【讀書報告】金融數(shù)據(jù)挖掘

Start：關(guān)注本公眾號后，可直接聯(lián)系后臺獲取排版美化的詳細文檔！

Hints：本篇文章所編纂的資料均來自網(wǎng)絡(luò)，特此感謝參與奉獻的有關(guān)人員。

• 序言

?好記性不如爛筆頭。讀過的書，不管好與壞，做個筆記，方便日后回顧。

• 章節(jié)
  

數(shù)據(jù)挖掘的定義：

數(shù)據(jù)挖掘是從大量的，不完全的，有噪聲的，模糊的，隨機的實際應用數(shù)據(jù)中，提取隱含其中的，人們事先不知道的，但又潛在有用的信息和知識的過程。

數(shù)據(jù)挖掘的方面：

-數(shù)據(jù)

數(shù)值數(shù)據(jù)、文本數(shù)據(jù)、圖形數(shù)據(jù)、音頻數(shù)據(jù)、視頻數(shù)據(jù)

-方法

過程：數(shù)據(jù)準備、數(shù)據(jù)處理、解釋或預測

-目的

數(shù)據(jù)挖掘的主要目的是解釋或預測。解釋指解釋現(xiàn)象，找出現(xiàn)象背后的原因；預測利用規(guī)律對事物未來的發(fā)展進行預測

?

• 第一章?有監(jiān)督的金融數(shù)據(jù)分類分析-Logit、LDA、QDA與KNN

第一節(jié)?Logistic分類法

第二節(jié)?LDA、QDA與KNN分類法

• 第二章?無監(jiān)督的金融數(shù)據(jù)分類分析-聚類分析

第一節(jié)?系統(tǒng)聚類法和K-means聚類法

?

• 第三章?金融數(shù)據(jù)抽樣

第一節(jié)?交叉驗證方法（Cross Validation）

- 基礎(chǔ)交叉驗證法 Basic cross validation

- 除一交叉驗證法 Leave one out cross validation

- K組交叉驗證法 K-Fold cross validation

第二節(jié)?拔靴法 Bootstrap

?

• 第四章線性模型篩選

第一節(jié)?子集篩選法（subset selection methods）

一 最優(yōu)子集篩選法（Best Subset Selection）

二 逐步選擇法(Stepwise Selection)

1 向前篩選Forward Stepwise Selection

2 向后篩選 Backward Stepwise Selection

3 混合篩選法

三 選擇最優(yōu)模型的標準

1 Cp

2 AIC

3 BIC

4 adjusted R2

第二節(jié)?收縮篩選法

一 嶺回歸 Ridge Regression

二 Lasso方法

?

• 第五章?克服維數(shù)災難

第一節(jié)?主成分分析法

第二節(jié)?部分最小二乘法

?

• 第六章?決策樹

第一節(jié)?決策樹的分類和基本知識

一 回歸樹

二 分類樹

第二節(jié)?三種提高樹狀模型預測精度的方法

一 Bagging

二 Random Forest

三 Boosting

?

• 第七章?支持向量機

第一節(jié)?最大邊際分類器

第二節(jié)?支持向量機

?

公眾號二維碼

End：如果有興趣了解金融量化交易和其他數(shù)據(jù)分析的實用技術(shù)，歡迎關(guān)注本公眾號