BDI Model, Planning

Propositional Planning in BDI Agents?

Felipe Rech Meneguzzi

HP/PUCRS

6681,Ipiranga Avenue

Porto Alegre,Brazil felipe@cpts.pucrs.br Avelino Francisco Zorzo

Faculty of Informatics

6681,Ipiranga Avenue

Porto Alegre,Brazil

zorzo@inf.pucrs.br

Michael da Costa M′ora

Faculty of Informatics

6681,Ipiranga Avenue

Porto Alegre,Brazil

michael@inf.pucrs.br

ABSTRACT

This paper aims to describe the relationship between pro-positional planning systems and the process of means-end reasoning used by BDI agents.To show such relationship, we de?ne a mapping from BDI mental states to proposi-tional planning problems and from propositional plans back to mental states.In order to test the viability of such map-ping,we have implemented it in an extension of a BDI agent model through the use of Graphplan as the propositional planning algorithm.The implementation was applied to model a case study of an agent controlled production cell. Categories and Subject Descriptors

I.2.11[Arti?cial Intelligence]:Distributed Arti?cial Intelligence—Intelligent agents;I.2.8[Arti?cial Intelli-gence]:Problem Solving,Control Methods,and Search—Plan execution,formation,and generation

General Terms

BDI Model,Planning

Keywords

Propositional Planning,BDI,X-BDI

1.INTRODUCTION

The development of rational agents,i.e.agents capable of performing useful actions given its world perception and knowledge[29],has been a major concern since the begin-ning of Computer Science research[25].Such development originated various important approaches to the implemen-tation of computational reasoning,starting with the Gen-eral Problem Solver(GPS)and generic problem solving al-gorithms,and evolving into Planning Systems.Although these planning systems are capable of de?ning how goals ?This work is partially supported by HP Brazil and CNPq. Permission to make digital or hard copies of all or part of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for pro?t or commercial advantage and that copies bear this notice and the full citation on the?rst page.To copy otherwise,to republish,to post on servers or to redistribute to lists,requires prior speci?c permission and/or a fee.

SAC’04,March14-17,2004,Nicosia,Cyprus

Copyright2004ACM1-58113-812-1/03/04...$5.00.are to be achieved,they do not deal with the problem of which goals are to be pursued.In other words,they are capable of performing means-end reasoning but not to deal with the problem of practical reasoning[23].

Planning systems gave way to the reasoning model based on deliberative agents as a means to deal with practical rea-soning.These agents used,initially,a series of decision mak-ing mechanisms which are theoretically de?ned,like decision theory,but have proven themselves inadequate to implemen-tation,since they assumed agents that had unlimited time and computational resources[23].In order to solve the is-sue of limited resources,a philosophical practical reasoning model was formalized and computationally implemented[5], that,in theory,allows an agent to limit the time spent in deliberation.Nevertheless,implementations of these agents tend to avoid facing the complexity of means-end reasoning through the usage of plan libraries,de?ned for the agent prior to its execution.Therefore,this approach solves the problem of an agent’s limited resources,but it delegates the responsibility of building plans to its developer. Deliberation using a plan library is obviously more com-putationally e?cient than performing plan formation at run-time.Nevertheless,the usage of a plan library ties the prob-lem solving capability of an agent to the situations foreseen by its designer,while planning at runtime allows the agent to cope with a larger variety of situations.On the other hand,agent architectures that perform planning at runtime usually have tightly coupled planning methods that limit its improvement through the incorporation of novel planning strategies.Therefore,the purpose of our work is to show how to incorporate propositional planning in BDI agent models, providing agents with the ability of practical reasoning and means-end reasoning.Our approach is underpinned on a mapping among BDI mental states and propositional plan-ning formalisms,thus allowing any algorithm based on a similar formalism to be used as a means-end reasoning pro-cess for a BDI agent.In order to demonstrate the viability of such approach we take a speci?c BDI agent model,namely the X-BDI model[19],and modify it to use propositional planning algorithms to perform means-end reasoning[20].

2.BASIC CONCEPTS

2.1BDI Agents

As computer systems became more complex,abstraction mechanisms for these systems were developed.One abstrac-tion mechanism that is becoming increasingly accepted is the notion of Computer Agents[23,12,9],so far as to be pro-

posed as an alternative to the Turing Machine as an abstrac-tion for the notion of computation[12,26].Although there is a variety of de?nitions for Computer Agents,an informal de?nition,which adequately captures important properties of agency,is the following[12]:An agent is an encapsulated computer system that is situated in some environment and that is capable of?exible,autonomous action in that envi-ronment in order to meet its design objectives.

In the context of multi-agent systems research,one of most widely known and studied models of deliberative agents uses Beliefs,Desires and Intentions as abstractions for the description of a system’s behaviour.This model is called BDI(for Beliefs,Desires and Intentions)and was originated by a philosophical model of human practical reasoning[4], later formalized[8]and improved towards a more complete computational theory[22,29].

One of the most important processes of the BDI model is the selection of the course of action the agent will take in order to satisfy its intentions,i.e.given an environment and a set of objectives,determine whether the agent is ca-pable of satisfying its objectives through some sequence of actions.This problem is characterized as the Agent Design Problem[28].The most widely known BDI agent imple-mentations have been bypassing this problem through the use of plan libraries where the courses of action for every possible objective an agent might have are stored[11,10]. The theories commonly used to underpin systems capable of dealing with the agent design problem assume an agent with unlimited resources,thus making its actual implemen-tation impossible[23,22].On the other hand,recent works seek to deal with this problem in various ways,for instance, by de?ning alternate proof systems[19,21]or using model checking in order to validate the agent’s plan library[3].An alternate approach to solve the problem is the use of plan-ning algorithms to perform means-end reasoning at runtime [23].It is important to point out that we do not tackle the issue of hierarchical planning at Intention and Action levels [16],though the architecture we propose is suitable to such extensions.

2.2Planning Algorithms

Means-end reasoning is a fundamental component of any rational agent[4]and is useful in the resolution of problems in a number of di?erent areas,for instance scheduling[24]. Therefore,the development of planning algorithms has been one of the main goals of AI research[29].A planning prob-lem is generically de?ned by formal description of the[27]:i) start state;ii)intended goals;iii)actions that may be per-formed.The planning system will take these components and will generate a set of actions ordered by some relation, that,when applied to the world where the initial state de-scription is true,will make the goals description true.

It is known that planning is undecidable[7]and that plan-ning problems,in the general case,are PSPACE[6].Despite the high complexity proven for the general case of planning problems,recent advances in planning research led to the creation of planning algorithms that perform signi?cantly better than previous approaches to solve various problem classes[27,20].These algorithms belong mainly to two classes:i)Graphplan based algorithms[2];ii)algorithms based in the compilation of the planning problem into a for-mula whose satis?ability is tested(SAT)[13].

In this work,we focus on STRIPS-like(STanford Research Institute Problem Solver)formalisms[20].Our description of the formalism is based on the one found in[20],and is, according to the author,a S IL formalism,i.e.the basic STRIPS plus the possibility to use incomplete speci?cations and literals in the description of world states.It is impor-tant to point out that the formalisms de?ned by Nebel[20] are more general,but since we do not intend to provide a de-tailed study of planning formalisms,we use a simpler version of the referred formalism.In particular,we use a proposi-tional logical language with variables only in the speci?ca-tion of operators.Also,operators are not allowed to have conditional e?ects.Considering the STRIPS formalism,one can notice that the referred planners deal only with atoms. Nevertheless,within this paper more expressivity is desir-able,in particular,the possibility to use?rst order ground literals.It is possible to avoid these limitation through the use of syntactic transformations so that the planners de-scribed operate over?rst order ground literals.

2.3Graphplan

Graphplan[2]is a planning algorithm based on the con-struction and search in a graph.It is considered one of the most e?cient planning algorithms created recently[27, 20,24].The e?ciency of this algorithm was empirically proved through the signi?cant results obtained by instances of Graphplan in the planning competitions of the AIPS(In-ternational Conference on AI Planning and Scheduling)[14, 18].Planning in Graphplan is based on the concept of a Planning Graph,which is a data structure in which infor-mation regarding the planning problem is stored in such a way that the search for a solution can be accelerated.The Planning Graph is not a space state graph in which a plan is a path through the graph.Instead,a plan in the Planning Graph is essentially a?ow,in the sense of a network?ow. Planning Graph construction is e?cient.It has polynomial complexity in graph size and construction time with regard to problem size[2].The graph is then used by the planner in the search for a solution to the planning problem using data stored in the graph to speed up the process.The basic Graphplan algorithm(i.e.without the optimizations pro-posed by other authors)is divided into two distinct phases: Graph Expansion and Solution Extraction.

The Planning Graph in Graphplan is directed and lev-elled.Considering that a plan is composed of temporally ordered actions,and,in between these actions there are world states,graph levels are divided into alternating propo-sition and action levels.Proposition levels are composed of proposition nodes labelled with propositions.These nodes are connected to the actions in the subsequent action level through pre-condition arcs.Action nodes are labelled with operators and are connected to the nodes in the subsequent proposition nodes by e?ect arcs.Every proposition level de-notes literals that are possibly true at a given moment,thus the?rst proposition level represents the literals that are pos-sibly true at time1,the next proposition level represents the literals that are possibly true at time2and so forth.Ac-tion levels denote operators that can be executed at a given moment in time in such a way that the?rst action level rep-resents the operators that may be executed at time1and so forth.The graph contains mutual exclusion relations(mu-tex)between nodes in the same graph level.Mutex relations have a fundamental role in algorithm e?ciency.A mutual exclusion relation between two nodes means that they can-

not be simultaneously present in the same graph level for the same solution.After graph expansion,the second phase of Graphplan,called solution extraction,takes place.It uses a backward chaining strategy to traverse the graph on a level by level basis trying to?nd a?ow starting from the goals that leads to the initial conditions.

The algorithm chosen for implementation in the proto-type is Graphplan.Its choice was due to the greater body of available work related to its improvement,e.g.real-time planning[24],additional inference of planning graph infor-mation[17],among others,that might be incorporated into an implementation.

