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)計技術建立的模型假設條件多，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，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果，以人們容易理解的形式提供有用的決策信息。
本書對一些相對較成熟的挖掘技術的討論，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、預測、聚類技術、神經(jīng)網(wǎng)絡與支持向量機、異常數(shù)據(jù)挖掘，并且介紹了這些領域的一些*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。
更多科學出版社服務，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
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 關聯(lián)規(guī)則挖掘技術
3.1 關聯(lián)規(guī)則的定義
3.2 關聯(lián)規(guī)則挖掘技術
3.3 案例：銀行卡的關聯(lián)規(guī)則挖掘
3.4 基于共同機制思想的時間序列關聯(lián)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應用
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應用
第6章 神經(jīng)網(wǎng)絡與支持向量機
6.1 神經(jīng)網(wǎng)絡概述
6.2 前向型神經(jīng)網(wǎng)絡
6.3 Hopfield網(wǎng)絡
6.4 自組織特征映射神經(jīng)網(wǎng)絡
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)挖掘在金融領域中的應用
參考文獻
致謝
書單推薦
