大风号出品
投资和研究的方法
【特别提示】：本订阅号中所涉及的证券研究信息由光大证券中小市值研究团队编写，仅面向光大证券客户中专业投资者客户，用作新媒体形势下研究信息和研究观点的沟通交流。非光大证券专业投资者客户，请勿订阅或使用本订阅号中的任何信息。【个人介绍】刘晓波光大证券中小市值及农林牧渔行业负责人。上海财经大学世界经济学硕士。年任职于某买方，先后历经消费、周期行业研究；2010年加盟光大证券研究所，负责农业研究，曾入围农业新财富最佳分析师，并获得金牛奖及水晶球奖。2013年组建光大证券中小市值研究团队，专注新兴产业及传统行业研究。2016年中小盘新财富入围并获金牛奖。联系方式：刘晓波 （同微信）【研究特色】研究功底扎实，熟悉周期、消费及成长研究方法，擅长产业逻辑及公司深度研究。
上市公司及产业人脉极强，紧贴市场需求和动向，每年大量公司及产业调研。由于买方出身，更擅长从买方角度看公司和行业，力求投研一体，研究更好为投资服务。前序本篇投研框架仅为个人的一些拙见，还不太成熟，希望能得到大家的批评和指正。后续我们会陆续完善和细化我们的投研框架。入行十年，兢兢业业，一直希望能追寻到投资和研究的真谛。但投研的世界浩瀚如海，所知始终不过皮毛，唯有勤奋和领悟并不断地去鞭策自己一步一步前行。我对这行始终保持着激情和热爱，也断然不会轻易放弃。入行越久，越敬畏市场。深知投资和研究之不易，一直能够保持正确不失误，那是上帝。这些年取得的成绩也多归为运气不错、大家的指导以及团队的努力。今年市场风格的转变让很多朋友一时难以适应。投资是个长期的事情，一时的输赢可以承受。难的是能够面对诱惑，坚守初心。推荐阅读三篇策略随笔：今年2月初写了篇《芳菲尽，百花谢》：定调今年的中小市值是很难的一年，就此偏空。6月底策略随笔《当价值投资成为一种共识》：阶段性翻多中小市值。7月中《近期的一些思考》：对中小市值研究思路的建议，更中长期以产业的眼光去布局成长股。恳请今年新财富能够鼎力支持我们光大中小市值团队。我们今后将继续为大家提供更好的研究成果，以期回报大家的厚爱。我们在所有券商中小市值团队中，人员虽少，但我们足够勤奋和努力、敬业。再次感谢大家今年新财富的支持。
我所理解的投资和研究的初衷投资和研究本身就是一个多维度和复杂以及需要动态去对待的一个过程。人心会变，市场风格会变，唯一不变的就是变化。A股市场有根深蒂固的传销文化，短期的涨跌大多靠情绪的传递；中长期的涨跌则取决于逻辑和预期的验证。权衡两件事，在自己的能力圈内基于确定和动态的角度去看待安全边际和风险收益比以及时间成本和机会成本。投资和研究的初衷应该是忽略短期的波动尤其是外部行为对市场的短期扰动，而能够看清楚行业的趋势和公司的价值。◆ ◆ ◆知道你的交易对手，了解你的研究对象，得出研究结论并指导决策。?第一部分
A股市场的参与者一个多元化的市场必然兼容多样性的投研理念，而背后其实为人性的差异化。理念方法上大体可以分为：价值投资、技术投资、周期投资及成长投资等等。
一价值投资 1、真正意义上的价值投资者愿意长期持有目标公司，并看重分红（为什么强调分红，赚再多钱的公司如果不分红对股东意义并不大的，因为一般情况来说是很难去私有化公司的。股东权利的价值就会被明显打折扣）。2、风险厌恶，追求长期回报率，做时间的朋友（国人生性好赌，一夜暴富最理想，对于赚价值的钱大多等不来）。长期看，价值投资是有效的，市场最终胜出的是活的久的。价值投资的出发点是公司持续创造价值的能力。A股市场伪价值投资占更多数，很多都是迫不得已从良了而已。3、价值投资方法很看重的三个点：安全边际、确定性及持续性。安全边际不仅仅是尽可能以最低的价格买入足够的股票（这点又不同于烟蒂投资方法）。便宜不是价值买入的理由，非充分也非必要条件。对于好的行业好的公司，估值才是最后应该考虑的。安全边际还体现在目标公司本身的竞争力上，即我们常讲的护城河有多宽，具备多强的排他性或者壁垒，是否能够做别人做不了的业务或具备独特的经营模式。比如我们常讲的茅台、腾讯、格力等等。但护城河也是动态的变化：此时的护城河也可能会成为彼时的拖累。所以做企业和做投资有一个共同点：不断的动态去看待新的变化，不断的去改变和适应。出于对行业、公司竞争力及管理层执行力的认可，价值投资需要做时间的朋友，在一定安全边际下，追求大概率上的确定性，追求长期的有效的盈利模式以及大格局上的胜利。综合而言，即我们经常所说的好生意、好公司和好价格。