3.PROPOSED SOLUTION

Considering that we will use propositional planners as a mechanism for means-end reasoning within BDI agents,we take the X-BDI agent model[19]and modify its operational de?nition to accommodate the use of planning algorithms external to its kernel.

3.1Extending X-BDI with Graphplan

The X-BDI agent model was created in order to allow a formal agent speci?cation to be directly executed[19].That is possible because X-BDI’s language is de?ned in terms of a formalism that has a reference implementation,which is called Extended Logic Programming with explicit nega-tion(ELP)using the Well-Founded Semantics extended for the explicit Negation(WFSX),with a derivation procedure is called Selected Linear Derivation for extended programs (SLX)[1].X-BDI uses ELP’s ability to deal with contra-diction to implement a variety of non-monotonic reasoning processes,necessary for the BDI model.Moreover,a mod-i?ed form of Event Calculus[15]is used in order to allow X-BDI to deal with a dynamic world.

3.1.1X-BDI Operation

An X-BDI agent has the traditional components of a BDI agent,i.e.a set of Beliefs,Desires and Intentions.Besides, given its extended logic de?nition,it has also a set of time axioms de?ned through a variation of the Event Calculus [19,15].The set of beliefs is simply a formalization of facts in ELP,individualized for a speci?c agent.The belief revi-sion process in X-BDI is the result of the program revision process performed in ELP by the SLX procedure.From the agent’s point of view,it is assumed that its beliefs are not always consistent,because whenever an event that makes the beliefs inconsistent,SLX will minimally revise the pro-gram,and therefore,the beliefs.Every desire in an X-BDI agent is conditioned to the body of a logic rule,which is a conjunction of literals called Body.Thus,Body speci?es the pre-conditions that must be satis?ed in order for an agent to desire a property.When Body is an empty conjunction, property P is unconditionally desired.Desires may be tem-porally situated,i.e.can be desired in a speci?c moment, or whenever its pre-conditions are valid.Besides,desires have a priority value used in the formation of an order re-lation among desire sets.There are two possible types of intentions:Primary Intentions,which refer to the intended properties,and Relative Intentions,which refer to actions able to bring about these properties.An agent may intend something in the past or that is already true.Besides,in-tentions may not be impossible,i.e.there must be at least one plan available to the agent whose result is a world state where the intended property is true.This de?nition repre-sents the?rst change performed in X-BDI described in this work.In the original X-BDI the possibility of a property was veri?ed through the abduction of an Event Calculus theory that would make the property true.In this work,we modi?ed the planning process so that it is abstracted from the operational de?nition of X-BDI,allowing that any plan-ning process that satis?es the conditions of Section2.2to be used by X-BDI.Thus,the notion of possibility of a desire is associated with the existence of a plan to satisfy it.

The reasoning process performed by X-BDI initiates with the selection of Eligible Desires,which represent the un-satis?ed desires whose pre-conditions were satis?ed.The elements of this set are not necessarily consistent among themselves.Candidate Desires are then generated,which represent a set of Eligible Desires that are both consistent and possible and will be later adopted as Primary Inten-tions.In order to satisfy the properties represented by Pri-mary Intentions,the planning process generates a sequence of temporally ordered actions that constitute the Relative Intentions.Eligible desires have rationality constraints that are similar to those imposed over the intentions in the sense that an agent will not desire something in the past or some-thing the agent believes will happen without his interfer-ence.Agent beliefs must also support the pre-conditions de?ned in the desire Body.Within the agent’s reasoning process these desires will originate a set of mutually consis-tent subsets ordered by a partial order relation.The process of selecting Candidate Desires seeks to choose among the El-igible Desires one subset that contains only desires that are internally consistent and possible.A possible desire is one that has a property P that can be satis?ed through a se-quence of actions.In order to choose among multiple sets of Candidate Desires,X-BDI uses ELP constructs that allow the de?nition of preferred revisions.Thus,X-BDI de?nes a desire preference relation through a set of preferred revi-sions generated using the priorities expressed in the desires. Through this preference relation,a desire preference graph that relates all subsets of Eligible Desires is generated. Candidate Desires represent the most signi?cant modi-?cation made in this paper regarding the original X-BDI [19].Originally,X-BDI veri?ed the possibility of a desire through the abduction of an Event Calculus Theory in which the belief in the validity of a desired property P could be true.Such abduction process is,actually,a form of plan-ning.Since our main objective in this paper is to separate the planning process previously hard-coded within X-BDI, the notion of desire possibility had to be re-de?ned.There-fore,we de?ne that a set of Candidate Desires is the subset of Eligible Desires with the greater preference value,and whose properties can be satis?ed.Satis?ability is veri?ed through the execution of a propositional planner that pro-cesses a planning problem in which the initial state contains the properties that the agent believes at the time of plan-ning.The P properties present in the Candidate Desires are used to generate the set primary intentions.

Primary Intentions can be seen as high-level plans,simi-lar to the intentions in IRMA[5].Hence,they represent the agent’s commitment to a course of action,which will be per-formed through a series of re?nements up to the point where an agent has a temporally ordered set of actions representing a concrete plan towards the satisfaction of its goals.Rela-tive Intentions correspond to the temporally ordered steps of

the concrete plans generated to satisfy the agent’s Primary Intentions.The notion of agent commitment results from the fact that Relative Intentions must be non-contradictory regarding Primary Intentions.

3.1.2Intention Revision

The computational e?ort and the time required to recon-sider the whole set of intentions of a resource-bounded agent is generally signi?cant regarding the environment change ra-tio.Therefore,intention reconsideration should not occur constantly,but only when the world changes in such a way as to threaten the plans an agent is executing or when an op-portunity to satisfy more important goals is detected.As a consequence,X-BDI uses a set of reconsideration“triggers”generated when intentions are selected,and causes the agent to reconsider its course of action when activated.

Figure1:Modi?ed X-BDI overview.

At this point,we veri?ed that the modi?cations operated in X-BDI allow us to maintain the reconsideration conditions de?ned by Bratman[5].In particular,if all of the agent’s Primary Intentions are satis?ed before the time planned for them to be satis?ed,the agent will restart the deliberative process,for he has achieved his goals.On the other hand, if one of the Primary Intentions has not been achieved at the time planned for it,the agent will have to reconsider its intentions because its plans have failed.Moreover,if a desire with a higher priority than the currently selected de-sires becomes possible,the agent will reconsider its desires in order to take advantage of the new opportunity.Recon-sideration is completely based on integrity constraints over beliefs.Therefore,considering that beliefs are revised at every sensoring cycle,it is possible that a reconsideration occurs due the“triggering”of a reconsideration restriction. The modi?cations implemented in X-BDI alter its opera-tion so that it uses propositional planning algorithms as the underpinning of the means-end reasoning and as possibility veri?ers in the practical reasoning process(Figure1).

3.2Solution Architecture

The prototype implemented for this work is essentially composed of three parts:the X-BDI kernel,implemented in Prolog,a planning system containing a C++implemen-tation of Graphplan,and a Java Graphical Interface used to ease the operation of X-BDI and to visualize its inter-action with the environment.The Agent Viewer interface communicates with X-BDI through sockets by sending the input from the environment where the agent is embedded and receiving the result of the agent’s deliberation.Through Agent Viewer the user can also describe the agent through its desires,actions and initial beliefs.Once X-BDI receives the agent description,it communicates with the planning li-brary through Operating System?les and the Prolog/C++ interface.The planner is responsible for generating a set of intentions for the agent.The modi?cation applied into X-BDI essentially consists of,when the agent deliberates, convert subsets of the agent’s desired properties into propo-sitional planning problems and invoke the planning algo-rithm to solve these problems until either a plan that solve the highest priority desires is found,or the algorithm de-termines that it is not possible to solve any one of these problems.

4.A BDI PRODUCTION CELL

In this work we use a BDI agent in order to model a production cell as a case study,and as a means to verify the validity of the architecture described in Section3.The proposed production cell is composed of seven devices,a Feed Belt,a Deposit Belt,four Processing Units and a Crane that can freely move components over all the devices in the cell.This Production Cell is illustrated in

Figure2.

Figure2:A BDI Production Cell. Components enter the production cell for processing through the Feed Belt,and,once processed by all the ap-propriate Processing Units,they are removed from the cell through the Deposit Belt.Every Processing Unit is respon-sible for performing a di?erent kind of operation in the com-ponent being processed,and can hold only one component at a given moment.Every component introduced in the cell can be processed by one or more Processing Units,which is determined by the type of component being processed.Dif-ferent component types have di?erent processing priorities. The control of this production cell is trusted to a BDI agent implemented using X-BDI,which should schedule the work of the production cell through its beliefs,desires and inten-tions,re-scheduling the work whenever some change occurs. The?rst step in modelling any problem using a STRIPS-like formalism is the choice of the predicates used to repre-sent the problem’s object-types and its states.Hence,we have the following predicates representing objects in the cell:i)bloc(B)denotes that B is a Component to be pro-cessed;ii)procUnit(P)denotes that P is a Processing Unit, Processing Units are also Devices;iii)device(D)denotes that D is a Device;iv)feedBelt represents the Feed Belt;

v)depositBelt represents the Deposit Belt.Similarly,we have the following predicates representing system states:i) over(B,D)denotes that Component B is over Device D;ii) empty(P)denotes that Processing Unit P is empty,i.e.has not Component over it;iii)processed(B,P)denotes that Component B has already been processed by Processing Unit P;iv)finished(B)denotes that Component B has already been processed by all appropriate Processing Units and has been removed from the Production Cell.Next,we de?ne the actions the agent is capable of performing in the context of the proposed problem:i)Action process(B,P)having as pre-conditions procUnit(P),bloc(B)and over(B,P),and as e?ect processed(B,P),represents the processing that a Processing Unit P performs in a Component B over it;ii) Action consume(B)having as pre-conditions bloc(B)and over(B,depositBelt)and as e?ects?over(B,depositBelt), empty(depositBelt)and finished(B),represents the re-moval of component B from the production cell through the Deposit Belt;iii)Action move(B,D1,D2)having as pre-conditions over(B,D1),empty(D2),bloc(B),device(D1) and device(D2)and as e?ects over(B,D2),?over(B,D1),?empty(D2)and empty(D1),represents the motion of Com-ponent B from Device D1to Device D2.

