内容简介

本书立足于国家金融安全的战略高度，顺应社会媒体和大数据技术的发展，基于在线社交网络视角研究投资者的信息学习机制及其对资产定价效率的影响。研究内容包括社交用户角色识别、投资者信息学习机制、信息学习对股价同步性的影响三个部分，分别回答了“投资者信息学习所处的信息环境如何”“投资者如何利用在线社交网络进行信息学习”“投资者群体信息学习具有怎样的经济后果”三个核心问题，以满足习近平总书记强调防范和化解金融风险对相关学术研究的迫切要求。本书取得了一系列的创造性成果，部分成果能够为当前后疫情时期降低高的股价同步性、改善市场运行效率、牢牢守住不发生系统性金融风险底线提供切实可行的政策建议。

  作者介绍

李琳，首都经济贸易大学统计学院数据科学系讲师，中南财经政法大学数量经济学博士。研究方向：社交网络、行为博弈、金融资产定价。

金大卫，中南财经政法大学信息工程学院教授、院长。研究方向：金融信息工程、金融高频数据分析。

马丽丽，首都经济贸易大学统计学院数据科学系副教授。研究方向：复杂网络、非结构化大数据分析。

  目录

第1章  广义线性模型及其参数估计 1
  1.1  广义线性模型 2
  1.2  广义线性模型下的极大似然估计和惩罚估计 4

第2章  大数据下的参数估计方法 8
  2.1  分治法 8
  2.2  子抽样法 11
  2.3  并行分析法 12

第3章  大数据下广义线性模型的分布式自适应lasso估计及计算 18
  3.1  广义线性模型下的自适应lasso估计 18
  3.2  QAGLM-alasso估计及其计算 20
       3.2.1  QAGLM-alasso估计 21
       3.2.2  QAGLM-LARS算法 24
  3.3  QAGLM-alasso的理论性质研究 28
  3.4  模拟数据分析 30
  3.5  实际数据分析 47
  3.6  小结 50
  3.7  附录 50
       3.7.1  定理3.1的证明 50
       3.7.2  定理3.2的证明 53

第4章  大数据下广义线性模型的分布式非凸惩罚估计及计算 57
  4.1  广义线性模型下的非凸惩罚估计 57
  4.2  QAGLM-NC估计及其并行计算 59
      4.2.1  QAGLM-NC估计 60
      4.2.2  QAGLM-ADMM算法 62
  4.3  QAGLM-NC的理论性质及QAGLM-ADMM的收敛性分析 64
  4.4  模拟数据分析 67
  4.5  实际数据分析 88
  4.6  小结 93
  4.7  附录 93
       4.7.1  SCAD和MCP惩罚下问题（4.15）的显式解 93
       4.7.2  定理4.1的证明 94
       4.7.3  定理4.2的证明 100
       4.7.4  定理4.3的证明 104

参考文献 107