请注意：选用的贴现率越高，未来现金的现值就越低，同时
意味着项目的风险也越高。
概率论
概率论(Probability Theory)是统计学的委婉语，因为
统计学是一门连商学院里最聪明的注册会计师(CPAs)也胆怯
的课程。实际上，概率论一词能更准确地描述如何统计学来
解决问题。在考虑石油钻井出油的概率时，Sam 应采取什么方
案？在美国前十所商学院800 名已婚的MBA 学生中，有多少
人会在学习的头一年里疏远其配偶？这些都涉及概论率的概
念。由于许多商人惧怕统计，于是MBA 们就有了发挥才能的
机会。MBA 课程强调统计的实用性。如果你对统计不熟，请不
要跳过本节。我虽然无从只用几页纸就让你变成个统计通，
但我敢保证，只要你耐心读下去，就可以掌握今后工作中遇
到实际问题时所应具备的基本分析技能，也知道应于何时求
助于别人。MBA 课程最重视传授各门课程解决具体问题的实际
经验。
概率分布
在事物可能出多种结果的情况下，就会有结果的分布。
每种可能都有一种概率。通过认真的分析，有时也凭直觉和
判断，事件(Event)可能结果的概率之和是100%，这和决策树
中的情形一样。表示分布结果的图形叫做概率群或密度分布
函数(Probability density function)。如果可能出现的结
果较少，曲线就不匀称，称为概率群分布函数（Probability
mass function).
降雨量概率群分布函数
西雅图每日降雨1992 年4 月（31 天）
降雨分布举例
西雅图降雨量的分布就是一种概率分布。我们把假设收
集到的数据列表如下，其分布图附后。
西雅图每日降雨量数据表
（1992 年4 月）
降雨量概率密度分布函数
西雅图每日降雨量
1962—1992（1240 天）
二项式分布
抛掷硬币得到的概率有一正一反两种可能。如果把得到
两个“正面”结果算作成功，那么，抛掷两个硬币的结果分
布就有以下几种可能。
两个都成功正面/正面
一个成功/一个失败正面/反面； 反面/正面
两个均失败反面/反面
抛掷硬币的结果是分布的最基本情况，称为二项式分布
（Binomial distribution)。二项式分布的结果有两种：成
功和失败。二者发生的机会相等。
貌似神秘的二项式理论也可用来分析股票市场的实际问
题。在分析股票时，某月内股票的回报如果为正，则称其为
成功；为负或持平时就称其为失败。对1957 年至1977 年美
国AT&T 公司股票价格的研究表明，对每月都进行分析以确定
成功出现的频率，人们发现56.7%的情况下，结果是成功的。
将分析的数据按每三个月（季度）一组列出，研究人员
发现实际成功的频率如下：
#成功次数发生频率
0 0.088
1 0.325
2 0.387
3 0.200
1.000
数学家把抛硬币的结果列表用以解决所有的二项式分布
问题。在AT&T 的例子中，利用二项式表格之前需要了解的数
据是：
r=成功可能次数=0 到3
n=试验次数=3（一季度内3 个月）
P=成功概率=56.7%
利用这些数据，从二项式表中得出的期望结果应是：
#成功期望频率
0 0.082
1 0.318
2 0.416
3 0.184
1.000
令人惊奇的是，二项式的分布和AT&T 的实际情况相当接
近。在已知假设的成功概率（p)后，每一季度内赚钱月份的
情况就可以从二项式表中得到。因此，二项式分布对负责投
资组合的基金管理者、公司负责销售的董事和研究人员分析
项目概率、确有实用价值。
正态分布：钟型曲线之迷
正态分布(Normal distribution) 是应用最普遍的
理论，通常称为钟型曲线(Bell curve)。哈佛大学用钟型曲
线确定学生考试成绩。曲线表明15%的学生考试刚刚擦边及
格。达顿商学院的教授们凭借自己的判断给出不太满意的C（极
格）和F（不及格）。结果两所学校校园的竞争风气截然不同。
不同标准偏差曲线的概率密度分布函数
当概率群分布函数是基于多次试验基础之上时，曲线就
趋向于类似钟型的形状，我们称之为概率密度分布函数。描
述西雅图降雨分布的两张图即是这种情况。中间的凸起部分
