“金融市场数据分析与数据挖掘”教学大纲.doc

《金融市场数据分析与数据挖掘》教学大纲 ?一、课程基本信息 课 程 编 号 0610922 其它中文名称 ??金融市场数据分析与数据挖掘 课程英文名称 ??Data analysis and data mining 课 程 类 别 专业选修课 适 用 专 业 ??金融学专业 先修课程 计量经济学、概率论与数理统计 学分学 34学时其中理论课20学时，实验14学时 ?开卷考试与上机考试相结合 成绩评定方法 平时0% 期中0 % 期末70 % 实验 30 % 大纲撰写人及日期 彭寿康于2006年3月修订 课 程 简 介 本课程主要介绍金融领域数据分析的基本方法、以及数据挖掘的基本方法。内容包括：如何获取和处理数据、金融数据的基本统计分析方法、数据挖掘在金融领域的应用，等。充分利用案例方式进行教学是本课程的一个特色。 建 议 教 材 张尧庭等编：数据挖掘入门及应用，北京，中国统计出版社，2001 参 考 [1] 迈克尔著、金马译：金融研究方法论大全，北京，清华大学出版社，2005 [2] 任若恩著：多元统计数据分析——理论、方法、实例，北京，国防工业出版社，1997 二、课程的对象和性质 本课程的授课对象是金融专业的本科生，作为培养学生实际数据获取、数据分析、以及信息获取技能的金融实践性教学课程和选修课程列入金融学专业的教学计划。 三、课程的教学目的和要求 通过本课程的学习，使学生初步掌握金融数据分析的基本方法，掌握几种重要的数据挖掘方法，掌握如何利用计算软件分析数据、解决问题、完成相关研究 通过本课程的学习和相关软件的使用，使学生了解数据分析和数据挖掘在金融领域的重要运用，使之能够利用所学到的数据分析与数据挖掘方法开展金融领域的应用研究，并有进一步学习的基础与能力。 四、授课方法 采用理论讲解和上机实验相、课外研究结合的方法。理论讲解利用课堂介绍金融数据挖掘的基本原理和基本方法，上机实验主要是结合具体的金融数据分析和数据挖掘案例学习和掌握如何在相应计算软件上完成数据挖掘与数据分析任务，课外研究则是学生在课程学习的基础上的拓展训练，培养利用数据挖掘方法解决实际问题的能力。 五、理论教学内容与基本要求（含学时分配） 第一章：数据采集与数据处理 课时安排：4课时 教学要求：通过本章学习，使学生理解金融数据的基本类型，初步掌握金融数据的采集方法，能利用相应软件对导入数据进行初步处理。 教学重点与难点：数据挖掘的概念、数据挖掘的主要功能、数据的基本处理方法，本章的难点是数据的基本处理方法。 教学内容： 第一节：理解金融数据 非定量性数据 数据挖掘，一种从海量数据中挖掘知识的新方法 数据挖掘涉及的主要学科领域 近年来数据挖掘技术的主要发展和主要应用领域 第二节：数据挖掘的主要功能 分类与预测 序列发现 特征化、比较与关联规则挖掘 聚类分析 第三节：数据挖掘软件 SAS Intelligent miner for data 第二章：分类与预测 课时安排：9课时 教学要求：通过本章学习，要求学生掌握分析和预测的基本统计分析方法和数据挖掘技术，了解各种方法和技术的理论依据，使用条件和软件实现方法。掌握使用一种或几种分类与预测方法、通过计算软件和实际数据构建银行借款人违约预测模型或违约概率预测模型，或信用卡诈骗预测模型。 教学重点与难点：本章重点是数据挖掘中分类与预测的几种实现方法，难点是对所涉及到的一些基本统计分析原理的理解与掌握。 教学内容： 第一节：判别分析 判别分析的统计原理 判别分析的假设条件、数据要求与软件实现方法 案例1：基于判别分析的企业财务困境预测模型构建 第二节：Logistic回归和Probit过程 Logistic回归的统计原理 预测变量选定时Logistic回归的软件实现方法 预测变量未定时Logistic回归的软件实现方法——逐步回归法 Probit过程的统计原理与软件实现方法 案例2：基于Logistic回归和Probit过程的企业财务困境预测模型构建 案例3：基于Logistic回归和Probit过程的借款人违约概率预测模型构建 第三节：决策数分类预测法 熵与信息增量 决策数的构建原理与预测准则 决策数分类预测的软件实现方法 案例4：基于决策树方法的信用卡诈骗预警系统构建 第四节：预测变量的选取与信号—噪音分析 变量预测的信息含量测定方法——信号噪音分析 信号—噪音分析的软件实现方法 变量转换的必要性与综合预测指标构建 案例4：基于信号—噪音分析方法的货币危机预警模型构建 第三章：序列发现 课时安排：5课时 教学要求：通过本