第1篇 系统平台 3
第1章 互联网金融信息及其挖掘系统 3
互联网金融信息概述 3
互联网金融信息挖掘系统平台的总体结构 4
互联网信息的计算机获取 5
互联网金融信息挖掘结果展示系统 8
展望 16
第2篇 技术基础 21
第2章 互联网金融文本处理技术 21
概述 21
基础资源 24
词法分析 32
句法分析 37
语义分析 40
第3章 神经网络方法 46
学习的分类 46
群和正交群 48
前馈神经网络误差超曲面的复杂性 56
最小二乘拟和与广义逆矩阵 65
结构压缩的通用算法 68
第4章 支持向量机技术(Ⅰ) 80
数学准备:线性空间和线性算子 81
SVC和SVR 89
将多项式核分解为到单项式空间的映射Φ 99
第5章 支持向量机技术(Ⅱ) 108
支持向量机的结构压缩 108
支持向量机的增量学习算法 122
支持向量机超曲面不均分两类 122
第6章 支持向量机技术(Ⅲ) 141
H和U及K空间的一些关系 141
通过在U中训练第2个SVM调整分隔超平面Ω 146
第3篇 基础应用 155
第7章 金融信息量和交易量及收益率时间序列的关联 155
概述 155
基于神经网络的金融信息量建模 156
基于支持向量机的金融信息量建模 158
NN和SVM在挖掘新闻量和交易量关系的比较研究 162
第8章 基于金融信息量的股市收益率的控制问题 163
概述 163
控制系统分析 164
使用金融信息量控制收益率波动率的实验 166
展望 173
参考文献 174