顶部
收藏

经济金融文本分析


作者:
林建浩 张一帆 陈良源
定价:
45.00元
ISBN:
978-7-04-065514-8
版面字数:
380.00千字
开本:
16开
全书页数:
暂无
装帧形式:
平装
重点项目:
暂无
出版时间:
2025-10-27
物料号:
65514-00
读者对象:
高等教育

本书全面深入地阐述了文本分析在经济和金融领域的应用,注重计算机科学与人文社会科学——经济学、金融学的相互渗透,为读者提供了系统的学习视角。本书不仅涵盖了文本预处理、情绪分析和主题建模等关键分析维度,还紧跟大语言模型快速发展趋势,详细介绍了深度学习技术及其在经济金融领域的具体应用,使读者能够兼顾基础知识与最新研究动态。通过Python编程实践,本书强化了文本分析理论知识与实际操作的结合,旨在提升读者的经济金融文本分析及实践应用能力。

本书适合高等学校经济管理、计算机应用及相关社会科学专业的本科生和研究生作为教材使用,也可作为经济金融从业者的参考用书。

  • 前辅文
  • 第1章 文本分析的发展沿革与基本流程
    • 1.1 文本分析方法发展沿革
    • 1.2 文本分析在经济学与金融学中的应用
      • 1.2.1 文本分析在经济学中的应用
      • 1.2.2 文本分析在金融学中的应用
    • 1.3 文本分析的基本流程
    • 思考题
  • 第2章 文本数据获取与Python基础
    • 2.1 文本数据获取
      • 2.1.1 文本数据类型
      • 2.1.2 文本数据的来源
    • 2.2 财经文本数据示例及其研究价值
      • 2.2.1 宏观经济文本
      • 2.2.2 媒体新闻报道
      • 2.2.3 公司财务年报
      • 2.2.4 分析师报告
      • 2.2.5 消费者评价文本
    • 2.3 Python基础介绍
      • 2.3.1 Python基础语法
      • 2.3.2 Python字符处理
    • 2.4 文本爬虫
      • 2.4.1 爬虫的基本原理
      • 2.4.2 常用爬虫工具
      • 2.4.3 网络爬虫的法律和道德规范
      • 2.4.4 网页爬取的代码示例
    • 思考题
  • 第3章 文本数据预处理
    • 3.1 中文与英文预处理的主要区别
      • 3.1.1 文本分词
      • 3.1.2 停用词去除
      • 3.1.3 词形规范化
      • 3.1.4 特定语言处理
    • 3.2 文本分词
      • 3.2.1 基于规则的分词方法
      • 3.2.2 基于统计的分词方法
      • 3.2.3 其他分词方法
      • 3.2.4 分词的程序工具包
    • 3.3 停用词去除
    • 3.4 词形规范化
    • 3.5 词性标注
    • 3.6 命名实体识别
    • 3.7 预处理实例
    • 思考题
  • 第4章 词语的向量化表示
    • 4.1 词的独热表示法
    • 4.2 词的分布式表示
      • 4.2.1 共现矩阵
      • 4.2.2 点互信息矩阵
      • 4.2.3 降维与奇异值分解
    • 4.3 词嵌入方法
      • 4.3.1 Word2Vec词向量
      • 4.3.2 Word2Vec的算法:CBOW模型和Skip-gram模型
      • 4.3.3 GloVe词向量
    • 4.4 词语相似性与类比性
    • 4.5 词嵌入实例
    • 思考题
  • 第5章 文本指标介绍
    • 5.1 文档—词条矩阵
      • 5.1.1 词频矩阵
      • 5.1.2 词频—逆文档频率矩阵
    • 5.2 文本指标1:关键词词频
      • 5.2.1 指标计算规则
      • 5.2.2 指标应用
    • 5.3 文本指标2:文本相似性
      • 5.3.1 指标计算规则
      • 5.3.2 指标应用
    • 5.4 文本指标3:文本可读性
      • 5.4.1 指标计算规则
      • 5.4.2 指标应用
    • 5.5 文本指标的稳健性与可复制性
      • 5.5.1 稳健性
      • 5.5.2 可复制性
    • 5.6 应用案例:基于央行沟通的文本指标测度
    • 思考题
  • 第6章 基于词典的文本情绪分析
    • 6.1 文本情绪分析方法的发展脉络
    • 6.2 基于词典法提取文本情绪的基本流程
    • 6.3 已有的通用词典与专用词典
    • 6.4 拓展词典法
    • 6.5 生成词典法
    • 6.6 计算规则优化
    • 6.7 应用案例:媒体叙事与消费增速预测
    • 思考题