二趋势投资基本可以分为周期趋势、成长趋势以及短趋势。趋势投资者和投机交易者往往是市场的放大器。（一）周期趋势方向上的胜利，把握正确的方向比努力更为重要。周期性行业：追随量价齐升，对应高估值底部，低估值顶部。周期投资执着数据和事实，步步求证。因为一步错，步步错，翻身的机会要再等一个周期。对于周期行业的逻辑：理论上只看大周期，忽略短期波动（也不排除短周期波动推动股价30%以上的）。短期波动带来的交易性机会很难赚钱，除了手快。股价上涨的空间取决于情绪传递和短期事件性冲击。配置周期性行业要注意边际效应的弱化，越后期的价格上涨对股价的影响越会钝化。周期性行业的研究一定要有大局观：必须搞清楚周期所处的位置，就是要明白对于一个抛物线型的轨迹已经处在上行的左边还是下行的右边还是高位。（二）成长趋势梦想总要有的，大胆假设，小心求证，验证则是两三年后的事情。新兴产业投资方法：估值不是那么重要，比如PE之类的，往往到最后会发现PS估值也不那么重要，往往是最后的盛宴。但凡预期能够构建新的商业模式，颠覆原有的生态圈，就是相对无边际的公司，短期无法证伪。比如互联网类的公司一般用收入增速、用户数等指标衡量，利润指标不一定那么重要。成长投资的过程往往伴随泡沫化的过程。能够坚持到最后的不多。对于投资看不清的未来，毕竟需要极强的理念和信仰作为支撑。最初自己构建了一个自己都不信的蓝图，但随着参与的人越来越多，自己都信了。最终有两种结局：一是摸着石头过了河；另一种则是摸到了沟里。很多人会给自己设想一种场景：这就是公司的未来。但一厢情愿的事情则往往意味着痛苦的结果。（三）短趋势性格决定成败。一般是交易者，成功的交易者一般与性格和本身的思维方式有关，是他人很难学习的，这是一种禀赋。这类人更理性，更决断，洞悉人性，随时会否定自己，前提绝对不会违背市场。（四）市场盲从者没有人愿意承认追涨杀跌。行为取决于情绪波动及噪音的扰动。?第二部分
行业及上市公司研究我所理解的研究的三个阶段：第一个阶段：低头算账：这是做研究最基本的技能。能够把公司原有的业务经营模式及财务报表分析清楚，并对未来三年公司的业务尽可能准确的测算是每一个研究员入行的基本要求。第二个阶段：抬头看路：能够看清楚行业过往及未来的演变趋势是对研究员眼光的考验。第三个阶段：投研一体：研究最后的落地，能够指导投资决策这是最难的。一千个观众眼里有一千个哈姆雷特。同一个公司一起去调研得出的结论也不尽相同。
一行业研究（一）行业属性行业的盈利模式为何，未来会如何演变。行业竞争格局及产业链分工如何。（二）生命周期行业所处生命周期的位置，未来的发展空间与增速，国内外比较是否有差异。（三）发展瓶颈目前行业面临的最大问题是什么，如何突破，突破之后会对产业链内部利益分配产生什么影响。我们简单将行业分为传统行业与新兴产业来看：1、传统行业分析框架和方法相对地成熟，难以有大的突破。目前都是在原有基础上修修补补，以期更加完善。现在还有人不断再梳理。有时候，研究本身把简单的事情复杂化，但这明显违背了投资的精髓：把复杂事情简单化。传统产业供给上分析基本两种情况：1）行业饱和，蛋糕不能再做大关注点：龙头公司竞争优势较为明显，体现为规模经济（成本决定竞争力）或一定地溢价力。产能主动性或被动性的淘汰，周期拉长，行业趋于集中，优势公司加速并购，集中度逐步提升。现金流对公司至关重要，尤其是行业冬天临近。典型的行业如钢铁、煤炭等等。2）稳步增长行业格局也渐渐清晰，品牌力是核心竞争优势，产品升级换代带来新的机会，比如渗透率逐步提升的家电、汽车、纺织等行业。2、新兴行业边学习边实践或者说“干”中“学”，几个关注点：我们一般会首先关注行业天花板有多高。但这其中我们往往会忽略掉最为关键的一点：理性与现实有多远，比如商业模式排他性、壁垒是否足够强，是否能够真正去落地，是否可以去不断复制。行业所处生命周期哪一个阶段，过早介入也有可能熬不过去。前瞻研究不是概念研究。二公司研究公司研究的主要目的之一是为了给公司合理的定价。定价是定量分析与定性分析的相结合体，是科学又是艺术。公司研究搭建的框架基本是三步：分析、归纳，预测、推理，结论和判断。（一）分析和归纳1、公司研究绝对不是孤立的研究。我们对其行业进行研究，包括宏观经济及上下游对行业作用与反作用。2、公司的资源禀赋是什么，定价力如何：技术、研发壁垒还是成本优势或者品牌优势等等，商业模式可复制性多强，管理层能力。3、公司的盈利能力分析：各项利润率、ROA、ROE及ROIC。4、波特五力分析：（1）行业壁垒；（2）是否有替代品还是替代别人；（3）对上游客户的议价能力如何；（4）行业对下游用户的议价能力如何；（5）行业内部竞争如何，市场集中度，国内外比较。5、竞争战略：行业最有效的竞争战略是什么；是低成本竞争（资源、规模），还是差异化（技术创新、服务营销等）。公司的竞争战略和核心能力，如何体现在具体的经营活动中；如何评价竞争对手；最看好哪家同行；公司在那些地方超越了同行。（二）预测和推理1、建立模型是第一步，拆分模型也是最为关键的。2、收入预测：价格、量（参考营销能力和产能投放）。3、成本预测：固定成本分拆；变动成本分拆：数量和单耗。尽可能的分拆至细。费用预测：参考过往，但不拘于固定。