掃一掃
關(guān)注中圖網(wǎng)
官方微博
量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實踐 版權(quán)信息
- ISBN：9787121302305
- 條形碼：9787121302305 ; 978-7-121-30230-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實踐 本書特色
全書內(nèi)容分為三篇。*篇為基礎(chǔ)篇，主要介紹量化投資與數(shù)據(jù)挖掘的關(guān)系，以及數(shù)據(jù)挖掘的概念、實現(xiàn)過程、主要內(nèi)容、主要工具等內(nèi)容。第二篇為技術(shù)篇，系統(tǒng)介紹了數(shù)據(jù)挖掘的相關(guān)技術(shù)及這些技術(shù)在量化投資中的應(yīng)用，主要包括數(shù)據(jù)的準(zhǔn)備、數(shù)據(jù)的探索、關(guān)聯(lián)規(guī)則方法、數(shù)據(jù)回歸方法、分類方法、聚類方法、預(yù)測方法、診斷方法、時間序列方法、智能優(yōu)化方法等內(nèi)容。第三篇為實踐篇，主要介紹數(shù)據(jù)挖掘技術(shù)在量化投資中的綜合應(yīng)用實例，包括統(tǒng)計套利策略的挖掘與優(yōu)化、配對交易策略的挖掘與實現(xiàn)、數(shù)據(jù)挖掘在股票程序化交易中的綜合應(yīng)用，以及基于數(shù)據(jù)挖掘技術(shù)的量化交易系統(tǒng)的構(gòu)建。本書的讀者對象為從事投資、數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)管理工作的專業(yè)人士；金融、經(jīng)濟、管理、統(tǒng)計等專業(yè)的教師和學(xué)生；希望學(xué)習(xí)MATLAB的廣大科研人員、學(xué)者和工程技術(shù)人員。
量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實踐 內(nèi)容簡介
全書內(nèi)容分為三篇。**篇為基礎(chǔ)篇，主要介紹量化投資與數(shù)據(jù)挖掘的關(guān)系，以及數(shù)據(jù)挖掘的概念、實現(xiàn)過程、主要內(nèi)容、主要工具等內(nèi)容。第二篇為技術(shù)篇，系統(tǒng)介紹了數(shù)據(jù)挖掘的相關(guān)技術(shù)及這些技術(shù)在量化投資中的應(yīng)用，主要包括數(shù)據(jù)的準(zhǔn)備、數(shù)據(jù)的探索、關(guān)聯(lián)規(guī)則方法、數(shù)據(jù)回歸方法、分類方法、聚類方法、預(yù)測方法、診斷方法、時間序列方法、智能優(yōu)化方法等內(nèi)容。第三篇為實踐篇，主要介紹數(shù)據(jù)挖掘技術(shù)在量化投資中的綜合應(yīng)用實例，包括統(tǒng)計套利策略的挖掘與優(yōu)化、配對交易策略的挖掘與實現(xiàn)、數(shù)據(jù)挖掘在股票程序化交易中的綜合應(yīng)用，以及基于數(shù)據(jù)挖掘技術(shù)的量化交易系統(tǒng)的構(gòu)建。本書的讀者對象為從事投資、數(shù)據(jù)挖掘、數(shù)據(jù)分析、數(shù)據(jù)管理工作的專業(yè)人士；金融、經(jīng)濟、管理、統(tǒng)計等專業(yè)的教師和學(xué)生；希望學(xué)習(xí)MATLAB的廣大科研人員、學(xué)者和工程技術(shù)人員。
量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實踐 目錄
**篇 基礎(chǔ)篇
第1章 緒論 2
1.1 量化投資與數(shù)據(jù)挖掘的關(guān)系 2
1.1.1 什么是量化投資 2
1.1.2 量化投資的特點 3
1.1.3 量化投資的核心——量化模型 5
1.1.4 量化模型的主要產(chǎn)生方法——
數(shù)據(jù)挖掘 7
1.2 數(shù)據(jù)挖掘的概念和原理 8
1.2.1 什么是數(shù)據(jù)挖掘 8