  • 第7章 基于计量模型的文本情绪提取
    • 7.1 监督学习的基本思路
    • 7.2 栅栏分布式多项回归模型
      • 7.2.1 分布式多项回归模型简述
      • 7.2.2 栅栏分布式多项回归模型设定与系数解读
      • 7.2.3 应用案例:央行沟通与经济预测
    • 7.3 基于文本筛选和主题建模的情感提取模型
      • 7.3.1 模型基本假设
      • 7.3.2 模型实现步骤
      • 7.3.3 模型估计方法的改进
      • 7.3.4 应用案例:央行沟通指数测度
    • 7.4 因子增强正则化预测模型
      • 7.4.1 因子增强正则化预测模型思路与实现步骤
      • 7.4.2 应用案例:股票收益率预测
    • 7.5 其他监督学习方法
      • 7.5.1 支持向量回归
      • 7.5.2 随机森林模型
    • 思考题
  • 第8章 文本聚类与文本主题建模
    • 8.1 潜在语义分析(LSA)
    • 8.2 潜在狄利克雷分布(LDA)
      • 8.2.1 LDA模型结构与基本参数
      • 8.2.2 LDA模型的输入和输出
    • 8.3 LDA模型的拓展
      • 8.3.1 LDA主题聚类
      • 8.3.2 有监督的LDA模型(sLDA)
      • 8.3.3 结构化主题模型(STM)
    • 8.4 文本主题模型的实证应用
      • 8.4.1 利用文本主题构造指标
      • 8.4.2 经济预测
      • 8.4.3 资产定价
    • 8.5 LDA模型的代码实现
    • 思考题
  • 第9章 深度学习与文本分析
    • 9.1 神经网络思想与多层感知机
      • 9.1.1 单层感知机
      • 9.1.2 多层感知机
      • 9.1.3 激活函数
      • 9.1.4 反向传播算法
    • 9.2 卷积神经网络
      • 9.2.1 模型基础思路
      • 9.2.2 CNN模型在文本数据中的应用
    • 9.3 循环神经网络
      • 9.3.1 模型基础思路
      • 9.3.2 RNN模型在文本数据的应用
    • 9.4 长短期记忆模型
    • 9.5 注意力模型
      • 9.5.1 注意力机制
      • 9.5.2 自注意力机制
    • 9.6 基于深度学习的大语言模型
      • 9.6.1 Transformer模型
      • 9.6.2 大语言模型的词嵌入
      • 9.6.3 GPT模型与BERT模型
    • 9.7 大语言模型的兴起及其对文本分析的影响
      • 9.7.1 大语言模型的快速发展
      • 9.7.2 经济和金融领域的大语言模型
      • 9.7.3 大语言模型与文本分析任务
    • 思考题
  • 第10章 大语言模型与传统文本分析任务
    • 10.1 计算文本相似性
    • 10.2 提取文本向量进行预测
    • 10.3 识别和分类文本
    • 10.4 构建特定领域词典
    • 10.5 文本情绪分析
    • 10.6 文本主题分析
    • 思考题
  • 第11章 大语言模型与新应用场景
    • 11.1 LLMs与代理主体建模
      • 11.1.1 基于LLMs的交易与投资代理
      • 11.1.2 利用LLM Agent模拟市场和宏观经济活动
    • 11.2 LLMs与文本信念模拟
    • 11.3 LLMs与时间序列分析
      • 11.3.1 LLMs与时序大模型
      • 11.3.2 LLMs与经济金融时序预测
      • 11.3.3 LLMs与时序异常检测
    • 11.4 LLMs与经济金融推理
      • 11.4.1 LLMs与财务规划
      • 11.4.2 LLMs与投资建议或咨询
    • 11.5 大语言模型的优势与局限性
      • 11.5.1 优势
      • 11.5.2 局限性
    • 思考题
  • 第12章 社交媒体数据分析与应用
    • 12.1 社交媒体数据的类型及特殊性
    • 12.2 文本数据的分析方法
    • 12.3 图像数据的分析方法
    • 12.4 音频数据的分析方法
    • 12.5 视频数据的分析方法
    • 12.6 社交媒体在经济金融中的应用
      • 12.6.1 宏观经济领域
      • 12.6.2 资本市场领域
      • 12.6.3 公司金融领域
      • 12.6.4 其他领域
    • 12.7 社交媒体数据分析与应用的未来展望
    • 思考题
  • 主要参考文献

相关图书


相关数字化产品