金融數(shù)據(jù)挖掘

內(nèi)容概要

　　金融管理研究的一個顯著特點是數(shù)據(jù)分析量大、不確定性因素多，面對當今時代的海量金融數(shù)據(jù)，基于傳統(tǒng)統(tǒng)計技術(shù)建立的模型假設(shè)條件多，實際應用難以奏效。數(shù)據(jù)挖掘是20世紀90年代中期興起的新技術(shù)，是發(fā)現(xiàn)數(shù)據(jù)中有用模式的過程，其目的在于使用所發(fā)現(xiàn)的模式幫助解釋當前的行為或預測未來的結(jié)果，以人們?nèi)菀桌斫獾男问教峁┯杏玫臎Q策信息。　　本書對一些相對較成熟的挖掘技術(shù)的討論，闡述其用途、解決思路、需注意的主要問題、步驟，以金融領(lǐng)域的具體案例介紹模型與方法的應用。全書包括金融數(shù)據(jù)預處理、分類技術(shù)、預測、聚類技術(shù)、神經(jīng)網(wǎng)絡(luò)與支持向量機、異常數(shù)據(jù)挖掘，并且介紹了這些領(lǐng)域的一些最新方法?！　”緯勺鳛樾畔⒐芾砼c金融類專業(yè)本科生和研究生的教材，也可供從事數(shù)據(jù)挖掘技術(shù)與應用研究的科研人員、金融市場數(shù)據(jù)分析人員，以及數(shù)據(jù)挖掘應用軟件的開發(fā)者參考。

書籍目錄

叢書序序言前言第1章 緒論1.1 數(shù)據(jù)挖掘技術(shù)的興起1.2 數(shù)據(jù)挖掘概述1.3 數(shù)據(jù)挖掘與統(tǒng)計學1.4 數(shù)據(jù)挖掘與金融第2章 金融數(shù)據(jù)預處理2.1 概述2.2 數(shù)據(jù)預處理任務2.3 常見數(shù)據(jù)預處理技術(shù)2.4 案例：信用卡數(shù)據(jù)挖掘的預處理2.5 金融時間序列去噪預處理研究第3章 關(guān)聯(lián)規(guī)則挖掘技術(shù)3.1 關(guān)聯(lián)規(guī)則的定義3.2 關(guān)聯(lián)規(guī)則挖掘技術(shù)3.3 案例：銀行卡的關(guān)聯(lián)規(guī)則挖掘3.4 基于共同機制思想的時間序列關(guān)聯(lián)模式挖掘第4章 分類技術(shù)4.1 分類建模介紹4.2 判別式分類4.3 決策樹分類4.4 貝葉斯分類4.5 粗糙集方法4.6 分類技術(shù)在信用卡管理中的應用第5章 預測技術(shù)5.1 線性回歸分析5.2 非線性田歸分析5.3 灰色預測技術(shù)5.4 組合預測技術(shù)5.5 混合預測模型在股票價格預測中的應用第6章 神經(jīng)網(wǎng)絡(luò)與支持向量機6.1 神經(jīng)網(wǎng)絡(luò)概述6.2 前向型神經(jīng)網(wǎng)絡(luò)6.3 Hopfield網(wǎng)絡(luò)6.4 自組織特征映射神經(jīng)網(wǎng)絡(luò)6.5 統(tǒng)計學習理論6.6 支持向量機6.7 支持向量機方法在金融預測中的應用第7章 聚類分析7.1 聚類的相關(guān)概念7.2 數(shù)據(jù)類型及相似性度量7.3 分割聚類算法7.4 層次聚類法7.5 基于密度的聚類方法7.6 基于模型的聚類7.7 聚類分析技術(shù)在金融投資分析中的應用第8章 時間序列數(shù)據(jù)挖掘8.1 經(jīng)典時間序列分析模型8.2 金融時間序列挖掘與模型分析法的比較8.3 時間序列挖掘的基本問題8.4 時間序列相似性度量的一般方法8.5 反映心理偏好的時間序列相似性度量研究8.6 時間序列的符號化處理8.7 時間序列事件征兆模式挖掘研究8.8 征兆模式挖掘在股票市場有效性研究中的應用第9章 異常數(shù)據(jù)挖掘9.1 概述9.2 異常的定義9.3 異常的隱藏9.4 異常挖掘的一般方法9.5 異常數(shù)據(jù)挖掘在金融領(lǐng)域中的應用參考文獻致謝

編輯推薦

　　《金融數(shù)據(jù)挖掘》可作為信息管理與金融類專業(yè)本科生和研究生的教材，也可供從事數(shù)據(jù)挖掘技術(shù)與應用研究的科研人員、金融市場數(shù)據(jù)分析人員，以及數(shù)據(jù)挖掘應用軟件的開發(fā)者參考。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    金融數(shù)據(jù)挖掘 PDF格式下載

---