目录
第 1章　数字金融新技术　1
1.1　金融与物联网　2
1.1.1　物联网的概念　2
1.1.2　物联网的起源与发展　3
1.1.3　物联网的特征　4
1.1.4　物联网体系架构　4
1.1.5　物联网在金融中的应用　6
1.2　金融与云计算　7
1.2.1　云计算的定义和特点　8
1.2.2　云计算的演进之路　9
1.2.3　云计算架构　9
1.2.4　云计算部署模式　10
1.2.5　云计算关键技术　11
1.2.6　云计算在金融中的应用　12
1.3　金融与区块链　12
1.3.1　区块链和比特币的关系　13
1.3.2　区块链的基本概念和工作原理　13
1.3.3　区块链的主要特征　14
1.3.4　区块链在金融中的应用　15
1.4　金融与大数据　15
1.4.1　数据产生的历史　16
1.4.2　什么是大数据　17
1.4.3　大数据的特征　17
1.4.4　大数据的相关技术　18
1.4.5　大数据在金融中的应用　21
1.5　金融与人工智能　21
1.5.1　人工智能就在你身边　21
1.5.2　人工智能的概念　23
1.5.3　人工智能学派　24
1.5.4　人工智能关键技术　25
1.5.5　人工智能在金融中的应用　29
练习题　29
第 2章　数字金融人才必备办公技能　31
2.1　Excel在金融中的应用　32
2.1.1　Excel基本操作　32
2.1.2　外部数据的获取　36
2.1.3　使用公式和函数处理数据　40
2.1.4　金融数据的统计与管理　51
2.1.5　数据分析与可视化　60
2.2　Power BI在金融中的应用　63
2.2.1　Power BI概述　63
2.2.2　数据连接与数据清洗　67
2.2.3　可视化图表及视觉对象　73
2.2.4　可视化报表　74
练习题　78
第3章　金融统计分析概述　81
3.1　金融统计分析的对象　81
3.1.1　金融统计分析的研究对象　81
3.1.2　金融统计分析的研究内容　82
3.2　金融统计分析的基本方法　82
3.2.1　理论分析方法　83
3.2.2　统计分析方法　83
3.2.3　数量分析方法　84
练习题　84
第4章　常见金融统计分析软件　86
4.1　SPSS在金融统计分析中的应用　87
4.1.1　SPSS简介　87
4.1.2　应用案例　92
4.2　EViews在金融统计分析中的应用　100
4.2.1　EViews简介　100
4.2.2　应用案例　104
4.3　Stata在金融统计分析中的应用　108
4.3.1　Stata简介　108
4.3.2　应用案例　113
练习题　117
第5章　Python概述　119
5.1　了解Python　120
5.1.1　Python发展史　120
5.1.2　Python优势　120
5.1.3　Python应用领域　121
5.2　搭建与使用Python集成开发环境　121
5.2.1　集成开发环境简介　121
5.2.2　使用PyCharm　126
5.3　Python基本语法　131
5.3.1　程序的书写规范　131
5.3.2　变量与保留字　132
5.3.3　基本输入与输出函数　134
练习题　134
第6章　数据类型　136
6.1　基本数据类型　136
6.1.1　数值型　137
6.1.2　字符串型　137
6.1.3　布尔型　141
6.1.4　数据类型操作　141
6.2　组合数据类型　142
6.2.1　元组　142
6.2.2　列表　144
6.2.3　字典　145
6.2.4　集合　147
6.2.5　元组、列表、字典和集合的区别　149
6.3　运算符与表达式　149
6.3.1　算术运算符与算术表达式　149
6.3.2　赋值运算符与赋值表达式　150
6.3.3　关系运算符与关系表达式　150
6.3.4　逻辑运算符与逻辑表达式　151
6.3.5　运算符的优先级　151
练习题　151
第7章　程序控制结构　153
7.1　分支结构　154
7.1.1　单分支结构：if语句　154
7.1.2　双分支结构：if…else语句　154
7.1.3　多分支结构：if…elif…else语句　155
7.1.4　分支语句嵌套　157
7.2　循环结构　158
7.2.1　for循环结构　158
7.2.2　while循环结构　159
7.2.3　循环嵌套　160
7.2.4　break语句和continue语句　161
7.2.5　包含else语句的循环结构　162
7.3　异常处理　162
7.3.1　异常类别　163
7.3.2　异常处理基本结构　163
7.3.3　常见的异常类型　163
7.3.4　异常处理示例　164
练习题　165
第8章　函数　167
8.1　函数概述　168
8.1.1　函数的基本概念　168
8.1.2　Python函数的分类　168
8.2　函数的定义和调用　170
8.2.1　函数的定义　170
8.2.2　函数的调用　171
8.2.3　lambda函数　171
8.2.4　函数的返回值　173
8.3　函数参数传递　174
8.3.1　位置传递　174
8.3.2　关键字传递　174
8.3.3　默认值传递　175
8.3.4　星号传递　176
8.4　变量作用域　177
8.4.1　局部变量　177
8.4.2　全局变量　178
8.4.3　global和nonlocal关键字　179
练习题　180
第9章　文件操作　182
9.1　文件概述　182
9.2　文件访问　183
9.2.1　文件的打开　183
9.2.2　文件的遍历　184
9.2.3　文件的关闭　185
9.3　文件的其他操作　186
9.3.1　文件的读取　186
9.3.2　文件的定位　187
9.3.3　文件的写入　187
9.3.4　文件与目录操作　189
练习题　192
第 10章　Python数据分析常用第三方库　193
10.1　数据分析基础库之NumPy　194
10.1.1　NumPy简介　194
10.1.2　NumPy基本数据结构　194
10.1.3　NumPy核心功能及其应用　198
10.2　数据分析基础库之Pandas　206
10.2.1　Pandas简介　206
10.2.2　Pandas基本数据结构　207
10.2.3　Pandas核心功能及其应用　212
10.3　数据可视化基础库之Matplotlib　221
10.3.1　Matplotlib简介　221
10.3.2　Matplotlib核心功能及其应用　222
练习题　229
第 11章　金融与数据挖掘　232
11.1　生活中的金融　233
11.1.1　案例1：商场购物——现金和电子支付　233
11.1.2　案例2：银行存款并购买理财产品——储蓄和投资　233
11.1.3　案例3：证券公司开户炒股——投资与理财　234
11.2　数据挖掘　234
11.2.1　数据挖掘的概念　234
11.2.2　大规模数据集　235
11.2.3　数据挖掘方法　236
11.3　数据挖掘在金融中的应用　237
练习题　238
第 12章　数据预处理和数据探索　240
12.1　数据挖掘的基本步骤　241
12.1.1　目标分析与拆解　241
12.1.2　数据收集　242
12.1.3　数据预处理、数据探索和可视化　242
12.1.4　分析与建模　244
12.1.5　模型评估　245
12.2　案例分析——数据收集和数据预处理　247
练习题　251
第 13章　数据挖掘常用方法　253
13.1　监督学习　253
13.1.1　回归　254
13.1.2　分类　256
13.2　无监督学习　266
13.2.1　聚类　266
13.2.2　案例分析——银行客户群体划分　270
13.2.3　关联规则分析　275
13.2.4　案例分析——信用卡推荐　282
13.3　时间序列分析　285
13.3.1　时间序列分析概述　285
13.3.2　时间序列分析模型——ARIMA模型　285
13.3.3　案例分析——股票收盘价分析　287
练习题　293