金融管理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。数据挖掘是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。
　　本书对一些相对较成熟的挖掘技术的讨论，阐述其用途、解决思路、需注意的主要问题、步骤，以金融领域的具体案例介绍模型与方法的应用。全书包括金融数据预处理、分类技术、预测、聚类技术、神经网络与支持向量机、异常数据挖掘，并且介绍了这些领域的一些最新方法。
　　本书可作为信息管理与金融类专业本科生和研究生的教材，也可供从事数据挖掘技术与应用研究的科研人员、金融市场数据分析人员，以及数据挖掘应用软件的开发者参考。

丛书序
序言
前言
第1章 绪论
1.1 数据挖掘技术的兴起
1.2 数据挖掘概述
1.3 数据挖掘与统计学
1.4 数据挖掘与金融
第2章 金融数据预处理
2.1 概述
2.2 数据预处理任务
2.3 常见数据预处理技术
2.4 案例：信用卡数据挖掘的预处理
2.5 金融时间序列去噪预处理研究
第3章 关联规则挖掘技术
3.1 关联规则的定义
3.2 关联规则挖掘技术
3.3 案例：银行卡的关联规则挖掘
3.4 基于共同机制思想的时间序列关联模式挖掘
第4章 分类技术
4.1 分类建模介绍
4.2 判别式分类
4.3 决策树分类
4.4 贝叶斯分类
4.5 粗糙集方法
4.6 分类技术在信用卡管理中的应用
第5章 预测技术
5.1 线性回归分析
5.2 非线性田归分析
5.3 灰色预测技术
5.4 组合预测技术
5.5 混合预测模型在股票价格预测中的应用
第6章 神经网络与支持向量机
6.1 神经网络概述
6.2 前向型神经网络
6.3 Hopfield网络
6.4 自组织特征映射神经网络
6.5 统计学习理论
6.6 支持向量机
6.7 支持向量机方法在金融预测中的应用
第7章 聚类分析
7.1 聚类的相关概念
7.2 数据类型及相似性度量
7.3 分割聚类算法
7.4 层次聚类法
7.5 基于密度的聚类方法
7.6 基于模型的聚类
7.7 聚类分析技术在金融投资分析中的应用
第8章 时间序列数据挖掘
8.1 经典时间序列分析模型
8.2 金融时间序列挖掘与模型分析法的比较
8.3 时间序列挖掘的基本问题
8.4 时间序列相似性度量的一般方法
8.5 反映心理偏好的时间序列相似性度量研究
8.6 时间序列的符号化处理
8.7 时间序列事件征兆模式挖掘研究
8.8 征兆模式挖掘在股票市场有效性研究中的应用
第9章 异常数据挖掘
9.1 概述
9.2 异常的定义
9.3 异常的隐藏
9.4 异常挖掘的一般方法
9.5 异常数据挖掘在金融领域中的应用
参考文献
致谢