本书从计算机科学的角度研究金融数据中的规则,力图发现和挖掘出海量金融数据中的隐藏信息。书中从计算机科学的模式识别理论和相关技术出发,利用深度信念网络进行金融异常检测,去发现隐藏在金融交易后面的那些欺诈行为;利用非负矩阵分解去研究股指的波动,进而预判证券市场的震荡;把卷积神经网络改造为一个信用评分模型,为信贷提供决策支持;通过决策树得到股市预测模型的前提,然后引入情感数据来修正预测结果;建立以股票技术指标为基础,股民情绪分析为辅助的方法较为准确地对股市走势进行预测。 本书可作为高等学校高年级学生和研究生的参考教材,也可作为从事大数据处理、人工智能、金融数据分析的科研和技术工作人员的参考用书。

前言
第1章 绪论
1.1 研究背景
1.2 研究目的及意义
1.3 国内外研究现状
1.4 本书结构安排
1.5 本章小结
第2章 金融异常检测概述
2.1 金融异常的基本概念
2.2 金融异常检测的背景
2.3 异常检测的方法
2.4 基于数据挖掘的金融异常检测
2.5 本章小结
第3章 深度学习理论
3.1 深度学习背景
3.2 深度学习的基本思想
3.3 深度学习的常用模型或者方法
3.3.1 自动编码器
3.3.2 稀疏编码
3.3.3 限制玻尔兹曼机
3.3.4 深度置信网络
3.4 本章小结
3.4.1 深度学习总结
3.4.2 深度学习未来
第4章 DBN在欺诈检测中的应用
4.1 传统的欺诈检测技术
4.2 信用卡欺诈检测的基本概念
4.3 信用卡的欺诈检测技术
4.4 DBN的原理
4.4.1 受限玻尔兹曼机
4.4.2 深度信念网络
4.5 基于DBN的信用卡欺诈检测
4.5.1 基于DBN的信用卡欺诈检测模型
4.5.2 DBN模型训练
4.5.3 实验结果及分析
4.6 本章小结
第5章 基于非负矩阵分解的股票异常波动的识别
5.1 异常数据在股票市场中的产生原因
5.1.1 宏观经济的影响
5.1.2 投资者行为的影响
5.1.3 政策的影响
5.1.4 制度的影响
5.2 异常检测方法
5.3 非负矩阵分解方法
5.4 基于非负矩阵分解的股票市场异常波动检测
5.5 实验分析
5.6 本章小结
第6章 基于CNN的贷款违约预测
6.1 贷款违约检测研究现状
6.2 基于CNN的贷款违约预测
6.3 基于评分融合的卷积神经网络的贷款违约预测
6.3.1 网络结构
6.3.2 评分融合结构
6.3.3 模型训练
6.4 贷款违约预测框架
6.5 实验及分析
6.5.1 数据集
6.5.2 测试结果
6.5.3 特征重要性度量
6.6 本章小结
第7章 基于决策树及情感辅助的股票预测
7.1 决策树理论与股指数据获取
7.1.1 股票指标
7.1.2 分词处理与特征提取
7.1.3 决策树理论
7.1.4 网络爬虫流程设计
7.1.5 文本处理与情感分类
7.2 股票预测模型
7.2.1 基于股市指标的决策树模型
7.2.2 决策树模型的实现以及结果展示
7.3 决策树模型的验证
7.3.1 情绪结果的融合决策树
7.3.2 决策树模型验证
7.4 本章小结
第8章 总结与展望
8.1 本书总结
8.2 研究展望
参考文献