《金融数据挖掘》课程教学大纲.docxVIP

《金融数据挖掘》教学大纲 课程英文名 Financial Data Mining 课程代码 I0203Y12 学分 2.5 总学时 40 理论学时 28 实验/实践学时 12 课程类别 学科基础课 课程性质 任选 先修课程 概率论与数理统计 适用专业 数学与应用数学 开课学院 经济与管理学院 一、课程地位与课程目标 （一）课程地位 金融实证研究的一个显著特点是数据分析量大、不确定性因素多，面对当今时代的海量金融数据，基于传统统计技术建立的模型假设条件多，实际应用难以奏效。数据挖掘20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。通过本课程的学习，使学生初步掌握金融数据分析的基本方法，掌握几种重要的数据挖掘方法，掌握如何利用计算软件分析数据、解决问题、完成相关研究。通过本课程的学习和相关软件的使用，使学生了解数据分析和数据挖掘在金融领域的重要运用，使之能够利用所学到的数据分析与数据挖掘方法开展金融领域的应用研究，并有进一步学习的基础与能力。 （二）课程目标 1. 理解数据挖掘的特点和基本流程，掌握数据挖掘的重要思想； 2. 掌握不同类别的数据挖掘方法，包括回归、分类、聚类、降维等； 3. 能够运用工具语言，如R、Python等，进行数据挖掘； 4. 学会运用数据挖掘的方法解决金融研究中的问题。 二、课程目标达成的途径与方法 本课程本着学以致用的原则，结合最新的发展，以课堂教学为主，结合实践教学、课堂讨论、课外作业等方式来达成课程的学习目标。通过讲解数据挖掘的重要思想、建模方法、软件实现的理论教学，使学生理解数据挖掘的建模思想、解决实际问题的办法和思路，掌握数据挖掘的常用工具方法；通过课外实践和课外作业，使学生能够学以致用，学会用数据挖掘的方法解决金融研究中的实际问题，并掌握一门编程语言作为后续学习和研究的工具。 三、课程目标与相关毕业要求的对应关系 课程目标 课程目标对毕业要求的支撑程度（H、M、L） 毕业要求1 毕业要求2 毕业要求3 毕业要求4 毕业要求5 毕业要求6 毕业要求7 毕业要求8 毕业要求9 毕业要求10 课程目标1 M L L L H M L M L L 课程目标2 M L L L H M L M L L 课程目标3 M L M L H M L M L L 课程目标4 M L L L H M L M L L 注：1. 支撑强度分别填写H、M或L（其中H表示支撑程度高、M为中等、L为低）。 2. 毕业要求须根据课程所在专业培养方案进行描述。 四、课程主要内容与基本要求 第一章 数据挖掘概述 （1）主要内容：数据挖掘的概念，数据挖掘的主要功能，数据挖掘的方法论，软件介绍。 （2）基本要求：理解数据挖掘的概念及其主要功能，了解其应用领域及常用软件。 第二章 金融数据预处理 （1）主要内容： 数据理解与准备，数据预处理的任务与技术。 （2）基本要求：理解并掌握利用工具软件进行数据预处理的基本方法。 第三章 回归类方法 （1）主要内容：线性回归与非参数回归； （2）基本要求：掌握回归建模方法，理解回归方法在数据挖掘中的应用；理解数据挖掘中的交互验证的思想方法及应用 第四章 惩罚回归与特征变量选择 （1）主要内容：岭回归、LASSO，弹性网等惩罚压缩类回归方法。 （2）基本要求：理解各种分类方法的原理，能够利用工具软件实现惩罚回归方法的参数估计、模型选择、模型应用等； 第五章 基于logistic回归的分类方法 （1）主要内容：logisti回归模型、分类结果的评价准则、多项式logistics回归； （2）基本要求： 理解logistic回归的原理方法及应用，掌握二元分类方法的评价方法。 第六章 其它分类方法 （1）主要内容：最近邻算法、决策树，集成方法：Bagging算法、Boosting算法和随机森林算法、支持向量机与神经网络。 （2）基本要求：理解各种分类方法，理解集成方法的一般原理，了解支持向量机和神经网络在金融中的应用。 第七章 聚类方法 （1）主要内容：k均值聚类 （2）基本要求：掌握k均值聚类的原理和应用； 第八章 数据降维方法 （1）主要内容：主成分分析、因子模型 （2）基本要求：理解主成分分析方法原理及实现，了解主成分分析的实际应用。 五、课程学时安排 章节号 教学内容 学时数 学生任务（作业、自学、讨论等任务要求） 对应课程目标 第1章 数据挖掘概述 监督学习与非监督学习方法； 数据挖掘的一般步骤 软件介绍R、Python 2 自学相关统计软件 1、2 第2章 金融数据预处理 不同数据类型的描述性分析方法 R软件讲解 实例研究 6 上机实践一次， 作业一：完成数据的描述性分析 1