金融学院《金融数据挖掘》实验教学大纲
《Python金融数据挖掘与分析实战》—教学教案
102
42
第1章 Python基础
授课方式：机房教学，讲授+实验，
教学重点：Python发行版Anaconda的安装与启动、Spyder集成开发工具的使用和Python扩展包的安装方法；Python基本语法、数据类型、数据结构和主要方法；循环、条件语句、函数定义与应用。
教学难点：数据结构和主要方法、循环语句、条件语句
L.append(t)
print(L)
执行结果如下：
[1, 2, 3, 4, 5, 6, 'H']
[1, 2, 'HE', 3, 5]
3．扩展列表：extend()
与append函数不同，extend函数在列表后面添加整个列表。示例代码如下：
L1.extend(L2) #在前面的L1基础上,添加整个L2至其后面
1.4.4 元组的定义
元组与列表类似，也是Python中一种常用的数据结构，不同之处在于元组中的元素不能修改，元组采用圆括号括起来进行定义。示例代码如下：
t1=(1,2,3,4,6)
t2=(1,2,'kl')
t3=('h1','h2','h3')
1.4.5 集合的定义
集合也是Python中的数据结构，它是一种不重复元素的序列，用大括号括起来进行定义。示例代码如下：
实验题目：本章课后练习
教学内容：
1.1 Python概述（简要略讲）
1.2 Python安装及启动（简要介绍，然后让学生自己动手搭建环境）
1.2.1 Python安装
1.2.2 Python启动及界面认识（教师边演示边讲解）
1.3 Python扩展包安装
《Python金融数据挖掘》 课件第1章
数据挖掘的概念
第一节 数据挖掘的概念
数据挖掘是数据库知识发现（Knowledge Discovery in Databases，KDD)中的一个重 要步骤。 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、数学等相关的理论方法和技术手段，通过数据采集、 关系化存储、高速处理等手段，对采集到的数据进行应用统计、在线分析处理、 情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法， 对已经预测或者推测出的规律进行验证，进而对还未发现的、隐藏的规律进行自 动归纳、总结和发现。
第二节 金融数据挖掘的意义和应用
目前，数据挖掘在金融行业的比较典型的应用包括产品客户开发、风险评估控制、 客户业务管理、客户延伸服务和业务合规监管等。 1.产品客户开发 通过探索性的数据挖掘方法，如自动探测聚类和购物篮分析，可以找出客户数据 库中的特征，预测银行营销活动的响应率。那些被定为有利的特征可以与新的非 客户群进行匹配，以增加营销活动的效果。 数据挖掘还可从银行数据库存储的客户信息中，根据事先设定的标准找到符合条 件的客户群，也可以将客户进行聚类分析，通过对客户的服务收入、风险、成本 等相关因素的分析、预测和优化，找到新的可赢利目标客户。
第一节 数据挖掘的概念
数据挖掘算法一般以大数据为基础。大数据的特点通常可以概括为4V： 总价值高/单位价值低（Value）：大数据具有单位价值低的特点，其中价值密度的
高低与数据总量的大小成反比。以视频为例，一部1小时的视频，在连续不间断的监 控中，有用数据可能仅有一二秒，但是这一二秒的数据，往往有着非常重大的价值。 如何通过强大的机器学习和数据挖掘算法迅速地完成数据的价值“提纯”，是目前大 数据背景下被广泛关注的热点问题。 体量大（Volume）：从2013年至2020年，人类的数据规模将扩大50倍，每年产生的 数据量将增长44万亿GB，相当于美国国家图书馆数据量的数百万倍，且每18个月翻 一番。 速度快（Velocity）：随着现代检测、互联网、计算机技术的发展，数据生成、储存、 分析、处理的速度远远超出人们的想象，这是大数据区别于传统数据或小数据的显 著特征。 种类多（Variety）：大数据与传统数据相比，数据来源更广、维度更高、类型更复 杂。