是由于“中间集中理论”(Central Limit Theorem)作用引起
的。它说明“独立事件重复发生的概率的平均分布呈一种钟
型形状的正态分布”。为什么？简单说，就是因为大量独立
事件的趋势是向中间平均值临近。
“平均事件”这一概念相当含糊。在用应用举例中其定
义延伸到可包括任何一大组的数据。为什么？因为正态分布
易于使用，且和实际生活中的情况又极其相似。市场变化不
定造成股票价格浮动，最终导致或盈或亏的回报结果。回报
可以被认为是市场变化的“平均”值。正如任何事情都可以
用具有平均性来解释一样，正态分布的实用性亦如此。
正态曲线的测量
钟型曲线可用两个名词来描述，即中项(Mean)和标准偏
差（Standard deviation, SD)。中项(μ)是曲线的中心部分，
通常称这个中项为平均值。平均值是用数据加在一起之总和
除以数据点。标准偏差(σ)是衡量偏离平均值的宽窄程度。
在概率概念中，这两个名词是非常重要的。
其中用的较少的衡量一组数据平均值的方法还有“中值”
(Median)，即按数字大小排列后的中间项数值，和“众数值”
(Mode), 即一组数据中出现频率最高的数。
和二项式分布一样，曲线下代表所有出现结果的可能之
和为100%。正态分布曲线特别的地方在于，对于任何已知的
偏离中项、中心的标准偏差，尽管正态分布的形状不同，但
事件的概率相同。
零售业正态分布举例
鞋店老板Al Bundy 先生想要知道店里的库存能否满足顾
客对不同尺寸鞋子的需求。他从鞋业研究中心买了一份女鞋
尺寸调研报告，并通过问卷调查收回了大量数据。
他将收集到的数据画在坐标图上，得到的形状像是一正
态分布。另外，他将鞋的不同尺寸也输入计算器，得到标准
偏差数值是“2”。他还分析了所收到的问卷中的鞋子尺寸平
均值，得到的号码是“7”。再看亲手绘制的图表，确实是个
令人可信的正态分布。
对正态分布图，Al Bundy 先生可以用上分析正态分布曲
线的原理。此原理适用于所有正态分布曲线线下区域：
ISD=0.3413
2SD=0.4772
3SD=0.49865
4SD=0.4999683
依据这一原理，若Bundy 先生库存鞋的号码在5—9 之间，
就包括了人群穿鞋号码的68.26%(2×
鞋子尺寸正态分布
0.3413)。库存的号码如果在3—11 之间，就包括了95.44%。
如果库存的鞋从1—13 号都有，那么，光顾他商店的99.73%
顾客就都会满意。对那些低于1 或高于13 的特号鞋，他总是
可以随时从别处定得到的。
当然，学有用于确定曲线上任一特殊点处的概率（中项
以外的非整数标准偏差）正态分布表。用此表之前，必须先
算出（Z value)，即：
正态分布曲线财务举例
让我们把刚学到的概率论的原理应用到金融上。以每月
回报率波动的先锋航空公司（Pioneer Aviation）股票为例，
假设成正态分布形状。对该股票以往的回报统计表明，平均
值为1%，标准偏差为11%。Gerald Rasmussen 先生想知道下
个月股票的回报率低于13%概率是多少。
Z =
(13 - 1)
11
= 1.09(离平均值的标准偏差）
概率密度分布函数
先锋航空公司每月股票回报率
平均值
每月股票回报率
用新计算出的Z 值概念可以计算出：
从附录中的提供的正态分布表可以查到：1.09 标准偏差
=0.3621。和所有正态分布图一样，图中左半部分的概率是
50%。在所有的正态分布中，超过或低于中项的概率是50%。
根据这些条件，我计算出，该股票回报率低于13%的概率是
86.21%（即，36.21%+50%），超过13%的概率是13.79%（即，
1-86.21%）。这就是用概率理论解决金融上实际问题的具体
例子。
如果不太过分强调理论，概率统计实际并不难。此外，
还有一些其它类型的分布，但商业上用的较少。泊松分布
（Poisson Distribution），和正态分布类似，但图形右侧
尾部展开。但多数分布都被假设是正态分布，以利用正态分
布标准偏差的原理分析问题。
累计分布函数
累计分布函数（ Cumulative distribution
