91在线无码精品视频,人妻免费观看视频在线,亚洲另类图片制服自拍小说区

內容簡介

　　大數據時代越來越多的數據呈現出維數過高、結構非線性、數據量過大、高增長率等特點，對傳統數據挖掘和統計分析提出了嚴峻的考驗，如何發(fā)現高維數據分布的內在幾何結構，進而挖掘出高維數據內部規(guī)律及本征信息，有效結合可視化技術在低維空間來研究超高維數據的內部特性是迫在眉睫的重要任務。超高維數據在金融領域更是遭遇維數災難問題，維數膨脹給高維數據的模式識別和規(guī)則發(fā)現帶來極大挑戰(zhàn)。本研究以大數據時代超高維稀疏網絡模型及其應用為目標，站在資源配置和投資組合優(yōu)化的角度對金融市場全面風險管理問題進行實證研究，為實現高水平網絡風險管理和防范金融系統性風險提出理論依據和可操作的技術思路。

作者簡介

　　李愛忠，博士，副教授，長期致力于投資組合與風險管理、機器學習、因果推斷及經濟預測等方面研究，主持和參與多項國家社會科學基金和國家自然科學基金項目，在國內外核心期刊發(fā)表多篇代表性學術論文，研究成果集中在穩(wěn)健矩陣回歸、高維因子模型、集成預測、非線性資產定價、投資組合及風險管理等方面。

圖書目錄

第一章緒論
第一節(jié) 研究背景與意義
第二節(jié) 相關文獻研究綜述
第三節(jié) 研究內容與結構安排
第四節(jié) 研究思路與方法
第五節(jié) 主要特色和創(chuàng)新點
第二章高維數據降維理論、方法與模型
第一節(jié) 高維數據降維的關鍵技術及方法
第二節(jié) 基于人工智能的降維方法
第三節(jié) 本章小結
第三章超高維非線性集成降維理論、方法與應用
第一節(jié) 超高維非線性集成降維模型及應用
第二節(jié) 構建雙重群組、低秩分塊的多因子核范數矩陣回歸模型
第三節(jié) 構建多源異構的多目標、多因子非線性資產定價體系
第四節(jié) 資產組合優(yōu)化及金融市場風險管理應用研究
第五節(jié) 本章小結
第四章超高維稀疏低秩的矩陣回歸模型及其組合風險管理策略
第一節(jié) 高維數據降維及投資組合研究回顧
第二節(jié) 多目標回歸的投資組合優(yōu)化模型
第三節(jié) 稀疏回歸的組合優(yōu)化
第四節(jié) 實證研究
第五節(jié) 本章小結
第五章圖嵌入下稀疏低秩集成預測的多因子資產選擇策略
第一節(jié) 多源融合的集成預測模型
第二節(jié) 量化多因子資產選擇
第三節(jié) 實證研究
第四節(jié) 本章小結
第六章超高維環(huán)境下超指數膨脹的連續(xù)時間組合風險管理
第一節(jié) 超高維風險資產的非線性集成降維策略
第二節(jié) 基于定向循環(huán)支持向量機的多因子資產分類模型
第三節(jié) 超指數膨脹的連續(xù)時間投資組合優(yōu)化模型
第四節(jié) 實證研究
第五節(jié) 本章小結
第七章基于深度學習的超高維連續(xù)時間資產組合管理策略
第一節(jié) 深度融合網絡的多因子資產組合選擇模型
第二節(jié) 均值一方差一熵的連續(xù)時間組合風險管理模型
第三節(jié) BP神經網絡的函數通近算法及二次優(yōu)化
第四節(jié) 實證研究
第五節(jié) 本章小結
第八章金融網絡風險下多因子矩陣回歸的資產組合與定價
第一節(jié) 基于最小生成樹的網絡風險疊加模型
第二節(jié) 多因子矩陣回歸的組合優(yōu)化
第三節(jié) 實證研究
第四節(jié) 本章小結
第九章超高維稀疏網絡重構的資產組合選擇策略
第一節(jié) 基于CNN-RNN-SVM深度學習的多因子資產選擇模型
第二節(jié) 增強型指數的投資組合優(yōu)化模型
第三節(jié) 實證研究
第四節(jié) 本章小結
第十章總結與展望
參考文獻