The processing requirements of components and its pri-orities are modelled through the agent’s desires.There-fore,we can model agent pCell necessity to process Compo-nent bloc1by Processing Units procUnit1,procUnit2and procUnit3as soon as this component is inserted into the production cell through the following desires:

des(pCell,finished(bloc1),Tf,[0.7])

if bel(pCell,bloc(bloc1)),

bel(pCell,processed(bloc1,procUnit1)),

bel(pCell,processed(bloc1,procUnit2)),

bel(pCell,processed(bloc1,procUnit3)),

bel(pCell,-finished(bloc1)).

des(pCell,processed(bloc1,procUnit1),Tf,[0.6])

if bel(pCell,bloc(bloc1)),

bel(pCell,-processed(bloc1,procUnit1)).

des(pCell,processed(bloc1,procUnit2),Tf,[0.6])

if bel(pCell,bloc(bloc1)),

bel(pCell,-processed(bloc1,procUnit2)).

des(pCell,processed(bloc1,procUnit3),Tf,[0.6])

if bel(pCell,bloc(bloc1)),

bel(pCell,-processed(bloc1,procUnit3)).

Similarly,we can model the agent’s need to process Com-ponent bloc2by Processing Unit procUnit3and procUnit4 through the following desires:

des(pCell,finished(bloc2),Tf,[0.6])

if bel(pCell,bloc(bloc2)),

bel(pCell,processed(bloc2,procUnit3)),

bel(pCell,processed(bloc2,procUnit4)),

bel(pCell,-finished(bloc2)).

des(pCell,processed(bloc2,procUnit3),Tf,[0.5])

if bel(pCell,bloc(bloc2)),

bel(pCell,-processed(bloc2,procUnit3)).

des(pCell,processed(bloc2,procUnit4),Tf,[0.5])

if bel(pCell,bloc(bloc2)),

bel(pCell,-processed(bloc2,procUnit4)).

Finally,we model the agent’s static knowledge regarding the problem domain,in particular the object’s classes and the initial world-state with the following beliefs:

bel(pCell,procUnit(procUnit1)).

bel(pCell,procUnit(procUnit2)).

bel(pCell,procUnit(procUnit3)).bel(pCell,procUnit(procUnit4)).

bel(pCell,device(procUnit1)).

bel(pCell,device(procUnit2)).

bel(pCell,device(procUnit3)).

bel(pCell,device(procUnit4)).

bel(pCell,device(depositBelt)).

bel(pCell,device(feedBelt)).

bel(pCell,empty(procUnit1)).

bel(pCell,empty(procUnit2)).

bel(pCell,empty(procUnit3)).

bel(pCell,empty(procUnit4)).

bel(pCell,empty(depositBelt)).

The arrival of a new component in the production cell is signaled by the sensors through the inclusion of bloc(bloc1) and over(bloc1,feedBelt)in the agent’s beliefs database, activating the agent’s reconsideration process.Given the desire’s pre-conditions previously de?ned,only the desires related to the following properties become Eligible: processed(bloc1,procUnit1)

processed(bloc1,procUnit2)

processed(bloc1,procUnit3)

These desires are then analyzed by the process of select-ing Candidate Desires.In this process,the agent’s Eligible Desires and beliefs are used in the creation of planning prob-lems that are sent to Graphplan for resolution.The result of this processing is a plan that satis?es all the Eligible Desires, with the following steps:

1.move(bloc1,feedBelt,procUnit2)

2.process(bloc1,procUnit2)

3.move(bloc1,procUnit2,procUnit1)

4.process(bloc1,procUnit1)

5.move(bloc1,procUnit1,procUnit3)

6.process(bloc1,procUnit3)

The existence of this plan indicates to X-BDI that the speci?ed set of Eligible Desires is possible,thus turning the previous set of desires into Candidate Desires,which will generate Primary Intentions,representing the agent’s com-mitment.Next,Relative Intentions are generated using the steps in the plan recently created,one Intention for each step of the plan.These will lead the agent to perform the appropriate actions.Once the actions are executed,the Candidate Desires from the previous deliberation are satis-?ed.Moreover,the pre-condition of the desire to accomplish finished(bloc1)becomes valid,reactivating the agent’s de-liberative process and generating the following plan:

1.move(bloc1,procUnit3,depositBelt)

2.consume(bloc1)

Once more,this plan will originate the agent’s intentions and,eventually,lead it to act.A possible situation dur-ing this agent’s operation would be the arrival of a new component in the Production Cell.This could take place right after the deliberation which created the?rst plan,and would be signaled by the agent’s sensors through the in-clusion of bloc(bloc2)and over(bloc2,feedBelt)in the beliefs database,which would modify the Eligible Desires chosen in the second deliberation cycle to:

finished(bloc1);

processed(bloc2,procUnit3);

processed(bloc2,procUnit4);

These desires would cause the agent to generate a new plan to verify their validity,as well as the mental states required for the agent to eventually act.

5.CONCLUSIONS

In this paper,we described the relationship between propo-sitional planning algorithms and means-end reasoning in BDI agents.To test the viability of such approach we de-scribe a modi?cation in the X-BDI agent model.Through-out this modi?cation,new de?nitions of desires and inten-tions were created in order for the BDI model to maintain the theoretical properties present in its original version,es-pecially regarding the de?nition of desires and intentions impossibility.Moreover,it was necessary to de?ne a map-ping between the structural components of a BDI agent and propositional planning problems.The result of implement-ing these de?nitions in a prototype can be seen in the case study of Section4,which represents a problem that the means-end reasoning process of the original X-BDI could not solve.Considering that most implementations of BDI agents use a plan library in the means-end reasoning in or-der to bypass the inherent complexity of performing plan-ning at runtime,X-BDI o?ers an innovative way of imple-menting more?exible agents.Its main drawback was the fact that the original planning mechanism is notably inef-?cient.For example,the case study described in Section4 was not tractable by the original X-BDI planning process. Thus,the main contribution of our work consists in the def-inition of a mapping from BDI means-end reasoning to fast planning algorithms.Moreover,such approach enables the agent architecture to be extended with any propositional planning algorithm that uses a formalism compatible with the proposed mapping.Thus allowing an agent to use more powerful planners as they become available,or to use more suitable planning strategies for di?erent problem classes. Some rami?cations of this work are foreseen as future work,in particular,the incorporation of the various Graph-plan improvements,as well as the conduction of tests using other propositional planning algorithms,SAT being an ex-ample.Moreover,the determination of the class of problems for which some combination of BDI Agent and planning al-gorithm is capable of dealing with,represents an interesting theoretical contribution to our work.

¨

6.REFERENCES

[1]J.J.Alferes and L.M.Pereira.Reasoning with Logic

Programming.Springer,1996.

[2]A.L.Blum and M.L.Furst.Fast planning through

planning graph analysis.Arti?cial Intelligence,1997. [3]R.H.Bordini,M.Fisher,C.Pardavila,and

M.Wooldridge.Model checking AgentSpeak.In Proc.

of the2nd AAMAS,pages409–416,2003.ACM Press.

[4]M.E.Bratman.Intention,Plans and Practical

Reason.Harvard University Press,1987.

[5]M.E.Bratman,D.J.Israel,and M.E.Pollack.Plans

and resource-bounded practical reasoning.

Computational Intelligence,4(4):349–355,1988.

[6]T.Bylander.The computational complexity of

propositional STRIPS planning.Arti?cial Intelligence, 69(1-2):165–204,1994.

[7]D.Chapman.Planning for conjunctive goals.Arti?cial

Intelligence,32(3):333–377,1987.

[8]P.R.Cohen and H.J.Levesque.Intention is choice

with commitment.Arti?cial Intelligence,

42(2-3):213–261,1990.

[9]W.V.der Hoek and M.Wooldridge.Towards a logic

of rational agency.Logic Journal of the IGPL,

11(2):133–157,2003.

[10]M.d’Inverno and M.Luck.Engineering

AgentSpeak(L):A formal computational model.

Journal of Logic and Computation,8(3):233–260,1998.

[11]F.F.Ingrand,M.P.George?,and A.S.Rao.An

architecture for real-time reasoning and system

control.IEEE Expert,7(6):33–44,1992.

[12]N.R.Jennings.On agent-based software engineering.

Arti?cial Intelligence,117:277–296,2000.

[13]H.Kautz and B.Selman.Planning as satis?ability.In

Proc.of the10th ECAI,pages359–363,1992.Wiley.

[14]J.K¨o hler.Solving complex planning tasks through

extraction of subproblems.In R.Simmons,M.Veloso, and S.Smith,editors,Proc.of the4th AIPS,pages

62–69,1998.AAAI Press.

[15]R.A.Kowalski and M.J.Sergot.A logic-based

calculus of events.New Generation Computing,

4(1):67–95,1986.

[16]https://www.wendangku.net/doc/d91626473.html,cey,H.Hexmoor,and G.Beavers.Planning at

the intention level.In Proc.of the15th FLAIRS,

pages8–13,2002.AAAI Press.

[17]D.Long and M.Fox.E?cient implementation of the

plan graph in STAN.Journal of Arti?cial Intelligence Research,10:87–115,1999.

[18]D.Long and M.Fox.Automatic synthesis and use of

generic types in planning.In S.Chien,

S.Kambhampati,and C.A.Knoblock,editors,Proc.

of the5th AIPS,pages196–205,2000.AAAI Press.

[19]M.C.M′o ra,J.G.Lopes,R.M.Viccari,and

H.Coelho.BDI models and systems:Reducing the

gap.In Proc.of the5th International Workshop on

Intelligent Agents,1999.Springer.

[20]B.Nebel.On the compilability and expressive power

of propositional planning formalisms.Journal of

Arti?cial Intelligence Research(JAIR),12:271–315,

2000.

[21]N.Nide and S.Takata.Deduction systems for BDI

logics using sequent calculus.In Proc.of the AAMAS, pages928–935.ACM Press,2002.

