|
《金融與財(cái)務(wù)機(jī)器學(xué)習(xí)》（姜富偉 唐國(guó)豪 馬甜）中文電子課件、教案、習(xí)題答案
|
|
資料類別
|
經(jīng)濟(jì)法律課件 |
|
|
課程(專業(yè))
|
金融與財(cái)務(wù)機(jī)器學(xué)習(xí) |
|
關(guān)鍵詞
|
金融與財(cái)務(wù)機(jī)器學(xué)習(xí)|神經(jīng)網(wǎng)絡(luò)模型 |
|
適用年級(jí)
|
大學(xué) |
|
身份要求
|
普通會(huì)員 |
|
金 幣
|
50 �。�金幣如何獲得？） |
|
文件格式
|
ppt+word |
|
文件大小
|
60789K |
|
發(fā)布時(shí)間
|
2024-04-11 21:44:00 |
|
預(yù)覽文件
|
無(wú) |
|
下載次數(shù)
|
1 |
| 發(fā)布人 |
kj008 |
內(nèi)容簡(jiǎn)介：
《金融與財(cái)務(wù)機(jī)器學(xué)習(xí)》（姜富偉 唐國(guó)豪 馬甜）中文電子課件、教案、習(xí)題答案
第一章金融與財(cái)務(wù)領(lǐng)域的機(jī)器學(xué)習(xí)1
第一節(jié)機(jī)器學(xué)習(xí)的基本介紹1
一、機(jī)器學(xué)習(xí)的歷史2
二、機(jī)器學(xué)習(xí)的分類5
三、機(jī)器學(xué)習(xí)的思想6
四、機(jī)器學(xué)習(xí)的要素8
五、機(jī)器學(xué)習(xí)的步驟9
六、機(jī)器學(xué)習(xí)與傳統(tǒng)編程10
第二節(jié)機(jī)器學(xué)習(xí)在金融與財(cái)務(wù)領(lǐng)域的應(yīng)用特性11
一、金融與財(cái)務(wù)對(duì)機(jī)器學(xué)習(xí)的需求性11
二、機(jī)器學(xué)習(xí)的優(yōu)勢(shì)13
三、機(jī)器學(xué)習(xí)可能面臨的挑戰(zhàn)14
第三節(jié)機(jī)器學(xué)習(xí)在金融與財(cái)務(wù)領(lǐng)域的應(yīng)用現(xiàn)狀18
第二章Python軟件使用簡(jiǎn)介23
第一節(jié)Python入門23
一、Python簡(jiǎn)介23
二、Python安裝24
三、Python使用25
四、Python基礎(chǔ)知識(shí)26
第二節(jié)Python數(shù)據(jù)處理程序包37
一、多維數(shù)組Numpy37
二、面板處理Pandas42
三、科學(xué)計(jì)算SymPy49
四、統(tǒng)計(jì)分析Statsmodels53
五、金融計(jì)量Linearmodels55
第三節(jié)Python機(jī)器學(xué)習(xí)程序包58
一、機(jī)器學(xué)習(xí)58
二、深度學(xué)習(xí)62
第三章金融與財(cái)務(wù)大數(shù)據(jù)的處理與分析64
第一節(jié)大數(shù)據(jù)時(shí)代64
一、理解大數(shù)據(jù)64
二、金融大數(shù)據(jù)65
三、本章概覽65
第二節(jié)金融與財(cái)務(wù)數(shù)據(jù)資源65
一、國(guó)泰安中國(guó)經(jīng)濟(jì)金融研究數(shù)據(jù)庫(kù)65
二、萬(wàn)得資訊67
三、中國(guó)研究數(shù)據(jù)服務(wù)平臺(tái)68
四、證券價(jià)格研究中心(CRSP)70
五、公開數(shù)據(jù)源72
六、文獻(xiàn)數(shù)據(jù)源77
第二節(jié)描述性統(tǒng)計(jì)88
一、中心趨勢(shì)性88
二、分散性89
三、對(duì)稱性和厚尾性89
四、持續(xù)性90
五、相關(guān)性90
第三節(jié)數(shù)據(jù)預(yù)處理93
一、缺失值處理93
二、異常值處理94
三、標(biāo)準(zhǔn)化處理96
第四節(jié)特征工程97
