大数据时代金融专业数学的发展趋势.pdf

《大数据时代金融专业数学的发展趋势.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2014年8月UniversityEducationUniverAsiutyguEsdtu，c2a0ti1o4n大数据时代金融专业数学的发展趋势张瑞亭（北京工商大学嘉华学院，北京101118）［摘要］随着科学技术的飞速发展和人们获取数据的多样化，人类拥有的数据急剧增加。在大数据时代，数据已成为新型战略资源，是驱动创新的重要因素。如何获取隐藏在数据背后的潜在的规律备受研究人员关注。数据挖掘是一门边缘应用学科，它的蓬勃发展是由于它在各个领域的广泛应用。结合金融数据的特点以及目前数据挖掘、机器学习存在的问题，研究未来金融专业数学的发展方

2、向和动态趋势，对于大数据时代下培养金融专业学生具有十分重要的意义。［关键词］数据挖掘机器学习支持向量机金融数据［中图分类号］F83［文献标识码］A［文章编号］2095-3437（2014）14-0029-02一、背景持向量机）、ClusterAnalysis（聚类分析）等。近几年，研究数据是与自然资源、人力资源一样重要的战略资人员将遗传算法、神经网络、系统理论以及当代数学研源，其背后隐含着巨大的经济价值。近年来，“大数据”研究的最新进展，应用于金融领域。这使得金融领域数据[1]究已经备受关注。例如，2012年，美国政府在国内发布挖掘在

3、金融管理中备受青睐。例如，产品定价、金融风险了“大数据”研究和《发展倡议》，投资约两亿美元发展大管理、投资决策甚至金融监管都越来越重视金融数据挖数据研究，用以强化国土安全、转变教育学习模式和进掘，通过数据挖掘发现金融市场发展的潜在规律与发展一步加速科学和工程领域的创新速度和水平。继1993动态。机器学习理论及其在金融领域的应用成为了一个[2][3]年美国宣布“信息高速公路”计划后，这项决定标志着美比较热的研究领域。国的又一次重大科技发展部署。美国政府认为“大数据”三、金融数据的特点研究势必对未来的科技、经济等各领域的发展带来深远在众多

4、机器学习方法中，基于Logistic回归、判别分影响。在大数据应用的技术需求牵引下，数据科学研究析等传统的统计方法，对金融模型假定条件非常严格，和人才培养引起了各国的重视。美国哥伦比亚大学和纽在实际应用中很难达到理想效果。其原因在于对金融数约大学、澳大利亚悉尼科技大学、日本名古屋大学、韩国据的非线性和非平稳性的操作具有片面局限性，在实际釜山国立大学等纷纷成立数据科学研究机构；美国加州处理金融数据时，既定假设与金融市场发展实际并不完大学伯克利分校和伊利诺伊大学香槟分校、英国邓迪大全一致，这样可能会影响模型的推广能力和泛化能力。学等一大批

5、高校开设了数据科学课程。基于分类树方法、K-近邻判别分析、遗传算法等传二、机器学习理论统的非参数统计方法，其预测能力较好，但不能量化解机器学习（machinelearning）是继专家系统之后人释指标的程度。例如，K-近邻判别分析是一种非参数距工智能应用的又一重要研究内容，在某种意义上，机器离学习方法，通常按照数据样本之间的距离或相关系数学习或将认为是数据挖掘的同义词。数据挖掘是指有组进行度量，这样会受到少数异常数据点的影响。但是，在织、有目的地收集数据、分析数据，从海量数据中寻找潜相同样本容量下，如果对于具体问题确实存在特定参数在规

6、律，并使之为决策规划提供有价值信息的技术。机模型可以应用时，非参数方法效率相对较低。以神经网器学习是人工智能的核心部分，在金融、工业、商业、互络、支持向量机等为典型的机器学习方法，优点在于可联网以及航天等各个领域均发挥着重要的作用。对机器以有效处理金融数据的非线性特性，并且不需要事先严学习研究的进展，必将对人工智能、数据挖掘领域的发格的统计假设，这样会表现出较强的适应效果，充分体展具有深远影响。现人工智能、机器学习等方法的魅力。神经网络预测精机器学习方法主要包括：ExperSystem（专家系统）、度是各种机器学习方法中相对较好的，因

7、为在一定程度K-NearestNeighbor（K近邻算法）、DecisionTree（决策上，神经网络可以按照任意精度近似非线性函数，为高树）、NeuralNe（t神经网络）、SupportVectorMachine（支度非线性问题的建模和算法提供相应支持。尽管神经网［收稿时间］2014-03-05［基金项目］北京市民办教育发展促进项目（YETP1949）。［作者简介］张瑞亭（1981-），男，河北曲周人，讲师，硕士，研究方向：数据挖掘、运筹优化。29络技术进步有目共睹，但仍然存在一些难题。例如，通常型的推广泛化能力和应用领域。同时

8、计算方面，训练时难以确定隐层节点数，并会存在“过学习”现象和局部极间过长、核参数的确定，在大训练样本情况下,SVM面临小值等问题。着维数灾难，甚至会由于内存的限制导致无法训练。目四、支持向量机前支持向量机在金融数据挖掘方