[22]A.S.Rao and M.P.George?.Formal models and

decision procedures for multi-agent systems.Technical Report61,AAII,1995.Technical Note.

[23]M.Schut and M.Wooldridge.The control of reasoning

in resource-bounded agents.The Knowledge

Engineering Review,16(3),2001.

[24]D.E.Smith and D.S.Weld.Temporal planning with

mutual exclusion reasoning.In Proc.of the17th

IJCAI,pages326–337,1999.

[25]A.M.Turing.Intelligent machinery.Machine

Intelligence,5:3–23,1948.

[26]P.Wegner.Why interaction is more powerful than

https://www.wendangku.net/doc/d91626473.html,m.of the ACM,40(5):80–91,1997. [27]D.S.Weld.Recent advances in AI planning.AI

Magazine,20(2):93–123,1999.

[28]M.Wooldridge.The computational complexity of

agent design problems.In E.Durfee,editor,Proc.of

the4th ICMAS,pages341–348.IEEE Press,2000. [29]M.Wooldridge.Reasoning about Rational Agents.The

MIT Press,2000.

国际上主要股票指数历史走势及成因分析

国际上主要股票指数历史走势及成因分析 一、道·琼斯股票价格指数 道·琼斯指数是迄今为止历史最悠久、影响范围最广的股票指数，从开始编制至今多年来从无间断。年月日，道·琼斯公司创始人查尔斯·道开始编制一种股票价格指数，并刊登在《每日通讯》上。今天的道·琼斯指数发表在《华尔街日报》上，共分四个分类指数：工业股票价格指数、运输业股票价格指数、公用事业股票价格指数和综合股票价格指数。其中，工业股票价格指数应用范围最广。在这四类指数下又有若干的细分指数，总量达到多种。 道·琼斯工业、运输业和公用事业股票指数都是平均系列指数，综合指数是由以上三个指数的只成份股组成的平均指数，可以综合反映纽约证券交易所所有上市股票的价格总体走势。道·琼斯平均指数采用算术平均法计算，遇到拆股、换牌等非交易情况时用除数修正法予以调整。 美国道琼斯指数历史走势 道琼斯种工业股票平均价格指数于年月日问世，百年来趋势分析如下： 、年一战后，商品泡沫破灭，通货紧缩开始，迎来了股市大牛市场。到年月日 , 道·琼斯股票指数达到年代的高峰。 年月至年月 , 美国经济危机，道·琼斯指数下跌了，年月日，美国股灾，日跌幅达。美国年经济危机的起因是房地产泡沫，按揭庞大，无力偿还，发生了银行金融危机。 、年月至年月，道·琼斯指数回升，整个这一时期的升幅为。当时，罗斯福新政，美国经济开始复苏。

年月至年月，该指数在二战后上升了。二战后商品及通胀泡沫破灭，年，制止通货膨胀跟至，艾森豪威尔股市牛市开始。 、从年至年年的时间里，美国股市出现了连创新低的调整，从年至年的年间，是美国经济的恢复期，股市出现了恢复性的上涨，但仍然处于年以来的大箱体之中。 年月日，美国股灾，暴跌点，日跌幅达到创纪录的，该日被人们称为“黑色星期一”。年，格林斯潘刚接任美国联储局局长一职后，美国逐渐结束低利率时代，开始步入加息周期。随着加息进程的推进，美国股市便因银行收紧信贷情形，于年月日出现大跌。经过月日、日暴跌后，全球股市危机并没有结束。月日，心慌意乱的投资者又开始在外汇市场上抛售美元，抢购硬通货，造成美元大幅贬值。月日，受美元贬值和周边市场股市暴跌不止的影响，道·琼斯指数再次暴跌．点，跌幅为．％ 年月日，东南亚金融危机爆发，狂泻点，日跌幅达 , 日跌点数创历史之最；并且，首次启用股市停盘的规定，由于跌幅过大，当天两度停盘并提前收市。 、年，高科技股泡沫破灭，道琼斯工业股票平均价格指数跌幅，这是该指数自年月日以来的最大跌幅。当时，原油价格收于每桶美元之上，且美元走软，加之公布的生产者价格指数 () 显示核心批发价格明显上升，所有这些都引发了人们对于通货膨胀的担心。 、受到国际油价回跌以及通用汽车股价上涨的激励，美股持续走高，道琼斯指数年月日收盘突破点大关，为四年多来首次逾越该点位。 二、香港恒生指数 恒生指数是由香港恒生银行于年月日开始编制的用以反映香港股市行情的一种股票指数。该指数的成份股由在香港上市的较有代表性的家公司的股票构成，其中金融业种、公用事业种、地产业种、其他行业种。恒生指数最初以年月日为基期，基期指数为，以成份股的发行股数为权数，采用加权平均法计算。后由于技术原因改为以年月日为基期，基期指数定为。恒生指数现已成为反映香港政治、经济和社会状况的主要风向标。 恒生指数历史走势图

儿童抑郁量表CDI

儿童抑郁量表CDI Children's Depression Inventory 此量表是Kovacs根据成人的贝克抑郁问卷(Beck’s Depression Inventory,BDI)改编的用于测量儿童和青少年抑郁情绪的量表,是西方最早出现的儿童抑郁问卷。 该量表适用于儿童和青少年（7~17岁之间）抑郁心理症状的自评,主要评定依据是近两周内的自我感觉,CDI共有27题,包含5个因子:负面情绪、人际问题、效率低下、快感缺乏 和负性自尊。 采用0,1,2评分,分别表示“偶尔”,“经常”,“总是”,说明症状出现的频率,总分54分。根据原量表常模,19分为确定抑郁症状的划界分。 量表分为5个分量表：快感缺乏（Anhedonia)——8个项目、负性情绪（Negative Mood)——6个项目、低自尊（Negative Self-Esteem )——5个项目、低效感（Ineffectiveness)——4个项目、人际问题（Interpersonal Problem)——4个项目。 26题可能有文化上的差异。 指导语：根据你最近两周的实际感觉，请在最符合你情况的"口"内打"√"。 题 号 选项 1 口我偶尔感到不高兴□我经常感到不高兴□我总是感到不高兴 2 □我不能解决任何问题□我能解决遇到的部分问题□我能解决遇到的任何问题 3 口我做任何事情都不会出错□我做事情偶尔出错□我做事情经常出错 4 □我做许多事情都有乐趣□我做事情偶尔有乐趣□我做任何事情都没有乐趣 5 口我的表现一直都像个坏孩 子 □我的表现经常像个坏孩子□我的表现偶尔像个坏孩子 6 口我偶尔担心不好事情发生口我经常担心不好事情发生□我总是担心不好事情发生 7 口我恨我自己□我不喜欢我自己口我喜欢我自己 8 □所有不好事情都是我的错□许多不好的事情都是我的 错□仅有少数不好的事情是我的错 9 口我没有自杀想法口我想过自杀但我不会去做口我可能会自杀 10 口我每大都感觉想哭□我经常感觉想哭□我偶尔感觉想哭 11 □总是有事情干扰我口经常有事情干扰我口偶尔有事情干扰我 12 口我喜欢和别人在一起□我经常不喜欢和别人在一 起口我总是不喜欢和别人在一起 13 口我遇到事情总是拿不定主 意口我遇到事情经常拿不定主 意 □我遇到事情很容从拿定主 意 14 口我长得很好看□我在长相上有些不如意口我长得很丑 15 口我总足强迫自己去做作业□我经常强迫自己去做作业□我很容易完成作业 16 口我每天晚上很难睡着觉口我经常晚上睡不着觉□我睡觉很好

恒指交易规则及费用

?恒生指数交易规则 ?恒生指数交易费用 保证金表： 指数名称代号基本保证金维持保证金 大恒生指数期货HSI 68，200港元54,550港元 小恒生指数期货MHI 13,640港元10,910港元 香港期货保证金标准也是随市场有所调整，但幅度不是太大，也就200港币的来去。我们网站会跟新相关信息。维持保证金政策具体如下： 1. 基本保證金、維持保證金及追加保證金 1基本保證金:開立合約時帳戶必須存有足夠的指定金額 2維持保證金:開立合約後，帳戶現金結餘必須達所有未平倉合約的維持保證金最低水平（如適用） 3追加保證金:如帳戶現金結餘跌至低於維持保證金水平，客戶必須追加保證金。無論有否被通知，客戶必須在本公司指定時間內自行安排增補保證金，以至帳戶淨值不少於基本保證金水平。 2. 追繳保證金補倉通知 如客戶戶口之資產淨值下跌至低於維持保證金水平，本公司將透過電話、電郵或流動電話短訊（如適用）等途徑知會客戶有關補倉通知及補倉存款要求，客戶需於發出補倉要求後之指定時限內 1.存入所需之補倉金額；或

2.由永豐金融集團旗下之其他戶口轉帳所需補倉金額至交易戶口；或 3.自行平倉以達至基本保證金要求，否則本公司將根據客戶協議書把其合約強制平倉。 期货产品交易所费用证监会徽费佣金 大恒生指数期货10港元0.6港元45港元 小恒生指数期货 3.5港元0.6港元10港元 恒生指数期货的手续费上表为最低价，永丰期货为香港证监局AAA 类公司，本人代理的盘子拒绝一切非法对赌盘. 1.香港恒生指数介绍：1986年5月6日，香港期货交易所推出恒生指数期货合约，缩写为：HSI，1993年3月推出恒生指数期权合约，为投资者提供套戥方式，分散投资风险。大恒指波动每点50港元，小恒指波动10港元每点。港交所为了更加配合市场的需要，于2013年4月8日开通期货夜市，客户在17:00至23:00可以继续交易恒指期货各月合约及国际期货的各种合约，极大的增加了客户的投资机遇。 2.恒生指数期货盈亏计算： 如果您在恒生指数23000点买入5手恒指期货，在23200点沽出，那么您的收益为=（23200—23000）*5手*50点—手续费单边45港元*2*5手=49660港元。 恒指期货像国际期货一样，采用固定保证金制度，一手恒指期货保证金额是不变的，大恒指一手目前是8.2万港元。不像国内期货采用固