一、特征工程簡(jiǎn)介97
二、特征選擇97
第四章因子與因子模型103
第一節(jié)因子與因子模型簡(jiǎn)介103
一、金融與財(cái)務(wù)因子與因子模型簡(jiǎn)介103
二、從單因子模型到多因子模型104
第二節(jié)Alpha與市場(chǎng)異象106
一、Alpha收益106
二、資產(chǎn)價(jià)格異象107
第三節(jié)多因子模型的新發(fā)展108
一、因子檢驗(yàn)的一般流程108
二、Fama-French五因子模型109
三、Hou-Xue-Zhang的q-因子模型110
四、Stambaugh-Yuan錯(cuò)誤定價(jià)因子模型111
五、Liu-Stambaugh-Yuan的CH-3模型113
第四節(jié)因子分類114
一、常見的因子分類114
二、其他特色因子119
第五節(jié)因子模型的研究挑戰(zhàn)121
一、因子時(shí)變性121
二、因子有效性識(shí)別122
三、因子研究的近況與挑戰(zhàn)123
第五章因子模型的估計(jì)、檢驗(yàn)與解釋126
第一節(jié)因子模型檢驗(yàn)概述126
第二節(jié)組合分析法128
一、單變量組合分析129
二、雙變量組合分析132
三、三變量組合分析135
第三節(jié)因子模擬組合法136
一、排序分組法137
二、方差最小化法137
第四節(jié)時(shí)間序列回歸法139
一、Alpha檢驗(yàn)140
二、GRS檢驗(yàn)140
第五節(jié)Fama-MacBeth回歸法141
一、Fama-MacBeth兩階段回歸141
二、Fama-MacBeth三階段回歸143
第六節(jié)解釋因子模型146
一、風(fēng)險(xiǎn)補(bǔ)償146
二、錯(cuò)誤定價(jià)147
三、數(shù)據(jù)挖掘149
第六章金融資產(chǎn)收益預(yù)測(cè)154
第一節(jié)資產(chǎn)收益的可預(yù)測(cè)性154
一、資產(chǎn)收益可預(yù)測(cè)性的討論154
二、資產(chǎn)收益可預(yù)測(cè)性的解釋156
第二節(jié)樣本內(nèi)預(yù)測(cè)158
一、方差比檢驗(yàn)158
二、樣本內(nèi)預(yù)測(cè)159
三、預(yù)測(cè)模型面臨的挑戰(zhàn)162
四、新的金融預(yù)測(cè)方法162
第三節(jié)樣本外預(yù)測(cè)163
一、樣本外預(yù)測(cè)的統(tǒng)計(jì)量163
二、投資價(jià)值評(píng)估165
三、其他預(yù)測(cè)方法166
第四節(jié)預(yù)測(cè)指標(biāo)的選擇167
一、宏觀經(jīng)濟(jì)指標(biāo)168
二、估值與財(cái)務(wù)指標(biāo)168
三、情緒指標(biāo)169
四、技術(shù)面指標(biāo)170
五、波動(dòng)率指標(biāo)170
第五節(jié)Campbell-Shiller現(xiàn)金流折現(xiàn)率分解171
一、來(lái)源與推導(dǎo)171
二、進(jìn)一步討論173
第七章包含懲罰項(xiàng)的線性回歸模型177
第一節(jié)最小二乘法線性回歸模型177
一、線性回歸177
二、OLS模型的基本原理178
三、OLS模型的應(yīng)用179
第二節(jié)嶺回歸182
一、嶺回歸的提出182
二、嶺回歸的基本原理182
三、嶺回歸的變量選擇特征184
四、嶺回歸的調(diào)節(jié)參數(shù)選擇184
第三節(jié)LASSO模型188
一、LASSO模型的提出188
二、LASSO模型的基本原理188
三、LASSO模型的變量選擇特征189
四、LASSO模型的擴(kuò)展192
五、LASSO模型的應(yīng)用193
第四節(jié)彈性網(wǎng)絡(luò)194
一、彈性網(wǎng)絡(luò)的提出194
二、彈性網(wǎng)絡(luò)的基本原理194
三、彈性網(wǎng)絡(luò)的變量選擇特征195
