金融数据建模应用（高）
全新正版现货
￥ 46.6 6.9折 ￥ 68 全新
仅1件
四川成都
认证卖家担保交易快速发货售后保障
作者中关村互联网金融研究院 组织编写；主编：秦响应、廖文辉、唐亚晖；副主编：周伟、安英博、赵炳盛、魏爽
出版社清华大学出版社
ISBN9787302598640
出版时间2022-05
装帧平装
开本16开
纸张胶版纸
定价68元
货号29400227
上书时间2024-07-14
- 在售商品 暂无
- 平均发货时间 16小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 正版全新
- 商品描述
-
【编辑】:
2019年2月，国务院发布的《国家职业教育改革实施方案》(简称“职教20条”)提出，
从2019年开始，在职业院校、应用型本科高校等启动“学历证书 若干职业技能等证书”
制度试点(简称“1 X证书制度试点”)。1 X证书制度将学校学历教育和企业用人需求与职
业技能等证书有效地结合起来，使职业技能人才晋升之路更加广阔。
2020年12月31日，职业技术教育中心研究所发布《参与1 X证书制度试点的第
四批职业教育培训评价组织及职业技能等证书名单》。依据该名单，中关村互联网金融
研究院入选第四批职业教育培训评价组织，中关村互联网金融研究院的《金融数据建模应
用》入选第四批职业技能等证书。该证书的推出对于促进金融科技人才专业化发展具有
重要意义，将助力金融科技人才培养模式和评价方式的优化，提升职业教育质量，增强学
生的就业能力，同时促进产业与教育的深度融合，以及职业教育的健康发展。
通过本书的学习，学生应该熟练掌握金融基础知识，深入了解金融业务;能够深入研
究数据源，整理和发掘数据价值，主导模型产品的部署、维护、评估等落地实施工作;同
时跟踪、监控模型表现，根据监控结果对模型进行优化;具备不断学习人工智能、机器学
习研究成果，并转化为业务应用的能力。
【内容简介】:
本书是1 X职业技能等证书“金融数据建模应用(高)”的配套教材。全书依据金融数据建模应用职业技能等标准，面向金融数据建模相关岗位需求，强化学生的业务实操能力和职业判断能力。全书从金融基础业务应用、金融数据分析、金融数据库、金融数据挖掘与算法实现、金融数据模型设计与调优、数据可视化、金融数据建模项目管理7个方面，培养学生在金融与科技融合的专业岗位上金融数据建模应用能力。 本书可作为1 X职业技能等证书“金融数据建模应用(高)”培训的教材，也可作为应用型本科院校、中高等职业院校软件工程、计算机科学与技术、信息管理与信息系统、信息与计算科学、物联网工程、金融贸易等相关专业的教材，还可作为金融数据建模应用从业人员的培训用书。
【目录】:
第1章 金融基础业务应用 1
1.1 金融监管基础 1
1.1.1 国家监督 1
1.1.2 自我管理 5
1.2 金融市场法律法规 6
1.2.1 金融市场法律法规体系 6
1.2.2 金融业务法律规范 7
1.2.3 大数据与个人信息保护法律法规 14
1.2.4 金融法律责任及相关犯罪类型 18
1.2.5 金融风险管理政策 20
1.3 道德规范与行为准则 25
1.3.1 道德规范 25
1.3.2 行为准则 25
1.4 金融市场概述 26
1.4.1 金融市场的特征 26
1.4.2 金融市场分类 27
1.4.3 金融市场构成要素 28
1.4.4 金融市场功能 29
1.5 金融机构概述 30
1.5.1 金融市场的融资结构 30
1.5.2 金融机构存在的理论基础 31
1.5.3 金融机构体系 33
1.6 金融工具市场与衍生品 39
1.6.1 货币市场 39
1.6.2 资本市场 41
1.6.3 金融衍生品 42
1.7 金融风险及风险管理 45
1.7.1 金融风险的类别 45
1.7.2 金融风险管理的基础理论 46
1.7.3 金融风险管理的理论方法 48
1.7.4 金融风险管理的计量模型 49
1.7.5 金融风险管理的流程 51
第2章金融数据分析 56
2.1 Python程序设计基础 56
2.1.1 Python基础 56