1.2.2 數(shù)據(jù)挖掘的原理 10
1.3 數(shù)據(jù)挖掘在量化投資中的應(yīng)用 11
1.3.1 宏觀經(jīng)濟分析 11
1.3.2 估價 13
1.3.3 量化選股 14
1.3.4 量化擇時 14
1.3.5 算法交易 14
1.4 本章小結(jié) 15
參考文獻 16
第2章 數(shù)據(jù)挖掘的內(nèi)容、過程及
工具 17
2.1 數(shù)據(jù)挖掘的內(nèi)容 17
2.1.1 關(guān)聯(lián) 17
2.1.2 回歸 19
2.1.3 分類 20
2.1.4 聚類 21
2.1.5 預(yù)測 22
2.1.6 診斷 23
2.2 數(shù)據(jù)挖掘過程 24
2.2.1 數(shù)據(jù)挖掘過程概述 24
2.2.2 挖掘目標(biāo)的定義 25
2.2.3 數(shù)據(jù)的準(zhǔn)備 26
2.2.4 數(shù)據(jù)的探索 28
2.2.5 模型的建立 29
2.2.6 模型的評估 33
2.2.7 模型的部署 35
2.3 數(shù)據(jù)挖掘工具 36
2.3.1 MATLAB 36
2.3.2 SAS 37
2.3.3 SPSS 38
2.3.4 WEKA 39
2.3.5 R 41
2.3.6 工具的比較與選擇 42
2.4 本章小結(jié) 43
參考文獻 43
第3章 MATLAB快速入門 44
3.1 MATLAB快速入門 44
3.1.1 MATLAB概要 44
3.1.2 MATLAB的功能 45
3.1.3 快速入門案例 46
3.1.4 入門后的提高 55
3.2 MATLAB常用技巧 55
3.2.1 常用標(biāo)點的功能 55
3.2.2 常用操作指令 56
3.2.3 指令編輯操作鍵 56
3.2.4 MATLAB數(shù)據(jù)類型 56
3.3 MATLAB開發(fā)模式 58
3.3.1 命令行模式 58
3.3.2 腳本模式 58
3.3.3 面向?qū)ο竽Ｊ?58
3.3.4 三種模式的配合 58
3.4 小結(jié) 59
第二篇 技術(shù)篇
第4章 數(shù)據(jù)的準(zhǔn)備 63
4.1 數(shù)據(jù)的收集 63
4.1.1 認(rèn)識數(shù)據(jù) 63
4.1.2 數(shù)據(jù)挖掘的數(shù)據(jù)源 64
4.1.3 數(shù)據(jù)抽樣 65
4.1.4 量化投資的數(shù)據(jù)源 67
4.1.5 從雅虎獲取交易數(shù)據(jù) 69
4.1.6 從大智慧獲取財務(wù)數(shù)據(jù) 71
4.1.7 從Wind中獲取高質(zhì)量數(shù)據(jù) 73
4.2 數(shù)據(jù)質(zhì)量分析 75
4.2.1 數(shù)據(jù)質(zhì)量分析的必要性 75
4.2.2 數(shù)據(jù)質(zhì)量分析的目的 75
4.2.3 數(shù)據(jù)質(zhì)量分析的內(nèi)容 76
4.2.4 數(shù)據(jù)質(zhì)量分析的方法 76
4.2.5 數(shù)據(jù)質(zhì)量分析的結(jié)果及應(yīng)用 82
4.3 數(shù)據(jù)預(yù)處理 82
4.3.1 為什么需要數(shù)據(jù)預(yù)處理 82
4.3.2 數(shù)據(jù)預(yù)處理的主要任務(wù) 83
4.3.3 數(shù)據(jù)清洗 84
4.3.4 數(shù)據(jù)集成 88
4.3.5 數(shù)據(jù)歸約 89
4.3.6 數(shù)據(jù)變換 90
4.4 本章小結(jié) 92
參考文獻 93
第5章 數(shù)據(jù)的探索 94
5.1 衍生變量 95
5.1.1 衍生變量的定義 95
5.1.2 變量衍生的原則和方法 96
5.1.3 常用的股票衍生變量 96
5.1.4 評價型衍生變量 101
5.1.5 衍生變量數(shù)據(jù)收集與集成 103
5.2 數(shù)據(jù)的統(tǒng)計 104
5.2.1 基本描述性統(tǒng)計 105
5.2.2 分布描述性統(tǒng)計 106
5.3 數(shù)據(jù)可視化 106
