金融数据挖掘

图书标准信息

• 作者 刘振亚、李伟 著
• 出版社 中国经济出版社
• 出版时间 2016-09
• 版次 1
• ISBN 9787513642484
• 定价 68.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 218页
• 字数 206千字

【内容简介】

　　本书从金融数据挖掘的数据整理（cluster and classification）和重抽样方法（resampling）开始，介绍了模型的筛选方法（selection methods）、克服高维灾难（disaster of dimensionality）的方法，以及非线性模型（non-linear models）、非参数估计（unsupervised estimation）、决策树（tree-based methods）和支持向量机（support vector machines）等数据挖掘方法，并在后面介绍了R语言的基本操作。

 

　　本书的案例均采用股票市场数据来进行数据挖掘分析，利用简明实用的一些数据挖掘方法来诠释金融数据挖掘的魅力，以期每一名本书的读者都够掌握一些本书介绍的方法，并应用于股票市场投资当中去。当然，正像所有投资书籍及投资机构都会提到的一样，本书也必须指出，“投资有风险，挖掘需谨慎”。

 

【作者简介】

　　刘振亚，中国人民大学财金学院和英国伯明翰大学教授，博士生导师，摩根大通期货有限公司(JP Morgan Futures)董事，全球管理期货（CTA） Winton Capital中国早期的合作者。在金融计量、量化投资、宏观经济等领域有着深入的研究，从1991年以来已出版多本专业著作，并在China Economic Review 、《世界经济》等国内外一流杂志发表多篇文章。

 

【目录】

导言

 

第一章金融数据分类分析（1）——Logit、LDA、QDA与KNN

 

  第一节 Logistic 分类法

 

  第二节 LDA、QDA与KNN分类法

 

  第三节 案例:上证综合指数涨跌预测

 

第二章金融数据分类分析（2）-聚类分析

 

  第一节 系统聚类法和K-means聚类法

 

  第二节 案例

 

    案例1：系统聚类分析法的应用——股指状态阶段的判断与划分

 

    案例2. k-means聚类法应用案例

 

附录：案例代码

 

第三章金融数据重抽样

 

  第一节 交叉验证方法

 

  第二节 拔靴法

 

  第三节 案例：重抽样方法下的股指涨跌预测模型的再分析

 

  附录1：投资比例公式证明过程

 

  附录2：案例代码

 

第四章线性模型筛选

 

  第一节 子集筛选法(Subset Selection Methods)

 

  第二节 收缩筛选法(Shrinkage Selection Methods)

 

  第三节 案例：regsubset函数在股指涨跌预测模型筛选中的用法

 

  附录：案例代码

 

第五章克服高维灾难

 

第一节主成分分析法（principal components analysis，PCA）

 

  第二节 部分最小二乘法( Partial Least Squares, PLS )

 

  第三节 案例

 

  案例1. 财务指标含义及指向性介绍

 

案例2. 主成分分析法在选股中的应用

 

第六章非线性模型及非参数估计方法

 

第一节 非线性模型简介

 

第二节 非参估计方法简介

 

  第三节 样条估计法

 

  附录：实例代码

 

第七章决策树

 

  第一节 决策树的基本知识

 

  第二节 三种提高树状模型预测精度的方法

 

  第三节 案例

 

    案例1：决策树方法在股指涨跌预测中的应用

 

    案例2：bagging、randomforest和boosting在决策树模型中的应用

 

第八章支持向量机

 

  第一节 最大边际分类器与支持向量分类器

 

  第二节 支持向量机

 

  第三节 案例：基于SVM 方法的上证指数涨跌预测

 

第九章R语言及作图