第1篇 基础篇 2
第1章 数据挖掘概述 2
1.1 数据挖掘技术的发展 3
1.2 数据挖掘技术的应用领域 5
1.2.1 银行领域的数据挖掘 5
1.2.2 证券领域的数据挖掘 6
1.2.3 电子商务领域的数据挖掘 6
1.2.4 智能交通领域的数据挖掘 6
1.2.5 物联网领域的数据挖掘 7
1.2.6 互联网领域的数据挖掘 7
1.2.7 社交网络与舆情领域的数据挖掘 8
1.2.8 生物信息学和医学领域的数据挖掘 8
1.2.9 零售业领域的数据挖掘 10
1.2.10 电信领域的数据挖掘 10
1.3 本章小结 11
第2章 金融数据挖掘概述 12
2.1 数据挖掘技术在金融领域的应用现状 12
2.2 金融领域进行数据挖掘的必要性和应用点 13
2.3 数据挖掘技术在金融业务分析中的作用 14
2.4 金融数据挖掘系统架构 15
2.5 金融数据挖掘的过程 16
2.6 本章小结 17
第3章 基于大数据的金融数据挖掘概述 18
3.1 大数据的产生 18
3.2 大数据的特点 20
3.2.1 规模 20
3.2.2 速度 20
3.2.3 多样性 21
3.2.4 价值密度 21
3.3 基于大数据的金融数据挖掘新思维 22
3.4 基于大数据的金融数据挖掘系统架构 25
3.5 本章小结 26
第2篇 技术篇 28
第4章 数据仓库技术 28
4.1 数据预处理技术 28
4.1.1 数据预处理的意义 28
4.1.2 常用的数据预处理技术 29
4.1.3 数据治理 32
4.1.4 ETL 工具 33
4.2 数据仓库与多维分析技术 33
4.2.1 数据仓库的基本概念与特点 33
4.2.2 OLAP的由来与基本概念 35
4.2.3 OLAP的特点和处理特性 36
4.2.4 常用数据仓库产品及OLAP 工具 37
4.3 基于数据挖掘的数据仓库系统框架设计 38
4.3.1 数据仓库计划与准备 38
4.3.2 数据仓库数据架构 39
4.3.3 多重粒度的数据仓库数据组织结构 39
4.3.4 数据仓库的体系结构 40
4.3.5 数据仓库技术在银行领域的应用 43
4.3.6 银行数据仓库建设的要点 45
4.4 本章小结 46
第5章 数据挖掘与分析技术 47
5.1 基本统计分析技术 47
5.1.1 统计分析概述 47
5.1.2 回归分析 49
5.2 数据挖掘算法 51
5.2.1 分类 51
5.2.2 聚类分析 59
5.2.3 孤立点检测 62
5.2.4 关联规则分析 63
5.2.5 时间序列分析 65
5.3 建模工具与分析软件 71
5.3.1 SAS 71
5.3.2 SPSS 73
5.3.3 WEKA 75
5.4 本章小结 77
第6章 大数据挖掘与分析技术 78
6.1 大数据背景下的数据处理技术 78
6.1.1 大数据背景下数据库技术的发展需求 78
6.1.2 NoSQL数据库技术 79
6.1.3 海量数据的分布式存储 80
6.1.4 新型数据管理平台在金融领域的应用 82
6.1.5 大规模数据集的计算 83
6.1.6 大数据的可视化 84
6.1.7 大数据与传统数据 85
6.2 复杂数据挖掘技术 86
6.2.1 面向关联的图数据挖掘 86
6.2.2 海量序列数据挖掘技术 92
6.3 新兴数据挖掘平台和工具 100
6.3.1 Hadoop 100
6.3.2 Spark 104
6.3.3 Hbase 106
6.3.4 Mahout 109
6.4 本章小结 111
第3篇 应用篇 113
第7章 数据挖掘技术在零售银行信用风险管理中的应用 113
7.1 银行风险管理概述 113
7.1.1 银行风险管理的定义及类型 113
7.1.2 数据挖掘技术在银行风险管理中的应用 116
7.2 申请风险评分模型的开发和应用 119
7.2.1 申请风险评分模型概述 119
7.2.2 申请风险评分模型的开发 119
7.2.3 申请风险评分模型的应用 122
7.3 行为风险评分模型的开发和应用 123
7.3.1 行为风险评分模型概述 123
7.3.2 行为风险评分模型的开发 123
7.3.3 行为风险评分模型的应用 124
7.4 欺诈风险评分模型的开发和应用 124
7.4.1 欺诈风险评分模型概述 124
7.4.2 欺诈风险评分模型的开发 125
7.4.3 欺诈风险评分模型的应用 126
7.5 信用数据管理系统 127
7.6 实践案例 129
7.7 本章小结 139
第8章 数据挖掘技术在巴塞尔资本协议下的银行风险计量中的应用 140
8.1 概述 141
8.1.1 巴塞尔资本协议的演进、发展及主要内容 141
