機技術幫助分析，然而計算
機不可能大概，左右等描述性語言，它本質上只能識別由0和1構成的空間，金融數學在
這個過程中正好扮演了壹個中介角色，它可以用精確語言描述隨機波動的市場。比如，
通過收益率狀態矩陣在無套利的情形下找到了無風險貼現因子。因此，金融數學能幫助
IT產業向金融產業延伸，並獲取自己的利潤空間
金融數學（Financial Mathematics），又稱數理金融學、數學金融學、分析金融學，是利用數學工具 研究金融，進行數學建模、理論分析、數值計算等定量分析，以求找到金融學內在規律並用以指導實踐。金融數學也可以理解為現代數學與計算技術在金融領域的應用，因此，金融數學是壹門新興的交叉學科，發展 很快，是目前十分活躍的前言學科之壹。
金融數學是壹門新興學科，是“金融高技術 ”的重要 組成部分。研究金融數學有著重要的意義。 金融數學總的研究目標是利用我國數學界某些方面的優勢，圍繞金融市場的均衡與有價證券定價的數學理論進行深入剖析，建立適合我國國情的數學模型，編寫壹定的計算機軟件，對理論研究結果進行仿真計算，對實際數據進行計量經濟分析研究，為實際金融部門提供較深入的技術分析咨詢。
金融數學主要的研究內容和擬重點解決的問題包括：
(1)有價證券和證券組合的定價理論
發展有價證券（尤其是期貨、期權等衍生工具）的定價理論。所用的數學方法主要是提出合適的隨機微分方程或隨機差分方程模型，形成相應的倒向方程。建立相應的非線性Feynman壹Kac公式，由此導出非常壹般的推廣的Black壹Scho1es定價公式。所得到的倒向方程將是高維非線性帶約束的奇異方程。
研究具有不同期限和收益率的證券組合的定價問題。需要建立定價與優化相結合的數學模型，在數學工具的研究方面，可能需要隨機規劃、模糊規劃和優化算法研究。
在市場是不完全的條件下，引進與偏好有關的定價理論。
(2）不完全市場經濟均衡理論（GEI）
擬在以下幾個方面進行研究：
1．無窮維空間、無窮水平空間、及無限狀態
2.隨機經濟、無套利均衡、經濟結構參數變異、非線資產結構
3．資產證券的創新（Innovation）與設計（Design）
4．具有摩擦（Friction）的經濟
5．企業行為與生產、破產與壞債
6.證券市場博奕。
（3）GEI 平板衡算法、蒙特卡羅法在經濟平衡點計算中的應用， GEI的理論在金融財政經濟宏觀經濟調控中的應用，不完全市場條件下，持續發展理論框架下研究自然資源資產定價與自然資源的持續利用。
目前國內開設金融數學本科專業的高等院校中，實力較強的有北京大學、復旦大學、浙江大學、山東大學、南開大學。
後來從事計算機工作很出色。金融數學將後來在銀行、保險、股票、期貨領域從事研究分析，或做這些領域的軟件開發，具有很好的專業背景，而這些領域將來都很重要。
國內金融數學人才鳳毛麟角
諾貝爾經濟學獎已經至少3次授予以數學為工具分析金融問題的經濟學家。北京大學金融數學系王鐸教授說，但遺憾的是，我國相關人才的培養，才剛剛起步。現在，既懂金融又懂數學的復合型人才相當稀缺。
金融數學這門新興的交叉學科已經成為國際金融界的壹枝奇葩。剛剛公布的2003年諾貝爾經濟學獎，就是表彰美國經濟學家羅伯特·恩格爾和英國經濟學家克萊夫·格蘭傑分別用“隨著時間變化易變性”和“***同趨勢”兩種新方法分析經濟時間數列給經濟學研究和經濟發展帶來巨大影響。
王鐸介紹，金融數學的發展曾兩次引發了“華爾街革命”。上個世紀50年代初期，馬科威茨提出證券投資組合理論，第壹次明確地用數學工具給出了在壹定風險水平下按不同比例投資多種證券收益可能最大的投資方法，引發了第壹次“華爾街革命”。1973年，布萊克和斯克爾斯用數學方法給出了期權定價公式，推動了期權交易的發展，期權交易很快成為世界金融市場的主要內容，成為第二次“華爾街革命”。
