金融大数据分析（高等学校新文科教材·金融科技系列）

作者：吴轲 周德馨

书号：332291

定价：￥45 元

字数：368 千字

印次：1-1

开本：16

出版时间：2025-02-18

ISBN：978-7-300-33229-1

包装：平

内容简介

在金融市场进入大数据时代的今天，由于大数据存在高维性、动态性、多样性、关联性等特征，我们需要采用新的方法来有效分析海量的数据。本书致力于解决三个问题:如何管理数据、如何通过机器学习方法利用数据、如何获取以及处理另类数据。本书可以作为金融专业本科生和硕士生学习金融大数据课程的教材，也可以作为希望了解大数据、机器学习的读者的入门读物。

本书具有如下特点:

·问题导向，提供解决方案。每章首先提出现实中遇到的问题，再针对问题提出大数据和机器学习的具体解决方案，以帮助读者熟悉应用场景。

·注重数据可视化及模型可解释性。本书通过实用直观的方式介绍理论知识，以帮助读者理解并更好地利用数据来拓展业务。

·配套大量的程序以及数据。方便读者进行操作训练，达到学以致用的目的。

作者介绍

吴轲，中国人民大学财政金融学院副教授、博士生导师，中国人民大学吴玉章青年学者，主要讲授资产定价、金融风险管理、金融科技以及金融大数据分析等课程。主要研究领域包括资产定价、投资组合管理、金融计量学和机器学习。研究成果发表在诸如《管理科学》(Management Science)、《金融与定量分析杂志》(Journal of Financial and Quantitative Analysis)以及《应用计量经济学杂志》(Journal of Applied Econometrics)等国际一流期刊上。主持国家自然科学基金青年项目和面上项目，参与科技部国家重点研发计划。

周德馨，纽约市立大学巴鲁克学院副教授(终身教职)、研究生中心博士生导师，主要讲授公司金融、实证金融方法等课程。主要研究领域包括行为金融学以及大数据与另类数据在金融市场中的应用。研究成果发表于《金融经济学杂志》(Jour- nal of Financial Economics)、《金融研究评论》( Review of Financial Studies )以及《会计评论》(The Accounting Review)等国际顶级期刊上，有些曾被知名媒体转载引用，并在哈佛大学法学院公司治理论坛分享。

目录

第1部分 知识回顾    

第1章   数据的管理与探索    003    

1.1 金融数据管理面临的挑战与机遇    003    

1.2 数据的存储与使用    004    

1.3 Pandas与数据可视化程序库简介    005    

1.4 程序:数据的管理以及初步探索    006    

第2章   数学以及统计学知识回顾    017    

2.1 数学知识回顾    017    

2.2 统计学知识回顾    025    

第2部分 监督学习基础    

第3章   线性回归    033    

3.1 案例:预测公司盈利    033    

3.2 线性回归方法    034    

3.3 知识拓展:线性回归方法的其他应用    040    

3.4 程序    041    

第4章   逻辑回归    048    

4.1 案例:贷款违约预测    048    

4.2 逻辑回归方法    049    

4.3 知识拓展:多分类问题    054    

4.4 程序    055  

第5章   其他基础监督学习方法    063    

5.1 其他基础监督学习方法简介    063    

5.2 样条模型    064    

5.3 广义可加模型    066    

5.4 支持向量机    067    

5.5 K近邻分类器    070    

5.6 程序    070    

第6章   模型验证    075    

6.1 模型验证简介    075    

6.2 如何进行模型验证    076    

6.3 过拟合及欠拟合问题    078    

6.4 模型验证指标    081    

6.5 程序    084    

第7章   模型选择与正则化    091    

7.1 模型选择与正则化简介    091    

7.2 模型选择    091    

7.3 正则化    093    

7.4 程序    097    

第3部分 监督学习进阶    

第8章   决策树    103    

8.1 决策树简介    103    

8.2 回归树模型训练    105    

8.3 分类树    109    

8.4 程序    110    

第9章   集成学习    113    

9.1 集成学习简介    113    

9.2 袋装法    114    

9.3 随机森林    115    

9.4 提升法    116    

9.5 集成学习方法的优缺点    117    

9.6 程序    118  

第10章   神经网络    121    

10.1 神经网络简介    121    

10.2 神经网络的结构    121    

10.3 模型训练    126    

10.4 神经网络正则化    129    

10.5 常用的神经网络结构    130    

10.6 程序    131    

第11章   监督学习小结    139    

11.1 监督学习方法回顾    139    

11.2 复杂模型的可解释性    140    

11.3 程序    143    

第4部分 无监督学习    

第12章   主成分分析    149    

12.1 案例:投资策略    149    

12.2 主成分分析方法    149

12.3 知识拓展:偏最小二乘回归    153    

12.4 程序    154    

第13章   聚类分析    160    

13.1 案例:贷款违约风险评估    160    

13.2 聚类分析方法    161    

13.3 程序    165    

第14章   缺失数据及其处理    168    

14.1 缺失数据问题简介    168    

14.2 缺失数据问题的处理方法    169    

14.3 程序    172    

第5部分 大数据与另类数据    

第15章   基础文本分析    177    

15.1 文本分析简介    177    

15.2 词袋模型    178    

15.3 文本相似度    183  

15.4 词嵌入    184    

15.5 知识拓展:数据获取    186    

15.6 程序    187    

第16章   大语言模型    190    

16.1 大语言模型简介    190    

16.2 大语言模型的技术背景    191    

16.3 大语言模型在金融中的应用    194    

16.4 国产大语言模型    197    

16.5 程序    199    

第17章   其他另类数据的处理    203    

17.1 其他另类数据简介    203    

17.2 图像数据及其处理    204    

17.3 声音信息及其处理    207    

17.4 知识拓展:用图片来预测股票收益率    207    

17.5 程序    208    

第18章   大数据的处理与学习    212    

18.1 大数据简介    212    

18.2 大数据的处理    213    

18.3 大数据的学习    215    

18.4 程序    216    

第6部分 大数据学习与经济金融研究    

第19章   大数据机器学习方法在金融中的应用    223    

19.1 股票收益率横截面预测实证    224    

19.2 工具变量主成分分析方法    232    

19.3 大数据下的有效定价因子识别    238    

19.4 采用自纠偏机器学习方法识别有效定价因子    247    

19.5 机器学习方法在应用于金融领域时存在的问题    253    

参考文献    254