金融数据分析:以Python为工具

第1章金融数据分析概览

1.1数据与数据分析

1.2金融领域的数据

1.3金融数据的特点

1.4金融数据分析的应用

1.4.1银行业的数据分析应用

1.4.2证券业的数据分析应用

1.4.3保险业的数据分析应用

1.5金融数据分析面临的挑战

本章小结

练习题

第2章数据分析流程

2.1数据分析的宏观流程

2.2数据分析的微观流程

2.3数据样本及表示

本章小结

练习题

第3章 Python运行环境搭建

3.1 Python概述

3.1.1 Python语言简介

3.1.2 Python与金融数据分析

3.2 Python运行环境搭建

3.2.1 安装Anaconda

3.2.2 Python的包管理

3.3 Python 运行环境的使用

3.3.1 Jupyter Notebook 简介及使用

3.3.2 Spyder简介及使用

本章小结

练习题

第4章 数据分析的基础Python包

4.1数组运算库NumPy

4.1.1数组创建

4.1.2数组访问

4.1.3数组修改

4.1.4数组运算

4.2结构化数据分析库Pandas

4.2.1DataFrame 的基本操作

4.2.2DataFrame 操作遇到的特殊问题

4.2.3 Pandas使用技巧

4.3 绘图库Matplotlib

4.3.1折线图

4.3.2多图和子图

4.3.3其他二维图

4.3.4三维图

4.3.5Pandas绘图

4.3.6绘图总结

本章小结

练习题

第5章金融数据获取

5.1从Tushare获取数据

5.2从文件读写数据

5.3从数据库读写数据

本章小结

练习题

第6章探索性数据分析

6.1探索性数据分析的涵义

6.2初步探索性分析

6.2.1整体数据分析

6.2.2属性分析

6.3基于业务逻辑的探索性分析

6.4相关代码操作

6.4.1初步探索性分析操作

6.4.2分组聚合及数据重塑

……

12.1信用风险分析概述

12.2Logistic 回归模型

12.2.1模型基本思想

12.2.2模型的进一步解释

12.3相关的Python库介绍

12.3.1 scikit-learn库简介

12.3.2 Logistic 回归的实现

12.4案例分析：基于Logistics回归的个人信用风险评估

12.4.1数据及问题描述

12.4.2个人信用风险的探索性数据分析

12.4.3个人信用数据的特征工程

12.4.4建模分析

12.4.5模型改进

本章小结

练习题

参考文献

第1章金融数据分析概览

金融科技是指由大数据、区块链、云计算、人工智能等新兴前沿技术驱动，对金融市场以及金融服务业务供给产生重大影响的新兴业务模式、新技术应用、新产品服务等。随着金融和科技的结合越来越紧密，金融科技将成为继互联网技术之后变革金融行业的又一全新力量。面对中小企业融资难、消费金融用户逾期、大众理财知识和渠道匮乏、信用卡恶意套现、保险欺诈等痛点，可借助金融科技的力量，通过大数据风控、欺诈识别、智能投顾等手段缓解或解决这些问题。通过仔细分析可以发现，不论是用哪种具体的金融科技手段，数据始终是金融科技的核心。围绕数据这个核心，衍生出数据采集（物联网）、管理（区块链）、分析挖掘（云计算、人工智能）等一系列的金融科技应用。综上可知，金融数据分析是实现金融科技核心地位的一个重要环节。

1.1数据与数据分析

我们可以把数据看作能够通过一定的记录方式保存下来的信息。现实中的数据可分为结构化、半结构化和非结构化三种类型。结构化数据指可以通过二维表表示的数据，数据的列为数据的不同属性维度，数据的行为不同的数据条目。结构化数据是一种常见的数据，例如一个班级的学生成绩数据，其列为各个科目，行为每一个学生。非结构化数据是不规则或不完整的，很难通过一个整齐的二维表来表达，例如文本、图像、视频等。半结构化数据介于结构化和非结构化数据之间，具备较松散的数据结构，例如HTML文件、XML文档和JSON文档等。根据数据的类型，可以将数据分析分为结构化数据分析和非结构化数据分析。本书主要关注结构化数据分析，但随着大数据时代的到来，非结构化数据分析将越来越重要。

根据相关定义，数据分析（Data Analysis）是一个对数据进行检查、清洗、转换和建模的过程，其目的是从数据中发现有用的信息，得出结论并为最终决策提供建议。

数据分析可以进一步细分为狭义和广义两种。狭义的数据分析偏重对小数据集进行历史信息的提取和展现以及数据规律总结，而广义的数据分析还包括数据挖掘。数据挖掘是运用统计、机器学习等领域的理论建立模型，从大数据集中进行模式识别和知识发现的过程。尽管其方法也适用于小数据集，但数据挖掘偏重对大数据集的分析和预测，属于数据分析中的高阶内容。本书的数据分析介于狭义数据分析和数据挖掘之间，以介绍狭义数据分析为主，辅以数据挖掘（主要介绍整体框架和一些简单的机器学习算法，并以案例的形式在小数据集上进行展现）。

1.2金融领域的数据

金融领域存在着海量的数据，这些数据蕴含着巨大的商业和投资价值，而金融数据分析正是拦推这些数据隐藏价值的重要于段。在介绍金融数据分析之前，我们先来杭理一下金融领域的数据来源。

金融活动是资金从盘余方流向稀缺方，从而实现资源优化配置的经济活动，金融数据产生于经济金融体系运转过程中的各种金融活动。金融活动具体包括货币的发行、流通、投资、融资，支付、金融风险管理等。金融活动的参与主体包括中央银行、政府、金融机构、企业和个人。在金融监管下，金融机构通过金融市场进行金融活动，并且向企业和个人提供金融服务，从而使得各主体参与到金融活动中。金融活动主体可以通过图1-1进行简单表示。

图1-1中，金融监管的主体是中央银行或者政府，负责货币的发行、货币政策的制定，保障金融体系的健康运行。金融机构分为传统金融机构和金融科技公司。传统金融机构的主体是银行、证券公司以及保险公司等；金融科技公司是掌握互联网、人工智能、云计算等信息技术并从事金融业务的公司。企业和个人通过金融机构发行的股票、债券、贷款、投资理财、保险、信托等金融工具（产品），以及银行账尸、让秀经纪、弟三方支付、消费分期、咨询等服务参与到金融活动中。当然，任何金融活动都是国家宏观经济体系的一部分。根据这个结构，金融领域的数据可以细分为宏观经济数据、金融市场数据、金融机构数据、企业数据和个人数据。

……