今天，金融數學家已經是華爾街最搶手的人才之壹。最簡單的例子是，保險公司中地位和收入最高的，可能就是總精算師。美國花旗銀行副主席保爾·柯斯林著名的論斷是，“壹個從事銀行業務而不懂數學的人，無非只能做些無關緊要的小事”。
在美國，芝加哥大學、加州伯克利大學、斯坦福大學、卡內基·梅隆大學和紐約大學等著名學府，都已經設立了金融數學相關的學位或專業證書教育。
專家認為，金融數學可能帶來的發展應該凸現在亞洲，尤其是在金融市場正在開發和具有巨大潛力的中國。香港中文大學、科技大學、城市理工大學等學校都已推出有關的訓練課程和培養計劃，並得到銀行金融業界的熱烈響應。但中國內地對該項人才的培養卻有些艱辛。
王鐸介紹，國家自然科學基金委員會在壹項“九五”重大項目中，列入金融工程研究內容，可以說全面啟動了國內的金融數學研究。可這比馬科威茨開始金融數學的研究應用已經晚了近半個世紀。
在金融衍生產品已成為國際金融市場重要角色的背景下，我國的金融衍生產品才剛剛起步，金融衍生產品市場幾乎是空白。“加入 W TO後，國際金融家們肯定將把這壹系列業務帶入中國。如果沒有相應的產品和人才，如何競爭？”王鐸憂慮地說。
他認為，近幾年，接連發生的墨西哥金融危機、百年老店巴林銀行倒閉等事件都在警告我們，如果不掌握金融數學、金融工程和金融管理等現代化金融技術，缺乏人才，就可能在國際金融競爭中蒙受重大損失。我們現在最缺的，就是掌握現代金融衍生工具、能對金融風險做定量分析的既懂金融又懂數學的高級復合型人才。
據悉，目前國內不少高校都陸續開展了與金融數學相關的教學，但畢業的學生遠遠滿足不了整個市場的需求。
王鐸認為，培養這類人才還有壹些難以逾越的障礙———金融數學最終要運用於實踐，可目前國內金融衍生產品市場還沒有成氣候，學生很難有實踐的機會，教和學都還是紙上談兵。另外，高校培養的人大多都是本科生，只有少量的研究生，這個領域的高端人才在國內還是鳳毛麟角。國家應該更多地關註金融和數學相結合的復合型人才的培養。
王鐸回憶，1997年，北京大學建立了國內首個金融數學系時，他曾想與壹些金融界人士***商辦學。但相當壹部分人對此顯然並不感興趣：“什麽金融衍生產品，什麽金融數學，那都是國家應該操心的事。”
盡管當初開設金融數學系時有人認為太超前，但王鐸堅持，教育應該走在產業發展的前頭，才能為市場儲備人才。如果今天還不重視相關領域的人才培養，就可能導致我們在國際競爭中的不利。
記者發現即使今天，在這個問題上，仍然壹方面是高校教師對於人才稀缺的擔憂，壹方面卻是壹些名氣很大的專家對金融數學人才培養的冷漠。
采訪中，記者多次試圖聯系幾位國內金融數學界或金融理論界專家，可屢屢遭到拒絕。原因很簡單，他們認為，談人才培養這樣的話題太小兒科，有的甚至說，“我不了解，也根本不關註什麽人才培養”。還有的說，“我現在有很多課題要做，是我的課題重要，還是討論人才培養重要”、“我沒有時間，也沒義務向公眾解釋什麽諾貝爾經濟學獎，老百姓要不要曉得金融數學和我沒有關系”。
[編輯本段]金融中的數據挖掘
1.什麽是關聯規則
在描述有關關聯規則的壹些細節之前，我們先來看壹個有趣的故事： "尿布與啤酒"的故事。
在壹家超市裏，有壹個有趣的現象：尿布和啤酒赫然擺在壹起出售。但是這個奇怪的舉措卻使尿布和啤酒的銷量雙雙增加了。這不是壹個笑話，而是發生在美國沃爾瑪連鎖店超市的真實案例，並壹直為商家所津津樂道。沃爾瑪擁有世界上最大的數據倉庫系統，為了能夠準確了解顧客在其門店的購買習慣，沃爾瑪對其顧客的購物行為進行購物籃分析，想知道顧客經常壹起購買的商品有哪些。沃爾瑪數據倉庫裏集中了其各門店的詳細原始交易數據。在這些原始交易數據的基礎上，沃爾瑪利用數據挖掘方法對這些數據進行分析和挖掘。壹個意外的發現是："跟尿布壹起購買最多的商品竟是啤酒！經過大量實際調查和分析，揭示了壹個隱藏在"尿布與啤酒"背後的美國人的壹種行為模式：在美國，壹些年輕的父親下班後經常要到超市去買嬰兒尿布，而他們中有30%～40%的人同時也為自己買壹些啤酒。產生這壹現象的原因是：美國的太太們常叮囑她們的丈夫下班後為小孩買尿布，而丈夫們在買尿布後又隨手帶回了他們喜歡的啤酒。
