歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >>
量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實(shí)踐

量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實(shí)踐

出版社：電子工業(yè)出版社出版時(shí)間：2017-01-01
開(kāi)本： 32開(kāi) 頁(yè)數(shù)： 424
本類榜單：管理銷量榜
中 圖 價(jià):¥37.2(3.8折) 定價(jià)  ¥98.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
溫馨提示：5折以下圖書(shū)主要為出版社尾貨，大部分為全新（有塑封/無(wú)塑封），個(gè)別圖書(shū)品相8-9成新、切口
有劃線標(biāo)記、光盤等附件不全詳細(xì)品相說(shuō)明>>
本類五星書(shū)更多>

量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實(shí)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(cè)數(shù)：暫無(wú)
  • 重量：暫無(wú)
  • 所屬分類：>>

量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實(shí)踐 本書(shū)特色

全書(shū)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(shí)現(xiàn)過(guò)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(cè)方法、診斷方法、時(shí)間序列方法、智能優(yōu)化方法等內(nèi)容。第三篇為實(shí)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(shí)例，包括統(tǒng)計(jì)套利策略的挖掘與優(yōu)化、配對(duì)交易策略的挖掘與實(shí)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(shū)的讀者對(duì)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(jì)、管理、統(tǒng)計(jì)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(shí)踐 內(nèi)容簡(jiǎn)介

全書(shū)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(shí)現(xiàn)過(guò)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(cè)方法、診斷方法、時(shí)間序列方法、智能優(yōu)化方法等內(nèi)容。第三篇為實(shí)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(shí)例，包括統(tǒng)計(jì)套利策略的挖掘與優(yōu)化、配對(duì)交易策略的挖掘與實(shí)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(shū)的讀者對(duì)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(jì)、管理、統(tǒng)計(jì)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(shí)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(diǎn) 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(jì)分析 11
1.3.2 估價(jià) 13
1.3.3 量化選股 14
1.3.4 量化擇時(shí) 14
1.3.5 算法交易 14
1.4 本章小結(jié) 15
參考文獻(xiàn) 16
第2章 數(shù)據(jù)挖掘的內(nèi)容、過(guò)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(cè) 22
2.1.6 診斷 23
2.2 數(shù)據(jù)挖掘過(guò)程 24
2.2.1 數(shù)據(jù)挖掘過(guò)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(píng)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(xiàn) 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(diǎn)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(kāi)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(shí)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(cái)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(xiàn) 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(píng)價(jià)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(jì) 104
5.2.1 基本描述性統(tǒng)計(jì) 105
5.2.2 分布描述性統(tǒng)計(jì) 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(shí)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(shí)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(xiàn) 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(shí)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(diǎn) 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(shí)例 137
6.3.3 FP-Growth算法的優(yōu)缺點(diǎn) 139
6.4 應(yīng)用實(shí)例：行業(yè)關(guān)聯(lián)選股法 139
6.5 本章小結(jié) 141
參考文獻(xiàn) 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(xiàng)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(xiàng)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(shí)例 165
7.5 應(yīng)用實(shí)例：多因子選股模型
的實(shí)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(shí)現(xiàn) 169
7.6 本章小結(jié) 172
參考文獻(xiàn) 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(shí)例 177
8.2.3 K-近鄰特點(diǎn) 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(shí)例 184
8.3.4 樸素貝葉斯特點(diǎn) 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(shí)例 188
8.4.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn) 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(shí)例 189
8.5.3 邏輯斯蒂的特點(diǎn) 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(shí)例 191
8.6.3 判別分析的特點(diǎn) 191
8.7 支持向量機(jī)（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(jī)的實(shí)例 196
8.7.4 支持向量機(jī)的特點(diǎn) 196
8.8 決策樹(shù) 197
8.8.1 決策樹(shù)的基本概念 197
8.8.2 決策樹(shù)的建構(gòu)的步驟 198
8.8.3 決策樹(shù)的實(shí)例 201
8.8.4 決策樹(shù)的特點(diǎn) 202
8.9 分類的評(píng)判 202
8.9.1 正確率 202
8.9.2 ROC曲線 204
8.10 應(yīng)用實(shí)例：分類選股法 206
8.10.1 案例背景 206
8.10.2 實(shí)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(xiàn) 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(chǎng)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(shí)例1：自主編程 219
9.2.3 K-means實(shí)例2：集成函數(shù) 221
9.2.4 K-means的特點(diǎn) 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(shí)例 227
9.3.3 層次聚類的特點(diǎn) 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(shí)例 229
9.4.3 神經(jīng)網(wǎng)絡(luò)聚類的特點(diǎn) 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(shí)例 232
9.5.3 FCM算法的特點(diǎn) 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(shí)例 236
9.6.3 高斯聚類的特點(diǎn) 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(shí)例 238
9.8 應(yīng)用實(shí)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(shí)現(xiàn)過(guò)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(xiàn) 246
第10章 預(yù)測(cè)方法 247
10.1 預(yù)測(cè)方法概要 247
10.1.1 預(yù)測(cè)的概念 247
10.1.2 預(yù)測(cè)的基本原理 248
10.1.3 量化投資中預(yù)測(cè)的主要
內(nèi)容 249