相对于以往便于存储的、以文本为主的结构化数据，非结构化数据越来越多， 常见的非结构化数据包括网络日志、音频、视频、图片、地理位置等信息，这些多 型的数据对数据的处理能力见的数据挖掘算法可归结为以下四个方面： 1．关联分析：旨在找出所有能把一组事件或数据项与另一组事件或数据项联系起 来的强关联规则（拉关系）。例如，如果你今天在淘宝或京东等大型电商平台购 买了手机，那么你明天登录网站的时候，很可能会购买手机套、充电器、数据线 等和手机使用相关的产品。Apriori算法是典型的关联分析算法。 2．数据分类：分类是指通过对数据集的学习获得一个映射函数，从而将未知类别 的样本映射到给定类别中（贴标签）。例如，在银行的历史信用卡数据中，有按 时还款的正常客户，也有不能按时还款的逾期客户。银行希望通过用户的基础信 息及历史交易数据等，判断其是正常客户还是逾期客户（这个就是分类标签）， 从而提前甄别出逾期客户，以尽可能地降低逾期发生率。分类算法通常包括训练 （即生成分类函数）和识别（即样品归类）两个阶段，典型的分类算法包括决策 树、贝叶斯、神经网络、支持向量机等。
《金融市场数据分析与数据挖掘》教学大纲
《金融市场数据分析与数据挖掘》教学大纲课程名称：金融市场数据分析与数据挖掘课程学分：3学分课程介绍：金融市场数据分析与数据挖掘是一门综合性的课程，旨在提供金融市场相关数据的分析与挖掘技术。
通过本课程的学习，学生将获得金融市场数据的收集、整理与处理的能力，以及金融数据分析与挖掘的方法和技巧。
同时，本课程还将介绍相关软件工具和编程语言的应用，以帮助学生提高数据分析与挖掘的实践能力。
课程目标：1.掌握金融市场数据的收集、整理和处理方法。
2.熟悉金融数据分析和挖掘的基本理论和方法。
3.学会使用常用的统计分析工具和编程语言进行金融数据分析与挖掘。
4.培养独立思考和问题解决的能力。
教学内容：1.金融市场数据的特点与获取方法。
2.数据预处理与数据清洗。
3.数据可视化与探索性分析。
4.描述性统计分析。
5.相关性分析与因子分析。
6.时间序列分析与预测。
7.机器学习算法在金融数据挖掘中的应用。
8.金融风险分析与模型构建。
教学方法：1.理论讲授：通过教师讲解金融数据分析和挖掘的基本理论和方法，帮助学生建立相应的基础知识。
2.实例分析：通过案例分析，引导学生运用所学知识分析实际金融市场数据。
3.讨论与交流：组织学生进行讨论和交流，促进学生之间的互动和思维碰撞。
4.实践操作：通过实践操作，帮助学生熟悉常用的统计分析工具和编程语言，提高数据分析与挖掘的实践能力。
评估方式：1.平时成绩：考勤、课堂表现、课堂讨论等。
2.作业成绩：按时完成平时作业并准确无误。
3.期中考试：对课程前半部分内容进行考察。
4.期末考试：对课程全部内容进行考察。
5.课程设计：根据实际金融市场数据进行分析与挖掘，并撰写实验报告。
参考教材：1.李梅，《大数据金融学》，机械工业出版社。
2. Tan, et al., "Introduction to Data Mining", Pearson Education, 2024.。
参考工具：1. Python编程语言及相关库（numpy、pandas、matplotlib、scikit-learn等）。
《金融数据挖掘》实验指导书
《金融数据挖掘》实验指导书（网络收集，版权归原作者所有）浙江工商大学金融学院目录前言 (3)实验一、优化算法程序设计 (4)1． 进退法 (4)2． 黄金分割法 (6)3． 二次插值法 (7)实验二、关联规则挖掘算法 (9)实验三、决策树ID3算法 (12)实验四、遗传算法程序设计 (14)实验五、神经网络(BP)算法 (16)前言本课程将系统介绍数据挖掘的基本原理和常用算法以及数据挖掘的发展情况和应用情况。
通过本课程的学习，学生应达到如下要求：1、理解什么是数据挖掘及数据挖掘的应用。
2、熟悉数据挖掘的常用算法并完成算法的程序设计。
3、了解当前数据挖掘的研究动态和最新进展。
本课程主要讲解数据挖掘的经典算法，如著名的关联规则，ID3算法，遗传算法，神经网络(BP)等。