核心是动态的去看公司。具体看：1）收入利润：收入和利润的驱动因素是什么，是销量还是价格；未来几年的增长速度与长期发展空间。2）成本构成：主要产品的原材料、辅料、人工、折旧所占比例，波动最大的部分是什么，未来发展趋势；公司占款能力（预付与应付）供应是否存在瓶颈；原材料是否存在替代品，原材料价格走势如何。若原材料价格波动剧烈，公司的对策是什么。3）产品价格：价格的决定因素，未来3-6个月的价格走势如何；公司是否具有定价能力；公司是否能够转嫁成本压力。4）主要客户：主要客户（至少3家）是谁；与客户之间的议价能力（预收与应收）；公司的具体对策。5）资本开支：未来公司的资本开支计划，对应的具体项目与进展；资金来源；预期收益。6）公司治理：实际控制人的背景与发展思路。（三）判断和结论：公司的定价投资逻辑及评级：从行业、公司两个层面，侧重中长期（6个月以上）与短期（3-6个月）两个视角分析公司的投资价值所在。公司自身如何看待公司股票在未来二级市场上的投资机会；最适用的什么估值方法；合理价值区间。1、经常用的相对估值法：1）PE=P/EPS这个是我们经常用到的指标，相比于盈利预测难以精准测算，最难的莫过于PE，其实这个指标也挺主观的。根据所谓三年增速给多少PE，增速都不一定靠谱，更别说合理PE了。2）PB=P/BVE用的比较少，会辅助作为参考。更多时候周期底部看不清楚，看PB。很多资产型公司，我们也会比较看重资产重置带来安全边际。PE与PB估值法特点：（1）简单直接，短期情绪决定；（2）容易受公司财务调控影响。2、内含价值法，在A股市场一般用到不多，可做参考：FCFE（权益自由现金流折现法）、EVA(经济利润附加值法)、DDM（股利折现法）、AE（超额收益法）、APV（调整现值法）……?第四部分
投研决策公司和行业研究清楚未必能在股票上赚到钱。研究是学习和积累的一个过程；投资是思考和决策的最终结果。股票市场是经济的晴雨表，反应的是人的行为，背后则是人性的映射。投资中我们需要把握的几个基本点：一、常识很重要：非常态的东西一定是不能够持续的最为典型的就是周期性行业高点的价格或只是昙花一现。最终能够兑现的和年化最高利润相距甚远。1、周期股拐点：利/润顶部对应股价顶部，利润底部对应股价底部，错位周期3-6个月左右。2、成长股拐点：利润周期与生命周期同步，但大多时候滞后于股价周期。尤其是技术创新型的成长标的，初期会脱离估值约束。很多新兴产业标的的股价顶部会提前利润周期1-2年左右。需求推动型的成长标的则不甚明显。我经常想起那则很有意思的笑话：台风足够大可以吹起猪，而猪却以为自己会飞了，却忘记了屠夫正在盯着那些肥大的喊得最有力的猪。二、止盈止损同样重要人的心理预期往往会随着股价上下不断自我强化。A股市一个有效的市场，但也会有效过度，表现在其盲目性，炒概念追主题。但凡有一点苗头，一定会被夸大，并随着股价走势不断自我强化，预期膨胀，最后一地鸡毛。在一个波动率较高的市场里，入戏不能太深，始终要恪守理性、客观和决绝。市场的波动总会被放大，低估到合理到泡沫到破裂到回归到低估，反复循环。度的把握始终最为关键。每次泡沫来时，总是存在两种人：一种人不停地指出泡沫会很快破灭，另一种人欣然在泡沫中游泳。前一种人越来越聪明，后一种人越来越有钱。过早的离场也会错过许多。得失之间，始终难权衡。三、三观要正，这是活得久的前提研究和投资力求严谨，遵循框架和逻辑，追求可复制性。盲目无目的的随机游走是最危险的。这好比：如老年暴走军团在马路上大步向前，你根本搞不清楚什么时候就驶来一辆车，或从前面或从后面。四、逻辑验证，而非股价验证市场一直有很多无厘头的上涨，但并不意味着一定要每一个都去抓的住。股价上涨不一定代表逻辑的正确。投资和研究更多着重逻辑而非股价上涨来判断一个公司的价值。五、投研一体的融合1、研究乐观，投资谨慎：矛盾的二分体。研究是基础，投资是验证和试错。我一直主张做研究的可以乐观些，积极去看待和发现机会。但做投资的一定要谨慎和小心翼翼，活的久最重要。研究注重调研和前瞻力以及分析力。投资最核心的：一是不亏钱，二是不亏钱，三是参考前两条。2、研究到投资：我比较认可的一句话可以分享给大家：判断基于事实和数据两个维度，落实却是在情绪的第三维和梦想的第四维。A股有根深蒂固的传销文化和炒屎的习惯，切记盲从，顺从内心。短期涨跌大多时候没必要去解读，情绪的传递很重要。3、权衡两件事：在自己能力圈内基于确定性和动态角度看待安全边际和风险收益比及时间成本和机会成本。投资方法无优劣，但投资要关注确定性与可复制性。研究的过程是去伪存真，投资的过程是去繁留简。4、牛市、熊市和震荡市：牛市享受泡沫，熊市规避价值陷阱，震荡市考验眼光。投资收益曲线与性格相关：优秀的投资者追求尽量平滑的收益曲线。但无论对传统还是新兴产业，等一个趋势逐渐清晰了再去布局，需要的是胆量和魄力；而等趋势尚不明朗去布局则需要的是眼光和洞察力。