按常規思維，尿布與啤酒風馬牛不相及，若不是借助數據挖掘技術對大量交易數據進行挖掘分析，沃爾瑪是不可能發現數據內在這壹有價值的規律的。
數據關聯是數據庫中存在的壹類重要的可被發現的知識。若兩個或多個變量的取值之間存在某種規律性，就稱為關聯。關聯可分為簡單關聯、時序關聯、因果關聯。關聯分析的目的是找出數據庫中隱藏的關聯網。有時並不知道數據庫中數據的關聯函數，即使知道也是不確定的，因此關聯分析生成的規則帶有可信度。關聯規則挖掘發現大量數據中項集之間有趣的關聯或相關聯系。Agrawal等於1993年首先提出了挖掘顧客交易數據庫中項集間的關聯規則問題，以後諸多的研究人員對關聯規則的挖掘問題進行了大量的研究。他們的工作包括對原有的算法進行優化，如引入隨機采樣、並行的思想等，以提高算法挖掘規則的效率；對關聯規則的應用進行推廣。關聯規則挖掘在數據挖掘中是壹個重要的課題，最近幾年已被業界所廣泛研究。
2.關聯規則挖掘過程、分類及其相關算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第壹階段必須先從資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。
關聯規則挖掘的第壹階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某壹項目組出現的頻率相對於所有記錄而言，必須達到某壹水平。壹項目組出現的頻率稱為支持度(Support)，以壹個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含{A,B}項目組的支持度，若支持度大於等於所設定的最小支持度(Minimum Support)門檻值時，則{A,B}稱為高頻項目組。壹個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，壹般表示為Large k或Frequent k。算法並從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前壹步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若壹規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組{A,B}所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了“大部份購買尿布的交易，會同時購買啤酒”的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始數據庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變量的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變量之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型字段進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然數值型關聯規則中也可以包含種類變量。例如：性別=“女”=>職業=“秘書” ，是布爾型關聯規則；性別=“女”=>avg（收入）=2300，涉及的收入是數值類型，所以是壹個數值型關聯規則。