同时介绍每种算法的特点和具体应用情况，要求学生理解这几种算法的基本原理和详细执行过程并完成其中几种算法的程序设计。
我们要求学生采用任何一种自己熟悉的编程语言完成算法的程序设计，如C/C++、Delphi、VB、VC、C#等，我们采用VB、VC等常用的开发平台来实现算法的程序设计。
实验一、优化算法程序设计1．进退法实验目的：理解进退法确定函数极小值区间和求极小值的过程和原理，完成程序设计并得出正确结果。
实验内容：用进退法确定函数432()46164f x x x x x =−−−+最小值所在的区间和最小值。
(1)、进退法求函数极小值实验步骤：1、选择一种自己熟悉的语言进行程序设计，这里以Visual Basic 6.0为例。
2、设计好界面后进行编码，以完成算法所要求的目的。
3、任意取初始点和初始步长(注意不能为0)，并取所要求的计算精度0a 0h 0h ε，令0,0x a h h ==，计算1()f x ϕ=。
4、计算2()f x h ϕ=+。
5、如果21ϕϕ<，令x x h =+，12ϕϕ=，2h h =，转4。
6、若21ϕϕ≥，判断||h ε≤？若||h ε≤，则停止迭代，*x x =。
《金融数据挖掘》教学大纲(本科)
《金融数据挖掘》教学大纲注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。
一、课程地位与课程目标（一）课程地位金融实证研究的一个显著特点是数据分析量大、不确定性因素多，面对当今时代的海量金融数据，基于传统统计技术建立的模型假设条件多，实际应用难以奏效。
数据挖掘20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。
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。
（二）课程目标.理解数据挖掘的特点和基本流程，掌握数据挖掘的重要思想；1.掌握不同类别的数据挖掘方法，包括回归、分类、聚类、降维等；.能够运用工具语言，如R、Python等，进行数据挖掘；2.学会运用数据挖掘的方法解决金融研究中的问题。
二、课程目标达成的途径与方法本课程本着学以致用的原则，结合最新的发展，以课堂教学为主，结合实践教学、课堂讨论、课外作业等方式来达成课程的学习目标。
通过讲解数据挖掘的重要思想、建模方法、软件实现的理论教学，使学生理解数据挖掘的建模思想、解决实际问题的办法和思路，掌握数据挖掘的常用工具方法；通过课外实践和课外作业，使学生能够学以致用，学会用数据挖掘的方法解决金融研究中的实际问题，并掌握一门编程语言作为后续学习和研究的工具。
三、课程目标与相关毕业要求的对应关系注：1.支撑强度分别填写H、M或L (其中H表示支撑程度高、M为中等、L为低)。
2.毕业要求须根据课程所在专业培养方案进行描述。
四、课程主要内容与基本要求第一章数据挖掘概述(1)主要内容：数据挖掘的概念，数据挖掘的主要功能，数据挖掘的方法论，软件介绍。
《Python金融数据挖掘及其应用》教学大纲
《python金融数据挖掘及其应用》课程教学大纲课程代码：学分：5学时：80（其中：讲课学时：60 实践或实验学时：20 ）先修课程：数学分析、高等代数、概率统计、金融基础知识、Python程序设计基础适用专业：信息与计算科学建议教材：黄恒秋主编.Python金融数据分析与挖掘实战[M]. 北京：人民邮电出版社.2019.开课系部：数学与计算机科学学院一、课程的性质与任务课程性质：专业方向选修课。
课程任务：大数据时代，数据成为决策最为重要的参考之一，数据分析行业迈入了一个全新的阶段。
通过学习本课程，使得学生在掌握Python科学计算、数据处理、数据可视化、挖掘建模等基本技能基础上，进一步地扩展应用到较为复杂金融数据处理及挖掘分析任务上，最后进行量化投资实战检验。
本课程为Python在金融量化投资领域的具体应用，也是Python 在金融行业应用最为广泛的领域之一，从而使得学生具备一定的行业应用背景及就业技能。
