模式識別在金融數(shù)據(jù)分析中的應用研究

目錄
前言
第1章 緒論 1
1.1 研究背景 1
1.2 研究目的及意義 1
1.3 國內外研究現(xiàn)狀 2
1.4 本書結構安排 4
1.5 本章小結 5
第2章 金融異常檢測概述 6
2.1 金融異常的基本概念 6
2.2 金融異常檢測的背景 7
2.3 異常檢測的方法 8
2.4 基于數(shù)據(jù)挖掘的金融異常檢測 9
2.5 本章小結 10
第3章 深度學習理論 12
3.1 深度學習背景 12
3.2 深度學習的基本思想 13
3.3 深度學習的常用模型或者方法 13
3.3.1 自動編碼器 13
3.3.2 稀疏編碼 16
3.3.3 限制玻爾茲曼機 19
3.3.4 深度置信網絡 21
3.4 本章小結 23
3.4.1 深度學習總結 23
3.4.2 深度學習未來 24
第4章 DBN在欺詐檢測中的應用 25
4.1 傳統(tǒng)的欺詐檢測技術 25
4.2 信用卡欺詐檢測的基本概念 27
4.3 信用卡的欺詐檢測技術 28
4.4 DBN的原理 30
4.4.1 受限玻爾茲曼機 30
4.4.2 深度信念網絡 32
4.5 基于DBN的信用卡欺詐檢測 34
4.5.1 基于DBN的信用卡欺詐檢測模型 34
4.5.2 DBN模型訓練 35
4.5.3 實驗結果及分析 36
4.6 本章小結 39
第5章 基于非負矩陣分解的股票異常波動的識別 40
5.1 異常數(shù)據(jù)在股票市場中的產生原因 40
5.1.1 宏觀經濟的影響 40
5.1.2 投資者行為的影響 41
5.1.3 政策的影響 42
5.1.4 制度的影響 43
5.2 異常檢測方法 43
5.3 非負矩陣分解方法 44
5.4 基于非負矩陣分解的股票市場異常波動檢測 45
5.5 實驗分析 47
5.6 本章小結 52
第6章 基于CNN的貸款違約預測 53
6.1 貸款違約檢測研究現(xiàn)狀 53
6.2 基于CNN的貸款違約預測 55
6.3 基于評分融合的卷積神經網絡的貸款違約預測 56
6.3.1 網絡結構 56
6.3.2 評分融合結構 59
6.3.3 模型訓練 60
6.4 貸款違約預測框架 63
6.5 實驗及分析 63
6.5.1 數(shù)據(jù)集 63
6.5.2 測試結果 64
6.5.3 特征重要性度量 66
6.6 本章小結 67
第7章 基于決策樹及情感輔助的股票預測 68
7.1 決策樹理論與股指數(shù)據(jù)獲取 68
7.1.1 股票指標 68
7.1.2 分詞處理與特征提取 70
7.1.3 決策樹理論 72
7.1.4 網絡爬蟲流程設計 73
7.1.5 文本處理與情感分類 77
7.2 股票預測模型 79
7.2.1 基于股市指標的決策樹模型 79
7.2.2 決策樹模型的實現(xiàn)以及結果展示 85
7.3 決策樹模型的驗證 88
7.3.1 情緒結果的融合決策樹 88
7.3.2 決策樹模型驗證 88
7.4 本章小結 93
第8章 總結與展望 94
8.1 本書總結 94
8.2 研究展望 95
參考文獻 96