超高維稀疏網(wǎng)絡(luò)模型及其組合風(fēng)險管理研究

定　價：￥108.00

作　者：	李愛忠
出版社：	經(jīng)濟(jì)科學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥87.00)

ISBN：	9787521859751	出版時間：	2024-05-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　大數(shù)據(jù)時代越來越多的數(shù)據(jù)呈現(xiàn)出維數(shù)過高、結(jié)構(gòu)非線性、數(shù)據(jù)量過大、高增長率等特點(diǎn)，對傳統(tǒng)數(shù)據(jù)挖掘和統(tǒng)計(jì)分析提出了嚴(yán)峻的考驗(yàn)，如何發(fā)現(xiàn)高維數(shù)據(jù)分布的內(nèi)在幾何結(jié)構(gòu)，進(jìn)而挖掘出高維數(shù)據(jù)內(nèi)部規(guī)律及本征信息，有效結(jié)合可視化技術(shù)在低維空間來研究超高維數(shù)據(jù)的內(nèi)部特性是迫在眉睫的重要任務(wù)。超高維數(shù)據(jù)在金融領(lǐng)域更是遭遇維數(shù)災(zāi)難問題，維數(shù)膨脹給高維數(shù)據(jù)的模式識別和規(guī)則發(fā)現(xiàn)帶來極大挑戰(zhàn)。本研究以大數(shù)據(jù)時代超高維稀疏網(wǎng)絡(luò)模型及其應(yīng)用為目標(biāo)，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(fēng)險管理問題進(jìn)行實(shí)證研究，為實(shí)現(xiàn)高水平網(wǎng)絡(luò)風(fēng)險管理和防范金融系統(tǒng)性風(fēng)險提出理論依據(jù)和可操作的技術(shù)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(fēng)險管理、機(jī)器學(xué)習(xí)、因果推斷及經(jīng)濟(jì)預(yù)測等方面研究，主持和參與多項(xiàng)國家社會科學(xué)基金和國家自然科學(xué)基金項(xiàng)目，在國內(nèi)外核心期刊發(fā)表多篇代表性學(xué)術(shù)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(yù)測、非線性資產(chǎn)定價、投資組合及風(fēng)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(guān)文獻(xiàn)研究綜述
第三節(jié) 研究內(nèi)容與結(jié)構(gòu)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(diǎn)
第二章高維數(shù)據(jù)降維理論、方法與模型
第一節(jié) 高維數(shù)據(jù)降維的關(guān)鍵技術(shù)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(jié)
第三章超高維非線性集成降維理論、方法與應(yīng)用
第一節(jié) 超高維非線性集成降維模型及應(yīng)用
第二節(jié) 構(gòu)建雙重群組、低秩分塊的多因子核范數(shù)矩陣回歸模型
第三節(jié) 構(gòu)建多源異構(gòu)的多目標(biāo)、多因子非線性資產(chǎn)定價體系
第四節(jié) 資產(chǎn)組合優(yōu)化及金融市場風(fēng)險管理應(yīng)用研究
第五節(jié) 本章小結(jié)
第四章超高維稀疏低秩的矩陣回歸模型及其組合風(fēng)險管理策略
第一節(jié) 高維數(shù)據(jù)降維及投資組合研究回顧
第二節(jié) 多目標(biāo)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(shí)證研究
第五節(jié) 本章小結(jié)
第五章圖嵌入下稀疏低秩集成預(yù)測的多因子資產(chǎn)選擇策略
第一節(jié) 多源融合的集成預(yù)測模型
第二節(jié) 量化多因子資產(chǎn)選擇
第三節(jié) 實(shí)證研究
第四節(jié) 本章小結(jié)
第六章超高維環(huán)境下超指數(shù)膨脹的連續(xù)時間組合風(fēng)險管理
第一節(jié) 超高維風(fēng)險資產(chǎn)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(jī)的多因子資產(chǎn)分類模型
第三節(jié) 超指數(shù)膨脹的連續(xù)時間投資組合優(yōu)化模型
第四節(jié) 實(shí)證研究
第五節(jié) 本章小結(jié)
第七章基于深度學(xué)習(xí)的超高維連續(xù)時間資產(chǎn)組合管理策略
第一節(jié) 深度融合網(wǎng)絡(luò)的多因子資產(chǎn)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(fēng)險管理模型
第三節(jié) BP神經(jīng)網(wǎng)絡(luò)的函數(shù)通近算法及二次優(yōu)化
第四節(jié) 實(shí)證研究
第五節(jié) 本章小結(jié)
第八章金融網(wǎng)絡(luò)風(fēng)險下多因子矩陣回歸的資產(chǎn)組合與定價
第一節(jié) 基于最小生成樹的網(wǎng)絡(luò)風(fēng)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(shí)證研究
第四節(jié) 本章小結(jié)
第九章超高維稀疏網(wǎng)絡(luò)重構(gòu)的資產(chǎn)組合選擇策略
第一節(jié) 基于CNN-RNN-SVM深度學(xué)習(xí)的多因子資產(chǎn)選擇模型
第二節(jié) 增強(qiáng)型指數(shù)的投資組合優(yōu)化模型
第三節(jié) 實(shí)證研究
第四節(jié) 本章小結(jié)
第十章總結(jié)與展望
參考文獻(xiàn)