二、课程的基本内容及要求本课程教学时数为80学时，5学分；实验20学时,1.25学分。
第七章基础案例1.课程教学内容：（1）股票价格指数周收益率和月收益率的计算；（2）上市公司净利润增长率的计算；（3）股票价、量走势图绘制；（4）股票价格移动平均线的绘制；（5）沪深300指数走势预测；（6）基于主成分聚类的上市公司盈利能力分析。
2.课程的重点、难点：（1）重点：案例的实现思路、算法及程序具体实现；（2）难点：案例的实现算法、程序实现过程中各类数据结构的相互转换。
3.课程教学要求：（1）了解案例实现的基本思路；（2）理解案例实现的具体算法及程序实现，各种数据结构的相互转换并实现程序计算；（3）掌握案例实现的具体过程，包括思路、算法、数据处理、程序计算及结果展现。
第八章综合案例一：上市公司综合评价1.课程教学内容：（1）上市公司综合评价模型及方法基本介绍；（2）基于投资规模与效率指标的综合评价方法；（3）基于成长与价值指标的综合评价方法；（4）指标数据选取及数据预处理；（5）主成分分析模型及程序实现；（6）量化投资策略设计实现及结果分析。
《金融市场数据分析与数据挖掘》教学大纲
《金融市场数据分析与数据挖掘》教学大纲二、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1、非定量性数据2、数据挖掘，一种从海量数据中挖掘知识的新方法3、数据挖掘涉及的主要学科领域4、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1、分类与预测2、序列发现3、特征化、比较与关联规则挖掘4、聚类分析第三节：数据挖掘软件1、SAS2、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。
《金融市场数据分析与数据挖掘》教学大纲
《金融市场数据分析与数据挖掘》教学大纲二、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1、非定量性数据2、数据挖掘，一种从海量数据中挖掘知识的新方法3、数据挖掘涉及的主要学科领域4、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1、分类与预测2、序列发现3、特征化、比较与关联规则挖掘4、聚类分析第三节：数据挖掘软件1、SAS2、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。
金融数据分析-教学大纲
《金融数据分析》教学大纲The Course Outline of Financial DataAnalysis课程编号：151222B课程类型：专业选修课总学时：32 讲课学时：16 实验（上机）学时：16学分：2适用对象：金融学（金融经济实验班）先修课程：计量经济学、微观经济学、宏观经济学、概率论与数理统计、线性代数、微积分Course Code:Course Type: Discipline Elective CoursePeriods: 32 Lecture: 16 Experiment (Computer): 16Credits: 2Applicable Subjects: Finance（Finance and Economics Experiment Class）Prerequisite Courses: Econometrics, Microeconomics, Macroeconomics, Probability and Statistics, Linear Algebra, Calculus一、课程简介本课程是面向金融学、经济学和管理学相关专业的高年级本科生开设的学科专业选修课程，主要介绍应用于金融数据分析中的经典计量方法，并注重培养学生的实际操作能力。