8.1.2 我国银行业资本监管和风险计量框架 143
8.2 数据挖掘技术在风险计量中的应用 147
8.2.1 风险计量中的数据挖掘算法 147
8.2.2 数据挖掘技术在巴塞尔风险计量中的实践案例 150
8.3 本章小结 154
第9章 数据挖掘技术在客户关系管理中的应用 155
9.1 客户生命周期管理 155
9.1.1 潜在客户的获取 156
9.1.2 现有客户的经营 159
9.1.3 流失客户的赢回 161
9.2 客户细分分析 163
9.2.1 客户细分概述 163
9.2.2 客户细分的方法与技术 164
9.2.3 客户细分案例 166
9.3 客户价值分析 167
9.3.1 客户价值的内涵 167
9.3.2 客户价值评价体系的建立 168
9.3.3 客户价值的综合评价与应用 174
9.4 营销实验设计 177
9.4.1 锁定目标群体 177
9.4.2 整合营销手段 179
9.4.3 实现精准营销 180
9.4.4 精准营销实验设计案例 182
9.5 基于数据挖掘的客户关系管理系统设计 183
9.5.1 基于数据挖掘的客户关系管理系统总体架构设计 183
9.5.2 基于数据挖掘的客户关系管理系统功能设计 185
9.5.3 基于数据挖掘的客户关系管理系统数据仓库设计 187
9.5.4 商业银行客户关系管理系统设计案例 189
9.6 实践案例 191
9.7 本章小结 193
第10章 数据挖掘技术在金融市场分析与预测中的应用 194
10.1 计算金融学与量化交易 194
10.1.1 背景 194
10.1.2 量化交易 197
10.2 价格预测 199
10.2.1 基于内部数据的价格预测 199
10.2.2 基于市场外部信息的价格预测 200
10.3 证券投资组合管理 203
10.3.1 投资组合概论 203
10.3.2 基于数据挖掘的投资组合 204
10.4 模拟交易平台 205
10.4.1 模拟交易系统的功能 205
10.4.2 模拟交易系统的实现技术 206
10.5 本章小结 207
第11章 数据挖掘技术在互联网金融中的应用 208
11.1 互联网金融介绍 208
11.1.1 互联网金融概况 208
11.1.2 互联网金融与大数据的结合 209
11.2 基于大数据的征信管理 210
11.2.1 基于大数据的征信特点 210
11.2.2 基于大数据的征信新方法 211
11.2.3 大数据征信管理案例 213
11.3 基于大数据的反欺诈检测 214
11.3.1 互联网金融反欺诈检测的特点 214
11.3.2 基于大数据的反欺诈方法 215
11.3.3 基于大数据的反欺诈案例 218
11.4 基于大数据的客户关系管理 222
11.4.1 互联网金融的客户特征与客户需求 223
11.4.2 基于大数据的互联网金融客户关系管理方法 224
11.4.3 基于大数据的互联网金融客户关系管理案例 226
11.5 本章小结 229
第4篇 展望篇 231
第12章 基于大数据的金融科技战略与实施 231
12.1 基于大数据的科技建设思路 231
12.1.1 制定差异化的经营思路 231
12.1.2 构建智能化的软硬件设施 233
12.1.3 差异化与智能化互动循环改善 234
12.2 数据挖掘技术下基于风险与收益平衡的差异化经营 234
12.2.1 基于风险的差异化经营 235
12.2.2 基于收益的差异化经营 235
12.2.3 基于风险与收益的差异化经营 236
12.3 数据挖掘技术下基于客户需求的差异化经营 238
12.3.1 基于客户需求的差异化经营概述 238
12.3.2 基于客户需求的差异化经营策略 239
12.4 差异化思路与智能化工具的互动循环实践案例 240
12.4.1 构建智能化的软硬件设施 240
12.4.2 业务应用 242
12.5 本章小结 244
第13章 数据安全与隐私保护 245
13.1 概述 245
13.1.1 数据安全与隐私保护的重要性 245
13.1.2 数据安全与隐私保护的现状及改进建议 246
13.2 云计算与数据安全 247
13.2.1 云计算安全性问题 247
13.2.2 云计算安全技术手段 249
13.2.3 云计算与金融数据安全 255
13.3 大数据与隐私保护 255
13 3.1 大数据带来的个人隐私信息问题 255
13.3.2 金融行业应用大数据的安全措施 256
13.3.3 大数据时代的安全新思路 257
13.4 本章小结 258
第14章 应对策略 259
参考文献 263