Python金融数据挖掘 pdf下载

　　《Python金融数据挖掘》介绍了金融数据挖掘的基本原理、方法和应用。全书共17章，分为基础篇、算法篇和应用篇三部分。基础篇概述金融数据挖掘的应用，介绍实验环境的搭建和三个与数据分析密切相关的Python第三方程序包等；算法篇针对数据分类、数据聚类、关联分析以及时间序列分析等领域介绍主要的数据挖掘算法与应用；应用篇介绍三个典型的金融数据挖掘综合应用案例。
　　《Python金融数据挖掘》着重于数据挖掘在金融领域的应用实践，而不过分拘泥繁杂的数据挖掘理论，而且书中使用的所有案例都精心选自金融领域的关键场景，贴近实际。
　　《Python金融数据挖掘》可作为高等院校财经类专业学生学习数据挖掘的教材，也可作为金融、财会和商务等领域从业人员的学习用书。

基础篇
第1章 引言
第1节 数据挖掘的概念
第2节 金融数据挖掘的意义和应用
第3节 Python金融数据挖掘基础
本章小结
重要概念
复习思考题
参考文献
第2章 Python基本知识
第1节 数据类型
第2节 流程控制
第3节 函数与模块
本章小结
重要概念
复习思考题
参考文献
第3章 NumPy科学计算包
第1节 创建数组
第2节 数组运算
第3节 矩阵运算
第4节 综合应用
本章小结
重要概念
复习思考题
参考文献
第4章 Pandas数据分析包
第1节 数据结构
第2节 数据处理
第3节 案例：银行卡消费统计分析
本章小结
重要概念
复习思考题
参考文献
第5章 图形绘制
第1节 基本概念
第2节 Matplotlib图形绘制
第3节 Seaborn图形绘制
第4节 案例：股票价格变动图形绘制
本章小结
重要概念
复习思考题
参考文献
第6章 数据源处理
第1节 网络数据源
第2节 网页爬虫
第3节 文件数据资源
第4节 案例：世行GDP数据获取与对比
本章小结
重要概念
复习思考题
参考文献
第7章 Python文本挖掘
第1节 基本概念
第2节 文本分析处理
第3节 案例：基于股评文本的情绪分析
本章小结
重要概念
复习思考题
参考文献
……
算法篇
应用篇