由于时间紧迫，只能简单收尾。暂时留下些许遗憾。此篇投研框架为第一版。我喜欢的《权利的游戏》都已经放到第七部，我们投研的框架也会陆续出新的版本，将会更加完善。在此不能免俗，还是感谢今年新财富大家对光大中小市值刘晓波团队的鼎力支持。特别声明本订阅号由光大证券中小市值研究团队编写，所刊载的信息均基于光大证券研究所已正式发布的研究报告，仅供在新媒体形势下研究信息、研究观点的及时沟通交流，其中的资料、意见、预测等，均反映相关研究报告初次发布当日光大证券研究所的判断，可能需随时进行调整，本订阅号不承担更新推送信息或另行通知的义务，任何情况下任何完整的研究观点，均应以光大证券研究所已正式发布的相关研究报告为准。
本文来自大风号，仅代表大风号自媒体观点。
用微信扫描二维码
分享至好友
用微信扫描二维码
分享至朋友圈
凤凰争鸣微信号
来点暖心的！扫这里
金融市场部蒟蒻练级中。。。
胡侃学习(理论)计算机【被大佬推荐，转载以膜拜】
《胡侃学习(理论)计算机》
作者：&Sir (阿涩)
　　我也来冒充一回高手，谈谈学习计算机的一点个人体会。由于我是做理论的，所以先着重谈谈理论。
　　记得当年大一，刚上本科的时候，每周六课时数学分析，六课时高等代数，天天作业不断(那时是六日工作制)。颇有些同学惊呼走错了门：咱们这到底念的是什么系？不错，你没走错门，这就是(当时的)南大计算机系。系里的传统是培养做学术研究，尤其是理论研究的人。而计算机的理论研究，说到底了就是数学，虽然也许是正统数学家眼里非主流的数学。
　　数学分析这个东东，咱们学计算机的人对它有很复杂的感情。爱它在于它是第一门，也是学分最多的一门数学课，又长期为考研课程。94以前可以选考数学分析与高等代数，以后则并轨到著名的所谓&工科数学一&。其重要性可见一斑。恨它则在于它好像难得有用到的机会，而且思维跟咱们平常做的这些离散/有限的工作截然不同。当年出现的怪现象是：计算机系学生的高中数学基础在全校数一数二(希望没有冒犯其它系的同学)，教学课时数也仅次于数学系，但学完之后的效果却几乎是倒数第一。其中原因何在，发人深思。
　　我个人的浅见是：计算机类的学生，对数学的要求固然跟数学系不同，跟物理类差别则更大。通常非数学专业的所谓&高等数学&，无非是把数学分析中较困难的理论部分删去，强调套用公式计算而已。而对计算机系来说，数学分析里用处最大的恰恰是被删去的理论部分。说得难听一点，对计算机系学生而言，追求算来算去的所谓&工科数学一&已经彻底地走进了魔道。记上一堆曲面积分的公式，难道就能算懂了数学分析？
　　中文的数学分析书，一般都认为以北大张筑生老师的&数学分析新讲&为最好。我个人认为南大数学系的&数学分析教程&也还不错，至少属于典型的南大风格，咱们看着亲切。随便学通哪一本都行。万一你的数学实在太好，这两本书都吃不饱，那就去看菲赫金哥尔茨的&微积分学教程&好了--但我认为没什么必要，毕竟你不想转到数学系去。
　　吉米多维奇的&数学分析习题集&也基本上是计算型的东东。如果你打算去考那个什么&工科数学一&，可以做一做。否则，不做也罢。
中国的所谓高等代数，就等于线性代数加上一点多项式理论。我以为这有好的一面，因为可以让学生较早感觉到代数是一种结构，而非一堆矩阵翻来覆去。当年我们用林成森，盛松柏两位老师编的&高等代数&，感觉相当舒服，我直到现在还保留着教材。此书相当全面地包含了关于多项式和线性代数的基本初等结果，同时还提供了一些有用的比较深的内容，如Sturm序列，Shermon-Morrison公式，广义逆矩阵等等。可以说，作为本科生如能吃透此书，就可以算高手。后来它得以在南大出版社出版，可惜好像并轨以后就没有再用了。
　　国内较好的高等代数教材还有清华计算机系用的那本，清华出版社出版，书店里多多，一看就知道。特点嘛，跟南大那本差不太多。
但以上两本书也不能说完美无缺。从抽象代数的观点来看，高等代数里的结果不过是代数系统性质的一些例子而已。莫宗坚先生的&代数学&里，对此进行了深刻的讨论。然而莫先生的书实在深得很，作为本科生恐怕难以接受，不妨等到自己以后成熟了一些再读。概率论与数理统计这门课很重要，可惜少了些东西。
　　少了的东西是随机过程。到毕业还没有听说过Markov过程，此乃计算机系学生的耻辱。没有随机过程，你怎么分析网络和分布式系统？怎么设计随机化算法和协议？据说清华计算机系开有&随机数学&，早就是必修课。人家可是工科学校，作为自以为&理科计算机系&出身的人，我感到惭愧。
　　另外，离散概率对计算机系学生来说有特殊的重要性。现在，美国已经有些学校开设了单纯的&离散概率论&课程，干脆把连续概率删去，把离散概率讲深些。我们不一定要这么做，但应该更加强调离散概率是没有疑问的。
