金融管理研究的一個顯著特點(diǎn)是數(shù)據(jù)分析量大、不確定性因素多，面對當(dāng)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(shí)際應(yīng)用難以奏效。數(shù)據(jù)挖掘是20世紀(jì)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(dāng)前的行為或預(yù)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(yīng)用。全書包括金融數(shù)據(jù)預(yù)處理、分類技術(shù)、預(yù)測、聚類技術(shù)、神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)、異常數(shù)據(jù)挖掘，并且介紹了這些領(lǐng)域的一些*方法。
本書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(yīng)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(yīng)用軟件的開發(fā)者參考。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
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(xué)
1.4 數(shù)據(jù)挖掘與金融
第2章 金融數(shù)據(jù)預(yù)處理
2.1 概述
2.2 數(shù)據(jù)預(yù)處理任務(wù)
2.3 常見數(shù)據(jù)預(yù)處理技術(shù)
2.4 案例：信用卡數(shù)據(jù)挖掘的預(yù)處理
2.5 金融時間序列去噪預(yù)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(jī)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(yīng)用
第5章 預(yù)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(yù)測技術(shù)
5.4 組合預(yù)測技術(shù)
5.5 混合預(yù)測模型在股票價格預(yù)測中的應(yīng)用
第6章 神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)
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(xué)習(xí)理論
6.6 支持向量機(jī)
6.7 支持向量機(jī)方法在金融預(yù)測中的應(yīng)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(yīng)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(yīng)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(yīng)用
參考文獻(xiàn)
致謝
書單推薦