5.3.1 基本可視化方法 107
5.3.2 數(shù)據(jù)分布形狀可視化 108
5.3.3 數(shù)據(jù)關(guān)聯(lián)情況可視化 110
5.3.4 數(shù)據(jù)分組可視化 111
5.4 樣本選擇 113
5.4.1 樣本選擇的方法 113
5.4.2 樣本選擇應(yīng)用實例 113
5.5 數(shù)據(jù)降維 116
5.5.1 主成分分析（PCA）基本
原理 116
5.5.2 PCA應(yīng)用案例：企業(yè)綜合
實力排序 118
5.5.3 相關(guān)系數(shù)降維 122
5.6 本章小結(jié) 123
參考文獻 123
第6章 關(guān)聯(lián)規(guī)則方法 124
6.1 關(guān)聯(lián)規(guī)則概要 124
6.1.1 關(guān)聯(lián)規(guī)則的提出背景 124
6.1.2 關(guān)聯(lián)規(guī)則的基本概念 125
6.1.3 關(guān)聯(lián)規(guī)則的分類 127
6.1.4 關(guān)聯(lián)規(guī)則挖掘常用算法 128
6.2 Apriori算法 128
6.2.1 Apriori算法的基本思想 128
6.2.2 Apriori算法的步驟 129
6.2.3 Apriori算法的實例 129
6.2.4 Apriori算法的程序?qū)崿F(xiàn) 132
6.2.5 Apriori算法的優(yōu)缺點 135
6.3 FP-Growth算法 136
6.3.1 FP-Growth算法步驟 136
6.3.2 FP-Growth算法實例 137
6.3.3 FP-Growth算法的優(yōu)缺點 139
6.4 應(yīng)用實例：行業(yè)關(guān)聯(lián)選股法 139
6.5 本章小結(jié) 141
參考文獻 142
第7章 數(shù)據(jù)回歸方法 143
7.1 一元回歸 144
7.1.1 一元線性回歸 144
7.1.2 一元非線性回歸 148
7.1.3 一元多項式回歸 153
7.2 多元回歸 153
7.2.1 多元線性回歸 153
7.2.2 多元多項式回歸 157
7.3 逐步歸回 160
7.3.1 逐步回歸的基本思想 160
7.3.2 逐步回歸步驟 161
7.3.3 逐步回歸的MATLAB方法 162
7.4 Logistic回歸 164
7.4.1 Logistic模型 164
7.4.2 Logistic回歸實例 165
7.5 應(yīng)用實例：多因子選股模型
的實現(xiàn) 168
7.5.1 多因子模型的基本思想 168
7.5.2 多因子模型的實現(xiàn) 169
7.6 本章小結(jié) 172
參考文獻 172
第8章 分類方法 173
8.1 分類方法概要 173
8.1.1 分類的概念 173
8.1.2 分類的原理 174
8.1.3 常用的分類方法 175
8.2 K-近鄰（KNN） 176
8.2.1 K-近鄰原理 176
8.2.2 K-近鄰實例 177
8.2.3 K-近鄰特點 180
8.3 貝葉斯分類 181
8.3.1 貝葉斯分類原理 181
8.3.2 樸素貝葉斯分類原理 182
8.3.3 樸素貝葉斯分類實例 184
8.3.4 樸素貝葉斯特點 185
8.4 神經(jīng)網(wǎng)絡(luò) 185
8.4.1 神經(jīng)網(wǎng)絡(luò)的原理 185
8.4.2 神經(jīng)網(wǎng)絡(luò)的實例 188
8.4.3 神經(jīng)網(wǎng)絡(luò)的特點 188
8.5 邏輯斯蒂（Logistic） 189
8.5.1 邏輯斯蒂的原理 189
8.5.2 邏輯斯蒂的實例 189
8.5.3 邏輯斯蒂的特點 189
8.6 判別分析 190
8.6.1 判別分析的原理 190
8.6.2 判別分析的實例 191
8.6.3 判別分析的特點 191
8.7 支持向量機（SVM） 192
8.7.1 SVM的基本思想 192
8.7.2 理論基礎(chǔ) 193
8.7.3 支持向量機的實例 196
8.7.4 支持向量機的特點 196
8.8 決策樹 197
8.8.1 決策樹的基本概念 197