10.1.4 預(yù)測(cè)的準(zhǔn)確度評(píng)價(jià)及影響
因素 250
10.1.5 常用的預(yù)測(cè)方法 251
10.2 灰色預(yù)測(cè) 252
10.2.1 灰色預(yù)測(cè)原理 252
10.2.2 灰色預(yù)測(cè)的實(shí)例 254
10.3 馬爾科夫預(yù)測(cè) 256
10.3.1 馬爾科夫預(yù)測(cè)的原理 256
10.3.2 馬爾科夫過(guò)程的特性 257
10.3.3 馬爾科夫預(yù)測(cè)的實(shí)例 258
10.4 應(yīng)用實(shí)例：大盤走勢(shì)預(yù)測(cè) 262
10.4.1 數(shù)據(jù)的選取及模型的建立 263
10.4.2 預(yù)測(cè)過(guò)程 264
10.4.3 預(yù)測(cè)結(jié)果與分析 265
10.5 本章小結(jié) 265
參考文獻(xiàn) 267
第11章 診斷方法 268
11.1 離群點(diǎn)診斷概要 268
11.1.1 離群點(diǎn)診斷的定義 268
11.1.2 離群點(diǎn)診斷的作用 269
11.1.3 離群點(diǎn)診斷方法分類 271
11.2 基于統(tǒng)計(jì)的離群點(diǎn)診斷 271
11.2.1 理論基礎(chǔ) 271
11.2.2 應(yīng)用實(shí)例 273
11.2.3 優(yōu)點(diǎn)與缺點(diǎn) 275
11.3 基于距離的離群點(diǎn)診斷 275
11.3.1 理論基礎(chǔ) 275

11.3.2 應(yīng)用實(shí)例 276
11.3.3 優(yōu)點(diǎn)與缺點(diǎn) 278
11.4 基于密度的離群點(diǎn)挖掘 278
11.4.1 理論基礎(chǔ) 278
11.4.2 應(yīng)用實(shí)例 279
11.4.3 優(yōu)點(diǎn)與缺點(diǎn) 281
11.5 基于聚類的離群點(diǎn)挖掘 281
11.5.1 理論基礎(chǔ) 281
11.5.2 應(yīng)用實(shí)例 282
11.5.3 優(yōu)點(diǎn)與缺點(diǎn) 284
11.6 應(yīng)用實(shí)例：離群點(diǎn)診斷量化
擇時(shí) 284
11.7 延伸閱讀：新興的離群點(diǎn)
挖掘方法 286
11.7.1 基于關(guān)聯(lián)的離群點(diǎn)挖掘 286
11.7.2 基于粗糙集的離群點(diǎn)挖掘 286
11.7.3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點(diǎn)
挖掘 287
11.8 本章小結(jié) 287
參考文獻(xiàn) 288
第12章 時(shí)間序列方法 289
12.1 時(shí)間序列的基本概念 289
12.1.1 時(shí)間序列的定義 289
12.1.2 時(shí)間序列的組成因素 290
12.1.3 時(shí)間序列的分類 291
12.1.4 時(shí)間序列分析方法 292
12.2 平穩(wěn)時(shí)間序列分析方法 292
12.2.1
展開(kāi)全部

量化投資-MATLAB數(shù)據(jù)挖掘技術(shù)與實(shí)踐 作者簡(jiǎn)介

卓金武，MathWorks中國(guó)科學(xué)計(jì)算業(yè)務(wù)總監(jiān)，主要職責(zé)是向中國(guó)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(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng) (2003, 2004)，1次獲全國(guó)研究生數(shù)學(xué)建模競(jìng)賽一等獎(jiǎng) (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(shí)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?yàn)榇髷?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(guó)大學(xué)生數(shù)學(xué)建模競(jìng)賽二等獎(jiǎng)一項(xiàng)，全國(guó)研究生數(shù)學(xué)建模競(jìng)賽二等獎(jiǎng)一項(xiàng)，著有《大數(shù)據(jù)挖掘：系統(tǒng)方法與實(shí)例分析》

暫無(wú)評(píng)論……
書(shū)友推薦
返回頂部
中圖網(wǎng)
在線客服