本書系統(tǒng)探討了互聯(lián)網(wǎng)、人工智能高速發(fā)展時(shí)代背景下, 機(jī)器學(xué)習(xí)技術(shù)在金融風(fēng)險(xiǎn)研究領(lǐng)域中的應(yīng)用情況。首先介紹機(jī)器學(xué)習(xí)的基本原理, 包括決策樹、聚類、貝葉斯分類、支持向量機(jī)、EM、Adaboost等傳統(tǒng)方法。其次以學(xué)習(xí)方法為切入點(diǎn), 結(jié)合金融風(fēng)險(xiǎn)研究領(lǐng)域中的實(shí)例, 重點(diǎn)介紹與對比監(jiān)督學(xué)習(xí) (如分類問題)、無監(jiān)督學(xué)習(xí) (如聚類問題)、半監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)、深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等典型機(jī)器學(xué)習(xí)算法與技術(shù)的原理特點(diǎn)及其應(yīng)用場景。
第1 章 機(jī)器學(xué)習(xí)技術(shù)概述
1. 1 機(jī)器學(xué)習(xí)的定義 3
1. 2 機(jī)器學(xué)習(xí)的發(fā)展歷程 5
1. 3 機(jī)器學(xué)習(xí)的主要概念 7
1. 3. 1 協(xié)同過濾 7
1. 3. 2 監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí) 9
1. 3. 3 聚類 10
1. 3. 4 卷積 11
1. 3. 5 神經(jīng)網(wǎng)絡(luò) 15
1. 3. 6 過擬合和欠擬合 16
1. 4 機(jī)器學(xué)習(xí)的基本要素 17
1. 4. 1 模型 17
1. 4. 2 學(xué)習(xí)準(zhǔn)則 18
1. 4. 3 優(yōu)化算法 21
1. 5 本章小結(jié) 22
第2 章 偏好建模與金融風(fēng)險(xiǎn)偏好
2. 1 風(fēng)險(xiǎn)偏好的概念內(nèi)涵 25
2. 2 風(fēng)險(xiǎn)偏好的研究現(xiàn)狀 26
2. 2. 1 基于指標(biāo)選取的偏好建�！�26
2. 2. 2 基于問卷量表的偏好建�！�30
2. 2. 3 基于變量設(shè)計(jì)的偏好建模 34
2. 3 通用偏好建模方法概述 38
2. 4 基于本體與偏好構(gòu)造函數(shù)的混合偏好模型 41
2. 4. 1 本體技術(shù) 41
2. 4. 2 金融本體構(gòu)建 43
2. 4. 3 偏好構(gòu)造函數(shù) 44
2. 4. 4 模型的形式化 49
2. 5 本章小結(jié) 58
第3 章 聚類及其在金融風(fēng)險(xiǎn)研究中的應(yīng)用
3. 1 聚類性能度量指標(biāo) 63
3. 1. 1 外部指標(biāo) 64
3. 1. 2 內(nèi)部指標(biāo) 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(fēng)險(xiǎn)中的研究現(xiàn)狀 87
3. 3. 1 傳統(tǒng)聚類算法的應(yīng)用 87
3. 3. 2 新型聚類算法的應(yīng)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(jié) 100
第4 章 金融風(fēng)險(xiǎn)研究中的信任關(guān)系
4. 1 信任的內(nèi)涵 103
4. 2 金融風(fēng)險(xiǎn)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(fēng)險(xiǎn)承受或風(fēng)險(xiǎn)感知中的作用 110
4. 2. 3 信任受金融危機(jī)或風(fēng)險(xiǎn)的影響 115
4. 3 基于典型影響因素的信任建�！�118
4. 3. 1 信任關(guān)系的影響因素 118
4. 3. 2 信任關(guān)系建模 121
4. 4 本章小結(jié) 128
第5 章 支持向量機(jī)與金融風(fēng)險(xiǎn)研究
5. 1 支持向量機(jī)的原理和概念 131
5. 1. 1 支持向量建�！�131
5. 1. 2 SVM 最優(yōu)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(jī)的特點(diǎn) 141
5. 2 SVM 在金融風(fēng)險(xiǎn)中的研究現(xiàn)狀 142
5. 2. 1 風(fēng)險(xiǎn)預(yù)警 142
5. 2. 2 風(fēng)險(xiǎn)評估 146
5. 2. 3 金融時(shí)間序列預(yù)測 149
5. 2. 4 財(cái)務(wù)困境預(yù)測 151
5. 3 基于準(zhǔn)線性核支持向量機(jī)的一類分類 153
5. 3. 1 方法原理 153
5. 3. 2 實(shí)驗(yàn)方法 155
5. 3. 3 數(shù)值實(shí)驗(yàn)工具及數(shù)據(jù)集 159
5. 3. 4 實(shí)驗(yàn)結(jié)果 160
5. 3. 5 實(shí)驗(yàn)總結(jié) 166
5. 4 本章小結(jié) 166
第6 章 集成學(xué)習(xí)及其在金融風(fēng)險(xiǎn)研究中的應(yīng)用
6. 1 集成學(xué)習(xí)的原理 169
6. 2 典型的集成算法 170
6. 2. 1 AdaBoost 170
6. 2. 2 隨機(jī)森林 175
6. 2. 3 梯度提升樹 179
6. 3 集成學(xué)習(xí)在金融風(fēng)險(xiǎn)中的研究現(xiàn)狀 183
6. 3. 1 時(shí)序分析及股價(jià)預(yù)測 183
6. 3. 2 風(fēng)險(xiǎn)控制/ 風(fēng)險(xiǎn)投資 186
6. 3. 3 量化投資及選股 188
6. 3. 4 個(gè)人信貸評估 192
6. 4 實(shí)例應(yīng)用 196
6. 4. 1 實(shí)例簡介 196
6. 4. 2 實(shí)驗(yàn)數(shù)據(jù) 197
6. 4. 3 實(shí)驗(yàn)方法 201
6. 4. 4 實(shí)驗(yàn)過程 204
6. 4. 5 實(shí)驗(yàn)結(jié)果 205
6. 5 本章小結(jié) 211
第7 章 成分分析及其在金融風(fēng)險(xiǎn)研究中的應(yīng)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(dú)立成分分析 224
7. 2 成分分析算法在金融風(fēng)險(xiǎn)中的研究現(xiàn)狀 226
7. 2. 1 市場波動(dòng)分析 226
7. 2. 2 投資組合分析 228
7. 2. 3 財(cái)務(wù)風(fēng)險(xiǎn)分析 229
7. 2. 4 金融時(shí)序分析 231
7. 2. 5 金融發(fā)展水平分析 233
7. 3 實(shí)例應(yīng)用 235
7. 3. 1 實(shí)例簡介 235
7. 3. 2 實(shí)驗(yàn)數(shù)據(jù) 236
7. 3. 3 實(shí)驗(yàn)方法 238
7. 3. 4 實(shí)驗(yàn)結(jié)果 241
7. 4 本章小結(jié) 242
第8 章 總結(jié)與展望
8. 1 研究總結(jié) 245
8. 2 研究展望 247
參考文獻(xiàn)
后記
書單推薦