8.8.2 決策樹的建構(gòu)的步驟 198
8.8.3 決策樹的實例 201
8.8.4 決策樹的特點 202
8.9 分類的評判 202
8.9.1 正確率 202
8.9.2 ROC曲線 204
8.10 應(yīng)用實例：分類選股法 206
8.10.1 案例背景 206
8.10.2 實現(xiàn)方法 208
8.11 延伸閱讀：其他分類方法 210
8.12 本章小結(jié) 211
參考文獻 211
第9章 聚類方法 212
9.1 聚類方法概要 212
9.1.1 聚類的概念 212
9.1.2 類的度量方法 214
9.1.3 聚類方法的應(yīng)用場景 216
9.1.4 聚類方法的分類 217
9.2 K-means方法 217
9.2.1 K-means的原理和步驟 218
9.2.2 K-means實例1：自主編程 219
9.2.3 K-means實例2：集成函數(shù) 221
9.2.4 K-means的特點 224
9.3 層次聚類 225
9.3.1 層次聚類的原理和步驟 225
9.3.2 層次聚類的實例 227
9.3.3 層次聚類的特點 229
9.4 神經(jīng)網(wǎng)絡(luò)聚類 229
9.4.1 神經(jīng)網(wǎng)絡(luò)聚類的原理和步驟 229
9.4.2 神經(jīng)網(wǎng)絡(luò)聚類的實例 229
9.4.3 神經(jīng)網(wǎng)絡(luò)聚類的特點 230
9.5 模糊C-均值（FCM）方法 230
9.5.1 FCM的原理和步驟 230
9.5.2 FCM的應(yīng)用實例 232
9.5.3 FCM算法的特點 233
9.6 高斯混合聚類方法 233
9.6.1 高斯混合聚類的原理和步驟 233
9.6.2 高斯聚類的實例 236
9.6.3 高斯聚類的特點 236
9.7 類別數(shù)的確定方法 237
9.7.1 類別的原理 237
9.7.2 類別的實例 238
9.8 應(yīng)用實例：股票聚類分池 240
9.8.1 聚類目標(biāo)和數(shù)據(jù)描述 240
9.8.2 實現(xiàn)過程 240
9.8.3 結(jié)果及分析 242
9.9 延伸閱讀 244
9.9.1 目前聚類分析研究的主要
內(nèi)容 244
9.9.2 SOM智能聚類算法 245
9.10 本章小結(jié) 246
參考文獻 246
第10章 預(yù)測方法 247
10.1 預(yù)測方法概要 247
10.1.1 預(yù)測的概念 247
10.1.2 預(yù)測的基本原理 248
10.1.3 量化投資中預(yù)測的主要
內(nèi)容 249
10.1.4 預(yù)測的準(zhǔn)確度評價及影響
因素 250
10.1.5 常用的預(yù)測方法 251
10.2 灰色預(yù)測 252
10.2.1 灰色預(yù)測原理 252
10.2.2 灰色預(yù)測的實例 254
10.3 馬爾科夫預(yù)測 256
10.3.1 馬爾科夫預(yù)測的原理 256
10.3.2 馬爾科夫過程的特性 257
10.3.3 馬爾科夫預(yù)測的實例 258
10.4 應(yīng)用實例：大盤走勢預(yù)測 262
10.4.1 數(shù)據(jù)的選取及模型的建立 263
10.4.2 預(yù)測過程 264
10.4.3 預(yù)測結(jié)果與分析 265
10.5 本章小結(jié) 265
參考文獻 267
第11章 診斷方法 268
11.1 離群點診斷概要 268
11.1.1 離群點診斷的定義 268
11.1.2 離群點診斷的作用 269
11.1.3 離群點診斷方法分類 271
11.2 基于統(tǒng)計的離群點診斷 271
11.2.1 理論基礎(chǔ) 271
11.2.2 應(yīng)用實例 273
11.2.3 優(yōu)點與缺點 275
11.3 基于距離的離群點診斷 275
11.3.1 理論基礎(chǔ) 275
11.3.2 應(yīng)用實例 276
11.3.3 優(yōu)點與缺點 278
11.4 基于密度的離群點挖掘 278
11.4.1 理論基礎(chǔ) 278
11.4.2 應(yīng)用實例 279