贝克抑郁自评量表

贝克抑郁自评量表 贝克抑郁自评量表是专门评测抑郁程度的。整个量表包括下面21组项目，每组有4句陈述，每句之前标有的阿拉伯数字为等级分。可根据一周来的感觉，把最适合自己情况的一句话前面的数字圈出来。全部21组都做完后，将各组的圈定分数相加，便得到总分。依据总分，就能明白无误地了解自己是否有抑郁，抑郁的程度如何。 贝克抑郁自评量表 抑郁症是一种非常常见的疾病，位于世界150种常见疾病的第4位，并有进一步提升的趋势。全世界范围内，有三亿四千万抑郁症患者。它对人的劳动能力具有非常严重的损害，严重地影响着人们的工作绩效、人际交往以及日常生活，更有约10%~15%的抑郁症患者最终自杀死亡。有专家甚至声称，我们正处于一个"抑郁的时代"。 折叠题目 (一) 0.我不感到悲伤。 1.我感到悲伤。 2.我始终悲伤，不能自制。

3.我太悲伤或不愉快，不堪忍受。 (二) 0.我对将来并不失望。 1.对未来我感到心灰意冷。 2.我感到前景黯淡。 3.我觉得将来毫无希望，无法改善。 (三) 0.我没有感到失败。 1.我觉得比一般人失败要多些。 2.回首往事，我能看到的是很多次失败。 3.我觉得我是一个完全失败的人。 (四) 0.我从各种事件中得到很多满足。

1.我不能从各种事件中感受到乐趣。 2.我不能从各种事件中得到真正的满足。 3.我对一切事情不满意或感到枯燥无味。 (五) 0.我不感到有罪过。 1.我在相当的时间里感到有罪过。 2.我在大部分时间里觉得有罪。 3.我在任何时候都觉得有罪。 (六) 0.我没有觉得受到惩罚。 1.我觉得可能会受到惩罚。 2.我预料将受到惩罚。 3.我觉得正受到惩罚。

国际金融环境的变化趋势与影响

国际金融环境的变化趋势与影响

国际金融环境的变化趋势与影响 2013年10月29日10:02 来源：国研网作者：字号 打印纠错分享推荐浏览量 108 一、未来三到五年，影响国际金融环境变化的重大因素 （一）欧、美、日严重的财政债务问题 2008年由美国次贷危机引发的金融流动性危机，已经转化为欧美日等发达经济体内部日益严重的财 政债务风险。对于不同的经济体，风险的表现方式有所区别。在欧洲，2009年末以来希腊、葡萄牙、西 班牙、爱尔兰、意大利等国接连爆出主权债务问题。这些国家的政府债务负担远远超出了其承受范围，引起了国家违约风险。 美国的债务问题主要表现为债务上限约束与为经济复苏而采取的财政激励计划之间的矛盾。为了推动经济复苏，美国政府采取了一系列的财政刺激措施，包括减税，加大对医疗卫生、能源、教育、基础设施、失业救济等领域的财政支出。这些措施使得美国的债务上限不断被突破，财政负担日益沉重。从2007年9月至2011年8月初，美国先后7次提高债务上限。最新的债务上限规模为16.394万亿美元。 日本债务问题由来已久。自上个世纪80年代末经济泡沫破灭以来，日本的公共债务比率长期处于上 升态势。到2011年初地震和海啸之前，日本公共债务相当于GDP的228%。IMF2012年10月份的报告显示：2012年日本政府债务总额将达到GDP 237%的规模。 （二）全球性宽松货币政策 2008年危机爆发后，为挽救美国金融体系，美联储于当年11月启动了第一轮量化宽松政策（QE1），QE1共耗资1.725万亿美元，开启了全球宽松货币政策时代。之后，于2010年8月推出了第二轮量化宽松政策（QE2）。欧债危机爆发以后，其他国家也将低利率和（或）量化宽松作为刺激经济恢复增长的重要手段。2012年6月底开始，主要经济体的宽松货币政策密集出台。包括最近的日本无限量宽松货币政策。 欧美日新一轮的宽松货币政策具有两大共同特征：一是没有上限。在推出OMT（直接货币交易）时，欧洲央行明确表示对购入债券没有数量限制。美国QE3虽然规定了每个月购买机构抵押贷款支持债券的规模，但并未规定结束时间，这意味着总规模没有上限。日本央行购入金融资产也是无限量的。二是与经济发展状况挂钩。发达国家的货币政策通常与通货膨胀率挂钩。而此次，OMT与欧元区国家的举债成本挂钩，当受困国债务成本上升到一定程度后，该计划就会进入二级市场购买该国债券，以降低其债务成本。QE3的推出，则是美联储第一次将救助计划与经济发展目标——失业率和经济复苏联系起来。 （三）国际金融监管制度改革 此次金融危机充分暴露了发达经济体以及国际层面在金融监管上的漏洞和缺陷。为避免重蹈覆辙，欧美等发达经济体积极推动本经济体内部的金融监管体制改革。2010年7月，美国政府通过了《华尔街改革和消费者保护法》。该法案主要包括建立消费者金融保护局和金融稳定监督委员会，改革高管薪酬及企业治理结构，加强对系统重要性金融机构、衍生产品、对冲基金、评级机构和私募基金的监管等措施。2010

恒指行情方位分辨预测方式大全

恒指行情方位分辨预测方式大全 恒生指数行情预测，根据对基本面和历史行情走势，预知市场行情的跌涨，做为在线交易的策略根据，它是很有实战作用的。首先，恒生指数行情预测方式大全预测是波段或趋势预测，而并不是几分钟，30分钟如何走。大的方位，大的趋势没错，实际操作上就不容易犯大错误。假如仅仅预测几分钟，短时间市场行情会如何运作。那样沒有很大的作用。 我们要做波段或趋势预测，才可以在短线或中心线周期时间中依据那时候价格所在位置，做相对的实际操作。次之，预测并不是全能的。技术指标分析并不是预言师，选用的方式都是多头空头产生的概率统计，上涨的几率大，还是下跌的几率大。因此人们不仅根据预测市场行情来制订交易方案，但又不封建迷信行情预测。归根结底，预测仅仅一种参照，假如市场行情走势与预测结果不一致，应当有相对性的期货实战计划方案。 恒生指数行情预测方式大全预测方式： 1、依据前一个交易日收盘价格，预测当今市场行情走势。

恒生指数收盘价格是多头空头彼此博奕的最终结果，?对第二天市场行情趋势有关键指导意义。假如收盘价格就是当日的最高成交价，预示第二天市场行情将会再次飙升，产生更高的价格；假如收盘价格就是说当日最低价位，表明市场看空心态明显，第二天将会进一步探底；收盘价格与开盘时间在同一水准，主要表现为十字星，或螺旋桨，说明多头空头彼此旗鼓相当，必须融合后续K线的上长上影线，才可以进一步分辨。 2、依据上证指数走势预测 上证指数与恒生指数市场价格是成正比，且相关性很高，9.30股票开盘后，能够观查上证的走势，假如上证是空头，则恒生指数也呈降低趋势；假如上证双头明显，恒生指数市场行情也会大几率高涨。 3、依据K线形态及K线组成预测 K线也叫蜡烛图，蕴涵极其丰富的价钱转变信息内容，K线形态组成表明了当今及将来价钱运作一般规律性，如双重顶（底）头肩顶（底）等，投资者应当记熟典型性的

贝克抑郁量表(BDI)

贝克抑郁量表（BDI） 说明：这份问卷有21组陈述。仔细阅读每一组陈述，然后根据您近一周（包括今天）的感觉，从每一组选一条最适合您情况的项目，将旁边的数字圈起来。先把每组陈述全部看完，再选择圈哪个项目。 一、 A. 我不感到悲伤 B. 我感到悲伤 C. 我始终悲伤，不能自制 D. 我太悲伤或不愉快，不堪忍受 二、 A. 我对将来并不失望 B. 对未来我感到心灰意冷 C. 我感到全景暗淡 D. 我觉得将来毫无希望，无法改善 三、 A. 我没有感到失败 B. 我觉得比一般人失败要多一些 C. 回首往事，我能看到的是很多次失败 D. 我觉得我是一个完全失败的人 四、 A. 我和以前一样，从各种事件中 B. 我不象往常一样从各种事件中得到满足得到满足 C. 我不再能从各种事件中得到真 D. 我对一切事情都不满意或感到正的满足枯燥无味 五、 A. 我不感到罪过 B. 我在相当部分的时间里感到罪过 C. 我在大部分时间里觉得有罪 D. 我在任何时候都觉得有罪 六、 A. 我没有觉得受到惩罚 B. 我觉得可能受到惩罚 C. 我预料将受到惩罚 D. 我觉得正受到惩罚

七、 A. 我对自己并不失望 B. 我对自己感到失望 C. 我对自己感到讨厌 D. 我恨我自己 八、 A. 我觉得我并不比其他人更不好 B. 我对自己的弱点和错误要批判 C. 我在所有的时间里都责备自己的过错 D. 我责备自己所有的事情都弄坏了 九、 A. 我没有任何想弄死自己的想法 B. 我有自杀的想法，但我不会去做 C. 我想自杀 D. 如果有机会我就自杀 十、 A. 我哭泣和往常一样 B. 我比往常哭的多 C. 我现在一直要哭 D. 我过去能哭，但现在要哭也哭不出来 十一、 A. 和过去相比，我现在生气并不多 B. 我现在比往常更容易生气发火 C. 我觉得现在所有的时间都 D. 过去使我生气的事，现在容易生气一点 也不能使我生气了 十二、 A. 我对其他人没有失去兴趣 B. 和过去相比，我对别人的兴趣减少了 C. 我对别人的兴趣大部分失去了 D. 我对别人的兴趣已全部丧失了

