叢書序
序言
前言
第1章 緒論
1.1 數(shù)據(jù)挖掘技術(shù)的興起
1.2 數(shù)據(jù)挖掘概述
1.3 數(shù)據(jù)挖掘與統(tǒng)計(jì)學(xué)
1.4 數(shù)據(jù)挖掘與金融
第2章 金融數(shù)據(jù)預(yù)處理
2.1 概述
2.2 數(shù)據(jù)預(yù)處理任務(wù)
2.3 常見數(shù)據(jù)預(yù)處理技術(shù)
2.4 案例：信用卡數(shù)據(jù)挖掘的預(yù)處理
2.5 金融時(shí)間序列去噪預(yù)處理研究
第3章 關(guān)聯(lián)規(guī)則挖掘技術(shù)
3.1 關(guān)聯(lián)規(guī)則的定義
3.2 關(guān)聯(lián)規(guī)則挖掘技術(shù)
3.3 案例：銀行卡的關(guān)聯(lián)規(guī)則挖掘
3.4 基于共同機(jī)制思想的時(shí)間序列關(guān)聯(lián)模式挖掘
第4章 分類技術(shù)
4.1 分類建模介紹
4.2 判別式分類
4.3 決策樹分類
4.4 貝葉斯分類
4.5 粗糙集方法
4.6 分類技術(shù)在信用卡管理中的應(yīng)用
第5章 預(yù)測(cè)技術(shù)
5.1 線性回歸分析
5.2 非線性田歸分析
5.3 灰色預(yù)測(cè)技術(shù)
5.4 組合預(yù)測(cè)技術(shù)
5.5 混合預(yù)測(cè)模型在股票價(jià)格預(yù)測(cè)中的應(yīng)用
第6章 神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)
6.1 神經(jīng)網(wǎng)絡(luò)概述
6.2 前向型神經(jīng)網(wǎng)絡(luò)
6.3 Hopfield網(wǎng)絡(luò)
6.4 自組織特征映射神經(jīng)網(wǎng)絡(luò)
6.5 統(tǒng)計(jì)學(xué)習(xí)理論
6.6 支持向量機(jī)
6.7 支持向量機(jī)方法在金融預(yù)測(cè)中的應(yīng)用
第7章 聚類分析
7.1 聚類的相關(guān)概念
7.2 數(shù)據(jù)類型及相似性度量
7.3 分割聚類算法
7.4 層次聚類法
7.5 基于密度的聚類方法
7.6 基于模型的聚類
7.7 聚類分析技術(shù)在金融投資分析中的應(yīng)用
第8章 時(shí)間序列數(shù)據(jù)挖掘
8.1 經(jīng)典時(shí)間序列分析模型
8.2 金融時(shí)間序列挖掘與模型分析法的比較
8.3 時(shí)間序列挖掘的基本問題
8.4 時(shí)間序列相似性度量的一般方法
8.5 反映心理偏好的時(shí)間序列相似性度量研究
8.6 時(shí)間序列的符號(hào)化處理
8.7 時(shí)間序列事件征兆模式挖掘研究
8.8 征兆模式挖掘在股票市場(chǎng)有效性研究中的應(yīng)用
第9章 異常數(shù)據(jù)挖掘
9.1 概述
9.2 異常的定義
9.3 異常的隱藏
9.4 異常挖掘的一般方法
9.5 異常數(shù)據(jù)挖掘在金融領(lǐng)域中的應(yīng)用
參考文獻(xiàn)
致謝