2.1.2 Python控制流 58
2.1.3 Python函数与模块 59
2.2 Python进阶 60
2.2.1 NumPy的使用 60
2.2.2 Pandas的使用 60
2.2.3 Matplotlib数据可视化 61
2.3 数理统计基础 66
2.3.1 微积分基础 66
2.3.2 线性代数基础 68
2.3.3 概率统计基础 72
2.4 金融数据管理 79
2.4.1 数据治理 79
2.4.2 数据安全与隐私保护 80
2.4.3 数据信息加密及其Python实现 81
2.5 金融数据初步处理 82
2.5.1 金融数据的获取 82
2.5.2 金融数据预处理 82
2.5.3 蒙特卡罗方法 85
第3章金融数据库 87
3.1 数据库 87
3.1.1 关系型数据库 87
3.1.2 NoSQL数据库 103
3.2 数据仓库 112
3.2.1 基本概念 112
3.2.2 数据仓库构建 116
3.2.3 SSIS、SSAS、SSRS 118
3.3 金融数据仓库 119
3.3.1 金融行业建设数据仓库的必要性 119
3.3.2 金融行业传统数据仓库 119
3.3.3 金融行业新一代数据仓库 123
第4章 金融数据挖掘与算法实现 129
4.1 常用大数据挖掘算法 129
4.1.1 逻辑回归模型 129
4.1.2 朴素贝叶斯模型 131
4.1.3 决策树 134
4.1.4 随机森林 136
4.1.5 支持向量机 137
4.1.6 聚类分析 138
4.1.7 人工神经网络 139
4.2 大数据分析与Spark Python 140
4.2.1 大数据分析与分布式数据处理 140
4.2.2 常见分布式数据处理框架 143
4.2.3 Spark Python 148
4.3 Spark Python大数据分析应用 151
4.3.1 Spark Python开发环境搭建 151
4.3.2 Spark RDD运算类型示例 159
4.3.3 应用PySpark进行大数据分析 167
第5章 金融数据模型设计与调优 173
5.1 金融行业典型应用场景 173
5.1.1 银行领域 173
5.1.2 保险领域 181
5.1.3 证券领域 184
5.2 金融中的数学模型 188
5.2.1 投资模型 189
5.2.2 金融风险管理模型 194
5.3 金融机构客户流失预警模型 205
5.3.1 数据探索性分析 206
5.3.2 数据预处理 210
5.3.3 特征加工 213
5.3.4 模型建设 214
5.3.5 模型的超参调节 215
5.3.6 交叉验证 216
5.3.7 模型评价 218
5.4 金融模型的迭代与优化 220
5.4.1 金融领域机器学习模型评价 220
5.4.2 金融领域机器学习模型管理 223
第6章数据可视化 226
6.1 数据可视化概述 226
6.1.1 数据可视化的含义 226
6.1.2 视觉通道 227
6.1.3 数据可视化的软件及工具 228
6.1.4 数据可视化的流程 231
6.2 数据可视化的基础要素 232
6.2.1 数据 232
6.2.2 图表 234
6.3 数据可视化的设计 235
6.3.1 数据可视化设计理念 235
6.3.2 图表的设计 236
6.3.3 排版、配色及字体 238
第7章金融数据建模项目管理 240
7.1 项目管理要素 240
7.1.1 项目范围管理 240
7.1.2 项目时间管理 240
7.1.3 项目成本管理 240
7.1.4 项目质量管理 241
7.1.5 人力资源管理 241
7.1.6 项目沟通管理 241
7.1.7 项目风险管理 241
7.1.8 项目采购管理 242
7.2 甘特图 242
7.2.1 甘特图的特点 242
7.2.2 甘特图的优缺点 243
7.2.3 甘特图的绘制步骤 243
7.3 项目团队管理 243
7.3.1 项目相关方管理 244
7.3.2 项目任务分解 257
参考文献 266
— 没有更多了 —
以下为对购买帮助不大的评价