导言

第一章 有监督的金融数据分类分析——Logit、LDA、QDA与KNN

第一节 Logistic分类法

第二节 LDA、QDA与KNN分类法

一、LDA分类法

二、QDA分类法

三、KNN分类法

四、小结

第三节 案例1：上证综合指数涨跌预测

第二章 无监督的金融数据分类分析——聚类分析

第一节 系统聚类法和K-means聚类法

一、系统聚类法

二、K-means聚类法

第二节 案例2：系统聚类分析法的应用——股指状态阶段的判断与划分

第三节 案例3：应用K-means聚类法分析月度股指数据

第三章 金融数据重抽样

第一节 交叉验证方法

一、基础交叉验证法

二、改进方法

三、分类问题中的交叉验证法

第二节 拔靴法

第三节 案例4：重抽样方法下的股指涨跌预测模型的再分析

第四章 线性模型筛选

第一节 子集筛选法

一、最优子集筛选

二、逐步选择

三、选择最优模型的标准

第二节 收缩筛选法

一、岭回归

二、Lasso方法

第三节 案例5：regsubsets函数在股指涨跌预测模型筛选中的用法

一、最优子集筛选法

二、向前筛选法

三、向后筛选法

第五章 克服维数灾难

第一节 主成分分析法

一、主成分分析法的原理

二、主成分得分法与主成分回归法

第二节 部分最小二乘法

一、提取方向

二、部分回归

三、主成分回归法和部分最小二乘法的优缺点

四、高维度问题小结

第三节 案例6：主成分分析法在选股中的应用

结果分析

第六章 决策树

第一节 决策树的分类和基本知识

一、回归树

二、分类树

三、树与线性模型的对比

四、树状模型的优缺点

第二节 三种提高树状模型预测精度的方法

一、Bagging

二、Random Forest

三、Boosting

第三节 案例7：决策树方法在股指涨跌预测中的应用

第四节 案例8：Bagging、Random Forest和Boosting方法在决策树模型中的应用

第七章 支持向量机

第一节 最大边际分类器与支持向量分类器

一、最大边际分类器

二、支持向量分类器

第二节 支持向量机

一、非线性决定边界的分类法

二、支持向量机

三、SVM与岭回归、Lasso和逻辑回归的关系

第三节 案例9：基于SVM方法的上证指数涨跌预测

一、判断样本点的可分性

二、SVM在实际数据中的应用的效果

三、结论

第八章 R语言及制图

第一节 基本操作

一、向量和矩阵输入

二、数据变换和生成随机数

三、数据索引（寻址）

四、载入数据

五、其他常用函数

第二节 R环境下的线性回归

一、一元线性回归

二、多元回归

三、构造函数

第三节 分类法

一、logistic回归

二、LDA模型

三、QDA模型

四、K最近邻法

第四节 重采样方法

一、布尔值

二、除一交叉验证法

三、k组交叉验证法

四、Bootstrap

第五节 模型的选择和调整

一、最优子集选择

二、岭回归和Lasso

第六节 R制图

一、绘图区域的布局

二、字体和颜色

三、数据点符号和线形

四、坐标轴、图例和标题

五、图形函数