机器学习典型技术在金融风险研究领域中的应用

本书系统探讨了互联网、人工智能高速发展时代背景下，机器学习技术在金融风险研究领域中的应用情况。首先介绍机器学习的基本原理，包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等传统方法。其次以学习方法为切入点，结合金融风险研究领域中的实例，重点介绍与对比监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习等典型机器学习算法与技术的原理特点及其应用场景。最后分析迁移学习等下一波机器学习技术在金融风险研究领域中的应用前景。

第1章机器学习技术概述
1.1机器学习的定义3
1.2机器学习的发展历程5
1.3机器学习的主要概念7
1.3.1协同过滤7
1.3.2监督学习、半监督学习与非监督学习9
1.3.3聚类10
1.3.4卷积11
1.3.5神经网络15
1.3.6过拟合和欠拟合16
1.4机器学习的基本要素17
1.4.1模型17
1.4.2学习准则18
1.4.3优化算法21
1.5本章小结22
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25
2.2风险偏好的研究现状26
2.2.1基于指标选取的偏好建模26
2.2.2基于问卷量表的偏好建模30
2.2.3基于变量设计的偏好建模34
2.3通用偏好建模方法概述38
2.4基于本体与偏好构造函数的混合偏好模型41
2.4.1本体技术41
2.4.2金融本体构建43
2.4.3偏好构造函数44
2.4.4模型的形式化49
2.5本章小结58
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63
3.1.1外部指标64
3.1.2内部指标65
3.2典型的聚类算法68
3.2.1划分式聚类68
3.2.2基于密度的聚类75
3.2.3层次化聚类81
3.3聚类在金融风险中的研究现状87
3.3.1传统聚类算法的应用87
3.3.2新型聚类算法的应用90
3.4基于隐式偏好子模型的聚类方法94
3.4.1聚类的依据及度量94
3.4.2剪枝策略96
3.5本章小结100
第4章金融风险研究中的信任关系
4.1信任的内涵103
4.2金融风险中的信任研究105
4.2.1信任的特征及衡量105
4.2.2信任在风险承受或风险感知中的作用110
4.2.3信任受金融危机或风险的影响115
4.3基于典型影响因素的信任建模118
4.3.1信任关系的影响因素118
4.3.2信任关系建模121
4.4本章小结128
第5章支持向量机与金融风险研究
5.1支持向量机的原理和概念131
5.1.1支持向量建模131
5.1.2SVM很优化134
5.1.3软间隔SVM136
5.1.4核函数137
5.1.5支持向量机的特点141
5.2SVM在金融风险中的研究现状142
5.2.1风险预警142
5.2.2风险评估146
5.2.3金融时间序列预测149
5.2.4财务困境预测151
5.3基于准线性核支持向量机的一类分类153
5.3.1方法原理153
5.3.2实验方法155
5.3.3数值实验工具及数据集159
5.3.4实验结果160
5.3.5实验总结166
5.4本章小结166
第6章集成学习及其在金融风险研究中的应用
6.1集成学习的原理169
6.2典型的集成算法170
6.2.1AdaBoost170
6.2.2随机森林175
6.2.3梯度提升树179
6.3集成学习在金融风险中的研究现状183
6.3.1时序分析及股价预测183
6.3.2风险控制/风险投资186
6.3.3量化投资及选股188
6.3.4个人信贷评估192
6.4实例应用196
6.4.1实例简介196
6.4.2实验数据197
6.4.3实验方法201
6.4.4实验过程204
6.4.5实验结果205
6.5本章小结211
第7章成分分析及其在金融风险研究中的应用
7.1典型的成分分析算法215
7.1.1主成分分析215
7.1.2因子分析222
7.1.3独立成分分析224
7.2成分分析算法在金融风险中的研究现状226
7.2.1市场波动分析226
7.2.2投资组合分析228
7.2.3财务风险分析229
7.2.4金融时序分析231
7.2.5金融发展水平分析233
7.3实例应用235
7.3.1实例简介235
7.3.2实验数据236
7.3.3实验方法238
7.3.4实验结果241
7.4本章小结242
第8章总结与展望
8.1研究总结245
8.2研究展望247
参考文献
后记