function,CDF）是对概率分布的累计观察。它分析诸如钟型
曲线等概率集合分布函数，了解“结果出现小于或等于该值
时的概率是多少？”从普通的正态分布曲线，能知道某一已
知结果出现的概率是多少，而累计分布函数能告诉我们一组
已知的价值范围内出现的概率有多大。累计分布函数还可以
用来把我们掌握的概率理论和决策工具（决策树）结合起来。
累计分布函数研究在许多数量价值不确定下所可能出现的结
果的范围。
仍以前文提出的钻井项目为例，分析一下如果地下有油，
其油量价值分布的情况。
油量价值概率集合分布函数累计分布函数
累计概率
小于或等于
50000 0.005 0.005
75000 0.01 0.015 （ 0.005+0.01 ）
150,000 0.03 0.045 （ 0.03+0.01+0.005 ）
200,000 0.08 0.125
300,000 0.12 0.245
750,000 0.15 0.395
1,100,000 0.21 0.605
1,200,000 0.15 0.755
1,400,000 0.12 0.875
1,700,00 0.08 0.955
2,000,000 0.03 0.985
2,500,000 0.01 0.995
6,000,000 0.005
1.00
1.00
概率密度分布函数
先锋航空公司每月股票回报率
平均值
每月股票回报率
在前文的树型图举例中，我们曾假设该项目的收益是
1,000,000 美元。为方便起见，我们取该值为采到油的期望值
（EMV）。实际上该项目出油的结果分布范围较广。从表中可
以看出，出现收益为6,000,000 美元的概率是0.5%，出现收
益为50,000 美元的概率也是0.5%。如果用发生每一概率的金
额乘以其第二列中对应的概率，得出的期望值就等于我们前
面用到过的期望值1,000,000 美元。
当决策者不知从何开始着手分析时，用建立累计分布函
数的方法便可使他们得出平均值或期望值。画累计分布函数
是一种有效方法，可将一系列你对未知事件可能出现的高、
中低结果概率的判断结合起来，以得到供决策用的期望值。
一组可能结果的累计密度分布函数图就像一个大的“S”。
在累计密度分布函数中，你一眼就可以看出所有可能的结果，
而不仅仅是统计中的几个独立的点。如下图所示， Sam
Houston 先生认为，出现的结果可能在0 到6,000,000 美元的
连续区域内。
累计分布函数中的从0 到1.0 的概率区域可用中值方法
（Bracket median technique）将之分成“区间”。上图中
的累计分布函数就是用这种方法分为5 个区间的。例如，你
可将之分成0.1，0.3，0.5，0.7，0.9 的区间。每个区间分
别代表的便是0 到0.2，0.2 到0.4，0.4 到0.6，0.6 到0.8
以及0.8 到1.0 的“价值区域”的平均值。
概率是0.5 的区间即是中数，这是因为左右两边各代表
价值的一兰。但这个中数并不一定非是前面正态分布中提到
的平均值。中值仅仅是价值区域的中心，而平均值则是用价
值和发生的对应概率相乘后得到的积，例如在前面采油的举
例中，我们用平均值的方法计算出出油的期望值是1,000,000
美元。
累计密度分布函数
出油可能结果价值（单位：千美元）
油的价值
为把累计密度分布函数应用到决策树中，以便用出重要
的管理决策，请你考虑一下如何将油井可能产生的价值全部
表示出来。其概率结果应成一“扇形”，代表着“一组”价
值。你也许不可能在树上画出无限根分枝来，所以，让我们
借助于累计密度分布函数的方法来解决问题。
画出累计密度分布函数
要画出如上的累计密度分布函数图，你不仅要使用自己
的研究数据，还要独立进行分析判断。你要对自己提出如下
的一系列问题：
发生的概率或高于或低于50%（中值）时的价值是多少？
发生的概率在较低的区域（10%区间）的价值是多少？
发生的概率在较高的区域（90%区间）的价值是多少？
钻井决策树
使用累计分布函数
EMV=.9[（.2×130 美元）+（.2×750 美元）+（.2×870