11.4.3 優(yōu)點與缺點 281
11.5 基于聚類的離群點挖掘 281
11.5.1 理論基礎(chǔ) 281
11.5.2 應(yīng)用實例 282
11.5.3 優(yōu)點與缺點 284
11.6 應(yīng)用實例：離群點診斷量化
擇時 284
11.7 延伸閱讀：新興的離群點
挖掘方法 286
11.7.1 基于關(guān)聯(lián)的離群點挖掘 286
11.7.2 基于粗糙集的離群點挖掘 286
11.7.3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點
挖掘 287
11.8 本章小結(jié) 287
參考文獻 288
第12章 時間序列方法 289
12.1 時間序列的基本概念 289
12.1.1 時間序列的定義 289
12.1.2 時間序列的組成因素 290
12.1.3 時間序列的分類 291
12.1.4 時間序列分析方法 292
12.2 平穩(wěn)時間序列分析方法 292
12.2.1
第1章 緒論 2
1.1 量化投資與數(shù)據(jù)挖掘的關(guān)系 2
1.1.1 什么是量化投資 2
1.1.2 量化投資的特點 3
1.1.3 量化投資的核心——量化模型 5
1.1.4 量化模型的主要產(chǎn)生方法——
數(shù)據(jù)挖掘 7
1.2 數(shù)據(jù)挖掘的概念和原理 8
1.2.1 什么是數(shù)據(jù)挖掘 8
1.2.2 數(shù)據(jù)挖掘的原理 10
1.3 數(shù)據(jù)挖掘在量化投資中的應(yīng)用 11
1.3.1 宏觀經(jīng)濟分析 11
1.3.2 估價 13
1.3.3 量化選股 14
1.3.4 量化擇時 14
1.3.5 算法交易 14
1.4 本章小結(jié) 15
參考文獻 16
第2章 數(shù)據(jù)挖掘的內(nèi)容、過程及
工具 17
2.1 數(shù)據(jù)挖掘的內(nèi)容 17
2.1.1 關(guān)聯(lián) 17
2.1.2 回歸 19
2.1.3 分類 20
2.1.4 聚類 21
2.1.5 預(yù)測 22
2.1.6 診斷 23
2.2 數(shù)據(jù)挖掘過程 24
2.2.1 數(shù)據(jù)挖掘過程概述 24
2.2.2 挖掘目標(biāo)的定義 25
2.2.3 數(shù)據(jù)的準(zhǔn)備 26
2.2.4 數(shù)據(jù)的探索 28
2.2.5 模型的建立 29
2.2.6 模型的評估 33
2.2.7 模型的部署 35
2.3 數(shù)據(jù)挖掘工具 36
2.3.1 MATLAB 36
2.3.2 SAS 37
2.3.3 SPSS 38
2.3.4 WEKA 39
2.3.5 R 41
2.3.6 工具的比較與選擇 42
2.4 本章小結(jié) 43
參考文獻 43
第3章 MATLAB快速入門 44
3.1 MATLAB快速入門 44
3.1.1 MATLAB概要 44
3.1.2 MATLAB的功能 45
3.1.3 快速入門案例 46
3.1.4 入門后的提高 55
3.2 MATLAB常用技巧 55
3.2.1 常用標(biāo)點的功能 55
3.2.2 常用操作指令 56
3.2.3 指令編輯操作鍵 56
3.2.4 MATLAB數(shù)據(jù)類型 56
3.3 MATLAB開發(fā)模式 58
3.3.1 命令行模式 58
3.3.2 腳本模式 58
3.3.3 面向?qū)ο竽Ｊ?58
3.3.4 三種模式的配合 58
3.4 小結(jié) 59
第二篇 技術(shù)篇
第4章 數(shù)據(jù)的準(zhǔn)備 63
4.1 數(shù)據(jù)的收集 63
4.1.1 認(rèn)識數(shù)據(jù) 63
4.1.2 數(shù)據(jù)挖掘的數(shù)據(jù)源 64
4.1.3 數(shù)據(jù)抽樣 65
4.1.4 量化投資的數(shù)據(jù)源 67
4.1.5 從雅虎獲取交易數(shù)據(jù) 69
4.1.6 從大智慧獲取財務(wù)數(shù)據(jù) 71
4.1.7 從Wind中獲取高質(zhì)量數(shù)據(jù) 73
