机器学习典型技术在金融风险研究领域中的应用

图书标准信息

• 作者 田浩 著
• 出版社 中国金融出版社
• 出版时间 2022-12
• 版次 1
• ISBN 9787522018324
• 定价 68.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 568页
• 字数 262千字

【内容简介】

本书系统探讨了互联网、人工智能高速发展时代背景下，机器学习技术在金融风险研究领域中的应用情况。首先介绍机器学习的基本原理，包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等传统方法。其次以学习方法为切入点，结合金融风险研究领域中的实例，重点介绍与对比监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习等典型机器学习算法与技术的原理特点及其应用场景。最后分析迁移学习等下一波机器学习技术在金融风险研究领域中的应用前景。

【作者简介】

田浩，工学博士，湖北经济学院教授，硕士生导师，日本早稻田大学访问学者。研究方向为智能计算、金融科技。近年来主持省部级科研教研项目6项，出版学术专著1部，在国内外权威及核心刊物上公开发表学术论文30余篇，其中SCI、EI收录10余篇。

【目录】

目录

第1 章　机器学习技术概述

　1. 1　机器学习的定义　3

　1. 2　机器学习的发展历程　5

　1. 3　机器学习的主要概念　7

　　1. 3. 1　协同过滤　7

　　1. 3. 2　监督学习、半监督学习与非监督学习　9

　　1. 3. 3　聚类 　10

　　1. 3. 4　卷积 　11

　　1. 3. 5　神经网络 　15

　　1. 3. 6　过拟合和欠拟合　16

　1. 4　机器学习的基本要素　17

　　1. 4. 1　模型　17

　　1. 4. 2　学习准则　18

　　1. 4. 3　优化算法　21

1. 5　本章小结　22

第2 章　偏好建模与金融风险偏好

　2. 1　风险偏好的概念内涵　25

　2. 2　风险偏好的研究现状　26

　　2. 2. 1　基于指标选取的偏好建模　26

　　2. 2. 2　基于问卷量表的偏好建模　30

　　2. 2. 3　基于变量设计的偏好建模　34

　2. 3　通用偏好建模方法概述　38

　2. 4　基于本体与偏好构造函数的混合偏好模型　41

　　2. 4. 1　本体技术　41

　　2. 4. 2　金融本体构建　43

　　2. 4. 3　偏好构造函数　44

　　2. 4. 4　模型的形式化　49

　2. 5　本章小结　58

第3 章　聚类及其在金融风险研究中的应用

　3. 1　聚类性能度量指标　63

　　3. 1. 1　外部指标　64

　　3. 1. 2　内部指标　65

　3. 2　典型的聚类算法　68

　　3. 2. 1　划分式聚类　68

　　3. 2. 2　基于密度的聚类　75

　　3. 2. 3　层次化聚类　81

　3. 3　聚类在金融风险中的研究现状　87

　　3. 3. 1　传统聚类算法的应用　87

　　3. 3. 2　新型聚类算法的应用　90

　3. 4　基于隐式偏好子模型的聚类方法　94

　　3. 4. 1　聚类的依据及度量　94

　3. 4. 2　剪枝策略　96

　3. 5　本章小结　100

第4 章　金融风险研究中的信任关系

　4. 1　信任的内涵　103

　4. 2　金融风险中的信任研究　105

　　4. 2. 1　信任的特征及衡量　105

　　4. 2. 2　信任在风险承受或风险感知中的作用　110

　　4. 2. 3　信任受金融危机或风险的影响　115

　4. 3　基于典型影响因素的信任建模　118

　　4. 3. 1　信任关系的影响因素　118

　　4. 3. 2　信任关系建模　121

　4. 4　本章小结　128

第5 章　支持向量机与金融风险研究

　5. 1　支持向量机的原理和概念　131

　　5. 1. 1　支持向量建模　131

　　5. 1. 2　SVM 最优化　134

　　5. 1. 3　软间隔SVM　136

　　5. 1. 4　核函数　137

　　5. 1. 5　支持向量机的特点　141

　5. 2　SVM 在金融风险中的研究现状　142

　　5. 2. 1　风险预警　142

　　5. 2. 2　风险评估　146

　　5. 2. 3　金融时间序列预测　149

　　5. 2. 4　财务困境预测　151

　5. 3　基于准线性核支持向量机的一类分类　153

　　5. 3. 1　方法原理　153

　　5. 3. 2　实验方法　155

5. 3. 3　数值实验工具及数据集　159

　　5. 3. 4　实验结果　160

　　5. 3. 5　实验总结　166

　5. 4　本章小结　166

第6 章　集成学习及其在金融风险研究中的应用

　6. 1　集成学习的原理　169

　6. 2　典型的集成算法　170

　　6. 2. 1　AdaBoost　170

　　6. 2. 2　随机森林　175

　　6. 2. 3　梯度提升树　179

　6. 3　集成学习在金融风险中的研究现状　183

　　6. 3. 1　时序分析及股价预测　183

　　6. 3. 2　风险控制/ 风险投资　186

　　6. 3. 3　量化投资及选股　188

　　6. 3. 4　个人信贷评估　192

　6. 4　实例应用　196

　　6. 4. 1　实例简介　196

　　6. 4. 2　实验数据　197

　　6. 4. 3　实验方法　201

　　6. 4. 4　实验过程　204

　　6. 4. 5　实验结果　205

　6. 5　本章小结　211

第7 章　成分分析及其在金融风险研究中的应用

　7. 1　典型的成分分析算法　215

　　7. 1. 1　主成分分析　215

　　7. 1. 2　因子分析　222

　　7. 1. 3　独立成分分析　224

7. 2　成分分析算法在金融风险中的研究现状　226

　　7. 2. 1　市场波动分析　226

　　7. 2. 2　投资组合分析　228

　　7. 2. 3　财务风险分析　229

　　7. 2. 4　金融时序分析　231

　　7. 2. 5　金融发展水平分析　233

　7. 3　实例应用　235

　　7. 3. 1　实例简介　235

　　7. 3. 2　实验数据　236

　　7. 3. 3　实验方法　238

　　7. 3. 4　实验结果　241

　7. 4　本章小结　242

第8 章　总结与展望

　8. 1　研究总结　245

　8. 2　研究展望　247

参考文献

后记