美元）+（.2×1150 美元）+（.2×2100 美元）]
根据上述问题的答案，你就可以将自己认为的全部结果
画成累计分布函数图。从累计分布函数中的5 个区间内，挑
选出5 个结果，你就可以在决策树上画出树枝似的5 种可能
结果的扇形概率（Even fan）。
此处的期望财务值和前面第一次提到时的数值是一样
的。我第一次选此值的原因，完全是为了方便读者。
利用5 个区间的另一种简洁方法叫“皮尔逊·图基法”
（Pearson Tukey Method）。这种方法不用5 个区间，而是
用3 个区间，即5%，50%和95%三种，而其各自对应的概率分
别是18.5%，63%和18.5%。
在分析重大问题时，人们用蒙特卡罗（Monte Carlo）模
拟程序计算决策树。计算机的计算横型中包括了概率扇形的
累计分布函数以及有关树型图中的有关参数。该程序可对多
种情况进行模拟，让你了解事件发生时的情景。“Fortune”
杂志评选的前500 家公司，不少公司就使用这种方法。
当决策树中的某一分枝的期望值不确定时，便可使用累
计分布函数和区间分析法。但是，分析人员自己的判断还是
最重要的。决策树仅仅是MBA 们基于知识和凭借直觉分析问
题的一种工具而已。
回归分析和预测
线性回归（Linear Regression）模型是分析人员用以凭
借直觉确定多种商业情况下有关变量之间关系的工具。一旦
找到了这种关系，就可以用它来预测将来。普通的线性回归
是用于分析销售额和价格、促销和市场等诸多因素之间的关
系，股票价格和盈利、利息之间的关系以及生产成本和产量
之间的关系。当然，也可以用它来得到诸如“天气温度的变
化对销售冰淇淋的影响如何？”这一问题的答安。此例中，
自变量（Independent variable）X 表示温度，是引起其它数
值变化的变量。因变量（Dependent variable）Y 是销售额。
是温度影响销售，而不是相反。
回归分析要求收集足够的数据，以确定变量之间的关系。
通过相当多的数据点，诸如一年里有关温度的数据及销售的
变化情况，我们便可以温度为X 轴，销售额为Y 轴画出图形
来。研究回归的目的是要找到一条能够最准确地描述二者之
间关系的线性等式。回归就是在画出的数据点中间“插入”
一条直线，并尽量使“各点距这条线距离差的平方最小”。
这种“最小平方法”（Least squares method）要求做大量
数据的加、减和相乘。在具体计算上，使用计算器或Lotus1-
2-3 软件即可。
线性代数复习
在学习回归的具体例子之前，先让我们复习一下线性代
数的一些基本概念。代表直线的线性方程是：
Y=mX+b
其中，Y=因变量（如销售）
m=直线的斜率（变量之间的关系）
X=自变量（如雨量）
b=y 轴上的截距（直线与竖轴的交叉点）
Lotus1-2-3 计算软件可以求出决定自变量和因变量之间
关系的线性方程。Lotus 软件还能确定这条计算出的“最佳”
的直线能否作为工具准确地预测将来。
冰激凌的回归举例
Ben&Jerry 先生是20 多家冰淇淋连锁店的老板。他注意
到随着温度的升高或降低，公司的销售额也有相应的变化。
为了确定季节性气候变化和销售额之间准确的数学关系，他
收集了前5 年每月的销售数据，又从国家气象服务中心查到
对应月份的平均温度。他收集的数据如下：
10 73 600,000
11 45 300,000
12 36 500,000
用Lotus 计算软件中的数据回归（Data Regression）功
能计算，店主得出如下结果：
回归结果
常娄-379,066
估计的Y 值的标准偏差243,334
R 平方0.704
X 系数16,431
系数的标准偏差3,367
上列数据的含义是什么？
上面列出的内容包含了描述Ben&Jerry 公司销售和温度
变化之间关系直线方程的数据。先列出线性方程式：
常数=b=-379,066
X 系数=m=16,431
将之代入前面的标准线性方程式中，即：
Y=16,431X-379,066
将数据点在图中画出，并根据方程式绘出这条回归线。
用Lotus 计算软件画出的图形如下：
