机器学习典型技术在金融风险研究领域中的应用

本书是作者历时两年 多完成的第二部学术专著 ，对机器学习技术在金融 风险研究中的应用进行了 粗浅的探讨，这既是对前 期研究工作的整理与完善 ，也是一次跨学科的尝试 与探索。

第1章 机器学习技术概述 1.1 机器学习的定义 1.2 机器学习的发展历程 1.3 机器学习的主要概念 1.3.1 协同过滤 1.3.2 监督学习、半监督学习与非监督学习 1.3.3 聚类 1.3.4 卷积 1.3.5 神经网络 1.3.6 过拟合和欠拟合 1.4 机器学习的基本要素 1.4.1 模型 1.4.2 学习准则 1.4.3 优化算法2l 1.5 本章小结 第2章 偏好建模与金融风险偏好 2.1 风险偏好的概念内涵 2.2 风险偏好的研究现状 2.2.1 基于指标选取的偏好建模 2.2.2 基于问卷量表的偏好建模 2.2.3 基于变量设计的偏好建模 2.3 通用偏好建模方法概述 2.4 基于本体与偏好构造函数的混合偏好模型4l 2.4.1 本体技术 2.4.2 金融本体构建 2.4.3 偏好构造函数 2.4.4 模型的形式化 2.5 本章小结 第3章 聚类及其在金融风险研究中的应用 3.1 聚类性能度量指标 3.1.1 外部指标 3.1.2 内部指标 3.2 典型的聚类算法 3.2.1 划分式聚类 3.2.2 基于密度的聚类 3.2.3 层次化聚类 3.3 聚类在金融风险中的研究现状 3.3.1 传统聚类算法的应用 3.3.2 新型聚类算法的应用 3.4 基于隐式偏好子模型的聚类方法 3.4.1 聚类的依据及度量 3.4.2 剪枝策略 3.5 本章小结 第4章 金融风险研究中的信任关系 4.1 信任的内涵 4.2 金融风险中的信任研究 4.2.1 信任的特征及衡量 4.2.2 信任在风险承受或风险感知中的作用 4.2.3 信任受金融危机或风险的影响 4.3 基于典型影响因素的信任建模