2.基於規則中數據的抽象層次，可以分為單層關聯規則和多層關聯規則。
在單層的關聯規則中，所有的變量都沒有考慮到現實的數據是具有多個不同的層次的；而在多層的關聯規則中，對數據的多層性已經進行了充分的考慮。例如：IBM臺式機=>Sony打印機，是壹個細節數據上的單層關聯規則；臺式機=>Sony打印機，是壹個較高層次和細節層次之間的多層關聯規則。
3.基於規則中涉及到的數據的維數，關聯規則可以分為單維的和多維的。
在單維的關聯規則中，我們只涉及到數據的壹個維，如用戶購買的物品；而在多維的關聯規則中，要處理的數據將會涉及多個維。換成另壹句話，單維關聯規則是處理單個屬性中的壹些關系；多維關聯規則是處理各個屬性之間的某些關系。例如：啤酒=>尿布，這條規則只涉及到用戶的購買的物品；性別=“女”=>職業=“秘書”，這條規則就涉及到兩個字段的信息，是兩個維上的壹條關聯規則。
2.3關聯規則挖掘的相關算法
1.Apriori算法：使用候選項集找頻繁項集
Apriori算法是壹種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心是基於兩階段頻集思想的遞推算法。該關聯規則在分類上屬於單維、單層、布爾關聯規則。在這裏，所有支持度大於最小支持度的項集稱為頻繁項集，簡稱頻集。
該算法的基本思想是：首先找出所有的頻集，這些項集出現的頻繁性至少和預定義的最小支持度壹樣。然後由頻集產生強關聯規則，這些規則必須滿足最小支持度和最小可信度。然後使用第1步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每壹條規則的右部只有壹項，這裏采用的是中規則的定義。壹旦這些規則被生成，那麽只有那些大於用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞推的方法。
可能產生大量的候選集,以及可能需要重復掃描數據庫，是Apriori算法的兩大缺點。
2.基於劃分的算法
Savasere等設計了壹個基於劃分的算法。這個算法先把數據庫從邏輯上分成幾個互不相交的塊，每次單獨考慮壹個分塊並對它生成所有的頻集，然後把產生的頻集合並，用來生成所有可能的頻集，最後計算這些項集的支持度。這裏分塊的大小選擇要使得每個分塊可以被放入主存，每個階段只需被掃描壹次。而算法的正確性是由每壹個可能的頻集至少在某壹個分塊中是頻集保證的。該算法是可以高度並行的，可以把每壹分塊分別分配給某壹個處理器生成頻集。產生頻集的每壹個循環結束後，處理器之間進行通信來產生全局的候選k-項集。通常這裏的通信過程是算法執行時間的主要瓶頸；而另壹方面，每個獨立的處理器生成頻集的時間也是壹個瓶頸。
3.FP-樹頻集算法
針對Apriori算法的固有缺陷，J. Han等提出了不產生候選挖掘頻繁項集的方法：FP-樹頻集算法。采用分而治之的策略，在經過第壹遍掃描之後，把數據庫中的頻集壓縮進壹棵頻繁模式樹（FP-tree），同時依然保留其中的關聯信息，隨後再將FP-tree分化成壹些條件庫，每個庫和壹個長度為1的頻集相關，然後再對這些條件庫分別進行挖掘。當原始數據量很大的時候，也可以結合劃分的方法,使得壹個FP-tree可以放入主存中。實驗表明，FP-growth對不同長度的規則都有很好的適應性，同時在效率上較之Apriori算法有巨大的提高。
3.該領域在國內外的應用
3．1關聯規則發掘技術在國內外的應用
