1、金融市場數據分析與數據挖掘教學大綱一、課程基本信息課程編號0610922其它中文名稱金融市場數據分析與數據挖掘課程英文名稱Data analysis and data mining課程類別專業選修課適用專業金融學專業先修課程計量經濟學、概率論與數理統計學分學時34學時，其中理論課 20學時，實驗14學時考核方式開卷考試與上機考試相結合成績評定方法平時0% 期中0 %期末70 %實驗30 %大綱撰寫人及日期彭壽康于2006年3月修訂課程簡介本課程主要介紹金融領域數據分析的基本方法、以及數據 挖掘的基本方法。內容包括：如何狀取和處理數據、金融 數據的基本統計分析方法、數據挖掘在金融領域的應用， 等

2、。充分利用案例方式進行教學是本課程的一個特色。建議教材張堯庭等編：數據挖掘入門及應用， 北京，中國統計出版社，2001參考書1 邁克爾著、金馬譯：金融研究方法論大全，北京， 清華大學出版社，20052 任若恩著：多元統計數據分析 理論、方法、實 例，北京，國防工業出版社，1997、課程的對象和性質本課程的授課對象是金融專業的本科生，作為培養學生實際數據獲取、數據分析、 以及信息獲取技能的金融實踐性教學課程和選修課程列入金融學專業的教學計劃。三、課程的教學目的和要求通過本課程的學習，使學生初步掌握金融數據分析的基本方法，掌握幾種重要的數據挖掘方法，掌握如何利用計算軟件分析數據、解決問題、完成相關

3、研究通過本課程的學習和相關軟件的使用，使學生了解數據分析和數據挖掘在金融領域的重要運用，使之能夠利用所學到的數據分析與數據挖掘方法開展金融領域的應用研究，并有進一步學習的基礎與能力。四、授課方法采用理論講解和上機實驗相、課外研究結合的方法。理論講解利用課堂介紹金融數據挖掘的基本原理和基本方法，上機實驗主要是結合具體的金融數據分析和數據挖掘案例學習和掌握如何在相應計算軟件上完成數據挖掘與數據分析任務， 課外研究則是學生在課程學習的基礎上的拓展訓練，培養利用數據挖掘方法解決實際問題的能力。五、理論教學內容與基本要求（含學時分配）第一章：數據采集與數據處理課時安排： 4 課時教學要求： 通過本章學習

4、，使學生理解金融數據的基本類型，初步掌握金融數據的采集方法，能利用相應軟件對導入數據進行初步處理。教學重點與難點：數據挖掘的概念、數據挖掘的主要功能、數據的基本處理方法，本章的難點是數據的基本處理方法。教學內容：第一節：理解金融數據1、非定量性數據2、數據挖掘，一種從海量數據中挖掘知識的新方法3、數據挖掘涉及的主要學科領域4、近年來數據挖掘技術的主要發展和主要應用領域第二節：數據挖掘的主要功能1、分類與預測2、序列發現3、特征化、比較與關聯規則挖掘4、聚類分析第三節：數據挖掘軟件1、 SAS2、 Intelligent miner for data第二章：分類與預測課時安排： 9 課時教學要求

5、： 通過本章學習，要求學生掌握分析和預測的基本統計分析方法和數據挖掘技術，了解各種方法和技術的理論依據，使用條件和軟件實現方法。掌握使用一種或幾種分類與預測方法、通過計算軟件和實際數據構建銀行借款人違約預測模型或違約概率預測模型，或信用卡詐騙預測模型。教學重點與難點：本章重點是數據挖掘中分類與預測的幾種實現方法，難點是對所涉及到的一些基本統計分析原理的理解與掌握。教學內容：第一節：判別分析1、判別分析的統計原理2、判別分析的假設條件、數據要求與軟件實現方法3、案例 1：基于判別分析的企業財務困境預測模型構建第二節：Logistic 回歸和 Probit 過程1、 Logistic 回歸的統計原

6、理2、預測變量選定時Logistic 回歸的軟件實現方法3、預測變量未定時Logistic 回歸的軟件實現方法逐步回歸法4、 Probit 過程的統計原理與軟件實現方法5、案例2：基于Logistic 回歸和Probit 過程的企業財務困境預測模型構建6、案例3：基于Logistic 回歸和Probit 過程的借款人違約概率預測模型構建第三節：決策數分類預測法1、熵與信息增量2、決策數的構建原理與預測準則3、決策數分類預測的軟件實現方法4、案例4：基于決策樹方法的信用卡詐騙預警系統構建第四節：預測變量的選取與信號 噪音分析1、變量預測的信息含量測定方法信號噪音分析2、信號 噪音分析的軟件實現方