销售Ben&Jerry 冰淇淋回归举例
温度°F
如图所示，回归直线从数据点的中间穿过。将温度值X
代入等式中，就可以计算出预计的冰淇淋销售量。在Ben&Jerry
的例子中，当温度为60F°时，估计的月销售额应为606,794
美元，即
Y=（16431×60F°）-379,066=606,794 美元
用这种公式计算出的预计的冰淇淋销售额准确度如何？
对这一问题的答案，可从Lotus 计算软件中的回归结果
（Regression Output）计算出的另一个数字中找到。
R 平方释义
R 平方值告诉我们“用已知的回归方程式解释了数据变化
的百分数”。在这一举例中，回归方程式解释了销售变动的
70.4%。这一比率是很高的。在更为广泛的经济分析中，由于
对经济起影响作用的变动因素很多，所以，能达到30%的R 平
方值就算是很高的了。在冰淇淋行业，除了天气的变化，所
做的广告，分发的优惠券以及商店营业的时间，都会对销售
额的变化有影响。
但是要当心！不要过分指望回归数据的结果！关于温度
变化引起的销售的变化，回归能告诉你的也就这么多。回归
并没说“温度变化确实引起了销售的变支”。但如果选择的
自变量合理，就能得出你想要了解的因变量的值，还是用之
为好。
回归分析不仅能指出诸因素的正面关系，如气温和冰淇
淋的销售的关系，还可以解释负相关因素之间的关系，如利
息和房屋销售的关系。如果利率高，房屋的销售就慢。在这
种情况下，X 系数是负数。这些负相关的作用一如正相关的作
用，都是很有用的。
标准误差释义
Lotus 计算软件得出的“Y 的标准误差和X 系数”是回归
线Y 值标准偏差和X 系数之标准偏差的同义词。在Ben&Jerry
举例中，估计的Y 值（销售）标准误差在68%的情况下是要加、
减243,334 美元。同样得出的结果表明，X 系数（温度）标准
误差是3367。用标准偏差的方法可以对可能的一组数据进行
各种分析，以确定这些数字的变化以及得出的回归方程式的
可靠性。
可靠性的T 型统计测量方法
T 型统计（T Statistic）有助于确定用Lotus 软件计算
出的回归方程是否能很好地进行预测。T 型统计揭示的是X 变
量对Y 函数是否在统计上有重大的影响，例如气温对销售的
影响。这一计算方法是将相关系数X 除以标准误差。大拇指
定律是：如果T 统计高于2 或低于-2，变量X 对函数Y 就有
统计得到的影响。在我们的举例中。16,431÷3,367=4.88，
具有相当高的T 型统计值。所以，分析人员就会得出气温对
销售的影响非常明显的结论。
在考虑某一模型能否作为好的预测标准时，需要有一个
较高的R 平方值和一个较高的T 型统计值。还可以做出不只
一个X 变量的模型， 叫多重变量回归（ Multivariable
regression）。随着变量数量的增加，R 平方也随之增高。但
是，多增加T 型统计低的变量X 会造成模型不准确。因此，
有必要人为地增加或减掉独立变量，以达到较高的R 平方值
和较高的T 型统计值。
虚拟变量回归分析
回归分析中使用的一种技巧，就是通过虚拟变量（Dummy
variables）表示那些无法用数字衡量的假设条件，即用0 和
1 来表示。例如，在Toys“R”Us 公司，某一季节内热销的环
具有库存，这就是一种能保证销量急剧上升的非数学化的条
件。采用虚拟变量的方法，我们把有库存的用“1”表示，无
库存的用“0”表示。
假设Toys“R”Us 公司的一家商店有一组数据，你便可
以看出这组数据是如此发挥作用的。
日期热销玩具库存情况
（ 1=有库存， 0=无库存）
销售（美元）
92/12/1 0 100,000
92/12/2 0 100,000
92/12/3 1 200,000
92/12/4 1 200,000
92/12/5 0 100,000
92/12/6 1 200,000
92/12/7 0 200,000
用Lotus 软件计算出的热销玩具和销售之间的关系的回
归结果是：
回归结果
常数100,000
Y 估计值标准误差0.001
R 平方1.00
X 相关系数100,000