国际上主要股指介绍

国际上主要股指介绍 一、股票指数的概述 1 、股票指数的概念 股票指数是用来度量股票市场行情的一种指标，一般由证券交易所或其他金融服务机构编制。不同股票市场有不同的股票指数，同一股票市场也可以有多个股票指数。 股票指数的作用在于为投资者提供一个衡量股市价值变化的参照系。借助股票指数，投资者可以观察和分析股市的发展动态，研究有关国家和地区的政治经济形势，拟定投资策略。股票指数是一种平均数或加权平均数，其涨跌反映了以样本股为代表的相关市场的波动趋势，有助于投资者形成对市场的综合判断，为中长期投资提供指导和借鉴。 2 、股票指数的编制 在编制股票指数时，首先需要从所有上市股票中选取一定数量的样本股票。样本的股票的选择应遵循一定的原则，如行业代表性、市值规模、流动性、波动性等。其次需要选择计算方法。通常的计算方法有三种：算术平均法、加权平均法和几何平均法，早期的指数编制多用简单算术平均法，目前新开发的指数一般采用加权平均法。 加权股票指数是根据各期样本股票的相对重要性予以加权，其权数可以是成交股数、总股本等。按时间划分，权数可以是基期权数，也可以是报告期权数。以基期成交股数 ( 或总股本 ) 为权数的指数称为拉斯拜尔指数，其计算公式为： 加权股价指数 = * 基点 以报告期成交股数 ( 或总股本 ) 为权数的指数称为派许指数。其计算公式为： 加权股价指数 = * 基点 其中——基期股价——基期成交股数（或总股本） ——报告期股价——报告期成交股数（或总股本）

拉斯拜尔指数偏重基期成交股数 ( 或总股本 ) ，而派许指数则偏重报告期的成交股数 ( 或总股本 ) 。目前世界上大多数股票指数都是派许指数。我国上海证券交易所的 10 个指数，比如上证综合指数、上证 180 、 A 、 B 股指数、沪深 300 指数等用的都是用派许指数来计算的，当然深圳交易所的股票指数计算用的也是这个方法。目前来看，世界上只有法兰克福交易所的股价指数为拉斯拜尔指数。 3 、影响股票指数波动的主要因素 影响股票指数的因素有很多，其中最主要的有以下因素： 1 、宏观经济及企业运行状况。一般来说，在宏观经济运行良好的条件下，股票价格指数会呈现不断攀升的趋势，在宏观经济运行恶化的背景下，股票价格指数往往呈现出下滑的态势。同时，企业的生产经营状况与服票价格指数也密切相关，当企业经营效益不断提高时，会推动股票价格指数的上升，反之，则会导致股票价格指数的下跌。 2 、利率水平的高低。通常来讲，利率水平越高，股票价格指数会越低。其原因是，在利率高企的条件下，投资者投资于存款、债券等更有利可图，从而导致股票市场的需求减少，促使股票价格指数下跌；反之，利率水平越低。股票价格指数就会越高，因为利率太低使存款和购买债券无利可图，使越来越多的投资者转而投向股票市场，从而拉动股票价格指数的上升。 3 、资金供求状况。当一定时期市场资金比较充裕时，股票市场的购买力比较旺盛，会推动股票价格指数的上升；否则，会促使股票价格指数的下跌。 4 、编制方法。股票价格指数的波动虽然与宏观经济的变动紧密相关，但也与编制方法存在一定的联系，特别是成份指数的变动与所选择的样本公司关系十分密切。 5 、突发事件。股票价格指数的波动，不仅受经济因素的影响，而且受许多突发事件，诸如战争、政变、金融危机、能源危机等的影响。与其他因素相比，突发事件对股票价格指数的影响有两个特点：一是偶然性。即突发事件往往是突如其来的，因此相当多的突发事件是无法预料的。二是非连续性。即突发事件不是每时每刻发生的，它对股票价格指数的影响不像其他因素那样连续和频繁。 影响股票指数走势的经济因素 经济因素指标 升降股票 指数 解释 国内贸易收支↑↑由于贸易收支上升，表示本国经济竞争力相对为强，同时货币供给量增加。

抑郁自评量表

抑郁自评量表（SDS）[完整版] 姓名：性别：年龄：文化程度：工作单位：联系方式： 指导语：以下描述列出了有些人可能会有的问题，请你仔细阅读每一条，然后根据最近一个星期以内你的实际感觉看最符合下列哪种描述。 1．我觉得闷闷不乐，情绪低沉a．很少有b．有时有c．大部分时间有d．绝大部分时间有 2．我觉得一天之中早晨最好a．很少有b．有时有c．大部分时间有d．绝大部分时间有 3．我一阵阵地哭出来或者觉得想哭a．很少有b．有时有c．大部分时间有d．绝大部分时间有 4．我晚上睡眠不好a．很少有b．有时有c．大部分时间有d．绝大部分时间有 5．我吃的跟平常一样多a．很少有b．有时有c．大部分时间有d．绝大部分时间有 6．我与异性密切接触时和以往一样感到愉快a．很少有b．有时有c．大部分时间有d．绝大部分时间有 7．我发觉我的体重在下降a．很少有b．有时有c．大部分时间有d．绝大部分时间有 8．我有便秘的苦恼a. 很少有b．有时有c．大部分时间有d．绝大部分时间有 9．我心跳比平时快a. 很少有b．有时有c. 大部分时间有d．绝大部分时间有 10．我无缘无故感到疲乏a．很少有b．有时有c．大部分时间有d．绝大部分时间有 11. 我的头脑跟平常一样清楚a. 很少有b．有时有c．大部分时间有d．绝大部分时间有 12、我觉得做以前经常做的事并没有困难a．很少有b．有时有c．大部分时间有d．绝大部分时间有 13．我觉得不安而平静不下来a. 很少有b．有时有c．大部分时间有d．绝大部分时间有 14．我对将来抱有希望a. 很少有b．有时有c．大部分时间有d．绝大部分时间有 15．我比平常容易激动a．很少有b．有时有c．大部分时间有d．绝大部分时间有 16．我觉得作出决定是容易的a．很少有b．有时有c．大部分时间有d．绝大部分时间有 17．我觉得自己是个有用的人，有人需要我。a．很少有b．有时有c．大部分时间有d．绝大部分时间有 18．我的生活过得很有意思a．很少有b．有时有c．大部分时间有d．绝大部分时间有 19．我认为如果我死了别人会生活得好些a．很少有b．有时有c．大部分时间有d．绝大部分时间有

以史为鉴——港股过去5年涨幅前100名公司分析

以史为鉴——港股过去5年涨幅前100名公司分析 金枫股经：股票投资学习平台最近看朋友圈有人做了“老龄化社会下的日本十年10倍股分析”和“美国近10年来涨幅最大的股票统计”，于是也尝试统计了从2012年1月1日起至今四年半时间香港市场涨幅排名前100位的公司(剔除了16年上市的新股、市值涨幅最低的四年多涨了164%，年均复合增速24%。发现共性如下： 1）几乎都是有业绩的公司，亏损的公司只有4家，占比4%；2）估值都不高，PE-TTM超过30倍的只有13家，占比13%；40%集中在5-15倍区域； 这100家公司的PE-TTM分布如下表：3）大都主业集中，长期以来一直专注做一个行业； 4）大部分集中在传统行业，比如医药、地产、金融、大众消费品(11家大众消费品有3家纺织公司，其中2家我做过审计J)和公用事业；新兴产业（比如新能源、传媒）仅11只，并不多（唯二之一的新能源是汉能薄膜发电…囧），具体如下：5）分红率都比较高，有50%的公司自06年至今分红率超过30%，最高的分红率有92%！ 6）有32家11年开始连续五年净利润正增长，41家12年开始连续四年净利润正增长； 7）有40家（占比40%）公司的ROIC连续4年超过10%，

其中10家的ROIC在这四年间逐年上升（加粗highlight），分别是：72%的公司在5年内至少4年跑赢恒指：从获取的相对收益来看，在这100家公司中，有35家在12年至今的每一年里，都跑赢了恒生指数，占比35%；有37家仅一年没有跑赢恒指，占比37%；有25家有两年没有跑赢恒指，占比25%；只有3家公司在五年内只跑赢了两年，也就是说是靠着某两年的大涨上的榜，占比非常小。在这100家公司中，非借壳上市的且连续5年都有正收益的有23家，占比23%。 港股涨幅榜前列的公司与日本、美国的区别： 分析完港股近五年涨幅榜前100位的公司，再与之前朋友圈里发布过的日本十年10倍股和美国十年涨幅前10大牛股比较下，可以发现三个市场表现优秀的股票的特点不太相同：日本特点： 1）涨幅榜前列的公司以类消费品企业居多，就算是制药公司，也是传统的医药企业； 2）估值合理，大多在15-20倍，仅一百日元店seria和药妆店COSMOS在30倍； 3）典型的优质白马成长企业，基本上10家公司都是十年间收入和利润每年有增长（除了两家公司在08年金融危机的时候利润略有下滑）。 美国特点：

贝克抑郁自评量表

贝克抑郁自评量表标准化管理处编码[BBX968T-XBB8968-NNJ668-MM9N]

贝克抑郁自评量表——认知治疗抑郁症的量化工具 导读： 下面有21组项目，每组有4句陈述，每句之前标有的阿拉伯数字为等级分。你可根据一周来的感觉，把最适合自己情况的一句话前面的数字圈出来。全部21组都做完后，将各组的圈定分数相加，便得到总分。依据总分，就能明白无误地了解自己是否有抑郁，抑郁的程度如何。 （一） 0.我不感到悲伤。 1.我感到悲伤。 2.我始终悲伤，不能自制。 3.我太悲伤或不愉快，不堪忍受。 （二） 0.我对将来并不失望。 1.对未来我感到心灰意冷。 2.我感到前景黯淡。 3.我觉得将来毫无希望，无法改善。 （三） 0.我没有感到失败。

1.我觉得比一般人失败要多些。 2.回首往事，我能看到的是很多次失败。 3.我觉得我是一个完全失败的人。（四） 0.我从各种事件中得到很多满足。 1.我不能从各种事件中感受到乐趣。 2.我不能从各种事件中得到真正的满足。 3.我对一切事情不满意或感到枯燥无味。（五） 0.我不感到有罪过。 1.我在相当的时间里感到有罪过。 2.我在大部分时间里觉得有罪。 3.我在任何时候都觉得有罪。 （六） 0.我没有觉得受到惩罚。 1.我觉得可能会受到惩罚。 2.我预料将受到惩罚。 3.我觉得正受到惩罚。 （七）