4.2 數(shù)據(jù)質(zhì)量分析 75
4.2.1 數(shù)據(jù)質(zhì)量分析的必要性 75
4.2.2 數(shù)據(jù)質(zhì)量分析的目的 75
4.2.3 數(shù)據(jù)質(zhì)量分析的內(nèi)容 76
4.2.4 數(shù)據(jù)質(zhì)量分析的方法 76
4.2.5 數(shù)據(jù)質(zhì)量分析的結(jié)果及應(yīng)用 82
4.3 數(shù)據(jù)預(yù)處理 82
4.3.1 為什么需要數(shù)據(jù)預(yù)處理 82
4.3.2 數(shù)據(jù)預(yù)處理的主要任務(wù) 83
4.3.3 數(shù)據(jù)清洗 84
4.3.4 數(shù)據(jù)集成 88
4.3.5 數(shù)據(jù)歸約 89
4.3.6 數(shù)據(jù)變換 90
4.4 本章小結(jié) 92
參考文獻 93
第5章 數(shù)據(jù)的探索 94
5.1 衍生變量 95
5.1.1 衍生變量的定義 95
5.1.2 變量衍生的原則和方法 96
5.1.3 常用的股票衍生變量 96
5.1.4 評價型衍生變量 101
5.1.5 衍生變量數(shù)據(jù)收集與集成 103
5.2 數(shù)據(jù)的統(tǒng)計 104
5.2.1 基本描述性統(tǒng)計 105
5.2.2 分布描述性統(tǒng)計 106
5.3 數(shù)據(jù)可視化 106
5.3.1 基本可視化方法 107
5.3.2 數(shù)據(jù)分布形狀可視化 108
5.3.3 數(shù)據(jù)關(guān)聯(lián)情況可視化 110
5.3.4 數(shù)據(jù)分組可視化 111
5.4 樣本選擇 113
5.4.1 樣本選擇的方法 113
5.4.2 樣本選擇應(yīng)用實例 113
5.5 數(shù)據(jù)降維 116
5.5.1 主成分分析（PCA）基本
原理 116
5.5.2 PCA應(yīng)用案例：企業(yè)綜合
實力排序 118
5.5.3 相關(guān)系數(shù)降維 122
5.6 本章小結(jié) 123
參考文獻 123
第6章 關(guān)聯(lián)規(guī)則方法 124
6.1 關(guān)聯(lián)規(guī)則概要 124
6.1.1 關(guān)聯(lián)規(guī)則的提出背景 124
6.1.2 關(guān)聯(lián)規(guī)則的基本概念 125
6.1.3 關(guān)聯(lián)規(guī)則的分類 127
6.1.4 關(guān)聯(lián)規(guī)則挖掘常用算法 128
6.2 Apriori算法 128
6.2.1 Apriori算法的基本思想 128
6.2.2 Apriori算法的步驟 129
6.2.3 Apriori算法的實例 129
6.2.4 Apriori算法的程序?qū)崿F(xiàn) 132
6.2.5 Apriori算法的優(yōu)缺點 135
6.3 FP-Growth算法 136
6.3.1 FP-Growth算法步驟 136
6.3.2 FP-Growth算法實例 137
6.3.3 FP-Growth算法的優(yōu)缺點 139
6.4 應(yīng)用實例：行業(yè)關(guān)聯(lián)選股法 139
6.5 本章小結(jié) 141
參考文獻 142
第7章 數(shù)據(jù)回歸方法 143
7.1 一元回歸 144
7.1.1 一元線性回歸 144
7.1.2 一元非線性回歸 148
7.1.3 一元多項式回歸 153
7.2 多元回歸 153
7.2.1 多元線性回歸 153
7.2.2 多元多項式回歸 157
7.3 逐步歸回 160
7.3.1 逐步回歸的基本思想 160
7.3.2 逐步回歸步驟 161
7.3.3 逐步回歸的MATLAB方法 162
7.4 Logistic回歸 164
7.4.1 Logistic模型 164
7.4.2 Logistic回歸實例 165
7.5 應(yīng)用實例：多因子選股模型
的實現(xiàn) 168
7.5.1 多因子模型的基本思想 168
7.5.2 多因子模型的實現(xiàn) 169
7.6 本章小結(jié) 172
