Foundations of internet financial information intelligent mining
副标题：无
作 者：梁循著
分类号：
ISBN：9787301155349
微信扫一扫,移动浏览光盘
简介
互联网金融信息智能挖掘是一个涉及数据挖掘、计算智能、统计学、
计算语言学、模式识别、金融学等多个学科的领域。
本书综合了大量国内外的最新资料和作者的研究成果，系统而有选择
地介绍了互联网金融信息智能挖掘问题。全书从结构上分为三篇。第1篇介
绍了作者主持研发的一个互联网金融信息挖掘系统平台。第2篇具体介绍了
一些相关技术基础，包括互联网金融信息文本分析、神经网络技术、支持
向量机技术。第3篇主要介绍了互联网金融信息挖掘领域的一些问题和基本
应用，包括互联网金融信息的相关分析，金融信息量、交易量和收益率时
间序列的关联研究，以及基于金融信息量的交易量和收益率的控制问题。
本书的读者可以是对模式识别、计算机智能感兴趣的计算机专业人士
，也可以是对互联网金融信息智能挖掘感兴趣的领域专家。它可供数据挖
掘、机器智能、数据分析、金融等领域的科技人员和高校师生作研究的参
考资料。
目录
第1篇 系统平台
第1章 互联网金融信息及其挖掘系统
1.1 互联网金融信息概述
1.2 互联网金融信息挖掘系统平台的总体结构
1.3 互联网信息的计算机获取
1.4 互联网金融信息挖掘结果展示系统
1.5 展望
第2篇 技术基础
第2章 互联网金融文本处理技术
2.1 概述
2.2 基础资源
2.3 词法分析
2.4 句法分析
2.5 语义分析
第3章 神经网络方法
3.1 学习的分类
3.2 群和正交群
3.3 前馈神经网络误差超曲面的复杂性
3.4 最小二乘拟和与广义逆矩阵
3.5 结构压缩的通用算法
第4章 支持向量机技术(Ⅰ)
4.1 数学准备：线性空间和线性算子
4.2 SVC和SVR
4.3 将多项式核分解为到单项式空间的映射φ
第5章 支持向量机技术(Ⅱ)
5.1 支持向量机的结构压缩
5.2 支持向量机的增量学习算法
5.3 支持向量机超曲面不均分两类
第6章 支持向量机技术(Ⅲ)
6.1 H和U及K空间的一些关系
6.2 通过在U中训练第2个SVM调整分隔超平面Ω
第3篇 基础应用
第7章 金融信息量和交易量及收益率时间序列的关联
7.1 概述
7.2 基于神经网络的金融信息量建模
7.3 基于支持向量机的金融信息量建模
7.4 NN和SVM在挖掘新闻量和交易量关系的比较研究
第8章 基于金融信息量的股市收益率的控制问题
8.1 概述
8.2 控制系统分析
8.3 使用金融信息量控制收益率波动率的实验
8.4 展望
参考文献
第1章 互联网金融信息及其挖掘系统
1.1 互联网金融信息概述
1.2 互联网金融信息挖掘系统平台的总体结构
1.3 互联网信息的计算机获取
1.4 互联网金融信息挖掘结果展示系统
1.5 展望
第2篇 技术基础
第2章 互联网金融文本处理技术
2.1 概述
2.2 基础资源
2.3 词法分析
2.4 句法分析
2.5 语义分析
第3章 神经网络方法
3.1 学习的分类
3.2 群和正交群
3.3 前馈神经网络误差超曲面的复杂性
3.4 最小二乘拟和与广义逆矩阵
3.5 结构压缩的通用算法
第4章 支持向量机技术(Ⅰ)
4.1 数学准备：线性空间和线性算子
4.2 SVC和SVR
4.3 将多项式核分解为到单项式空间的映射φ
第5章 支持向量机技术(Ⅱ)
5.1 支持向量机的结构压缩
5.2 支持向量机的增量学习算法
5.3 支持向量机超曲面不均分两类
第6章 支持向量机技术(Ⅲ)
6.1 H和U及K空间的一些关系
6.2 通过在U中训练第2个SVM调整分隔超平面Ω
第3篇 基础应用
第7章 金融信息量和交易量及收益率时间序列的关联
7.1 概述
7.2 基于神经网络的金融信息量建模
7.3 基于支持向量机的金融信息量建模
7.4 NN和SVM在挖掘新闻量和交易量关系的比较研究
第8章 基于金融信息量的股市收益率的控制问题
8.1 概述
8.2 控制系统分析
8.3 使用金融信息量控制收益率波动率的实验
8.4 展望
参考文献
Foundations of internet financial information intelligent mining
- 名称
- 类型
- 大小
光盘服务联系方式: 020-38250260 客服QQ：4006604884
云图客服：
用户发送的提问，这种方式就需要有位在线客服来回答用户的问题，这种 就属于对话式的,问题是这种提问是否需要用户登录才能提问
Video Player
×
Audio Player
×
pdf Player
×
