內容大鋼
本書是作者歷時兩年多完成的第二部學術專著，對機器學習技術在金融風險研究中的應用進行了粗淺的探討，這既是對前期研究工作的整理與完善，也是一次跨學科的嘗試與探索。
作者介紹
田浩|責編:石堅
田浩，1977年生，湖北赤壁人，博士，教授，碩士生導師，現任湖北經濟學院信息工程學院院長，兼任湖北省高等教學學會高校電腦教育專業委員會副主任。本科畢業於武漢理工大學，碩士研究生畢業於武漢理工大學獲工學碩士學位，博士研究生畢業於武漢大學獲工學博士學位，日本早稻田大學訪問學者。2000年7月至2002年9月就職于武漢理工大學，2005年7月至今就職于湖北經濟學院。
主要研究方向為計算智能、語義技術等，近年來主持和參與國家級、省部級項目12項，出版學術專著1部，在《通信學報》等國內外權威及核心刊物上公開發表學術論文30余篇，其中SCI、EI收錄10余篇。
目錄
第1章 機器學習技術概述
1.1 機器學習的定義
1.2 機器學習的發展歷程
1.3 機器學習的主要概念
1.3.1 協同過濾
1.3.2 監督學習、半監督學習與非監督學習
1.3.3 聚類
1.3.4 卷積
1.3.5 神經網路
1.3.6 過擬合和欠擬合
1.4 機器學習的基本要素
1.4.1 模型
1.4.2 學習準則
1.4.3 優化演算法2l
1.5 本章小結
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
2.2 風險偏好的研究現狀
2.2.1 基於指標選取的偏好建模
2.2.2 基於問卷量表的偏好建模
2.2.3 基於變數設計的偏好建模
2.3 通用偏好建模方法概述
2.4 基於本體與偏好構造函數的混合偏好模型4l
2.4.1 本體技術
2.4.2 金融本體構建
2.4.3 偏好構造函數
2.4.4 模型的形式化
2.5 本章小結
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
3.1.1 外部指標
3.1.2 內部指標
3.2 典型的聚類演算法
3.2.1 劃分式聚類
3.2.2 基於密度的聚類
3.2.3 層次化聚類
3.3 聚類在金融風險中的研究現狀
3.3.1 傳統聚類演算法的應用
3.3.2 新型聚類演算法的應用
3.4 基於隱式偏好子模型的聚類方法
3.4.1 聚類的依據及度量
3.4.2 剪枝策略
3.5 本章小結
第4章 金融風險研究中的信任關係
4.1 信任的內涵
4.2 金融風險中的信任研究
4.2.1 信任的特徵及衡量
4.2.2 信任在風險承受或風險感知中的作用
4.2.3 信任受金融危機或風險的影響
4.3 基於典型影響因素的信任建模
4.3.1 信任關係的影響因素
4.3.2 信任關係建模
4.4 本章小結
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13l
5.1.1 支持向量建模13l
5.1.2 SVM最優化
5.1.3 軟間隔SVM
5.1.4 核函數
5.1.5 支持向量機的特點 14l
5.2 SVM在金融風險中的研究現狀
5.2.1 風險預警
5.2.2 風險評估
5.2.3 金融時間序列預測
5.2.4 財務困境預測
5.3 基於準線性核支持向量機的一類分類
5.3.1 方法原理
5.3.2 實驗方法
5.3.3 數值實驗工具及數據集
5.3.4 實驗結果
5.3.5 實驗總結
5.4 本章小結
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
6.2 典型的集成演算法
6.2.1 AdaBoost
6.2.2 隨機森林
6.2.3 梯度提升樹
6.3 集成學習在金融風險中的研究現狀
6.3.1 時序分析及股價預測
6.3.2 風險控制／風險投資
6.3.3 量化投資及選股
6.3.4 個人信貸評估192 .
6.4 實例應用
6.4.1 實例簡介
6.4.2 實驗數據
6.4.3 實驗方法
6.4.4 實驗過程
6.4.5 實驗結果
6.5 本章小結
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
7.1.1 主成分分析
7.1.2 因子分析
7.1.3 獨立成分分析
7.2 成分分析演算法在金融風險中的研究現狀
7.2.1 市場波動分析
7.2.2 投資組合分析
7.2.3 財務風險分析
7.2.4 金融時序分析23l
7.2.5 金融發展水平分析
7.3 實例應用
7.3.1 實例簡介
7.3.2 實驗數據
&
[