金融數據挖掘
叢書名： 管理、決策與信息系統叢書
作 者： 馬超群 等著
出 版 社： 科學出版社
出版時間： 2007-4-1
字 數： 343000
版 次： 1
頁 數： 278
紙 張： 膠版紙
I S B N ： 9787030186515
包 裝： 平裝
所屬分類： 圖書 >> 管理 >> 金融/投資 >> 金融理論
定價：￥35.00
內容簡介
金融管理研究的一個顯著特點是數據分析量大、不確定性因素多，面對當今時代的海量金融數據，基於傳統統計技術建立的模型假設條件多，實際套用難以奏效。數據挖掘是20世紀90年代中期興起的新技術，是發現數據中有用模式的過程，其目的在於使用所發現的模式幫助解釋當前的行為或預測未來的結果，以人們容易理解的形式提供有用的決策信息。
本書可作為信息管理與金融類專業本科生和研究生的教材，也可供從事數據挖掘技術與套用研究的科研人員、金融市場數據分析人員，以及數據挖掘套用軟體的開發者參考。
目錄
叢書序
序言
前言
第1章 緒論
1.1 數據挖掘技術的興起
1.2 數據挖掘概述
1.3 數據挖掘與統計學
1.4 數據挖掘與金融
第2章 金融數據預處理
2.1 概述
2.2 數據預處理任務
2.3 常見數據預處理技術
2.4 案例：信用卡數據挖掘的預處理
2.5 金融時間序列去噪預處理研究
第3章 關聯規則挖掘技術
3.1 關聯規則的定義
3.2 關聯規則挖掘技術
3.3 案例：銀行卡的關聯規則挖掘
3.4 基於共同機制思想的時間序列關聯模式挖掘
第4章 分類技術
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 分類技術在信用卡管理中的套用
第5章 預測技術
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
5.4 組合預測技術
5.5 混合預測模型在股票價格預測中的套用
第6章 神經網路與支持向量機
6.1 神經網路概述
6.2 前向型神經網路
6.3 Hopfield網路
6.4 自組織特徵映射神經網路
6.5 統計學習理論
6.6 支持向量機
6.7 支持向量機方法在金融預測中的套用
第7章 聚類分析
7.1 聚類的相關概念
7.2 數據類型及相似性度量
7.3 分割聚類算法
7.4 層次聚類法
7.5 基於密度的聚類方法
7.6 基於模型的聚類
7.7 聚類分析技術在金融投資分析中的套用
第8章 時間序列數據挖掘
8.1 經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 時間序列事件徵兆模式挖掘研究
8.8 徵兆模式挖掘在股票市場有效性研究中的套用
第9章 異常數據挖掘
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 異常數據挖掘在金融領域中的套用
參考文獻
致謝
