金融数据挖掘

出版时间：2007-4  出版社：科学出版社  作者：马超群  页数：278  
Tag标签：无  

内容概要

　　金融管理研究的一个显著特点是数据分析量大、不确定性因素多，面对当今时代的海量金融数据，基于传统统计技术建立的模型假设条件多，实际应用难以奏效。数据挖掘是20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。　　本书对一些相对较成熟的挖掘技术的讨论，阐述其用途、解决思路、需注意的主要问题、步骤，以金融领域的具体案例介绍模型与方法的应用。全书包括金融数据预处理、分类技术、预测、聚类技术、神经网络与支持向量机、异常数据挖掘，并且介绍了这些领域的一些最新方法。　　本书可作为信息管理与金融类专业本科生和研究生的教材，也可供从事数据挖掘技术与应用研究的科研人员、金融市场数据分析人员，以及数据挖掘应用软件的开发者参考。

书籍目录

丛书序序言前言第1章 绪论1.1 数据挖掘技术的兴起1.2 数据挖掘概述1.3 数据挖掘与统计学1.4 数据挖掘与金融第2章 金融数据预处理2.1 概述2.2 数据预处理任务2.3 常见数据预处理技术2.4 案例：信用卡数据挖掘的预处理2.5 金融时间序列去噪预处理研究第3章 关联规则挖掘技术3.1 关联规则的定义3.2 关联规则挖掘技术3.3 案例：银行卡的关联规则挖掘3.4 基于共同机制思想的时间序列关联模式挖掘第4章 分类技术4.1 分类建模介绍4.2 判别式分类4.3 决策树分类4.4 贝叶斯分类4.5 粗糙集方法4.6 分类技术在信用卡管理中的应用第5章 预测技术5.1 线性回归分析5.2 非线性田归分析5.3 灰色预测技术5.4 组合预测技术5.5 混合预测模型在股票价格预测中的应用第6章 神经网络与支持向量机6.1 神经网络概述6.2 前向型神经网络6.3 Hopfield网络6.4 自组织特征映射神经网络6.5 统计学习理论6.6 支持向量机6.7 支持向量机方法在金融预测中的应用第7章 聚类分析7.1 聚类的相关概念7.2 数据类型及相似性度量7.3 分割聚类算法7.4 层次聚类法7.5 基于密度的聚类方法7.6 基于模型的聚类7.7 聚类分析技术在金融投资分析中的应用第8章 时间序列数据挖掘8.1 经典时间序列分析模型8.2 金融时间序列挖掘与模型分析法的比较8.3 时间序列挖掘的基本问题8.4 时间序列相似性度量的一般方法8.5 反映心理偏好的时间序列相似性度量研究8.6 时间序列的符号化处理8.7 时间序列事件征兆模式挖掘研究8.8 征兆模式挖掘在股票市场有效性研究中的应用第9章 异常数据挖掘9.1 概述9.2 异常的定义9.3 异常的隐藏9.4 异常挖掘的一般方法9.5 异常数据挖掘在金融领域中的应用参考文献致谢

编辑推荐

　　《金融数据挖掘》可作为信息管理与金融类专业本科生和研究生的教材，也可供从事数据挖掘技术与应用研究的科研人员、金融市场数据分析人员，以及数据挖掘应用软件的开发者参考。