模式识别在金融数据分析中的应用研究

目录
前言
第1章 绪论 1
1.1 研究背景 1
1.2 研究目的及意义 1
1.3 国内外研究现状 2
1.4 本书结构安排 4
1.5 本章小结 5
第2章 金融异常检测概述 6
2.1 金融异常的基本概念 6
2.2 金融异常检测的背景 7
2.3 异常检测的方法 8
2.4 基于数据挖掘的金融异常检测 9
2.5 本章小结 10
第3章 深度学习理论 12
3.1 深度学习背景 12
3.2 深度学习的基本思想 13
3.3 深度学习的常用模型或者方法 13
3.3.1 自动编码器 13
3.3.2 稀疏编码 16
3.3.3 限制玻尔兹曼机 19
3.3.4 深度置信网络 21
3.4 本章小结 23
3.4.1 深度学习总结 23
3.4.2 深度学习未来 24
第4章 DBN在欺诈检测中的应用 25
4.1 传统的欺诈检测技术 25
4.2 信用卡欺诈检测的基本概念 27
4.3 信用卡的欺诈检测技术 28
4.4 DBN的原理 30
4.4.1 受限玻尔兹曼机 30
4.4.2 深度信念网络 32
4.5 基于DBN的信用卡欺诈检测 34
4.5.1 基于DBN的信用卡欺诈检测模型 34
4.5.2 DBN模型训练 35
4.5.3 实验结果及分析 36
4.6 本章小结 39
第5章 基于非负矩阵分解的股票异常波动的识别 40
5.1 异常数据在股票市场中的产生原因 40
5.1.1 宏观经济的影响 40
5.1.2 投资者行为的影响 41
5.1.3 政策的影响 42
5.1.4 制度的影响 43
5.2 异常检测方法 43
5.3 非负矩阵分解方法 44
5.4 基于非负矩阵分解的股票市场异常波动检测 45
5.5 实验分析 47
5.6 本章小结 52
第6章 基于CNN的贷款违约预测 53
6.1 贷款违约检测研究现状 53
6.2 基于CNN的贷款违约预测 55
6.3 基于评分融合的卷积神经网络的贷款违约预测 56
6.3.1 网络结构 56
6.3.2 评分融合结构 59
6.3.3 模型训练 60
6.4 贷款违约预测框架 63
6.5 实验及分析 63
6.5.1 数据集 63
6.5.2 测试结果 64
6.5.3 特征重要性度量 66
6.6 本章小结 67
第7章 基于决策树及情感辅助的股票预测 68
7.1 决策树理论与股指数据获取 68
7.1.1 股票指标 68
7.1.2 分词处理与特征提取 70
7.1.3 决策树理论 72
7.1.4 网络爬虫流程设计 73
7.1.5 文本处理与情感分类 77
7.2 股票预测模型 79
7.2.1 基于股市指标的决策树模型 79
7.2.2 决策树模型的实现以及结果展示 85
7.3 决策树模型的验证 88
7.3.1 情绪结果的融合决策树 88
7.3.2 决策树模型验证 88
7.4 本章小结 93
第8章 总结与展望 94
8.1 本书总结 94
8.2 研究展望 95
参考文献 96