　　计算方法是最后一门由数学系给我们开的课。一般学生对这门课的重视程度有限，以为没什么用。其实，做图形图像可离不开它。而且，在很多科学工程中的应用计算，都以数值的为主。
　　这门课有两个极端的讲法：一个是古典的&数值分析&，完全讲数学原理和算法；另一个是现在日趋流行的&科学与工程计算&，干脆教学生用软件包编程。南大数学系的几位老师做了件大好事，把前者的一本极为经典的教材翻译出版了：德国Stoer的&数值分析引论&。如果你能学会此书中最浅显的三分之一，就算没有白上过计算方法这门课！而后一种讲法似乎国内还没有跟上潮流？不过，只要你有机会在自己的电脑上装个matlab之类，完全可以无师自通。
　　本系里，通常开一门离散数学，包括集合论，图论，和抽象代数，另外再单开一门数理逻辑。这样安排，主要由于南大的逻辑传统：系里很多老师都算莫先生的门人，就连孙先生都是逻辑专业出身(见孙先生自述)。
　　不过，这么多内容挤在离散数学一门课里，是否时间太紧了点？另外，计算机系学生不懂组合和数论，也是巨大的缺陷。要做理论，不懂组合或者数论吃亏可就太大了。
　　从理想的状态来看，最好分开六门课：集合，逻辑,图论，组合，代数，数论。这个当然不现实，因为没那么多课时。也许将来可以开三门课：集合与逻辑，图论与组合，代数与数论。
　　不管课怎么开，学生总一样要学。下面分别谈谈上面的三组内容。
　　古典集合论，北师大出过一本&基础集合论&不错。南大出版朱梧(木贾)老师的&集合论导引&也许观点更高些，但他的书形式化得太厉害，念起来吃力。
　　数理逻辑，莫先生的书自然是经典。然而我们也不得不承认，此书年代久远，光读它恐怕不够。尤其是命题/谓词演算本身有好多种不同的讲法，多看几家能大大开阔自己的视野。例如陆钟万老师的&面向计算机科学的数理逻辑&就不错。朱老师也著有&数理逻辑教程&一书，但也同样读起来费力些。
　　总的来说，学集合/逻辑起手不难，但越往后越感觉深不可测。建议有兴趣的同学读读朱老师的&数学基础引论&--此书有点时间简史的风格，讲到精彩处，所谓&天花乱坠，妙雨缤纷&，令人目不暇接。读完以后，你对这些数学/哲学中最根本的问题有了个大概了解，也知道了山有多高，海有多深。
　　学完以上各书之后，如果你还有精力兴趣进一步深究，那么可以试一下GTM系列中的Introduction to Axiomatic Set Theory和A Course of Mathematical Logic。这两本都有世界图书的引进版。你如果能搞定这两本，可以说在逻辑方面真正入了门，也就不用再浪费时间听我瞎侃了。
　　据说全中国最多只有三十个人懂图论(当年上课时陈道蓄老师转引张克民老师的话)。此言不虚。图论这东东，技巧性太强，几乎每题都有一个独特的方法，让人头痛。不过这也正是它魅力所在：只要你有创造性，它就能给你成就感。所以学图论没什么好说的，做题吧。
　　国内的图论书中，王树禾老师的&图论及其算法&非常成功。一方面，其内容在国内教材里算非常全面的。另一方面，其对算法的强调非常适合计算机系(本来就是科大计算机系教材)。有了这本书为主，再参考几本翻译的，如Bondy&Murty的&图论及其应用&，邮电出版社翻译的&图论和电路网络&等等，就马马虎虎，对本科生足够了。
　　再进一步，世界图书引进有GTM系列的Modern Graph Theory。此书确实经典！国内好像还有一家出版了个翻译版。不过，学到这个层次，还是读原版好。搞定这本书，也标志着图论入了门，呵呵。组合感觉没有太适合的国产书。还是读Graham和Knuth&等人合著的经典&具体数学&吧，有翻译版，西电出的。
　　抽象代数，国内经典为莫宗坚先生的&代数学&。此书是北大数学系教材，深得好评。然而对本科生来说，此书未免太深。可以先学习一些其它的教材，然后再回头来看&代数学&。国际上的经典可就多了，GTM系列里就有一大堆。推荐一本谈不上经典，但却最简单的，最容易学的：http://www.math.miami.edu/~ec/book/
　　这本Introduction to Linear and Abstract Algebra非常通俗易懂，而且把抽象代数和线性代数结合起来，对初学者来说非常理想。不过请注意版权问题，不要违反法律噢。
　　数论方面，国内有经典而且以困难著称的&初等数论&(潘氏兄弟著，北大版)。再追溯一点，还有更加经典(可以算世界级)并且更加困难的&数论导引&(华罗庚先生的名著，科学版，九章书店重印)。把基础的几章搞定一个大概，对本科生来讲足够了。但这只是初等数论。本科毕业后要学计算数论，你必须看英文的书，如Bach的Introduction to Algorithmic Number Theory。理论计算机的根本，在于算法。现在系里给本科生开设算法设计与分析，确实非常正确。环顾西方世界，大约没有一个三流以上计算机系不把算法作为必修的。
