金融数据挖掘

本书共10章，包括金融数据挖掘概述、金融数 据的获取、金融数据预处理、机器学习基础、金融 时间序列分析、回归分析、分类问题：逻辑回归、 决策树与集成学习、支持向量机和无监督学习。

第1章 金融数据挖掘概述 1.1 数据挖掘的定义 1.2 数据挖掘在金融领域的应用 1.3 金融数据挖掘的流程 1.3.1 CRISP-DM 1.3.2 SEMMA 1.3.3 AOSP-SM 1.4 金融数据挖掘环境的部署 1.4.1 Anaconda.的安装 1.4.2 Python的交互环境Jupyter Notebook 本章小结 习题一 第2章 金融数据的获取 2.1 从同花顺SuperMind获取数据 2.2 从本地读取数据 2.2.1 使用read csv函数读取CSV文件 2.2.2 使用read excel函数读取Excel文件 2.2.3 绝对路径与相对路径 本章小结 习题二 第3章 金融数据的预处理 3.1 数据清洗 3.1.1 缺失值处理 3.1.2 重复值处理 3.1.3 异常值处理 3.2 数据变换 3.2.1 函数变换 3.2.2 数据标准化 3.2.3 分类数据的数值化 3.2.4 连续数据的离散化 3.3 数据降维 3.3.1 基于特征选择的降维 3.3.2 数据降维的Python实现 本章小结 习题三 第4章 机器学习基础 4.1 机器学习的定义 4.2 机器学习的基本术语 4.3 机器学习的分类 4.4 机器学习算法的三要素 4.5 泛化能力与数据集划分 4.5.1 泛化能力 4.5.2 数据集划分 4.6 超参数调优、交叉验证与模型评估 4.6.1 超参数调优 4.6.2 针对独立同分布数据的交叉验证方法 4.6.3 针对非独立同分布数据的交叉验证方法 4.6.4 模型评价指标 4.6.5 交叉验证与模型评估 4.6.6 交叉验证与超参数调优 4.7 机器学习的一般原理 本章小结 习题四 第5章 金融时间序列分析 5.1 时间序列概述 5.2 Pandas与金融时间序列 5.2.1 金融时间序列的构建 5.2.2 金融时间序列的处理 5.3 金融时间序列的建模基础 5.3.1 白噪声模型 5.3.2 ARIMA模型 5.4 建立ARIMA模型 5.4.1 平稳性检验 5.4.2 不平稳时间序列的处理 5.4.3 ARIMA模型的定阶 5.4.4 ARIMA模型参数的估计与残差检验 5.4.5 ARIMA模型的预测与评价 本章小结 习题五 第6章 回归分析 6.1 回归分析概述 6.2 多元线性回归 6.2.1 多元线性回归模型的一般形式 6.2.2 多元线性回归的最小二乘估计 6.2.3 多元线性回归的Python实现 6.3 非线性回归 6.3.1 对数线性回归 6.3.2 多项式回归 6.4 正则化 6.4.1 LASSO、岭回归和弹性网络正则化 6.4.2 正则化的Python实现 本章小结 习题六 第7章 逻辑回归 7.1 逻辑回归的基本原理 7.1.1 逻辑回归模型的基本形式 7.1.2 逻辑回归的损失函数及最优解 7.1.3 逻辑回归的正则化 7.1.4 逻辑回归结果的解释 7.2 逻辑回归在多分类问题中的应用 7.3 逻辑回归在保险反欺诈预测中的应用 7.3.1 保险反欺诈预测数据集的读取与整理 7.3.2 保险反欺诈预测数据的探索性分析 7.3.3 保险反欺诈预测数据的预处理 7.3.4 构建逻辑回归模型并预测保险欺诈客户 本章小结 习题七 第8章 决策树与集成学习 8.1 决策树 8.1.1 决策树的定义 8.1.2 决策树的特征选择 8.1.3 决策树的剪枝 8.2 集成学习 8.2.1 Bagging和随机森林 8.2.2 Boosting 8.3 基于决策树和集成学习模型预测银行客户流失 8.3.1 银行客户流失数据的探索性分析 8.3.2 银行客户流失数据的预处理 8.3.3 决策树模型的构建 8.3.4 集成学习模型的构建 8.3.5 模型性能的评估 本章小结 习题八 第9章 支持向量机 9.1 线性可分支持向量机 9.1.1 超平面与间隔 9.1.2 间隔最大化 9.1.3 拉格朗日对偶性 9.2 软间隔线性支持向量机 9.2.1 软间隔最大化 9.2.2 软间隔最大化的拉格朗日对偶性 9.3 核方法与非线性支持向量机 9.4 基于支持向量机预测企业财务危机 9.4.1 企业财务危机数据的探索性分析 9.4.2 企业财务危机数据的预处理 9.4.3 构建支持向量机模型并预测企业财务危机 9.4.4 支持向量机模型的财务危机预警性能评估 本章小结 习题九 第10章 无监督学习 10.1 聚类 10.1.1 聚类距离计算 10.1.2 聚类性能评价 10.1.3 K-Means算法 10.1.4 DBSCAN算法 10.1.5 聚类算法综合案例：商场客户的分类分析 10.2 降维 10.2.1 主成分分析 10.2.2 核主成分分析 10.2.3 主成分分析与核主成分分析的Python实现 10.3 关联规则挖掘 10.3.1 Apriori算法及其Python实现 10.3.2 FP-Growth算法及其Python实现 10.3.3 基于关联规则挖掘的产品关联分析 本章小结 习题十 参考文献