就目前而言，關聯規則挖掘技術已經被廣泛應用在西方金融行業企業中，它可以成功預測銀行客戶需求。壹旦獲得了這些信息，銀行就可以改善自身營銷。現在銀行天天都在開發新的溝通客戶的方法。各銀行在自己的ATM機上就捆綁了顧客可能感興趣的本行產品信息，供使用本行ATM機的用戶了解。如果數據庫中顯示，某個高信用限額的客戶更換了地址，這個客戶很有可能新近購買了壹棟更大的住宅，因此會有可能需要更高信用限額，更高端的新信用卡，或者需要壹個住房改善貸款，這些產品都可以通過信用卡賬單郵寄給客戶。當客戶打電話咨詢的時候，數據庫可以有力地幫助電話銷售代表。銷售代表的電腦屏幕上可以顯示出客戶的特點，同時也可以顯示出顧客會對什麽產品感興趣。
同時，壹些知名的電子商務站點也從強大的關聯規則挖掘中的受益。這些電子購物網站使用關聯規則中規則進行挖掘，然後設置用戶有意要壹起購買的捆綁包。也有壹些購物網站使用它們設置相應的交叉銷售，也就是購買某種商品的顧客會看到相關的另外壹種商品的廣告。
但是目前在我國，“數據海量，信息缺乏”是商業銀行在數據大集中之後普遍所面對的尷尬。目前金融業實施的大多數數據庫只能實現數據的錄入、查詢、統計等較低層次的功能，卻無法發現數據中存在的各種有用的信息，譬如對這些數據進行分析，發現其數據模式及特征，然後可能發現某個客戶、消費群體或組織的金融和商業興趣，並可觀察金融市場的變化趨勢。可以說，關聯規則挖掘的技術在我國的研究與應用並不是很廣泛深入。
3．2近年來關聯規則發掘技術的壹些研究
由於許多應用問題往往比超市購買問題更復雜，大量研究從不同的角度對關聯規則做了擴展，將更多的因素集成到關聯規則挖掘方法之中，以此豐富關聯規則的應用領域，拓寬支持管理決策的範圍。如考慮屬性之間的類別層次關系，時態關系，多表挖掘等。近年來圍繞關聯規則的研究主要集中於兩個方面，即擴展經典關聯規則能夠解決問題的範圍，改善經典關聯規則挖掘算法效率和規則興趣性。
金融工程的定義
關於金融工程的定義有多種說法，美國金融學家約翰·芬尼迪(John Finnerty)提出的定義最好：金融工程包括創新型金融工具與金融手段的設計、開發與實施，以及對金融問題給予創造性的解決。
金融工程的概念有狹義和廣義兩種。狹義的金融工程主要是指利用先進的數學及通訊工具，在各種現有基本金融產品的基礎上，進行不同形式的組合分解，以設計出符合客戶需要並具有特定P／L性的新的金融產品。而廣義的金融工程則是指壹切利用工程化手段來解決金融問題的技術開發，它不僅包括金融產品設計，還包括金融產品定價、交易策略設計、金融風險管理等各個方面。本文采用的是廣義的金融工程概念。
[編輯本段]金融工程的核心內容
金融工程中，其核心在於對新型金融產品或業務的開發設計，其實質在於提高效率，它包括：
1.新型金融工具的創造，如創造第壹個零息債券，第壹個互換合約等；
2.已有工具的發展應用，如把期貨交易應用於新的領域，發展出眾多的期權及互換的品種等；
3.把已有的金融工具和手段運用組合分解技術，復合出新的金融產品，如遠期互換，期貨期權，新的財務結構的構造等。
[編輯本段]金融工程的運作程序
金融工程的運作具有規範化的程序:診斷—分析—開發—定價—交付使用，基本過程程序化。
其中從項目的可行性分析，產品的性能目標確定，方案的優化設計，產品的開發，定價模型的確定，仿真的模擬試驗，小批量的應用和反饋修正，直到大批量的銷售、推廣應用，各個環節緊密有序。大部分的被創新的新金融產品，成為運用金融工程創造性解決其他相關金融財務問題的工具，即組合性產品中的基本單元。
精算學
精算學在西方已經有三百年的歷史，它是壹門運用概率論等數學理論和多種金融工具，研究如何處理保險業及其他金融業中各種風險問題的定量方法和技術的學科，是現代保險業、金融投資業和社會保障事業發展的理論基礎。
精算是壹門運用概率數學理論和多種金融工具對經濟活動進行分析預測的學問。在西方發達國家，精算在保險、投資、金融監管、社會保障以及其他與風險管理相關領域發揮著重要作用。精算師是同"未來不確定性"打交道的，宗旨是為金融決策提供依據。
精算師