Financial data analysis is an elective course for advanced undergraduate students majored in finance, economics and management. In this course, we not only introduce basic econometric methods applied to financial data, but also train students’ practical skills of handling financial data.二、教学目标本课程包括以下教学目标：（1）使学生能运用所学的金融计量理论分析和解释实际金融数据；（2）着重为对金融理论进行实证分析提供所需的估计和检验方法；（3）使学生运用计算机软件（以R语言为主）进行金融数据研究。
数据挖掘教学大纲
数据挖掘教学大纲一、引言1.1 数据挖掘的定义和意义1.2 数据挖掘在实际应用中的作用1.3 数据挖掘的发展历程二、数据预处理2.1 数据清洗2.1.1 缺失值处理2.1.2 异常值处理2.1.3 噪声处理2.2 数据集成2.2.1 数据集成的方法2.2.2 数据冗余和冗余消除2.3 数据变换2.3.1 数据规范化2.3.2 数据离散化2.3.3 数据平滑和数据聚合2.4 数据规约2.4.1 属性选择2.4.2 数据压缩三、关联规则挖掘3.1 关联规则挖掘的概念3.2 关联规则挖掘的基本算法3.2.1 Apriori算法3.2.2 FP-Growth算法3.3 关联规则挖掘的应用领域3.3.1 超市购物篮分析3.3.2 电子商务推荐系统四、分类与预测4.1 分类与预测的概念4.2 决策树算法4.2.1 ID3算法4.2.2 C4.5算法4.3 朴素贝叶斯算法4.4 支持向量机算法4.5 分类与预测的评估方法五、聚类分析5.1 聚类分析的概念5.2 K-means算法5.3 层次聚类算法5.4 密度聚类算法5.5 聚类分析的应用领域六、时间序列分析6.1 时间序列数据的特点6.2 时间序列的平稳性检验6.3 时间序列的分解6.4 ARIMA模型6.5 时间序列的预测方法七、异常检测7.1 异常检测的概念7.2 基于统计的异常检测方法7.3 基于聚类的异常检测方法7.4 基于分类的异常检测方法7.5 异常检测的应用领域八、数据挖掘工具和案例分析8.1 常用的数据挖掘工具介绍8.2 数据挖掘在实际案例中的应用8.2.1 金融领域的信用评估8.2.2 医疗领域的疾病预测8.2.3 社交媒体数据的情感分析九、数据隐私与安全9.1 数据隐私的概念和挑战9.2 数据匿名化方法9.3 数据安全性保护方法9.4 数据挖掘中的伦理问题十、总结与展望10.1 数据挖掘的应用前景10.2 数据挖掘的发展趋势以上是数据挖掘教学大纲的详细内容，包括了数据预处理、关联规则挖掘、分类与预测、聚类分析、时间序列分析、异常检测、数据挖掘工具和案例分析、数据隐私与安全等方面的知识点。
数据挖掘教学大纲
数据挖掘教学大纲一、引言1.1 数据挖掘的定义和概述1.2 数据挖掘的应用领域1.3 数据挖掘的基本步骤和流程二、数据预处理2.1 数据清洗2.1.1 缺失值处理2.1.2 异常值处理2.1.3 重复值处理2.2 数据集成2.2.1 数据集成技术2.2.2 数据冗余处理2.3 数据变换2.3.1 数据规范化2.3.2 数据离散化2.3.3 数据平滑和数据会萃2.4 数据规约2.4.1 属性选择2.4.2 数据压缩三、数据挖掘技术3.1 关联规则挖掘3.1.1 关联规则的定义和基本概念3.1.2 关联规则挖掘算法3.1.3 关联规则的评估和应用3.2 分类与预测3.2.1 分类与预测的定义和基本概念3.2.2 分类与预测算法3.2.3 分类与预测的评估和应用3.3 聚类分析3.3.1 聚类分析的定义和基本概念3.3.2 聚类分析算法3.3.3 聚类分析的评估和应用3.4 异常检测3.4.1 异常检测的定义和基本概念3.4.2 异常检测算法3.4.3 异常检测的评估和应用四、数据挖掘工具和平台4.1 常用的数据挖掘工具介绍4.1.1 WEKA4.1.2 RapidMiner4.1.3 Python中的数据挖掘库4.2 数据挖掘平台的选择和使用4.2.1 