　　算法教材目前公认以Corman等著的Introduction to Algorithms为最优。对入门而言，这一本已经足够，不需要再参考其它书。南大曾翻译出版此书，中文名为&现代计算机常用数据结构与算法&。pie好像提供了网上课程的link，我也就不用废话。
　　最后说说形式语言与自动机。我们用过北邮的教材，应该说写的还清楚。但是，有一点要强调：形式语言和自动机的作用主要在作为计算模型，而不是用来做编译。事实上，编译前端已经是死领域，没有任何open problem。如果为了这个，我们完全没必要去学形式语言--用用yacc什么的就完了。北邮的那本，在深度上，在跟可计算性的联系上都有较大的局限，现代感也不足。所以建议有兴趣的同学去读英文书。不过英文书中好的也不多，而且国内似乎没引进这方面的教材。
　　入门以后，把形式语言与自动机中定义的模型，和数理逻辑中用递归函数定义的模型比较一番，可以说非常有趣。现在才知道，什么叫&宫室之美，百官之富&！
《胡侃学习计算机——理论之外》
　　如果计算机只有理论，那么它不过是数学的一个分支，而不成为一门独立的科学。事实上，在理论之外，计算机科学还有更广阔的天空。我一直认为，4年根本不够学习计算机的基础知识，因为面太宽了。&一个一流计算机系的优秀学生决不该仅仅是一个编程高手，但他一定首先是一个编程高手。
　　我上大学的时候，第一门专业课时程序设计，现在好像改成了计算机科学导论？不管叫什么名字，总之，念计算机的人就是靠程序吃饭。
去年在计算机系版有过一场争论，关于第一程序设计语言该用哪一种。我个人认为，用哪种语言属于末节，关键在养成良好的编程习惯。当年老师对我们说，打好基础后学一门新语言只要一个星期。现在我觉得根本不用一个星期--前提是先把基础打好。
　　数据结构有两种不同的上法：一种把它当成降低要求的初级算法课，另一种把它当成高级的程序设计课。现在国内的课程好像介乎两者之间，而稍偏向前者。我个人认为，假如已经另有必修的算法课，恐怕后一个目的更重要些。
　　国内流行的数据结构书也有两种：北大的红皮书(许卓群等著，高教版)和清华的绿皮书(严蔚敏等著，清华版)。两书差距不大。红皮书在理论上稍深一些，当然离严格的算法书还差好远。绿皮书更易接受些，而且佩有一本不错的习题集，但我觉得它让学生用伪代码写作业恐怕不见得太好。最好还是把算法都code以后debug一番，才能锻炼编程能力。
　　汇编预言和微机原理是两门特烦人的课。你的数学/理论基础再好，也占不到什么便宜。这两门课之间的次序也好比先有鸡还是先有蛋，无论你先学哪门，都会牵扯另一门课里的东西。所以，只能静下来慢慢琢磨。这就是典型的工程课，不需要太多的聪明和顿悟，却需要水滴石穿的渐悟。
　　有关这两门课的书，电脑书店里不难找到。弄几本最新的，对照着看吧。
　　模拟电路这东东，如今不仅计算机系学生搞不定，电子系学生也多半害怕。如果你真想软硬件通吃，那么建议你先看看邱关源的&电路原理&，也许此后再看模拟电路底气会足些。
　　教材：康华光的&电子技术基础&还是不错的。有兴趣也可以参考童诗白的书。
　　数字电路比模拟电路要好懂得多。阎石的书也算一本好教材，遗憾的一点是集成电路讲少了些。真有兴趣，到东南无线电系去旁听他们的课。
　　计算机系统结构该怎么教，国际上还在争论。国内能找到的较好教材为Stallings的Computer Organization and Architecture: Designing for Performance(清华影印本)。国际上最流行的则是Computer architecture: a quantitative approach, by Patterson & Hennessy。
　　操作系统可以随便选用Tanenbaum的Operating System Design and Implementation和Modern Operating System两书之一。这两部都可以算经典，唯一缺点&就是理论上不够严格。不过这领域属于Hardcore System,&所以在理论上马虎一点也情有可原。
　　如果先把形式语言学好了，则编译原理中的前端我看只要学四个算法：最容易实现的递归下降；最好的自顶向下算法LL(k)；最好的自底向上算法LR(k)；LR(1)的简化SLR(也许还有另一简化LALR?)。后端完全属于工程性质，自然又是another story。
　　推荐教材：&Aho等人的著名的Dragon Book: Compilers: Principles, Techniques and Tools.&或者Appel的Modern Compiler Implementation in C.