7、法3、變量轉換的必要性與綜合預測指標構建4、案例4：基于信號 噪音分析方法的貨幣危機預警模型構建第三章：序列發現課時安排： 5 課時教學要求： 通過本章學習，要求學生了解序列發現的概念、相似性的度量方法、 序列發現的軟件實現方式，序列發現在金融領域的應用，使學生能夠利用序列發現概念和數據挖掘軟件實現在金融領域的初步應用。教學重點與難點： 本章的重點是時間序列中序列發現和相似性度量，以及在金融領域的應用，難點是趨勢分析和相似性度量方法的掌握。教學內容：第一節：時序數據和序列數據的挖掘1、時序數據和序列數據的概念2、趨勢分析3、趨勢分析的軟件實現方法第二節：序列發現的概念1、何為序列發現2、相似性

8、的度量方法3、相似序列發掘的軟件實現第三節：序列發現在金融領域的應用案例5：股票市場交易決策規則挖掘第四章：特征化、比較與關聯規則挖掘課時安排： 5 課時教學要求： 通過本章學習，使學生了解如何用特征化和比較的方式來描述與總結數據，如何在數據中進行關聯規則挖掘，了解特征化、比較與關聯規則的軟件實現方式，了解特征化、比較與關聯規則在金融領域的初步應用。教學重點與難點： 本章重點是特征化、比較與關聯規則的基本概念與如何在數據挖掘軟件中實現數據的特征化與比較分析，實現數據庫中的關聯規則挖掘，難點是這些數據挖掘功能在實際運用中需要注意與解決的一些問題。教學內容：第一節：特征化與比較1、數據的描述與總結

9、2、數據概化與基于匯總的特征化3、屬性相關分析4、類描述：特征化和比較的表示5、特征化與比較的軟件實現第二節：關聯規則挖掘1、購物籃分析：關聯規則的引發2、基本概念3、關聯規則挖掘4、關聯規則挖掘的軟件實現第三節：特征化、比較與關聯規則的應用案例6：特征化、比較與關聯規則在銀行客戶關系管理中的應用五、實驗教學內容與基本要求（含學時分配）第一章配套實驗教學課時安排 ： 2 課時實驗內容：1、數據挖掘軟件Intelligent miner for data 的安裝與打開2、了解數據挖掘軟件的基本模塊功能3、數據發掘庫的建立、修改與保存實驗要求 ：通過本次實驗教學，要求學生能夠掌握數據挖掘軟件Int

10、elligentminer for data 的安裝與打開方法，對數據挖掘軟件的構造與各個基本模塊有初步了解，能夠掌握數據挖掘庫的建立、修改與保存方法。第二章配套實驗教學課時安排 ： 6 課時實驗內容1、 SAS 的安裝與打開2、 SAS 數據庫的建立（輸入與輸出）、修改與保存3、判別分析的SAS 程序與結果分析4、判別分析預測規則的建立5、 Logistic 回歸的 SAS 程序與結果分析6、逐步回歸法7、基于Logistic 回歸預測規則的建立8、 Probit 過程的 SAS 程序與結果分析9、基于Probit 過程的預測規則的建立10、決策樹的構建與預測檢驗11、基于決策樹方法的預測規

11、則的建立12、基于信號噪音分析的預測變量信息含量測定方法和預測變量選取13、基于信號噪音分析的分類預測模型構建實驗要求：通過本章實驗教學，要求學生初步掌握運用SAS 軟件和Intelligent miner for data 軟件進行分類與預測的方法，掌握進行分類與預測時所需要的基本程序，能夠對軟件給出的結果進行分析，能夠建立基于不同統計分析方法和數據挖掘方法的分類預測模型和預測規則。第三章配套實驗教學課時安排： 2 課時實驗內容：1、怎樣利用Intelligent miner for data 軟件進行時序數據和序列數據的趨勢分析2、相似序列發現的Intelligent miner for data 軟件實現3、基于實際數據的股票市場交易決策規則挖掘實驗要求 ： 通過本次實驗教學，要求學生掌握利用數據挖掘軟件對時序數據和序列數據進行趨勢分析和發掘相似序列的基本方法、基本步驟，能夠對發掘結果進行初步的分析，具有運用數據挖掘中趨勢分析和相似序列發掘模塊功能的初步能力。第四章配套實驗教學課時安排 ： 2 課