兰秋军老师

兰秋军个人简介

兰秋军，博士，教授。金融工程方向、信息管理方向硕士研究生导师。获湖南大学计算机科学专业硕士、管理科学与工程专业(金融工程方向)博士学位。

主要研究领域为金融工程与风险管理，重点关注金融数据挖掘、金融量化投资与决策、大数据商务智能应用。

著有《金融数据挖掘》、《运筹学》等著作，在国内外学术刊物上发表论文近三十篇。主持国家自然科学基金、归国留学基金等项目4项，参与各类纵向课题6项，并曾在多家IT企业任职，负责多个信息系统项目的研发，涉及金融保险、互联网营销、房地产、零售、教育等行业。学术成果获湖南省科技进步二等奖1次，教育部科技进步一等奖1次。

教育背景

2001-2004 湖南大学 管理科学与工程 博士  Hunan Univ. ManagementScience & Engineering,Ph.D

1995-1998 湖南大学 计算机科学 硕士       Hunan Univ. Computer Science, Master

1991-1995 西安石油学院 计算机及应用 学士 Xi'an ShiyouUniversity,Computer Science, Batchelor

职业经历 AcademicExperiences

2005.1~至今   湖南大学工商管理学院  Business School,Hunan Univ, AssistantProf(2005-2006),Associate Prof(2006-)

2007.8-2008.8  香港城市大学经济金融系任高级研究助理 Dept.of Eco & Fin,City Univ of Hongkong, Senior Research Assistant

2009.10-2010.11 美国阿肯色大学Sam. Walton 商学院金融系，访问学者 Business School,Arkansas Univ.,USA, Visiting Scholar

1998.7~2001.7 湖南师范大学理学院计算机系助教、讲师 Dept.,Computer Science,Hunan Normal Univ., Assistant Prof.

1. 数据挖掘与商务智能

2. 金融量化投资与决策

3. 基于大数据的商务应用

4. 系统优化与决策

本科：运筹学；金融计算与实验；个人知识管理；经济预测与决策；统计学

硕士：数据挖掘与商务智能；优化理论与技术；计量经济学；数据、模型与决策(MBA)

博士：系统优化与决策

1、著作

[1 ] 马超群 兰秋军 陈为民. 金融数据挖掘.北京:科学出版社, 2007.

简介:当今世界是一个信息化和数量化的时代，每天都有不计其数的数据在产生。如何从大量的数据中获取知识成了人们关注的焦点。数据挖掘(Data Mining)是20世纪90年代中期兴起的新技术，是发现数据中有用模式的过程，其目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果，以人们容易理解的形式提供有用的决策信息。数据挖掘技术的应用领域非常广泛，可以说，各行各业，只要涉及到大量数据的分析处理，数据挖掘就有用武之地。而在金融领域，许多金融业务活动，如客户分析、投资决策、风险管理、价格预测都需要对大量历史数据进行分析，分析数据是许多金融从业人员的“基础”、“日常性”工作。特别是由于我国金融信息化的快速发展，金融领域积累了非常庞大的数据，如何将这些数据化成有用的决策信息，是令很大金融分析人士头疼的问题。本书的写作希望能给予他们一定的帮助。关于数据挖掘技术的书籍在市面流行的有不少，但多是从理论与技术角度进行介绍，较少以实例的形式对其具体应用进行描述。数据挖掘过程包括数据收集、数据选取与准备、挖掘模型的建立与检验、挖掘结果的解释与验证、以及结果的应用。每一个步骤都非常重要，而数据挖掘本身是一个多学科交叉领域，涉及到机器学习、数据库与数据仓库、统计学等众多学科知识，其具体的研究内容非常广泛。本书基于作者对金融数据挖掘多年的研究经验，其写作目的是通过对一些相对较成熟的挖掘技术的讨论，阐述其用途、解决思路、需注意的主要问题、步骤，再辅以金融领域的具体案例介绍模型与方法的应用，从而使从事金融行业相关读者，既能在理论与技术上对其有较深刻的理解，又能通过对具体案例操作的研读获得感性认识。全书分成八章，第一章导论主要是对数据挖掘技术的概要性介绍，从一个整体的角度了解数据挖掘产生的背景、技术与步骤以及一些关键问题。讨论金融数据的基本特点与挖掘业务需求。第二章金融数据预处理，主要讨论金融数据来源、数据可能面临的错误以及处理方法。第三、四、五、六为具体的挖掘技术的介绍，包括分类与预测、聚类、关联、异常挖掘。这些是目前数据挖掘领域研究最多，应用最广泛的技术，我们重点讨论这些技术的目的、主要思想、关键步骤、面临的主要问题、以及在金融领域的具体应用例子及其实现。第七章是时间序列挖掘，由于时间序列数据在金融领域特别常见，如股价、成交量、汇率、利率等都是以时间序列形式存在的，这种数据由于本身的特殊性，其挖掘过程与一般的表格形式存储的关系数据有所不同，我们专门对其进行介绍，尤其介绍了本书作者所提出的方法以及其金融应用的例子。最后第八章是对数据挖掘技术在金融领域应用前景的论述，并对一些本书并未具体阐述，仍处于研究发展阶段的一些挖掘技术在金融领域的应用进行了展望与分析。

