目 录

 第1章 大数据概论 1

 1.1 大数据的起源 1

 1.2 大数据的概念 2

 1.3 大数据的内涵特征 2

1.3.1 特征定义 2

1.3.2 价值探讨 3

1.3.3 未来展望 4

课后思考 5

 第2章 大数据在金融领域的应用 6

 2.1　金融大数据概述 6

2.1.1 金融大数据的内涵 6

2.1.2 金融大数据的特征 7

 2.2　金融科技发展中的大数据应用 8

2.2.1 金融大数据的发展趋势 8

2.2.2 金融大数据应用面临的挑战 9

 2.3　大数据在银行业的应用 10

2.3.1 大数据对商业银行的影响 10

2.3.2 大数据在银行业的主要应用场景 12

 2.4　大数据在证券行业的应用 13

2.4.1 大数据对证券业的影响 13

2.4.2 大数据对证券业的作用 14

2.4.3 大数据在证券业中的具体应用 15

 2.5　大数据在保险业的应用 16

2.5.1 大数据对保险行业的影响 16

2.5.2 大数据在保险行业中的具体应用 18

课后思考 19

 第3章 大数据分析工具Python 20

 3.1　Python简介 20

3.1.1 Python 的主要特点 20

3.1.2 Python 的应用领域 21

 3.2　Python基础知识 21

3.2.1 Python 的下载与安装 21

3.2.2 注释、行和缩进与变量 25

3.2.3 数据类型 26

3.2.4 运算符 27

3.2.5 Python 语句 31

3.2.6 Python 函数 33

 3.3　Python的模块、包、库 34

3.3.1 Python 中的模块 34

3.3.2 Python 中的包 35

3.3.3 Python 中的库 37

 3.4　Python数据处理步骤 38

 3.5　Python数据可视化 39

 3.6　Python网络爬虫基础 48

3.6.1 爬虫的定义 48

3.6.2 Python 爬虫架构 48

3.6.3 urllib2 实现下载网页的三种方式 49

3.6.4 第三方库 Beautiful Soup 的安装与使用 50

课后思考 51

 第4章 数据挖掘与算法 52

 4.1　数据挖掘基础 52

4.1.1 数据挖掘的概念与内涵 52

4.1.2 数据挖掘的基本流程 53

 4.2　熵权法 54

4.2.1 熵权法的定义与内涵 54

4.2.2 熵权法在金融大数据分析中的应用思路 55

4.2.3 在Python环境下应用熵权法的基本原理 57

 4.3　分类算法 58

4.3.1 分类算法的概念 58

4.3.2 分类算法的主要类型 59

4.3.3 分类算法在金融大数据分析中的应用方向与应用优势 62

 4.4　回归 63

4.4.1 回归方法的基本概念、原理和应用场景 63

4.4.2 Python 环境下金融大数据分析中回归方法的实现方式、优势和局限性 63

4.4.3 回归方法在金融大数据分析中的深度应用和未来发展趋势 65

 4.5　时间序列 67

4.5.1 时间序列的概念和在金融大数据分析中的地位 67

4.5.2 时间序列模型的基本形式 68

4.5.3 时间序列模型在 Python 环境下的应用 69

 4.6　文本挖掘 71

4.6.1 文本挖掘的概念 71

4.6.2 文本信息的采集和预处理 72

4.6.3 文本挖掘算法设计 75

课后思考 76

 第5章 大数据分析方法 77

 5.1　大数据分析方法概述 77

5.1.1 大数据分析的应用 78

5.1.2 技术与工具 78

 5.2　数据采集 79

5.2.1 大数据来源 80

5.2.2 数据采集技术 80

 5.3　数据清洗 82

5.3.1 清洗挑战 82

5.3.2 清洗策略 83

5.3.3 数据清洗步骤指南 84

 5.4　数据集成 84

5.4.1 集成技术概述 85

5.4.2 集成挑战与解决方案 85

5.4.3 ETL过程的应用 86

 5.5　可视化设计 87

课后思考 89

 第6章 商业银行大数据应用：中小微企业信贷决策 90

 6.1 大数据在商业银行风控中的应用 90

6.1.1 大数据应用于商业银行风控的原理 90

6.1.2 大数据在商业银行风控中应用的优势 91

6.1.3 大数据在商业银行风控中的全流程应用 92

 6.2　项目背景介绍：中小微企业信贷决策 92

 6.3　数据收集—— 制作指标评估清单 94

 6.4　数据预处理 94

6.4.1 数据理解 94

6.4.2 利用Python理解数据类型 96

 6.5　数据分析与挖掘 97

6.5.1 建立评价指标 97

6.5.2 运用熵权法确定权重并计算得分 104

 6.6　信贷投放方案决策报告 110

 6.7　本章小结 111

课后思考 112

 第7章 保险机构大数据应用：精准营销 113

 7.1　保险营销案例背景 114

7.1.1 大数据在保险营销领域的应用 114

7.1.2 大数据精准营销在保险业中的具体应用 116

7.1.3 案例介绍 117

 7.2　数据收集：调查问卷设计 118

7.2.1 调查问卷设计基本原则 118

7.2.2 调查问卷设计方法与步骤 119

7.2.3 数据收集案例 119