參考文獻 172
第8章 分類方法 173
8.1 分類方法概要 173
8.1.1 分類的概念 173
8.1.2 分類的原理 174
8.1.3 常用的分類方法 175
8.2 K-近鄰（KNN） 176
8.2.1 K-近鄰原理 176
8.2.2 K-近鄰實例 177
8.2.3 K-近鄰特點 180
8.3 貝葉斯分類 181
8.3.1 貝葉斯分類原理 181
8.3.2 樸素貝葉斯分類原理 182
8.3.3 樸素貝葉斯分類實例 184
8.3.4 樸素貝葉斯特點 185
8.4 神經(jīng)網(wǎng)絡(luò) 185
8.4.1 神經(jīng)網(wǎng)絡(luò)的原理 185
8.4.2 神經(jīng)網(wǎng)絡(luò)的實例 188
8.4.3 神經(jīng)網(wǎng)絡(luò)的特點 188
8.5 邏輯斯蒂（Logistic） 189
8.5.1 邏輯斯蒂的原理 189
8.5.2 邏輯斯蒂的實例 189
8.5.3 邏輯斯蒂的特點 189
8.6 判別分析 190
8.6.1 判別分析的原理 190
8.6.2 判別分析的實例 191
8.6.3 判別分析的特點 191
8.7 支持向量機（SVM） 192
8.7.1 SVM的基本思想 192
8.7.2 理論基礎(chǔ) 193
8.7.3 支持向量機的實例 196
8.7.4 支持向量機的特點 196
8.8 決策樹 197
8.8.1 決策樹的基本概念 197
8.8.2 決策樹的建構(gòu)的步驟 198
8.8.3 決策樹的實例 201
8.8.4 決策樹的特點 202
8.9 分類的評判 202
8.9.1 正確率 202
8.9.2 ROC曲線 204
8.10 應(yīng)用實例：分類選股法 206
8.10.1 案例背景 206
8.10.2 實現(xiàn)方法 208
8.11 延伸閱讀：其他分類方法 210
8.12 本章小結(jié) 211
參考文獻 211
第9章 聚類方法 212
9.1 聚類方法概要 212
9.1.1 聚類的概念 212
9.1.2 類的度量方法 214
9.1.3 聚類方法的應(yīng)用場景 216
9.1.4 聚類方法的分類 217
9.2 K-means方法 217
9.2.1 K-means的原理和步驟 218
9.2.2 K-means實例1：自主編程 219
9.2.3 K-means實例2：集成函數(shù) 221
9.2.4 K-means的特點 224
9.3 層次聚類 225
9.3.1 層次聚類的原理和步驟 225
9.3.2 層次聚類的實例 227
9.3.3 層次聚類的特點 229
9.4 神經(jīng)網(wǎng)絡(luò)聚類 229
9.4.1 神經(jīng)網(wǎng)絡(luò)聚類的原理和步驟 229
9.4.2 神經(jīng)網(wǎng)絡(luò)聚類的實例 229
9.4.3 神經(jīng)網(wǎng)絡(luò)聚類的特點 230
9.5 模糊C-均值（FCM）方法 230
9.5.1 FCM的原理和步驟 230
9.5.2 FCM的應(yīng)用實例 232
9.5.3 FCM算法的特點 233
9.6 高斯混合聚類方法 233
9.6.1 高斯混合聚類的原理和步驟 233
9.6.2 高斯聚類的實例 236
9.6.3 高斯聚類的特點 236
9.7 類別數(shù)的確定方法 237
9.7.1 類別的原理 237
9.7.2 類別的實例 238
9.8 應(yīng)用實例：股票聚類分池 240
9.8.1 聚類目標(biāo)和數(shù)據(jù)描述 240
9.8.2 實現(xiàn)過程 240
9.8.3 結(jié)果及分析 242
9.9 延伸閱讀 244
9.9.1 目前聚類分析研究的主要
內(nèi)容 244
9.9.2 SOM智能聚類算法 245
9.10 本章小結(jié) 246
參考文獻 246
第10章 預(yù)測方法 247
10.1 預(yù)測方法概要 247
10.1.1 預(yù)測的概念 247
10.1.2 預(yù)測的基本原理 248
10.1.3 量化投資中預(yù)測的主要
內(nèi)容 249
10.1.4 預(yù)測的準(zhǔn)確度評價及影響
因素 250
