【读书报告】金融数据挖掘
共 1054字,需浏览 3分钟
·
2021-03-01 23:55
Start:关注本公众号后,可直接联系后台获取排版美化的详细文档!
Hints:本篇文章所编纂的资料均来自网络,特此感谢参与奉献的有关人员。
序言
好记性不如烂笔头。读过的书,不管好与坏,做个笔记,方便日后回顾。
章节
数据挖掘的定义:
数据挖掘是从大量的,不完全的,有噪声的,模糊的,随机的实际应用数据中,提取隐含其中的,人们事先不知道的,但又潜在有用的信息和知识的过程。
数据挖掘的方面:
-数据
数值数据、文本数据、图形数据、音频数据、视频数据
-方法
过程:数据准备、数据处理、解释或预测
-目的
数据挖掘的主要目的是解释或预测。解释指解释现象,找出现象背后的原因;预测利用规律对事物未来的发展进行预测
第一章 有监督的金融数据分类分析-Logit、LDA、QDA与KNN
第一节 Logistic分类法
第二节 LDA、QDA与KNN分类法
第二章 无监督的金融数据分类分析-聚类分析
第一节 系统聚类法和K-means聚类法
第三章 金融数据抽样
第一节 交叉验证方法(Cross Validation)
- 基础交叉验证法 Basic cross validation
- 除一交叉验证法 Leave one out cross validation
- K组交叉验证法 K-Fold cross validation
第二节 拔靴法 Bootstrap
第四章线性模型筛选
第一节 子集筛选法(subset selection methods)
一 最优子集筛选法(Best Subset Selection)
二 逐步选择法(Stepwise Selection)
1 向前筛选Forward Stepwise Selection
2 向后筛选 Backward Stepwise Selection
3 混合筛选法
三 选择最优模型的标准
1 Cp
2 AIC
3 BIC
4 adjusted R2
第二节 收缩筛选法
一 岭回归 Ridge Regression
二 Lasso方法
第五章 克服维数灾难
第一节 主成分分析法
第二节 部分最小二乘法
第六章 决策树
第一节 决策树的分类和基本知识
一 回归树
二 分类树
第二节 三种提高树状模型预测精度的方法
一 Bagging
二 Random Forest
三 Boosting
第七章 支持向量机
第一节 最大边际分类器
第二节 支持向量机
公众号二维码
End:如果有兴趣了解金融量化交易和其他数据分析的实用技术,欢迎关注本公众号