 7.3　数据预处理 120

 7.4　数据分析与挖掘 121

7.4.1 用户画像分析 121

7.4.2 决策树模型的应用 122

7.4.3 决策树模型的Python代码实现 123

 7.5　保险精准营销分析报告 127

7.5.1 背景介绍 127

7.5.2 数据来源 128

7.5.3 描述分析 129

7.5.4 模型建立 130

7.5.5 结论与展望 131

课后思考 131

 第8章 证券投资大数据应用：多因子量化交易 132

 8.1　量化投资的基本概念 132

8.1.1 量化投资的内涵与特征 132

8.1.2 量化投资与传统投资方法的区别 134

8.1.3 量化投资的发展历程 135

8.1.4 量化策略投资环境分析 137

 8.2　量化投资策略开发的流程与工具 138

8.2.1 量化投资策略开发的基本流程 138

8.2.2 量化投资开发常用软件 139

 8.3　数据收集 140

 8.4　数据清洗 141

8.4.1 任务实战 142

8.4.2 实操说明 142

 8.5　多因子量化交易分析 143

8.5.1 多因子策略介绍 143

8.5.2 多因子模型的产生背景 143

8.5.3 因子类型 144

8.5.4 多因子选股模型的判断方法 146

8.5.5 多因子选股模型的建立过程 147

8.5.6 任务实战—— 多因子量化分析 147

 8.6　投资组合回测 156

8.6.1 量化策略的两个阶段 156

8.6.2 量化策略输出阶段的三种类型 156

8.6.3 量化回测的实现工具 158

8.6.4 BackTrader回测流程 158

8.6.5 任务实操 160

课后思考 167

 第9章 宏观研究大数据应用：货币政策文本分析 168

 9.1　项目导入——货币政策与大数据 168

 9.2　货币政策相关文本数据收集 169

9.2.1 确定数据源 169

9.2.2 手动收集 170

9.2.3 第三方数据库 173

9.2.4 自动化工具 173

9.2.5 文献库建设 176

 9.3　数据预处理 177

9.3.1 文本预处理 177

9.3.2 文本分析 178

 9.4　数据分析与挖掘 181

9.4.1 内容分析 181

9.4.2 时间序列分析 182

9.4.3 关联规则分析 184

9.4.4 文本分类 185

9.4.5 预测模型 186

 9.5　货币政策分析报告 188

9.5.1 数据可视化 188

9.5.2 报告编写 189

9.5.3 政策推演 190

课后思考 191

 第10章 金融科技大数据应用：第三方支付风控 193

 10.1　案例导入：第三方支付风控背景介绍 193

10.1.1 大数据与第三方支付风控原理 193

10.1.2 大数据在第三方支付风控中的应用优势 194

 10.2　需求分析：第三方支付风险分析 195

 10.3　方案设计 197

 10.4　技术实现：风控决策系统实践操作实例 198

10.4.1 任务目标及流程 198

10.4.2 详细任务流程操作 198

 10.5　案例总结 212

课后思考 213

 第11章 金融大数据监管合规 214

 11.1　大数据背景下的金融合规 214

11.1.1 金融合规的内涵 215

11.1.2 大数据背景下金融合规的特征 215

11.1.3 大数据背景下金融合规的挑战 217

11.1.4 大数据背景下金融合规的机遇 219

 11.2　大数据与金融信息安全 221

11.2.1 大数据背景下金融信息个体层面困境 221

11.2.2 大数据背景下金融信息技术层面困境 222

11.2.3 大数据背景下金融信息制度层面困境 223

11.2.4 大数据环境下金融信息的安全防范与措施 224

 11.3　大数据视野下的金融发展与监管创新 225

11.3.1 数字经济时代的大数据金融战略 226

11.3.2 大数据金融新场景 226

11.3.3 大数据背景下供应链金融发展存在的主要问题 227

11.3.4 大数据视野下的金融监管困局 228

11.3.5 大数据视野下的金融监管建议 229

 11.4　典型实践案例 230

11.4.1 中国农业银行基于责任链的开放银行数据保护及合规实践 231

11.4.2 中国工商银行信贷模型预测服务 232

11.4.3 招商银行高价值客户识别模型预测服务 232

课后思考 233

 第12章 金融大数据前景展望 234

 12.1　金融大数据+区块链：应用、风险与未来趋势 234

12.1.1 区块链金融的应用场景 235

12.1.2 区块链金融的应用风险 236

12.1.3 区块链金融安全未来趋势 237

 12.2　金融大数据+人工智能：基本服务、应用与未来趋势 238

12.2.1 人工智能+大数据的基本发展 239

12.2.2 人工智能+大数据的具体应用 239

12.2.3 人工智能+大数据在金融领域的未来趋势 240

 12.3　大数据背景下的绿色金融 241

12.3.1 绿色金融概述 242

12.3.2 绿色金融发展的探索 242

12.3.3 数字技术赋能绿色金融正成为发展趋势 243

课后思考 245

参考文献 246