python相关知识介绍一种理财方法_我是如何使用python来确定理财策略的

老婆在朋友圈里看到了一条理财广告,一条很让人心动的广告,长下面这个样子。

这是香港某保险公司的理财方案,大意是每年定投6.65万,投资5年,总共投资33万的样子,那么第10年,你将可以拿到38.6万,第20年可以拿到78.5万,这都不算什么,如果你命够硬,那么第60年,你将拿到1110万的巨款。第一反应是不是非常的划算?投资33万就能拿1110万,不仅稳健保本,而且收益喜人?

真的是这样么?我不禁默默的打开了电脑,敲了几行python代码,用来计算如果不投该理财方案,只是通过普通渠道稳健理财,那么我的收益是多少?

打开微信的理财通,现在活期理财产品的年化收益大概在4.5%左右,那么我一次性投资332500元,按照复利(每年的收益也拿到投资,加入来年的本金里)计算,5年后能拿多少钱呢?

结果是414355元,也就是说,一次性投33万,年利率4.5%,5年以后能增值到41万。

那么一次性投33万,10年以后又是多少呢?改一下simple_benefit的最后一个参数,把5改成10就可以了。算一下,结果是516362元。

对比理财计划,哪个更划算基本一目了然了。

不过新的问题来了,保险理财计划里并不是一次性投入33万的!其投资方式是每年定投66500,连续投资5年。我们的计算模型是有问题的,因为我在投资的第一年,我不一定有33万,我很可能是第一年赚66500投保险,然后第二年再赚66500投资,依次类推,连续5年。那么这种投资方式的收益怎么计算呢?

其实可以这样算,按年利率4.5%,第一年投资66500,那么收益是66500 x 0.045,第二年再投66500,加上第一年的本金与收益的和,作为第二年的本金,再乘以年利率4.5%,依次类推,直到第五年。

上面的情景非常适合使用递归来实现,代码大概是这个样子

简单来说,第一年的总资产等于定投本金与收益的和,而其后任意一年的总资产等于当年定投本金与前一年总资产的和所产生的收益。是不是觉得描述得又不精确又拗口?其实看一下year_benefit这个方法就很容易理解了。

好了,定投5年,一共投资33万之后,第五年我的总资产是多少呢?

38万,也就是我不用等到第10年,我在第5年就能够拿到38万!如果我选择了保险理财方案,那么我等于是把38万白白放到保险公司5年!

细思极恐有没有?

再稍微算一下,如果我有38万的本金,按照年利率4.5%,那么5年后,15年后,25年后我的总资产将会是多少?

我稍微比较了一下自行理财和保险理财的收益情况。

也就是说,前10年自行理财是最划算的,不过20年以后,自行理财的收益将少于保险理财计划,年限越长,差距越大。

然而,该理财计划是为0岁的小宝宝买的,一般来说,大部分人在孩子上大学,大概是不到20岁的时候就会把钱拿出来,作为大学学费基金,这样的话自行理财和保险的收益其实差不多少。再说了,我们算的年化利率才4.5%,很多定期理财产品的收益能到6%-8%,我们按8%算一下,20年时自行理财可以拿到120万至少,30年可以拿到260万,远远高于保险收益。所以到底该怎么选择,大家心里应该是有一些端倪了吧。

最后投资需谨慎,当你拿不准的时候,其实可以静下心来,写几行python代码算一下,结果其实简单而清晰。

很多同学都经常抱怨自己想学习python,但是平时工作生活中用不到python,学了忘,忘了又学,看了上面的例子,你是不是有所触动?生活中其实不缺乏应用python的地方,缺乏的只是你静下心来思考到打开电脑敲出第一行代码的时间。

import math

def simple_benefit(total, rate, year):

return total * math.pow(1 + rate, year)

print(simple_benefit(332500, 0.045, 10))

per_year = 66500

print()

def year_benefit(per_year, n, rate):

if n == 1:

return per_year * (1 + rate)

else:

return (year_benefit(per_year, n - 1, rate) + per_year) * (1 + rate)

for i in range(1, 6):

print(i, year_benefit(66500, i,0.045))

print()

print()

print()

for j in range(1, 26):

print(j + 5, simple_benefit(380173, 0.08, j))