[2 ] 马超群 兰秋军 周忠宝. 管理运筹学. 长沙:湖南大学出版社, 2010.

简介: 组织的任何资源都是有限的，人类管理活动的目的就是在有限资源的约束下，尽可能地提高经济和社会系统的效率。运筹学是一门定量地研究如何有效地组织和管理各种资源的学科，是现代管理科学的基础。目前已广泛应用于金融投资、财务会计、人力资源管理、市场营销、物流管理、工程项目管理、生产计划等经济与管理领域。它遵循提出问题、分析建模、求解和方案实施等一整套科学严密的方法，并始终贯穿着系统优化的思想，这使它在培养和提高管理人才的素质上发挥着重要作用。我国高校很多专业，特别是经济管理类专业普遍以专业基础课的形式开设了运筹学课程，反映大家对它的重视程度相当高。然而，我们在多年的教学实践过程中发现，现有的很多教材都是以数学理论为主。这使得许多经管类学生误认为这是一门纯数学课，常觉得枯燥、乏味，离实际太远而难以提起学习兴趣。其实，本课程目的不在于将学生个个培养成“运筹学家”。而关键应培养学生一种科学管理的思维、树立系统优化的思想，使其在将来的工作实践中自觉地应用运筹学的理念去分析、思考和解决问题。本教材以此为宗旨，在着重培养学生的建模技巧和实践操作能力的基础上，激发学生对理论知识自觉探索的兴趣。全书写作基本按照“基本概念介绍→应用建模举例→计算机操作实践→案例欣赏”的思路，由浅入深、先易后难。通过本教材的学习，学生既能掌握一些必要的理论知识，又可获得实际应用的一些体验。本书的操作实践部分，主要介绍采用Excel和Matlab求解运筹学模型。之所以介绍Excel，主要是因为该软件的普及性，读者学习之后，能较方便地在工作中应用。而Matlab则因其功能强大，是进行科学研究的重要工具软件。对于那些想深入钻研并运用运筹学方法的读者而讲，介绍Matlab的实现对他们将来从事科学研究非常有益，读者可以将本书中的Matlab程序代码作为参考，通过分析、研读、修改，加深对运筹学理论知识的理解和应用。全书按最高96学时，最低32学时设计，共分14章，涵盖了线性规划、对偶理论、运输问题、整数规划、目标规划、动态规划、图与网络分析、网络计划、存储论、排队论、对策论、决策分析等运筹学的主干分支内容。教师可根据具体情况选讲。其中第1章至第7章为基本内容，建议必讲，而第8章至第14章则可根据课时和授课对象进行选讲。并且第1章至第7章的理论部分，教师可根据授课对象的具体情况进行选讲，而不会影响后续内容的学习。本书虽然是作为经济管理类本科生教材而编写，但也可作为除数学专业外的其它本专科生教材，同时也可供研究生、工程技术人员和企业管理人员参考。