平台的功能和特点4.2.2 平台的比较和评估五、数据挖掘应用案例分析5.1 电商行业的用户购买行为分析5.2 社交媒体数据的情感分析5.3 医疗领域的疾病诊断和预测5.4 金融行业的信用评估和风险管理六、数据挖掘的伦理和隐私问题6.1 数据挖掘的伦理问题6.2 数据挖掘的隐私保护措施6.3 数据挖掘的法律法规和政策要求七、数据挖掘的发展趋势7.1 深度学习在数据挖掘中的应用7.2 大数据时代下的数据挖掘7.3 数据挖掘与人工智能的融合结语数据挖掘作为一门重要的技术和工具，对于各行各业的发展和决策具有重要意义。
通过本课程的学习，学生将掌握数据挖掘的基本概念、方法和工具，能够应用数据挖掘技术解决实际问题，并了解数据挖掘的伦理和隐私问题。
金融数据挖掘
经计算得到:
z 3.315 6.454 x1 3.754 x2 28.310 x3 71.811x4 45.489 x5 1.145x6
P P( y 1| x) 0 (z)
预测规则:
P>0.1一年后上市公司将陷入财务困境，或者就不会陷入 财务困境。
预测准确率：
训练样本组
检验样本组
St公司： 46/56=82.1
46/55=83.6
非St公司： 428/504=84.9
419/504=83.1
4、决策树方法 与前面讨论的几种分类预测方法相比，决策树方法是一
种近年来才出现的分类预测方法，其基本原理如下。 ①、熵与信息增量的概念
熵为一个统计学概念，设y为一个状态随机变量，其熵的定 义为：
y=0 如果公司为财务困境公司 y=1 如果公司为财务正常公司
2、类似案例：
* 外资并购目标公司预测 * 防信用卡诈骗预警系统 * 银行客户关系管理 * 税务稽核
3、数据来源：CSMAR数据库 1990-2004 资产负债表、损益表， 1990-1997 财务状况变动表 1998-2004 现金流量表
⑥、预测准确率检验：
训练样本组
检验样本组
ST公司：49/56=87.5% 47/55 = 85.4%
非ST公司: 442/504=87.7% 432/504 = 85.7%
⑦、讨论
* 判别分析只能运用于离散型因变量预测，而不能运用于 连续型因变量预测；
* 建立线性判别准则，需要较强的限制条件——正态分布 与等协方差矩阵；
②、信息增量的概念
设x为某个指标，选取一个 ，按x0 照条件 将样本分为两组，分别计算各组中y的熵 信息增量定义为：
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
金融学院《金融数据挖掘》实验教学大纲1.
二、实验教学目的
《金融市场数据挖掘与数据分析》实验大纲以同名课程的教学大纲为基础而编写，是指导学生进行《金融市场数据挖掘与数据分析》课程实验的教学文件。
实验目的在于：
①通过实验教学，使学生掌握数据挖掘软件intelligent miner的基本功能，能够利用软件进行数据挖掘与数据分析，掌握分类与预测、序列发现、特征化比较与关联规则等数据挖掘的基本方法，并且掌握利用这些数据挖掘方法解决金融市场中的一些实际问题的能力；
②对课堂教学所提供的教学案例进行验证性实验，利用新数据和新案例进行拓展性挖掘与练习；
③结合学生课外研究兴趣和论文比赛，开展课时外综合性实验和创新型实验，培养学生分析问题和实际解决问题的能力，为进一步学习打下基础。
三、主要仪器设备
本大纲中要求的实验材料是股票市场等相关金融数据、上市公司相关资料、宏观经济的相关资料数据。
实验环境要求实验室终端安装有IBM公司开发的数据挖掘软件：①intelligent miner；
②统计分析软件SAS。
四、实验课程内容和学时分配
五、实验要求与考核方式
学生在完成每一个实验后需写出相应的实验报告，报告可采取书面或电子文挡形式，可以将报告直接传送到教师的网址；实验报告的格式从相应网站上下载。
实验考核标准一看实验过程的正确性与合理性，二是实验结果的准确性或合理性。
实验教学部分的考核占期末总成绩的30%。
学生在课程学习期间应完成全部的必修实验，并至少完成一个选修（课外）实验。