第五節(jié)金融應(yīng)用與Python實(shí)現(xiàn)197
一、問題與數(shù)據(jù)描述197
二、實(shí)驗(yàn)7-1OLS回歸200
三、實(shí)驗(yàn)7-2嶺回歸203
四、實(shí)驗(yàn)7-3LASSO回歸208
五、實(shí)驗(yàn)7-4彈性網(wǎng)絡(luò)212
第八章數(shù)據(jù)降維模型220
第一節(jié)如何處理高維數(shù)據(jù)220
一、維數(shù)災(zāi)難問題220
二、降維方法簡(jiǎn)介221
三、降維方法的分類223
第二節(jié)主成分分析224
一、主成分分析的原理224
二、主成分分析的算法和步驟225
三、主成分分析的評(píng)價(jià)226
四、主成分分析的發(fā)展:工具變量主成分分析226
五、主成分分析的發(fā)展:調(diào)整主成分分析227
六、在金融中的應(yīng)用229
第三節(jié)偏最小二乘法232
一、偏最小二乘回歸的原理232
二、偏最小二乘法的算法和步驟233
三、偏最小二乘回歸的評(píng)價(jià)234
四、在金融中的應(yīng)用234
第四節(jié)自編碼模型235
一、自編碼模型的原理235
二、條件變分自編碼模型236
三、變分自編碼模型237
第五節(jié)聚類分析238
一、聚類分析簡(jiǎn)介238
二、K-means算法239
第六節(jié)金融應(yīng)用與Python實(shí)現(xiàn)240
一、問題與數(shù)據(jù)描述240
二、實(shí)驗(yàn)8-1利用PCA對(duì)中國(guó)市場(chǎng)波動(dòng)率建模248
三、實(shí)驗(yàn)8-2利用PLS對(duì)美國(guó)市場(chǎng)波動(dòng)率建模254
四、實(shí)驗(yàn)8-3利用PCA與PLS對(duì)中國(guó)GDP數(shù)據(jù)建模259
第九章樹形模型與分類模型271
第一節(jié)邏輯回歸271
一、邏輯回歸簡(jiǎn)介272
二、邏輯回歸的步驟272
三、在金融中的應(yīng)用273
第二節(jié)樹形模型的發(fā)展歷史274
第三節(jié)決策樹276
一、樹形模型的基本概念276
二、樹形模型的度量指標(biāo)277
三、樹形模型的剪枝處理281
四、 CART模型282
五、在金融中的應(yīng)用283
第四節(jié)Boosting算法284
一、集成學(xué)習(xí)的基本概念284
二、 Boosting算法基本原理284
三、 AdaBoost模型285
四、 GBDT模型286
五、 XGboost模型287
六、在金融中的應(yīng)用289
第五節(jié)Bagging算法290
一、 Bagging算法基本原理290
二、隨機(jī)森林模型291
三、在金融中的應(yīng)用293
第六節(jié)金融應(yīng)用與Python實(shí)現(xiàn)296
一、問題與數(shù)據(jù)描述296
二、實(shí)驗(yàn)9-1GBDT模型預(yù)測(cè)中國(guó)宏觀變量通貨膨脹297
三、實(shí)驗(yàn)9-2隨機(jī)森林模型預(yù)測(cè)中國(guó)宏觀變量通貨膨脹306
四、實(shí)驗(yàn)9-3GBDT模型預(yù)測(cè)美國(guó)宏觀變量通貨膨脹315
五、實(shí)驗(yàn)9-4隨機(jī)森林模型預(yù)測(cè)美國(guó)宏觀變量通貨膨脹323
第十章神經(jīng)網(wǎng)絡(luò)模型334
第一節(jié)神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史334
第二節(jié)神經(jīng)網(wǎng)絡(luò)的基本單元和模型336
一、基本單元336
二、基本模型337
三、多層感知器338
第三節(jié)神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練339
一、梯度下降法339
二、 BP算法340
三、梯度下降法的種類341