　　学数据库的第一意义是告诉你，会用VFP编程不等于懂数据库。(这世界上自以为懂数据库的人太多了！)数据库设计既是科学又是艺术，数据库实现则是典型的工程。
　　所以从某种意义上讲，数据库是最典型的一门计算机课--理工结合，互相渗透。
　　推荐教材：Silberschatz, et al., Database System Concepts.
　　网络的标准教材还是来自Tanenbaum: Computer Networks (清华影印本)。不过，网络也属于Hardcore System，所以光看书是不够的。建议多读RFC，从IP的读起。等到能掌握10种左右常用协议，就没有几个人敢小看你了。
　　必须结束这篇&胡侃&了，再侃下去非我力所能及。其实计算机还有很多基础课都值得一侃，如程序设计语言原理，图形图像处理，人工智能等等。怎奈我造诣有限，不敢再让内行耻笑。
最后声明：前后的两篇&胡侃&只针对本科阶段的学习。即使把这些全弄通了，前面的路还长。
《理论计算机科学漫谈》
　　计算机科学和数学的关系有点奇怪。二三十年以前，计算机科学基本上还是数学的一个分支。而现在，计算机科学拥有广泛的研究领域和众多的研究人员，在很多方面反过来推动数学发展，从某种意义上可以说是孩子长得比妈妈还高了。
　　但不管怎么样，这个孩子身上始终流着母亲的血液。这血液是the mathematical underpinning of computer science(计算机科学的数学基础)--也就是理论计算机科学。
　　现代计算机科学和数学的另一个交叉是计算数学/数值分析/科学计算，传统上不包含在理论计算机科学以内。所以本文对计算数学全部予以忽略。
　　最常和理论计算机科学放在一起的一个词是什么？答：离散数学。这两者的关系是如此密切，以至于它们在不少场合下成为同义词。
　　传统上，数学是以分析为中心的。数学系的同学要学习三四个学期的数学分析，然后是复变，实变，泛函等等。实变和泛函被很多人认为是现代数学的入门。在物理，化学，工程上应用的，也以分析为主。
　　随着计算机科学的出现，一些以前不太受到重视的数学分支突然重要起来。人们发现，这些分支处理的数学对象与传统的分析有明显的区别：分析研究的对象是连续的，因而微分，积分成为基本的运算；而这些分支研究的对象是离散的，因而很少有机会进行此类的计算。人们从而称这些分支为&离散数学&。&离散数学&的名字越来越响亮，最后导致以分析为中心的传统数学分支被相对称为&连续数学&。
　　离散数学经过几十年发展，基本上稳定下来。一般认为，离散数学包含以下学科：
　　1)&集合论，数理逻辑与元数学。这是整个数学的基础，也是计算机科学的基础。
　　2)&图论，算法图论；组合数学，组合算法。计算机科学，尤其是理论计算机科学的核心是算法，而大量的算法建立在图和组合的基础上
　　3)&抽象代数。代数是无所不在的，本来在数学中就非常重要。在计算机科学中，人们惊讶地发现代数竟然有如此之多的应用。
　　但是，理论计算机科学仅仅就是在数学的上面加上&离散&的帽子这么简单吗？一直到大约十几年前，终于有一位大师告诉我们：不是。
D.E.Knuth(他有多伟大，我想不用我废话了)在Stanford开设了一门全新的课程Concrete Mathematics。Concrete这个词在这里有两层含义：
第一，针对abstract而言。Knuth认为，传统数学研究的对象过于抽象，导致对具体的问题关心不够。他抱怨说，在研究中他需要的数学往往并不存在，所以他只能自己去创造一些数学。为了直接面向应用的需要，他要提倡&具体&的数学。
　　在这里我做一点简单的解释。例如在集合论中，数学家关心的都是最根本的问题--公理系统的各种性质之类。而一些具体集合的性质，各种常见集合，关系，映射都是什么样的，数学家觉得并不重要。然而，在计算机科学中应用的，恰恰就是这些具体的东西。Knuth能够首先看到这一点，不愧为当世计算机第一人。
　　第二，Concrete是Continuous(连续)加上discrete (离散)。不管连续数学还是离散数学，都是有用的数学！