2、论文

[1] 兰秋军，李卫康，刘文星. 不同情境下中文文本分类模型的表现及选择. 湖南大学学报(自然科学版),2016,4：

摘要:针对中文文本分类任务中N-Gram,朴素贝叶斯、K最近邻和TF-IDF等经典而广泛使用的文本分类模型的选择困惑问题,基于万余篇中文新闻文本语料数据,设计了一系列的对比实验,考察了各模型在不同参数、不同训练数据规模、不同训练文本长度、类别是否偏斜等多种情境下分类性能的表现,总结了各模型的特性,为中文文本分类模型的选择和应用提供了实践依据和参考.

[2] Lan Q, Li W, Liu W. Chinese textsentiment orientation identification based on Chinese-characters[C]//International Conference on Fuzzy Systems and Knowledge Discovery. IEEE, 2015.

摘要:Existing sentimentidentification technologies for Chinese texts are mostly based on Chinesewords/phrases. However, we notice that Chinese characters are ideogram and manyof them contain rich sentiment information. Hence, a Chinese text sentimentorientation identification model based on Chinese characters but not words orphrases is proposed in this paper. Contrasting to existent models, our modelhas many advantages such as no necessary of dictionaries, words segmentationand stop-words removal. Moreover, its dimension of feature vector is lower andits processing efficiency is higher. Experiments show that our model greatlysimplifies the identification process and improves the computational efficiencyat very little loss of accuracy.

[3] 何琳洁, 兰秋军, 马超群. 基于学习行为的投资者决策模型. 系统工程, 2015(11):18-23.

摘要:现行的投资者决策理论主要研究各种参数不确定情况下投资者的动态决策最优解,很少考虑个体投资者能够通过学习行为提高自身投资决策能力这一事实。针对Brennan(1998)的动态决策模型,将考虑投资者期望收益的不确定性和投资者个体学习过程相结合,推导出一个基于学习行为的投资者3期最优决策模型。实证结果表明,证券市场上的个体投资者具有学习需求,存在学习行为,且其学习行为包含一定的学习成本。

[4]兰秋军, 马超群. 文本感知——金融研究新动态. 长沙理工大学学报:社会科学版,2011, 26(3):37-40.

摘要:在传统的金融研究分析领域,文本型数据大多只供研究者阅读参考以及定性研究,其价值未充分体现。随着基于计算语言学、自然语言理解的文本挖掘技术的迅速发展,这种状况正在改变。本文概要性地介绍文本感知挖掘技术在金融市场状况、投资者情绪、企业经营状况和关系感知领域的一些应用,并指出未来发展前景及挑战。

主持

[1]基于网络留言的投资者情绪测度模型、系统及应用. 国家自然科学基金面上项目. 2011-2015. 项目主持人.

[2] 面向金融决策分析的时序局部模式挖掘技术研究.教育部归国留学基金项目.2012-2014.项目主持

[3] 面向商业地产客户的大数据分析模型研究,2016-2017,主持

参与

[1] 高维度、非线性、非平稳及时变金融数据建模研究.国家自然科学基金重点项目.2015-2019主要研究人员.

[2] 经济管理复杂系统中的建模、优化与决策研究.教育部创新团队项目.2006-2007.主要研究人员.

[3] 数据挖掘技术在金融风险管理与防范中的应用研究.国家自科基金面上项目.2004-2006.主要研究人员.

[4] 教育部“十五”规划项目：基于一致性VaR约束的金融资产配置模型研究.2002-2003.主要研究人员.