四、模型訓(xùn)練中的常見問題342
五、模型參數(shù)的設(shè)定342
第四節(jié)神經(jīng)網(wǎng)絡(luò)的發(fā)展1:卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)344
一、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)344
二、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)345
三、在金融中的應(yīng)用346
第五節(jié)神經(jīng)網(wǎng)絡(luò)的發(fā)展2:生成式對(duì)抗網(wǎng)絡(luò)349
一、基本概念與框架349
二、在金融中的應(yīng)用350
第六節(jié)神經(jīng)網(wǎng)絡(luò)的發(fā)展3:深度強(qiáng)化學(xué)習(xí)354
一、強(qiáng)化學(xué)習(xí)354
二、深度強(qiáng)化學(xué)習(xí)356
三、在金融中的應(yīng)用357
第七節(jié)金融應(yīng)用與Python實(shí)現(xiàn)359
一、實(shí)驗(yàn)10-1神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)中國(guó)股票市場(chǎng)收益359
二、實(shí)驗(yàn)10-2神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)美國(guó)股票市場(chǎng)收益363
第十一章模型評(píng)估、訓(xùn)練與可解釋性370
第一節(jié)模型評(píng)估的相關(guān)概念370
一、偏差-方差370
二、泛化誤差371
三、過擬合和欠擬合373
第二節(jié)模型評(píng)估指標(biāo)375
一、回歸模型評(píng)估指標(biāo)375
二、分類模型評(píng)估指標(biāo)379
第三節(jié)模型訓(xùn)練與測(cè)試381
一、留出法381
二、 K折交叉驗(yàn)證法382
三、留一法384
四、自助法385
五、時(shí)序交叉驗(yàn)證法386
第四節(jié)超參數(shù)調(diào)優(yōu)388
一、手動(dòng)搜索388
二、網(wǎng)格搜索388
三、隨機(jī)搜索389
四、貝葉斯優(yōu)化390
第五節(jié)模型可解釋性392
一、可解釋性的含義392
二、黑箱vs白箱393
三、可解釋性的分類393
四、可解釋性的提升394
第十二章文本分析400
第一節(jié)文本數(shù)據(jù)概述400
一、文本數(shù)據(jù)簡(jiǎn)介401
二、文本數(shù)據(jù)的數(shù)據(jù)挖掘流程403
第二節(jié)文本數(shù)據(jù)的結(jié)構(gòu)性表示409
一、文本數(shù)據(jù)矩陣409
二、文本特征識(shí)別413
第三節(jié)文本數(shù)據(jù)的信息提取415
一、詞典法415
二、機(jī)器學(xué)習(xí)方法417
第四節(jié)文本數(shù)據(jù)在金融市場(chǎng)的應(yīng)用420
一、關(guān)注度指數(shù)420
二、新聞隱含波動(dòng)率指數(shù)421
三、投資者分歧422
第五節(jié)金融應(yīng)用與Python實(shí)現(xiàn)422
相關(guān)說明：
1. 如您下載的資料不止一份，建議您注冊(cè)成為本站會(huì)員。會(huì)員請(qǐng)登錄后下載。
2. 會(huì)員購(gòu)買金幣50元以下，0.7元/個(gè)，50元以上，0.5元/個(gè)。具體請(qǐng)看：下載與付款。
3. 會(huì)員48小時(shí)內(nèi)下載同一文件，不重復(fù)扣金幣。
4. 下載后請(qǐng)用WinRAR或 WinZIP解壓縮后使用。
5. 如仍有其他下載問題，請(qǐng)看常見問題解答。
下載地址：
|
|
|