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/467727.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

传统神经网络

文章目录神经网络的起源:线性回归一个线性回归问题线性回归优化方法:梯度下降梯度计算梯度计算总结线性回归:输出线性回归:局限从线性到非线性非线性激励常用的非线性激励函数tanhRELULecky RELU神经元—神经网络神经网络构建神经…

[BZOJ1669][Usaco2006 Oct]Hungry Cows饥饿的奶牛

1669: [Usaco2006 Oct]Hungry Cows饥饿的奶牛 Time Limit: 5 Sec Memory Limit: 64 MB Submit: 1000 Solved: 655 [Submit][Status][Discuss]Description Farmer John养了N(1 < N < 5,000)头奶牛&#xff0c;每头牛都有一个不超过32位二进制数的正整数编号。FJ希望奶牛…

vue抽屉_VUE组件 之 Drawer 抽屉

{{ title }}Xprops: {//是否打开display: {type: Boolean},//标题title: {type: String,default: 标题},//是否显示关闭按钮closable: {type: Boolean,default: true},//是否显示遮罩mask: {type: Boolean,default: true},//是否点击遮罩关闭maskClosable: {type: Boolean,defa…

深度学习之卷积神经网络

文章目录深度学习之卷积神经网络链式反向梯度链式法则的计算神经网络中链式法则实例二、卷积神经网络-卷积层&#xff08;一&#xff09;什么是卷积层&#xff08;二&#xff09;有什么组成受什么影响&#xff0c;有何特点卷积网络正向传播反向传播卷积和神经网络功能层深度学习…

datatype未定义是什么意思_vue.js一直提示未定义

.sum_price);}temp_status 1;}else{for(var i0;ivm.list.status 0;}vm.total_price 0;temp_status 0;}//更新数据库api.ajax({url: update_allcart_status_url,method: post,timeout: 30,dataType: json,returnAll: false,data: {values: {token: $api.getStorage(token),d…

卷积神经网络高级篇

【 文章目录Alextnet参数计算VGG alexnet增强版VGG参数计算VGG作用GoogleNet 多分辨率融合全卷积神经网络RESNET结构特性有效性结构化图片特殊处理识别效果全局部卷积网络缺陷U-net图片生成网络VGG u-netAlextnet 参数计算 VGG alexnet增强版 VGG参数计算 VGG作用 GoogleNet 多…

sx1268 中文_STM32开发笔记85: SX1268驱动程序设计(芯片唤醒)

单片机型号&#xff1a;STM32L053R8T6本系列开发日志&#xff0c;将详述SX1268驱动程序的整个设计过程&#xff0c;本篇介绍芯片唤醒驱动程序。一、RxDutyCycle模式在讲述本篇内容之前&#xff0c;我们先来看一下SX1268的一种模式RxDutyCycle&#xff0c;译为中文为接收占空比模…

LinuxGPIO操作和MTK平台GPIO

GPIO口配置是一个历史性的问题&#xff0c;不管我们使用什么MCU&#xff0c;单片机也好&#xff0c;ARM也好&#xff0c;都离不开驱动GPIO口。Linux下有一个宏&#xff0c;GPIO_GPIO_SYSFS&#xff0c;打开这个宏后&#xff0c;编译烧录到设备端&#xff0c;去看看sys/class/gp…

Linux cpu亲和力

最近在对项目进行性能优化&#xff0c;由于在多核平台上&#xff0c;所以了解了些进程、线程绑定cpu核的问题&#xff0c;在这里将所学记录一下。不管是线程还是进程&#xff0c;都是通过设置亲和性(affinity)来达到目的。对于[进程]的情况&#xff0c;一般是使用sched_setaffi…