0.我对自己并不失望。 1.我对自己感到失望。 2.我讨厌自己。 3.我恨自己。 （八） 0.我觉得并不比其他人更不好。 1.我要批判自己的弱点和错误。 2.我在所有的时间里都责备自己的错误。 3.我责备自己把所有的事情都弄坏了。（九） 0.我没有任何想弄死自己的想法。 1.我有自杀想法，但我不会去做。 2.我想自杀。 3.如果有机会我就自杀。 （十） 0.我哭泣与往常一样。 1.我比往常哭得多。 2.我现在一直要哭。 3.我过去能哭，但现在要哭也哭不出来。

贝克抑郁自评量表模板

贝克抑郁自评量表——认知治疗抑郁症的量化工具 导读： 下面有21组项目，每组有4句陈述，每句之前标有的阿拉伯数字为等级分。你可根据一周来的感觉，把最适合自己情况的一句话前面的数字圈出来。全部21组都做完后，将各组的圈定分数相加，便得到总分。依据总分，就能明白无误地了解自己是否有抑郁，抑郁的程度如何。 （一） 0.我不感到悲伤。 1.我感到悲伤。 2.我始终悲伤，不能自制。 3.我太悲伤或不愉快，不堪忍受。 （二） 0.我对将来并不失望。 1.对未来我感到心灰意冷。 2.我感到前景黯淡。 3.我觉得将来毫无希望，无法改善。 （三） 0.我没有感到失败。 1.我觉得比一般人失败要多些。 2.回首往事，我能看到的是很多次失败。 3.我觉得我是一个完全失败的人。 （四） 0.我从各种事件中得到很多满足。 1.我不能从各种事件中感受到乐趣。 2.我不能从各种事件中得到真正的满足。 3.我对一切事情不满意或感到枯燥无味。 （五） 0.我不感到有罪过。 1.我在相当的时间里感到有罪过。 2.我在大部分时间里觉得有罪。 3.我在任何时候都觉得有罪。 （六） 0.我没有觉得受到惩罚。 1.我觉得可能会受到惩罚。

2.我预料将受到惩罚。 3.我觉得正受到惩罚。 （七） 0.我对自己并不失望。 1.我对自己感到失望。 2.我讨厌自己。 3.我恨自己。 （八） 0.我觉得并不比其他人更不好。 1.我要批判自己的弱点和错误。 2.我在所有的时间里都责备自己的错误。 3.我责备自己把所有的事情都弄坏了。 （九） 0.我没有任何想弄死自己的想法。 1.我有自杀想法，但我不会去做。 2.我想自杀。 3.如果有机会我就自杀。 （十） 0.我哭泣与往常一样。 1.我比往常哭得多。 2.我现在一直要哭。 3.我过去能哭，但现在要哭也哭不出来。 （十一） 0.和过去相比，我现在生气并不更多。 1.我现在比往常更容易生气发火。 2.我觉得现在所有的时间都容易生气。 3.过去使我生气的事，现在一点也不能使我生气了。（十二） 0.我对其他人没有失去兴趣。 1.和过去相比，我对别人的兴趣减少了。 2.我对别人的兴趣大部分失去了。 3.我对别人的兴趣已全部丧失了。 （十三） 1.我推迟作出决定比过去多了。 2.我作决定比以前困难大得多。 3.我再也不能作出决定了。 （十四）

恒指期货操盘注意事项

恒指期货操盘注意事项 随着恒生指数期货不断在国内投资圈不断升温很多投资想从中分一杯羹，但很多人却还在观望，原因不外乎对交易规则的不熟悉。下面就给大家讲讲恒生指数期货的操盘注意事项。 什么是恒指期货 恒指期货：就是以香港恒生指数为买卖对象，双向交易(可随意买多卖空)，每一手交易合约以50港币现金为一个基点(进行交易的指数点位每涨/跌1个点)进行累计计算盈亏，通过现金的方式当日进行交割结算。 恒生指数期货是香港蓝筹股变化的指标，亦是亚洲区广受注目的指数。同时，它亦广泛被使用作为衡量基金表现的标准。 恒生指数是以加权资本市值法计算，该指数共有三十三支成份股。该三十三支成份股分别属于工商、金融、地产及公用事业四个分类指数，其总市值占香港联合交易所所有上市股份总市值约百份之七十。 恒指期货交割日 股指期货交割日，也称为“结算日”，就是该股指期货合约的最后一个交易日并且进行最后结算。是的，股指期货合约是一种有限期合约，限期一过就不再存在。也就是说一个股指期货合约过了交割日以后就不再存在了。 在商品期货交易当中，交割日就意味着双方持有的期货合约将以真实商品的交割转手为最后结算。商品以期货合约的最后结算价进行交易，该期货合约的使命就完成了，也就不再存在。

我们也许都对沪深300股指期货交割日的认识都比较清楚，沪深300股指期货合约交割日定为每个月份的第三个星期五。这与国际上的主要金融期货以及期权交割日是一样的。在每个月的第三个星期五，该月份的股指期货合约，称之为“交割合约”，做最后结算以后就摘牌，退出市场。 恒指期货交割日，恒生指数期货及期权合约能提供成本效益更高的投资机会。投资者买卖恒生指数期货及期权合约只须缴付按金，而按金只占合约面值的一部份，令对冲活动更合乎成本效益。 恒生指数期货合约是根据恒生指数及其四项分类指数：地产、公用事业、金融及工商而定。合约分为四个月份，即当前月、下一月、以及后两个季月，当前为4月，则合约分为4月恒指、5月恒指、6月恒指、9月恒指，4月合约现金交割之后，则合约变化为5月合约、6月合约、9月合约、12月合约，之后循环反复。 恒生指数期货合约价值则等于合约的现行结算价格乘以五十港币。当月合约交割日为每月倒数第二个交易日。结算日则为每月的最后交易日。 恒指期货特点 优点： 1.可买多卖空，双向交易，随时可进行平仓结算盈亏。? 2.现金交割，每日结算。? 3.资金安全，出入方便?

贝克抑郁量表

贝克抑郁量表 指导语：下面有21个问题，请仔细阅读每一个问题，选择适合的答案。评定时间范围应是“最近一周”内的自我体验。不要漏项或重复评定。量表应自行填写，要求独立完成。每题的涵义有不明白的地方，应及时提问并弄明白。 注意：每一个问题都需要作答。请在每一题下选择0. 1. 2. 3.中的一个数字划圈。如划错，可在划错的圈上再划一杠，表示放弃。 第1题 0.我不感到悲伤。 1.我感到悲伤。 2.我始终悲伤，不能自制。 3.我太悲伤或不愉快，不堪忍受。 第2题 0.我对将来并不失望。 1.对未来我感到心灰意冷。 2.我感到前景黯淡。 3.我觉得将来毫无希望，无法改善。 第3题 0.我没有感到失败。 1.我觉得比一般人失败要多些。 2.回首往事，我能看到的是很多次失败。 3.我觉得我是一个完全失败的人。 第4题 0.我从各种事件中得到很多满足。 1.我不能从各种事件中感受到乐趣。 2.我不能从各种事件中得到真正的满足。 3.我对一切事情不满意或感到枯燥无味。 第5题 0.我不感到有罪过。 1.我在相当的时间里感到有罪过。 2.我在大部分时间里觉得有罪。 3.我在任何时候都觉得有罪。 第6题 0.我没有觉得受到惩罚。 1.我觉得可能会受到惩罚。 2.我预料将受到惩罚。 3.我觉得正受到惩罚。 第7题 0.我对自己并不失望。 1.我对自己感到失望。 2.我讨厌自己。 3.我恨自己。 第8题 0.我觉得并不比其他人更不好。

1.我要批判自己的弱点和错误。 2.我在所有的时间里都责备自己的错误。 3.我责备自己把所有的事情都弄坏了。 第9题 0.我没有任何想弄死自己的想法。 1.我有自杀想法，但我不会去做。 2.我想自杀。 3.如果有机会我就自杀。 第10题 0.我哭泣与往常一样。 1.我比往常哭得多。 2.我一直要哭。 3.我过去能哭，但现在要哭也哭不出来。 第11题 0.和过去相比，我生气并不更多。 1.我比往常更容易生气发火。 2.我觉得所有的时间都容易生气。 3.过去使我生气的事，目前一点也不能使我生气了。第12题 0.我对其他人没有失去兴趣。 1.和过去相比，我对别人的兴趣减少了。 2.我对别人的兴趣大部分失去了。 3.我对别人的兴趣已全部丧失了。 第13题 0.我能像平时一样做出决定。 1.我推迟作出决定比过去多了。 2.我作决定比以前困难大得多。 3.我再也不能作出决定了。 第14题 0.觉得我的外表看上去并不比过去更差。 1.我担心自己看上去显得老了，没有吸引力。 2.我觉得我的外貌有些变化，使我难看了。 3.我相信我看起来很丑陋。 第15题 0.我工作和以前一样好。 1.要着手做事，我目前需额外花些力气。 2.无论做什么我必须努力催促自己才行。 3.我什么工作也不能做了。 第16题 0.我睡觉与往常一样好。 1.我睡眠不如过去好。 2.我比往常早醒1-2小时，难以再睡。 3.我比往常早醒几个小时，不能再睡。 第17题