10.1.5 常用的預(yù)測方法 251
10.2 灰色預(yù)測 252
10.2.1 灰色預(yù)測原理 252
10.2.2 灰色預(yù)測的實例 254
10.3 馬爾科夫預(yù)測 256
10.3.1 馬爾科夫預(yù)測的原理 256
10.3.2 馬爾科夫過程的特性 257
10.3.3 馬爾科夫預(yù)測的實例 258
10.4 應(yīng)用實例：大盤走勢預(yù)測 262
10.4.1 數(shù)據(jù)的選取及模型的建立 263
10.4.2 預(yù)測過程 264
10.4.3 預(yù)測結(jié)果與分析 265
10.5 本章小結(jié) 265
參考文獻 267
第11章 診斷方法 268
11.1 離群點診斷概要 268
11.1.1 離群點診斷的定義 268
11.1.2 離群點診斷的作用 269
11.1.3 離群點診斷方法分類 271
11.2 基于統(tǒng)計的離群點診斷 271
11.2.1 理論基礎(chǔ) 271
11.2.2 應(yīng)用實例 273
11.2.3 優(yōu)點與缺點 275
11.3 基于距離的離群點診斷 275
11.3.1 理論基礎(chǔ) 275
11.3.2 應(yīng)用實例 276
11.3.3 優(yōu)點與缺點 278
11.4 基于密度的離群點挖掘 278
11.4.1 理論基礎(chǔ) 278
11.4.2 應(yīng)用實例 279
11.4.3 優(yōu)點與缺點 281
11.5 基于聚類的離群點挖掘 281
11.5.1 理論基礎(chǔ) 281
11.5.2 應(yīng)用實例 282
11.5.3 優(yōu)點與缺點 284
11.6 應(yīng)用實例：離群點診斷量化
擇時 284
11.7 延伸閱讀：新興的離群點
挖掘方法 286
11.7.1 基于關(guān)聯(lián)的離群點挖掘 286
11.7.2 基于粗糙集的離群點挖掘 286
11.7.3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點
挖掘 287
11.8 本章小結(jié) 287
參考文獻 288
第12章 時間序列方法 289
12.1 時間序列的基本概念 289
12.1.1 時間序列的定義 289
12.1.2 時間序列的組成因素 290
12.1.3 時間序列的分類 291
12.1.4 時間序列分析方法 292
12.2 平穩(wěn)時間序列分析方法 292
12.2.1
展開全部
量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實踐 作者簡介
卓金武，MathWorks中國科學(xué)計算業(yè)務(wù)總監(jiān)，主要職責(zé)是向中國區(qū)MATLAB正版用戶提供數(shù)據(jù)挖掘和量化投資解決方案。曾2次獲全國大學(xué)生數(shù)學(xué)建模競賽一等獎 (2003, 2004)，1次獲全國研究生數(shù)學(xué)建模競賽一等獎 (2007)；主編三著兩部:《MATLAB在數(shù)學(xué)建模中的應(yīng)用》（第一版和第二版），《量化投資：數(shù)據(jù)挖掘技術(shù)與實踐(MATLAB版)》。周英，中科數(shù)據(jù)首席數(shù)據(jù)科學(xué)家，曾就職于知名搜索引擎公司6年，主要從事互聯(lián)網(wǎng)文本挖掘工作的研發(fā)工作，目前專注的領(lǐng)域為大數(shù)據(jù)挖掘技術(shù)的工業(yè)應(yīng)用研究和工程應(yīng)用，曾獲美國大學(xué)生數(shù)學(xué)建模競賽二等獎一項，全國研究生數(shù)學(xué)建模競賽二等獎一項，著有《大數(shù)據(jù)挖掘：系統(tǒng)方法與實例分析》
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
名家?guī)阕x魯迅:故事新編
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
莉莉和章魚
- >
煙與鏡
- >
唐代進士錄
- >
巴金－再思錄
- >
中國歷史的瞬間
本類暢銷