卷积神经网络(目标分类)

文章目录目标分类基本框架数据准备数据扩充数据规范模型设计任务分类局部更改训练细节目标分类基本框架 数据准备 现有数据集的子集&#xff0c;网络采集&#xff0c;现有数据人工标注 数据扩充 原始数据切割&#xff0c;噪声颜色等像素变化&#xff0c;旋转平移 数据规范…

unity获取电磁笔压感_【WPF】获取电磁笔的压感

WPF 不仅支持触控&#xff0c;也支持笔的输入&#xff0c;比如现在比较高大上的电磁笔。便宜的板子一般不配备电磁笔&#xff0c;而是配电容笔&#xff0c;虽然也号称XXX级压感&#xff0c;但是效果自然不可与电磁笔相比。UIElement 类规范了UI元素的基本轮廓&#xff0c;在该类…

安卓9.0添加服务修改SELinux

#文章目录#前言#SELinux来源#SELinux基本框架#SELinux 在不同版本的表现#使用audit2allow工具生成SELinux 权限#完整代码#前言先推荐下之前的SELinux文章&#xff0c;但是那个是7.1的&#xff0c;在9.0上已经在差别很大的了。Android7.1 在init.rc 添加shell服务题外话~在企业里…

卷积神经网络-目标探测

文章目录目标探测介绍任务思路DPMRCNN1&#xff09;候选区域选择2&#xff09;CNN特征提取3&#xff09;分类与边界回归R-CNN总结优点缺陷FAST-RCNNFASTER-RCNNYOLO目标探测介绍 任务 分类获取坐标 目标探测 图片分割 思路 回归问题&#xff1a;利用神经网络进行目标识别&am…

相机视场角和焦距_镜头小讲堂(一)镜头的焦距

在刚购买完相机的时候&#xff0c;我们久会考虑需要什么样的镜头来配合机身来使用。而市场上的镜头种类是在太多了&#xff0c;所以我们就要学习了解下镜头都有哪些种类&#xff0c;选择哪种镜头比较有优势。这也是学习摄影必备的基础知识。01 镜头的焦距焦距是镜头的重要指标&…

小程序开发过程注意事项

尽量避免使用 this.setData({});会让小程序页面会重新渲染&#xff0c;耗性能资源。 比如 &#xff0c;clickShow: function(e) {this.setData({comment: ""});var comment e.currentTarget.dataset.comment && this.data.comment "" ? e.curre…

C语言指定初始化器解析及其应用

由于笔者能力有限&#xff0c;文中如果出现错误的地方&#xff0c;欢迎大家给我指出来&#xff0c;我将不胜感激&#xff0c;谢谢&#xff5e;#指定初始化器的概念C90 标准要求初始化程序中的元素以固定的顺序出现&#xff0c;与要初始化的数组或结构体中的元素顺序相同。但是在…

python self 序列_python中序列化对象

# 序列化对象p1import pickle # 内置库class People:def __init__(self, name, age):self.name nameself.age agedef sayhi(self):print("Hi, my name is {}, and Im {}".format(self.name, self.age))p1 People(name"Jack&qu…

递归神经网络

文章目录LSTM![在这里插入图片描述](https://img-blog.csdnimg.cn/20200609171449198.pngLSTM 4INPUTS 1outputs

程序媛计划——mysql连接表

#inner join等值连接&#xff0f;内连接 mysql> select * from info; ----------------------------- | name | phone | address | ----------------------------- | zhao | 13199999999 | Beijing | | qian | 1328888888 | Harbin | | sun | 13366666666 | Sha…

CNN+RNN

文章目录相同点不同点组合意义组合方式图片标注基本思路模型设计&#xff0d;数据准备视频行为识别视频行为识别图片问答相同点 传统神经网络的扩展 前向计算产生结果&#xff0c;反向计算模型更新 每层神经网络横向可以多个神经元共存&#xff0c;纵向可以多层神经网络链接 …