大数据对回归模型提出以下几个方面的要求：(1)稀疏性，“高维”数据的特征选择问题，选取重要特征，舍弃“冗余”或者信息含量少的特征，是回归算法面临的新挑战；(2)鲁棒性，对于含有异常点的回归问题，决策函数对异常点具有鲁棒性；(3)在线性，对于数据流问题，决策函数的回归系数应具有在线性，能够反映在线数据流的实时变化效应；(4)异质性，高维数据具有后尾分布的异质性，如何使稀疏技术选择的特征能反映数据的整体分布特征，提取数据的异质信息。针对大数据的这些特征，本书在已有支持向量回归模型的研究基础上，将从以下几个方面展开研究：(1)融入L1模或Lp模稀疏正则项，构建稀疏支持向量回归模型，其能够从高维数据中选取相关的主要特征，舍弃无关的冗余特征，完成信息价值“提纯”；(2)设计具有鲁棒性的损失函数，使其决策函数不易受异常点的影响，即决策函数不受异常点的干扰，具有一定的稳健性；(3)采用增量算法，
使其决策函数的回归系数具有动态性，反应数据流的实时性，克服非在线算法决策函数回归系数的固定不变性；(4)引入统计学的分位数回归思想，利用分位数准确地描述自变量对于因变量条件分布的整体影响，全面反映数据的分布特征。面对大数据，指数构建面临靠前的挑战：(1)如何排除噪声和异常点现象带来的干扰，是指数构建面临的一大挑战；(2)如何舍弃信息价值低的冗余指标，保留信息价值高的代表性指标，降低数据维度，是指数构建面临的第二大挑战；(3)如何满足在线数据的高频性，构建实时动态指数凸显在线信息，是指数构建面临的第三大挑战。针对指数构建面临的这些挑战，本书构建的各种支持向量回归模型恰能解决这些问题：首先

第一篇开场篇
第一章绪论
第一节高维数据的稀疏性
第二节稀疏支持向量回归机的研究现状
第二篇技术篇
第二章支持向量机
第一节线性模型
第二节统计学习理论
第三节支持向量回归机的拓展：学习速度
第四节支持向量回归机的拓展：稳健学习
第五节支持向量回归机的拓展：在线学习
第三章稀疏支持向量回归机
第一节稀疏支持向量回归机
第二节L1-模最小二乘支持向量回归机
第三节广义不敏感自适应Lasso模型
第四节Lp-模最小二乘支持向量回归机
第五节Lp-模支持向量分位数回归机
第六节支持向量回归机的非线性特征选择
第三篇应用痛
第四章中国金融状况指数的构建方案
第一节指数构建的研究现状
第二节中国金融状况指数的研究方案
第五章中国时变金融状况指数的构建
第一节金融状况指数的研究现状
第二节中国金融状况指数的指标选择
第三节构建中国时变金融状况指数
第六章中国时变金融状况指数的预测能力
第一节金融状况指数与通货膨胀
第二节金融状况指数与经济增长、通货膨胀的相关性
第三节中国时变金融状况指数的预测能力分析
第七章中国时变金融状况指数与利率规则研究
第一节金融状况指数与利率规则
第二节DSGE模型的贝叶斯估计
第三节DSGE模型的模拟结论分析
附录1数据
附录2参数的分布
参考文献
后记