機器學習典型技術在金融風險研究領域中的應用

第1章 機器學習技術概述
1.1機器學習的定義3
1.2機器學習的發展歷程5
1.3機器學習的主要概念7
1.3.1協同過濾7
1.3.2監督學習、半監督學習與非監督學習9
1.3.3聚類10
1.3.4卷積11
1.3.5神經網路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優化演算法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風險偏好的研究現狀26
2.2.1基於指標選取的偏好建模26
2.2.2基於問卷量表的偏好建模30
2.2.3基於變數設計的偏好建模34
2.3通用偏好建模方法概述38
2.4基於本體與偏好構造函數的混合偏好模型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典型的聚類演算法68
3.2.1劃分式聚類68
3.2.2基於密度的聚類75
3.2.3層次化聚類81
3.3聚類在金融風險中的研究現狀87
3.3.1傳統聚類演算法的應用87
3.3.2新型聚類演算法的應用90
3.4基於隱式偏好子模型的聚類方法94
3.4.1聚類的依據及度量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係
4.1信任的內涵103
4.2金融風險中的信任研究105
4.2.1信任的特徵及衡量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基於典型影響因素的信任建模118
4.3.1信任關係的影響因素118
4.3.2信任關係建模121
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
5.1.2SVM很優化134
5.1.3軟間隔SVM136
5.1.4核函數137
5.1.5支援向量機的特點141
5.2SVM在金融風險中的研究現狀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基於準線性核支援向量機的一類分類153
5.3.1方法原理153
5.3.2實驗方法155
5.3.3數值實驗工具及資料集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典型的集成演算法170
6.2.1AdaBoost170
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實驗資料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典型的成分分析演算法215
7.1.1主成分分析215
7.1.2因數分析222
7.1.3獨立成分分析224
7.2成分分析演算法在金融風險中的研究現狀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金融發展水準分析233
7.3實例應用235
7.3.1實例簡介235
7.3.2實驗資料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
後記