相关系数标准误差0.0009
这是一个条件非常完美的例子。因为R 平方解释的变化
量是100% ，T 型统计值也非常合适。T 型统计接近无穷
（100,000/0.0009）。无热销玩具时的销售额是100,000 美
元，有这种热销玩具时的销售量能再多增加100,000 美元。
用Lotus 计算软件计算，这一回归方程式就是：
销售=100,000X 美元+100,000 美元
如果人人想买的这种玩具，公司有货，则X=1，销售额增
至200,000 美元；如果无货，则X=0，总销售额是100,000 美
元。虚拟变量非常有用，可把无级数据，如库存状态、节假
日等，和其它有规则的有级变量，如温度、利率、残次品等，
结合在一起考虑，做出有用的回归模型。
其它预测方法
时间序列法（Time series techniques）是依据一段时
间内关系的变化预测结果。在冰淇淋例子中，绘画出的气温
和销售的数据点并未考虑它们各自发生的时间。回归关系分
析并不考虑时间。显然，季节对Ben&Jerry's 的销售有影响。
时间序列法在绘出数据点时考虑了发生的时间。这种方法试
图将数据内的变动分离成3 个部分：
强调趋势——上、下、平稳（长期衡量）
周期——小时、每日、每周、每月（短期衡量）
意外变动——由于特殊情况或自然巧合引发的意外或不
规则变动
回归和变动平均是用来确定事物发展的趋势和周期的。
你可以想象得到，时间序列的预测过程非常烦琐，用简单的
例子也不了什么问题。但知道有时间序列这种方法，对你至
少还是有帮助的。
总结
本节介绍了具有下列功能的数量分析方法：
·用决策树解决复杂问题
·确定未来收到的现金的价值—现金流分析和净现值分
析
·用概率论将不确定性数量化
·用回归分析和其它预测方法分析变量间的关系并预测
将来
需要掌握的主要词语（KEY QA TADEAWAYS）
Decision Trees-A way to graphically show and quantify
multiple outcomes of a business decision
Sunk Cost-Investments made in the past that have no
bearing on future investment decisions
Expected Monetary Value(EMV)-The blended value of a
decision based on the probabilities and malues of all
possible outcomes
Accumulated Value —The total future value of cash
folws with all earnings reinvested
Net Present Value(NPV)—The total puesent value of
all cash flows"discounted"to today's dollars
Internal Rate of Return(IRR)—The discount rate that
makes the Net Present Value Value of the cash flows equal
$0 in today's dollars
Probability Distributions—The graph of all possible
outcomes with their respective probabilities of
occurring
Binomial Distributions — Probability distribution
with only two possible outcomes
Normal Distributions—The bell—shaped probability
distribution of all possible outcomes
Standard Deviation( σ ) — The measure of the
