书：pan.baidu.com/s/1owku2NBxL7GdW59zEi20AA?pwd=suov
提取码：suov
我的阅读笔记：
- 金融数据获取与清洗： 数据获取是金融大数据分析的首要步骤，包括从各种数据源（金融市场、经济指标等）中获取数据并进行清洗。
- 时间序列分析： 由于金融数据通常是时间序列数据，掌握时间序列分析技术对于预测和决策至关重要。
- 量化交易： 学习如何使用数学模型和算法进行量化交易，包括开发和测试交易策略。
- 风险管理： 深入了解金融领域的风险概念，包括价值-at-风险（VaR）等。
- 机器学习在金融中的应用： 探讨机器学习算法在金融领域的实际应用，如预测股价、信用评分等。
- 大数据技术： 学习如何使用大数据技术（如Hadoop、Spark）处理金融领域的大规模数据。
- 数据可视化： 使用数据可视化工具将分析结果以图形方式呈现，提高理解和沟通效果。
- Python库的使用： 深入了解Python在金融分析中广泛使用的库，如Pandas、NumPy、Matplotlib、TensorFlow等。
- 实际案例和项目： 学习通过实际案例和项目应用所学知识，加深对金融大数据分析的实际应用理解。
- 金融市场数据分析： 学习如何获取、处理和分析金融市场数据，包括股票价格、交易量等。
- 时间序列预测： 掌握时间序列分析和预测技术，用于预测金融时间序列的未来走势。
- 风险建模和管理： 深入了解风险概念，构建风险模型，以及实施和管理金融产品的风险。
- 量化交易策略开发： 学习如何使用数学模型和算法创建、测试和优化量化交易策略。
- 机器学习在投资中的应用： 探讨机器学习算法在投资决策中的应用，如基于模型的投资组合优化。
- 大数据处理和分析： 使用大数据技术处理金融领域的大规模数据，进行快速而有效的分析。
- 金融衍生品定价： 学习金融衍生品（期权、期货等）的定价模型和相关数学方法。
- 金融信用风险建模： 掌握金融信用风险建模技术，用于评估和管理信用风险。
- Python库和框架应用： 深入使用Python中常用的数据科学库和框架，如Pandas、NumPy、SciPy等。
- 实际项目和案例分析： 通过实际项目和案例，应用所学知识解决真实世界的金融问题，加深理解。