金融数据挖掘 马超群【正版书】 pdf snb 115盘 kindle 在线 下载 pmlz mobi

《金融数据挖掘》主要内容包括：金融管理研究的一个显著特点是数据分析量大、不确定性因素多，面对当今时代的海量金融数据，基于传统统计技术建立的模型假设条件多，实际应用难以奏效。数据挖掘是20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。

《金融数据挖掘》对一些相对较成熟的挖掘技术的讨论，阐述其用途、解决思路、需注意的主要问题、步骤，以金融领域的具体案例介绍模型与方法的应用。全书包括金融数据预处理、分类技术、预测、聚类技术、神经网络与支持向量机、异常数据挖掘，并且介绍了这些领域的一些最新方法。

《金融数据挖掘》可作为信息管理与金融类专业本科生和研究生的教材，也可供从事数据挖掘技术与应用研究的科研人员、金融市场数据分析人员，以及数据挖掘应用软件的开发者参考。

丛书序

序言

前言

第章绪论

.数据挖掘技术的兴起

.2数据挖掘概述

.3数据挖掘与统计学

.4数据挖掘与金融

第2章金融数据预处理

2.概述

2.2数据预处理任务

2.3常见数据预处理技术

2.4案例 信用卡数据挖掘的预处理

2.5金融时间序列去噪预处理研究

第3章关联规则挖掘技术

3.关联规则的定义

3.2关联规则挖掘技术

3.3案例 银行卡的关联规则挖掘

3.4基于共同机制思想的时间序列关联模式挖掘

第4章分类技术

4.分类建模介绍

4.2判别式分类

4.3决策树分类

4.4贝叶斯分类

4.5粗糙集方法

4.6分类技术在信用卡管理中的应用

第5章预测技术

5.线性回归分析

5.2非线性田归分析

5.3灰色预测技术

5.4组合预测技术

5.5混合预测模型在股票价格预测中的应用

第6章神经网络与支持向量机

6.神经网络概述

6.2前向型神经网络

6.3Hopfield网络

6.4自组织特征映射神经网络

6.5统计学习理论

6.6支持向量机

6.7支持向量机方法在金融预测中的应用

第7章聚类分析

7.聚类的相关概念

7.2数据类型及相似性度量

7.3分割聚类算法

7.4层次聚类法

7.5基于密度的聚类方法

7.6基于模型的聚类

7.7聚类分析技术在金融投资分析中的应用

第8章时间序列数据挖掘

8.经典时间序列分析模型

8.2金融时间序列挖掘与模型分析法的比较

8.3时间序列挖掘的基本问题

8.4时间序列相似性度量的一般方法

8.5反映心理偏好的时间序列相似性度量研究

8.6时间序列的符号化处理

8.7时间序列事件征兆模式挖掘研究

8.8征兆模式挖掘在股票市场有效性研究中的应用

第9章异常数据挖掘

9.概述

9.2异常的定义

9.3异常的隐藏

9.4异常挖掘的一般方法

9.5异常数据挖掘在金融领域中的应用

参考文献

致谢”

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：金融数据挖掘 马超群【正版书】在线阅读

在线听书地址：金融数据挖掘 马超群【正版书】在线收听

在线购买地址：金融数据挖掘 马超群【正版书】在线购买

暂无原文赏析，正在全力查找中！

编辑推荐

金融管理研究的一个显著特点是数据分析量大、不确定性因素多，面对当今时代的海量金融数据，基于传统统计技术建立的模型假设条件多，实际应用难以奏效。数据挖掘是20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。本书对一些相对较成熟的挖掘技术的讨论，阐述其用途、解决思路、需注意的主要问题、步骤，以金融领域的具体案例介绍模型与方法的应用。全书包括金融数据预处理、分类技术、预测、聚类技术、神经网络与支持向量机、异常数据挖掘，并且介绍了这些领域的一些新方法。本书可作为信息管理与金融类专业本科生和研究生的教材，也可供从事数据挖掘技术与应用研究的科研人员、金融市场数据分析人员，以及数据挖掘应用软件的开发者参考。

书籍介绍

《金融数据挖掘》主要内容包括：金融管理研究的一个显著特点是数据分析量大、不确定性因素多，面对当今时代的海量金融数据，基于传统统计技术建立的模型假设条件多，实际应用难以奏效。数据挖掘是20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。

《金融数据挖掘》对一些相对较成熟的挖掘技术的讨论，阐述其用途、解决思路、需注意的主要问题、步骤，以金融领域的具体案例介绍模型与方法的应用。全书包括金融数据预处理、分类技术、预测、聚类技术、神经网络与支持向量机、异常数据挖掘，并且介绍了这些领域的一些最新方法。

《金融数据挖掘》可作为信息管理与金融类专业本科生和研究生的教材，也可供从事数据挖掘技术与应用研究的科研人员、金融市场数据分析人员，以及数据挖掘应用软件的开发者参考。