金融数据挖掘

本书特色

[

　　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**章金融数据分类分析（1）——logit、lda、qda与knn    **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    **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    **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    **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**节主成分分析法（principal components analysis，pca）    第二节 部分*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**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    **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    **节 *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

封面

书名:金融数据挖掘

作者:刘振亚

页数:218

定价:¥68.0

出版社:中国经济出版社

出版日期:2016-09-01

ISBN:9787513642484

PDF电子书大小:136MB 高清扫描完整版