股票名词解释

股票名词解释 名词解释阻力线. 3支撑线. 3缺口. 3十字星型. 3“一” 字型. 4 跳空. 4 成交量. 4 下影线. 4 上影线. 4 收盘价. 5 开盘价. 5 香港恒生指数. 5纽约证券交易所股票价格指数. 5 深圳综合股票指数. 6上证综合指数. 6纳斯达克市场. 6股票指数. 6 道琼斯股票指数. 7 指定交易. 7 印花税. 7 佣金. 7“T+1 ”交易制度. 8跌停板. 8涨停板. 8成交价. 8集合竞价. 8价格优先. 9资产收益率. 9售毛利率. 9股本结构. 9每股净资产. 10每股收益. 10损益表. 10资产负债表. 10主营业务收入增长率. 11 资产负债率. 11主营业务收入增长率. 11净资产收益率. 11市盈率. 12填息. 12填权. 12除息. 12 除息. 12股利. 13零股交易. 13买壳上市. 13 换手率. 13坐轿. 14吸货. 14突破. 14盘整. 14洗盘. 14套牢. 15回档. 15横盘. 15割肉. 15反转. 16反弹. 16筹码. 16利空. 16利多. 16特种定向债券. 17 记账式国债. 17 无记名（实物）国债. 17 凭证式国债. 17 庄股. 18 二级市场. 18一级市场. 18ST 股. 18PT 股. 18普通股. 19新股与次新股. 19证券投资基金. 19红筹股. 19转配股. 19投资基金. 20蓝筹股. 20可转债. 20绩优股. 20黑马股. 20国债. 21股票. 21H 股. 21B 股. 21A 股. 21 阻力线——股价在上升途中到达某一价位时，由于此价位上方多为套牢盘，当股价一到达该价位，就不断有卖盘出现，致使股价无法上涨，此价位

抑郁自评量表

抑郁自评量表（）SDS对下面把题目的意思看明白，然后按照自己最近一周以来的实际情况，请仔细阅读每一条，、我感到情绪沮丧，郁级评分：①很少；②有时；③经常；④持续。的20个条目按1－14①很少②有时③经常④持闷。 ... 请仔细阅读每一条，把题目的意思看明白，然后按照自己最近一周以来的实际情况，对下? ①很少；②有时；③经常；④持续。级评分：?面的20个条目按1－4 ? ④持续③经常②有时??1、我感到情绪沮丧，郁闷。①很少???? ③经常? ??2、我感到早晨心情最好。①很少?②有时?④持续? ③经常? ①很少?②有时?④持续??3、我要哭或想哭。 ? ?④持续①很少?②有时?③经常??4、我夜间睡眠不好。 ? ?? ①很少②有时?③经常④持续 ??5、我吃饭象平时一样多。 ? ? ①很少?②有时?④持续③经常 ??6、我的性功能正常。 ? ④持续①很少?②有时??③经常 ??7、我感到体重减轻。 ? ②有时?④持续③经常?①很少 ?、我为便秘烦恼。??8? ?④持续③经常? ①很少?②有时 ??9、我的心跳比平时快。 ? ④持续?①很少?②有时?③经常 ?10、我无故感到疲劳。 ③经常?④持续? ? ①很少②有时? 、我的头脑象往常一样清楚。?11 ? ④持续?③经常?②有时?①很少、我做事情象平时一样不感到困难。?12． ? ?④持续? ①很少?②有时③经常 ?13、我坐卧不安,?难以保持平静。 ? ?④持续①很少 ?②有时?③经常 ?14、我对未来感到有希望。 ? ④持续①很少?②有时?③经常? ?15、我比平时更容易激怒。 ? ??②有时③经常?④持续 ?16、我觉得决定什么事很容易。①很少? ②有时?③经常?④持续 ?17、我感到自己是有用的和不可缺少的人。①很少?? ④持续③经常?? ?18、我的生活很有意义。①很少?②有时? ?持续? ?19、假若我死了别人会过得更好。①很少?②有时③经常? ④持续? ?20、我仍旧喜爱自己平时喜爱的东西。①很少?②有时?③经常 计分方式：? 分；3?1、①、②、③、④依次计1、2、、4、3420题反向计分，即①、②、③、④依次计、181612622、第、5、、11、、14、、17、、分。2、1 ?统计结果：并四舍五入取整原始总分X 分（标准分总分（< >20个项目所得分之和）：＿＿＿标准T= (SDS)的计分标准及注意事项数）：———抑郁自评量表年。为美国教1965ZungSDS)Rating Depression Scale(Self抑郁自评量表—，由编制于育卫生福利部推荐的用于精神药理学研究的量表之一，因使用简便，应用颇广。． 个等级：没有或很少时间，少部分时间，相当多时间， 4SDS按症状出现频度评定，分?? 。反向评分题，则评为l4、、2、3绝大部分或全部时间。若为正向评分题，依次评为粗分评定时间为过去一周内，把个题的得分相加为粗分，粗分乘以，四舍五入取、1。24、3、 T=53整数即得到标准分。抑郁评定的领临界值为，分值越高，抑郁倾向越明显。分，53-62为轻度抑郁，中国常模：分界值为53 63-72为中度抑郁， 72分以上为重度抑郁。症状来划分；对严重阻滞症要害)(注：量表总分值仅作为参考而非绝对标准，应根据临床状的抑郁病人，评定有困难。?

港股指数和银行指数

港股指数和银行指数 一、港股指数 港股是距离我们最近的一个国际市场，跟国内的关联度非常高今天咱们国内行情，不管是A股、香港指数还是台湾指数，有升有降，跌幅不是很大、涨幅也不是很大，最近因为疫情影响，大家坐一段过山车，如果之前有做过投资的话。 港股跟我们内地关联度非常强，我们经常能发现一些很有价值的投资机会，离我们最近的一个海外投资市场，这是值得我们关注的一个点。 香港交易市场是与A股连续比较紧密的，然后制度也是比较完善的。港股也是一个机构投资者为主的市场，和我们A股有点区别，机构投资者比较喜欢这种盈利比较稳定，就是收益比较稳定、高分红的蓝筹股是机构投资者的最爱。 我们经常说A股，H股，A股就是在国内上市的、用人民币交易的股票。H股，它有一些特殊，它指的是公司在国内注册的，但是跑到香港上市，用港币交易的股票。国内企业到香港上市的其实非常很多，从1993年，第一家青岛啤酒到香港上市至今，已经有几百家企业到香港上市了。所以我们自己做投资的话，一定不能放过这一块，像我们普通投资者都能看到这样一个投资机会，更何况是这些聪明的投资者呢？像这种基金公司、基金机构还有指数机构，他们肯定也看到了。 为了衡量这些公司股票的表现，恒生指数公司编制了恒生中国企业指数，也就是我们现在比较熟知的恒生企业指数，简称H股指数。

我们想要投资港股呢，通常有3种方式： 1.投资港股指数基金，这个是最方便的，因为我们跟H股关连度比较紧密，和我们投资国内其它投资品没有太大差异。 2.开通内地券商app里头的沪港通、深港通这种方式，开通有50万门槛。 3.直接开通港股账户，开通港股账户这个我们就不详谈了，如果你想开通的话，就自己去咨询一下这些券商，按券商的指定的流程走就好，一般开通港投的话，虽然有点麻烦，但是也还好，如果你熟悉了流程，问题也不大，然后我们今天第2、3种方式就暂时不考虑了，我们直接先考虑第一种方式，就是投资港股指数基金。 开始聊基金之前，我再跟大家简单再说两句沪港通和深港通，在它们出现以前，我们想要从内地投资港股是比较费劲的。基金品种也不是很多，它并不是基金公司不想成立港股基金，而是成立一支这样投资港股的基金比较麻烦，基金公司要有外汇额度才能投资港股，但是外汇额度基金公司也是有限的。后来有了沪港通和深港通，基金公司可以通过这个渠道来投资港股了，这样能避免一些政策性干扰（比如有时候外汇额度的兑换会受到国家政策的限制）。现在我们投资港股的话，基金已经非常多了，今晚跟大家聊4个典型的指数，是你们可以立马用得上的指数，这个我们细细的聊，一个一个的聊。 第一个：H股指数 H股指数经过两次改版，最初的H股指数只有10个成分股。从2000年开始改为40个成分股，从2000点起步，到现在扩容到50+成分股，

贝克抑郁自评量表

面有 21组项目，每组有 4 句陈述，每句之前标有的阿拉伯数字为等级分。你可根据一 周 来的感觉，把最适合自己情况的一句话前面的数字圈出来。全部 21 组都做完后，将各组的圈定分数相加，便得到总分。依据总分，就能明白无误地了解自 己是否有抑郁，抑郁的程度如何。 0.我不感到悲伤。 1.我感到悲伤。 2.我始终悲伤，不能自制。 3.我太悲伤或不愉快，不堪忍受。 0.我对将来并不失望。 1.对未来我感到心灰意冷。 2.我感到前景黯淡。 3.我觉得将来毫无希望，无法改善。 0.我没有感到失败。 1.我觉得比一般人失败要多些。 2.回首往事，我能看到的是很多次失败。 3.我觉得我是一个完全失败的人。 四） 0.我从各种事件中得到很多满足。 1.我不能从各种事件中感受到乐趣。 2.我不能从各种事件中得到真正的满足。 3.我对一切事情不满意或感到枯燥无味。 五） 0.我不感到有罪过。 1.我在相当的时间里感到有罪过。 2.我在大部分时间里觉得有罪。 3.我在任何时候都觉得有罪。 六） 0.我没有觉得受到惩罚。

1.我觉得可能会受到惩罚。 2.我预料将受到惩罚。 3.我觉得正受到惩罚。 七） 0.我对自己并不失望。 1.我对自己感到失望。 2.我讨厌自己。 3.我恨自己。 八） 0.我觉得并不比其他人更不好。 1.我要批判自己的弱点和错误。 2.我在所有的时间里都责备自己的错误。 3.我责备自己把所有的事情都弄坏了。 九） 0.我没有任何想弄死自己的想法。 1.我有自杀想法，但我不会去做。 2.我想自杀。 3.如果有机会我就自杀。 十） 0.我哭泣与往常一样。 1.我比往常哭得多。 2.我一直要哭。 3.我过去能哭，但要哭也哭不出来。 0.和过去相比，我生气并不更多。 1.我比往常更容易生气发火。 2.我觉得所有的时间都容易生气。 3.过去使我生气的事，目前一点也不能使我生气了。十二） 0.我对其他人没有失去兴趣。 1.和过去相比，我对别人的兴趣减少了。 2.我对别人的兴趣大部分失去了。 3.我对别人的兴趣已全部丧失了。