　　前面主要是从数学角度来看的。从计算机角度来看，理论计算机科学目前主要的研究领域包括：可计算性理论，算法设计与复杂性分析，密码学与信息安全，分布式计算理论，并行计算理论，网络理论，生物信息计算，计算几何学，程序语言理论等等。这些领域互相交叉，而且新的课题在不断提出，所以很难理出一个头绪来。下面随便举一些例子。
　　由于应用需求的推动，密码学现在成为研究的热点。密码学建立在数论(尤其是计算数论)，代数，信息论，概率论和随机过程的基础上，有时也用到图论和组合学等。
　　很多人以为密码学就是加密解密，而加密就是用一个函数把数据打乱。这就大错特错了。现代密码学至少包含以下层次的内容：
　　第一，密码学的基础。例如，分解一个大数真的很困难吗？能否有一般的工具证明协议正确？
　　第二，密码学的基本课题。例如，比以前更好的单向函数，签名协议等。
　　第三，密码学的高级问题。例如，零知识证明的长度，秘密分享的方法。
　　第四，密码学的新应用。例如，数字现金，叛徒追踪等。
　　在分布式系统中，也有很多重要的理论问题。例如，进程之间的同步，互斥协议。一个经典的结果是：在通信信道不可靠时，没有确定型算法能实现进程间协同。所以，改进TCP三次握手几乎没有意义。例如时序问题。常用的一种序是因果序，但因果序直到不久前才有一个理论上的结果。例如，死锁没有实用的方法能完美地对付。
　　关于死锁&--理论计算机科学漫谈
　　我简单地觉得与&熵&这个东西有关.&没有这么复杂。关键在效率：对付死锁的方法，例如死锁检测，都非常严重地减低效率，以至于得不偿失，因为死锁并不是一种经常出现的现象。所以在全局上，一般都用所谓&鸵鸟算法&，也就是假装什么都不会发生。在局部上，例如你要设计一个访问共享数据的算法，那么你就要证明你的算法在局部上是deadlock free。至于它会不会导致全局的死锁，就烦不了许多了。
《sir：关于&胡侃学习计算机&的一些补充说明》
大约两年以前，我写了《胡侃》一文并贴在本版，此后陆续有一些同学来信询问相关的问题。为了完整起见，在此我把一些比较重要的想法补充如下。
（1）《胡侃》一文虽然覆盖面仅限于计算机系的本科课程，但总体要求甚高。在写作此文时，我的想法是更高的目标有利于激励学习的热情。因此，事实上本科生要在四年之内达到文中所说的水平，读完所给的所有的参考书，几乎没有可能。如果你能学到六七成，就可以算非常优秀的学生，不必再拘泥于《胡侃》一文所指的方向。而如果你在学习时遇到有困难，也完全不必感到灰心丧气。你遇到的困难，99.99%的人也同样会遇到。问题不在于有没有困难，而在于面对困难你能走多远。
（2）坦率地说，《胡侃》一文中含有重大的偏见。因为我本人是从事理论研究的，所以我个人的想法不可避免地抬高了理论而贬低了计算机科学的其它分支。但就实际情况而言，并非所有的学生都会学习理论，甚至绝大部分学生的方向都不是理论。因此，每个人在学习时有必要根据自己的实际来取舍《胡侃》中提到的内容。据个例子讲，如果你准备做操作系统，那么集合论、数理逻辑对你来说几乎没有用处，完全可以舍弃；组合数学、图论也只要最浅显的一点就可以了；代数也一样.....你需要的数学基础可能会包括一点排队论之类的东西。但更重要的，你需要大量的工程实践，需要去研究linux内核，X-Windows.......需要去Hack各种常见的系统软件，需要对操作系统的工作有一个global
picture。由于这样的工作并非我的长处，请不要期望能从《胡侃》一文中得到多少帮助。请记住，每个人的目光都有局限，《胡侃》的作者只不过比你多学了几年，成熟了的你很快会发现他的局限。
（3）最理想的学习方法当然是从基础出发，每一步都扎扎实实。但我国的传统过分地强调了这一点。其实，由于种种原因，我们的研究生、高年级本科生常常并没有把基础课学得尽善尽美，甚至有很多必要的基础课根本没学过。那么应该怎么办？从头学起吗？你有足够的时间和精力从大一开始重学一遍吗？这样的热情很好，可惜一般不符合实际。看看美国为代表的教学体系，你就会发现还有另外一种学法，那就是需要什么的时候再补学什么。实践证明，美国的学生并不明显比其它国家的学生差----或者说他们有自己的长处。如果你也是一个正在给自己“补课”的研究生，为什么不能参照一下美国人的方法呢？
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！