　　众所周知，金融的背后是数据与信息，而信息技术处理的是数据与信息，因此金融与信息技术天然亲近，极易交叉融合。从20世纪70年代开始，金融机构将信息技术广泛运用于清算、结算、风控、放贷等核心业务，从而提高了效率，降低了成本，管理了风险。近年来，先进的信息技术高速发展，移动互联网、云计算、大数据、区块链、人工智能等新兴技术更多地应用于金融行业的各个领域，金融与科技（尤其是信息技术）的融合迈上了新的高度，金融科技（FinTech）应运而生。在国内，金融科技的初级阶段又被称为互联网金融。国际金融稳定理事会（FSB）认为，金融科技是技术带来的金融创新，它能够产生新的商业模式、应用、过程或产品，从而对金融市场、金融机构或金融服务的提供方式产生重大影响。金融科技在本质上仍是金融，是科技服务金融的新手段，是金融的延伸。
　　显然，在金融与科技的逐渐融合中必然积累了包括用户信息、资产负债、资金交易等各方面的海量数据，而海量数据又反作用于金融科技的进一步发展和创新。在此相互作用的过程中，海量数据（大数据）是关键的纽带。麦肯锡认为，大数据是指其大小超出了常规数据库工具获取、储存、管理和分析能力的数据集。通过挖掘大数据，反映事物发展的客观事实，获得事物未来发展的趋势，从而让人类站在一个前所未有的高度去俯视世界。金融业聚集的海量数据，为业务创新、降本增效、控制风险提供了坚实的基础，使得大数据技术率先且有效地应用于金融领域。
　　大数据需要特殊的技术解决数据的获取、储存、管理和分析等问题。数据挖掘作为大数据的关键技术之一，主要致力于大数据分析、知识获取和未来预测等。具体地说，数据挖掘是指从大量数据中通过算法搜索隐藏于其中的有效信息的过程。数据挖掘基于计算机科学、人工智能、机器学习、统计学等相关的理论方法和技术手段，从数据中自动归纳、总结和发现未知的、隐藏的规律和知识，从而辅助或服务于决策。通俗地讲，如果把大数据比作海洋，未知的、隐藏的规律和知识则为鱼，而数据挖掘就是捕鱼的工具。在金融领域，数据挖掘的应用已经初显成效。常见的应用主要包括：客户关系管理、金融风险识别与管理、金融市场趋势预测、金融犯罪识别、信用评估等。
　　金融科技的发展浪潮势不可挡。2019年6月，央行行长易纲在第十一届陆家嘴论坛发表演讲时强调：“未来，全球金融增长点在于金融科技，国际金融中心竞争的焦点也在金融科技。因此，我们应高度重视金融科技发展，”2019年8月，中国人民银行印发《金融科技（FinTech）发展规划（2019-2021年）》，明确指出金融业需秉持“守正创新、安全可控、普惠民生、开放共赢”的基本原则，充分发挥金融科技赋能作用，推动中国金融业高质量发展。为适应“无科技不金融”的时代背景，近年，教育部先后批准增设了互联网金融和金融科技专业。同时，传统金融类本科专业也面临着升级改造，迫切需要在人才培养和专业建设中融合更多的科技元素。但是，目前市面上极为缺乏这方面的教材和配套资源，不利于教学组织和实施。基于此，中央财经大学李建军教授牵头成立了金融科技系列教材编委会，由我们负责编写《Python金融数据挖掘》教材，希望为金融类人才培养和专业建设做一些有益的尝试和探索。广东金融学院作为一所具有“央行基因”的财经类院校，2015年始即在人才培养方案中设置了“Python金融数据挖掘”课程，编制了丰富的教学讲义和实验素材。为进一步提高教材质量，此次我们组织了跨学校、跨院系的专家编写团队。团队成员包括广东金融学院钟雪灵教授、侯防博士（系统分析师）、陈灵教授，河北金融学院张红霞教授，首都经济贸易大学余颖丰副教授，上海师范大学宋玉平博士，以及广东金融学院潘章明副教授、高平安副教授、彭诗力博士（系统分析师）、黄承慧博士（系统分析师）、齐菲菲博士、刘芳博士、陈晓丽博士、邓振杰博士、周宇文博士。
　　本教材以行业广泛使用的Python为实现工具，介绍常见的金融数据挖掘方法和理论。全书包括17章，分为基础篇、算法篇、应用篇三部分内容。基础篇主要包括数据挖掘概述，实验环境搭建以及数据挖掘方面的Python程序包等基础内容；算法篇包括关联分析、数据分类、数据聚类、时间序列分析等常见的数据挖掘算法；应用篇介绍了三个较典型的金融数据挖掘综合应用案例。本教材与其他数据挖掘教材相比，具有以下特色：（1）教材中所有案例都精心选自金融领域的关键场景；（2）重视数据挖掘在金融领域的应用实践，而不过分拘泥于繁杂的数据挖掘理论。
　　学习本课程要求先修“Python程序设计基础”课程或者其他程序设计基础课程。至于教学安排，建议教学时间17周，每周4学时，理论教学和实验教学各2学时，讲授教材一章的内容。若学时不足，可在算法篇中适当做一些取舍。
　　本教材由钟雪灵教授、侯防博士（系统分析师）、张红霞教授、陈灵教授、余颖丰博士和宋玉平博士共同编写。全书由钟雪灵教授定稿，潘章明副教授协助。教材编写过程中，高平安副教授、彭诗力博士（系统分析师）、黄承慧博士（系统分析师）、齐菲菲博士、刘芳博士、陈晓丽博士、邓振杰博士、周宇文博士参与了审稿修订。金融科技应用研究院梁辰龙先生、陈健荣先生以及陈曦先生为综合案例“信用评分模型开发”的撰写提供了帮助。中央财经大学李建军教授和高等教育出版社郭金录副编审牵头召开了多次教材编写研讨会，与会专家提出了众多宝贵意见，进一步完善了教材。高等教育出版社编辑为本书的顺利出版也付出了巨大的努力。在此一并向为本书出版付出辛勤劳动的朋友们表示衷心的感谢！
　　数据挖掘在金融业的应用尚是一个崭新的领域，对它的认知和研究仍在不断深入，而且编者水平有限，经验不足，书中难免存在谬误，敬请读者朋友们多多包涵。我们真心期望读者朋友们提出宝贵意见（反馈意见请发至：tzhongxl@gduf.edu.cn），以便再版时修订，共同努力完善此教材。