dispersion(width)of the normal distribution
Mean(μ)—The arithmetic average of all outcomes
Z Value—A tool to measure probabilities of specific
situations on the normal distribution curve
Cumulative Distribution Function(CDF)—A form of the
normal distribution that shows the probability of being
less than or equal to all possible outcomes
Regression —A mathematical method of forecasting
using line equations to explain the relationships between
multiple causes and effects
第6 天 金融
本章主题
商业结构
BETA 风险
有效前缘曲线
资本资产价格模式
有效市场假说
投资评估
贴现现金流
股息增值模型
资本预算
资本结构
分红政策
收购与兼并
“我想当个银行家。你要是有10,000 股股票，那我就帮你卖出
去。我能挣到很多钱。我会非常、非常喜欢我的工作。我会帮助别人。
我要当个百万富翁。我要有个大房子。真好玩。”
——一个7 岁小男孩说。
（摘自麦克尔·刘易斯的《编子的扑克牌》“我长大以后做什
么”）
在80 年代，最时髦的行业是金融业。连孩子们也都梦想
着华尔街的一切。由于有大华尔街的公司向他们提供只有投
资银行家才能有的从事巨客交易的机会，年轻、机敏的MBA
们不由地暗自窃喜。可惜好景不长。1987 年股票市场的崩溃
令大家的美梦成了泡影。MBA 们也只好放下架子，在并不太让
人羡慕的公司和银行的财务部门里寻找一份工作。银行家们
曾经有过的辉煌也都成为了过去。
金融业虽没有了往目的风光，但MBA 们在金融界干得还
是满不错的。名校毕业的MBA 们很快得到重用。和非本专业
毕业的同行相比，他们的薪水也高出许多。同一份工作，华
尔街的MBA 们每年比别人多拿2-3 万美元。更有甚者，有些
公司只提拔有MBA 学位的人。
需提醒你的是，要注意本书内容的连贯性。如果读本章
时引起了你的兴趣，但只单纯地重视金融的原理而忽视了其
它章节中的内容，那对你不利。金融里有许多非常数字化的
概念，所用的数字分析方法，也大都是我们在会计学和数量
分析两章中学到的。就重要性而言，金融在市场营销中所起
一作用与市场营销在金融中所起的作用是同样重要的。销售
人员的销售业绩最终通过财务数据反映出来。金融家们则在
努力向新客户推销自己的同时，也极力向老客户们兜售着新
上市的股票。
企业的本质
企业为什么存在？金融家们认为，存在的唯一目的是为
其所有者实现利润的最大化。在追逐财富的过程中，人们组
建企业的方式各有不同。在美国，普遍采用的基本合法企业
结构（Business structure）有三种。根据业务复杂程度的
不同，债务责任的优先级和所有者出于税务安排的考虑，选
择不同的企业结构。
独资（Proprietorships）
独资，通常称作独自所有（sole proprietorship），是
指个人所有的或类似夫妻店式的模式，独自享有利润，独自
承担造成的无限亏损责任。如果经营不善，个人的财产可能
会被用来抵押还债。这种企业的结构简单，很像孩子们有时
打工卖饮料，无需登记注册。这类收入和个人的其它收入加
在一起纳税。这种企业不是单个的合法实体，不可能再被分
开出售，所以，在金融市场上很难筹措到资金。
合伙制（Partnerships）
几个人凑在一起成立商业实体时，多选用合伙制。与独
资中的情况类似，合伙人按比例分得的利润同个人的其它收
入合并纳税。合伙制有两种不同的合伙方式。一种是一般合
伙（General partnership），指作为所有者的一般合伙人需
