機器學習典型技術在金融風險研究領域中的應用

定　價：￥68.00

作　者：	田浩著
出版社：	中國金融出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787522018324	出版時間：	2022-12-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　本書系統(tǒng)探討了互聯(lián)網(wǎng)、人工智能高速發(fā)展時代背景下，機器學習技術在金融風險研究領域中的應用情況。首先介紹機器學習的基本原理，包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等傳統(tǒng)方法。其次以學習方法為切入點，結合金融風險研究領域中的實例，重點介紹與對比監(jiān)督學習（如分類問題）、無監(jiān)督學習（如聚類問題）、半監(jiān)督學習、集成學習、深度學習和強化學習等典型機器學習算法與技術的原理特點及其應用場景。后分析遷移學習等下一波機器學習技術在金融風險研究領域中的應用前景。

作者簡介

　　田浩，工學博士，湖北經濟學院教授，碩士生導師，日本早稻田大學訪問學者。研究方向為智能計算、金融科技。近年來主持省部級科研教研項目6項，出版學術專著1部，在國內外權威及核心刊物上公開發(fā)表學術論文30余篇，其中SCI、EI收錄10余篇。

圖書目錄

目錄
第1 章　機器學習技術概述
　1. 1　機器學習的定義　3
　1. 2　機器學習的發(fā)展歷程　5
　1. 3　機器學習的主要概念　7
　　1. 3. 1　協(xié)同過濾　7
　　1. 3. 2　監(jiān)督學習、半監(jiān)督學習與非監(jiān)督學習　9
　　1. 3. 3　聚類　10
　　1. 3. 4　卷積　11
　　1. 3. 5　神經網(wǎng)絡　15
　　1. 3. 6　過擬合和欠擬合　16
　1. 4　機器學習的基本要素　17
　　1. 4. 1　模型　17
　　1. 4. 2　學習準則　18
　　1. 4. 3　優(yōu)化算法　21
1. 5　本章小結　22
第2 章　偏好建模與金融風險偏好
　2. 1　風險偏好的概念內涵　25
　2. 2　風險偏好的研究現(xiàn)狀　26
　　2. 2. 1　基于指標選取的偏好建?！?6
　　2. 2. 2　基于問卷量表的偏好建?！?0
　　2. 2. 3　基于變量設計的偏好建?！?4
　2. 3　通用偏好建模方法概述　38
　2. 4　基于本體與偏好構造函數(shù)的混合偏好模型　41
　　2. 4. 1　本體技術　41
　　2. 4. 2　金融本體構建　43
　　2. 4. 3　偏好構造函數(shù)　44
　　2. 4. 4　模型的形式化　49
　2. 5　本章小結　58
第3 章　聚類及其在金融風險研究中的應用
　3. 1　聚類性能度量指標　63
　　3. 1. 1　外部指標　64
　　3. 1. 2　內部指標　65
　3. 2　典型的聚類算法　68
　　3. 2. 1　劃分式聚類　68
　　3. 2. 2　基于密度的聚類　75
　　3. 2. 3　層次化聚類　81
　3. 3　聚類在金融風險中的研究現(xiàn)狀　87
　　3. 3. 1　傳統(tǒng)聚類算法的應用　87
　　3. 3. 2　新型聚類算法的應用　90
　3. 4　基于隱式偏好子模型的聚類方法　94
　　3. 4. 1　聚類的依據(jù)及度量　94
　3. 4. 2　剪枝策略　96
　3. 5　本章小結　100
第4 章　金融風險研究中的信任關系
　4. 1　信任的內涵　103
　4. 2　金融風險中的信任研究　105
　　4. 2. 1　信任的特征及衡量　105
　　4. 2. 2　信任在風險承受或風險感知中的作用　110
　　4. 2. 3　信任受金融危機或風險的影響　115
　4. 3　基于典型影響因素的信任建?！?18
　　4. 3. 1　信任關系的影響因素　118
　　4. 3. 2　信任關系建?！?21
　4. 4　本章小結　128
第5 章　支持向量機與金融風險研究
　5. 1　支持向量機的原理和概念　131
　　5. 1. 1　支持向量建模　131
　　5. 1. 2　SVM 化　134
　　5. 1. 3　軟間隔SVM　136
　　5. 1. 4　核函數(shù)　137
　　5. 1. 5　支持向量機的特點　141
　5. 2　SVM 在金融風險中的研究現(xiàn)狀　142
　　5. 2. 1　風險預警　142
　　5. 2. 2　風險評估　146
　　5. 2. 3　金融時間序列預測　149
　　5. 2. 4　財務困境預測　151
　5. 3　基于準線性核支持向量機的一類分類　153
　　5. 3. 1　方法原理　153
　　5. 3. 2　實驗方法　155
5. 3. 3　數(shù)值實驗工具及數(shù)據(jù)集　159
　　5. 3. 4　實驗結果　160
　　5. 3. 5　實驗總結　166
　5. 4　本章小結　166
第6 章　集成學習及其在金融風險研究中的應用
　6. 1　集成學習的原理　169
　6. 2　典型的集成算法　170
　　6. 2. 1　AdaBoost　170
　　6. 2. 2　隨機森林　175
　　6. 2. 3　梯度提升樹　179
　6. 3　集成學習在金融風險中的研究現(xiàn)狀　183
　　6. 3. 1　時序分析及股價預測　183
　　6. 3. 2　風險控制/ 風險投資　186
　　6. 3. 3　量化投資及選股　188
　　6. 3. 4　個人信貸評估　192
　6. 4　實例應用　196
　　6. 4. 1　實例簡介　196
　　6. 4. 2　實驗數(shù)據(jù)　197
　　6. 4. 3　實驗方法　201
　　6. 4. 4　實驗過程　204
　　6. 4. 5　實驗結果　205
　6. 5　本章小結　211
第7 章　成分分析及其在金融風險研究中的應用
　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　獨立成分分析　224
7. 2　成分分析算法在金融風險中的研究現(xiàn)狀　226
　　7. 2. 1　市場波動分析　226
　　7. 2. 2　投資組合分析　228
　　7. 2. 3　財務風險分析　229
　　7. 2. 4　金融時序分析　231
　　7. 2. 5　金融發(fā)展水平分析　233
　7. 3　實例應用　235
　　7. 3. 1　實例簡介　235
　　7. 3. 2　實驗數(shù)據(jù)　236
　　7. 3. 3　實驗方法　238
　　7. 3. 4　實驗結果　241
　7. 4　本章小結　242
第8 章　總結與展望
　8. 1　研究總結　245
　8. 2　研究展望　247
參考文獻
后記