支持向量机算法及其金融应用

　　绪论篇
　　第1章 绪论
　　1.1 概述
　　1.2 线性可分问题的SVM方法
　　1.3 线性不可分问题的SVM方法
　　1.4 核函数
　　1.5 支持向量及非支持向量和超平面的关系
　　1.6 SVM的模型选择问题
　　1.7 SVM与解非线性方程组
　　1.8 决策函数、Fisher判别和Rayleigh商
　　1.9 Libsvm仿真平台
　　算法篇
　　第2章 典型的支持向量分类机和回归机
　　2.1 C-SVC（b=O）
　　2.2 v-SVC
　　2.3 ε-SVR
　　2.4 v-ε-SVR
　　2.5 IS-SVM
　　2.6 二次ε-SVR
　　2.7 包含点集的最小超球体
　　第3章 支持向量机的结构修剪算法
　　3.1 概述
　　3.2 支持向量机的结构修剪算法
　　3.3 Lagrangian函数和对偶理论
　　3.4 等价点和广义Lagrangian函数
　　3.5 本质支持向量的不定性
　　3.6 支持向量机的在线学习算法
　　第4章 粗略删除支持向量的方法
　　4.1 概述
　　4.2 正交投影
　　4.3 纵向传播
　　4.4 删除步骤
　　4.5 角度和截距变化
　　4.6 一类支持向量机删除算法
　　4.7 批粗略删除方法
　　4.8 实验讨论
　　4.9 结语
　　第5章 特征空间椭圆模式挖掘
　　5.1 概述
　　5.2 基于椭圆分布的SVM模型
　　5.3 实验研究
　　5.4 特征空间椭圆模式的分解算法
　　5.5 结语
　　第6章 特征空间和经验图
　　6.1 引言
　　6.2 特征空间和经验图的一些关系
　　6.3 调整分隔超平面
　　第7章 用SVM解奇偶校验问题和大系统分解算法
　　7.1 概述
　　7.2 实验和讨论
　　7.3 基于SMO算法的奇偶校验问题进一步实验
　　7.4 基于梯度下降法的奇偶校验问题实验研究
　　7.5 使用分解算法训练SVM
　　7.6 使用大系统分解协调算法训练SVM
　　第8章 支持向量机超曲面
　　8.1 分隔超平面和分隔超曲面
　　8.2 实验
　　应用篇
　　第9章 基于支持向量机和随机过程的金融市场波动研究
　　9.1 随机过程基础
　　9.2 几个重要的随机过程
　　9.3 随机占优和下方风险
　　9.4 互联网金融信息时间序列的Markov性的实验研究
　　9.5 基于支持向量机的多阶时间延迟的股价预测模型
　　第10章 基于支持向量机的互联网金融市场波动预测
　　10.1 概述
　　10.2 基于支持向量机的股市交易量预测
　　10.3 金融舆情分析系统
　　参考文献

　　梁循，中国人民大学信息学院经济信息管理系教授、博导。在数据挖掘和金融信息系统领域学习工作20余年，积累了较丰富的学习和研究经验。在清华大学计算机应用专业获博士学位、斯坦福大学经济专业获硕士学位。曾在北京大学计算机所、加拿大Univ of New Brunswick计算机系完成两站博士后研究。曾在美国硅谷高科技公司任CTO等职、洪堡学者。曾主持863项目、及多项国家自然科学基金项目。曾开设课程《网络金融》、《高级网络金融》、《商务建模与商务智能》等。
　　出版著作教材7部，发表论文100余篇，其中30余篇被SCI索引，包括IEEE Transactions on Neural Networks、Pattern Recognition Letters、Electronic Commerce Research and Applications、Neurocomputing、International Journal of Neural Systems等。任IEEE Senior Member、系统工程学会社会经济系统专业委员会理事、优选法统筹法及经济数学研究会理事，及多个国内国际会议委员和分会主席等。

　　《支持向量机算法及其金融应用》综合了大量国内外的新资料和作者的研究成果，有选择地介绍了支持向量机的一些算法和应用。全书从结构上分为三篇：第一篇介绍了支持向量机的一些概念；第二篇具体介绍了一些支持向量机的算法，包括支持向量机的结构修剪方法、粗略删除支持向量的方法、特征空间椭圆模式挖掘、在特征空间和经验图中的训练算法、奇偶校验问题的一些解法，并研究了支持向量机超曲面对两类样本的分隔问题。第三篇主要讨论了支持向量机的应用问题，包括互联网金融信息时间序列、股价预测等问题，以及互联网金融信息分析系统的介绍。