基于數(shù)據(jù)挖掘技術(shù)的財(cái)務(wù)風(fēng)險(xiǎn)分析與預(yù)警研究.pdf

1、隨著信息技術(shù)的快速發(fā)展和管理理論研究取得重大進(jìn)展，信息技術(shù)在企業(yè)管理決策領(lǐng)域中的應(yīng)用受到越來越多的關(guān)注。面對殘酷的市場競爭環(huán)境，企業(yè)對風(fēng)險(xiǎn)管理的要求日益提高，如何客觀評價(jià)企業(yè)管理過程中存在的財(cái)務(wù)風(fēng)險(xiǎn)，并對其進(jìn)行及時(shí)預(yù)警是企業(yè)管理層始終追求的目標(biāo)。傳統(tǒng)的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析與預(yù)警研究方法主要包括統(tǒng)計(jì)分析和人工智能模型。隨著企業(yè)規(guī)模的擴(kuò)大和信息披露越來越頻繁，統(tǒng)計(jì)分析模型已經(jīng)不能適應(yīng)海量數(shù)據(jù)分析的要求，人工智能模型沒有考慮到財(cái)務(wù)數(shù)據(jù)的時(shí)間延續(xù)性

2、。另外，企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析與預(yù)警研究受企業(yè)內(nèi)外部多種因素影響，不確定性非常高，而數(shù)據(jù)挖掘技術(shù)在不確定性理論研究中的優(yōu)秀表現(xiàn)讓兩者緊密聯(lián)系起來。因此，針對傳統(tǒng)方法無法解決的問題，本文深入研究關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘方法，提出了三種新的關(guān)聯(lián)規(guī)則改進(jìn)型算法，極大提高了數(shù)據(jù)挖掘的效率;同時(shí)，將這些算法應(yīng)用于企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析與危機(jī)預(yù)警的研究，提出了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)概念層次樹模型和時(shí)間序列動(dòng)態(tài)維護(hù)的財(cái)務(wù)危機(jī)預(yù)警模型。主要研究內(nèi)容如下:
　　 1.基于Ha

3、sh結(jié)構(gòu)的關(guān)聯(lián)規(guī)則交互挖掘算法HIUA
　　 現(xiàn)有的關(guān)聯(lián)規(guī)則挖掘算法主要基于支持度-置信度框架，同一數(shù)據(jù)庫在不同的支持度和置信度閾值下，算法產(chǎn)生的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則的數(shù)目是不同的。由于用戶事先無法確定合適的支持度和置信度閾值，需要不斷嘗試不同的閾值才能得到理想的頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則。本文針對支持度閾值變化時(shí)的關(guān)聯(lián)規(guī)則維護(hù)問題，即當(dāng)用戶調(diào)整閾值時(shí)存在多次遍歷數(shù)據(jù)庫和重復(fù)計(jì)算問題，提出了基于Hash結(jié)構(gòu)的關(guān)聯(lián)規(guī)則交互挖掘算法HIUA，

4、該算法改進(jìn)了原始IUA算法的剪枝過程，并通過Hash結(jié)構(gòu)快速存取算法執(zhí)行過程中得到的支持度計(jì)數(shù)，提高算法運(yùn)行效率。
　　 2.基于部分支持度樹關(guān)聯(lián)規(guī)則增量式更新算法IUPS_ Miner
　　 關(guān)聯(lián)規(guī)則的挖掘算法通常假定數(shù)據(jù)庫是靜態(tài)的，在閾值固定的情況下，如果數(shù)據(jù)庫發(fā)生變化，算法需要通過重新進(jìn)行數(shù)據(jù)庫掃描和計(jì)算來得到新的規(guī)則。本文針對閾值不變而數(shù)據(jù)庫發(fā)生變化時(shí)的關(guān)聯(lián)規(guī)則維護(hù)問題，提出了基于部分支持度樹PS Tree結(jié)構(gòu)的

5、關(guān)聯(lián)規(guī)則增量式更新算法IUPS_ Miner，該算法只需對新增數(shù)據(jù)庫進(jìn)行挖掘，通過合并已有的和新增的部分支持度樹生成新的部分支持度樹，來減少對原數(shù)據(jù)庫的掃描和重復(fù)計(jì)算，有效地維護(hù)了已挖掘的關(guān)聯(lián)規(guī)則，提高算法的效率。
　　 3.關(guān)聯(lián)規(guī)則的動(dòng)態(tài)維護(hù)算法ARDM
　　 關(guān)聯(lián)規(guī)則的動(dòng)態(tài)維護(hù)是指當(dāng)數(shù)據(jù)庫和支持度閾值同時(shí)發(fā)生變化的情況下，關(guān)聯(lián)規(guī)則的維護(hù)與更新問題?，F(xiàn)有的挖掘方法普遍存在多次掃描數(shù)據(jù)庫或重復(fù)遍歷復(fù)雜數(shù)據(jù)結(jié)構(gòu)的問題。本文

6、針對數(shù)據(jù)庫與支持度閾值同時(shí)發(fā)生變化的情況，提出一種基于關(guān)聯(lián)規(guī)則交互挖掘和增量挖掘的動(dòng)態(tài)維護(hù)算法ARDM，該算法利用已有的挖掘結(jié)果進(jìn)行交互挖掘和增量挖掘，即在原來的數(shù)據(jù)庫中使用新的支持度閾值進(jìn)行交互挖掘;然后在新增加的數(shù)據(jù)庫中使用新的支持度閾值進(jìn)行增量挖掘，并通過Hash結(jié)構(gòu)與模式增長方法進(jìn)行優(yōu)化，進(jìn)一步提高算法的效率。
　　 4.關(guān)聯(lián)規(guī)則交互挖掘算法在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析中的應(yīng)用
　　 企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析的研究是通過建立財(cái)務(wù)風(fēng)

7、險(xiǎn)指標(biāo)體系，尋找指標(biāo)體系中具有信任度高的規(guī)則，為企業(yè)的管理決策提供幫助。傳統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)分析方法通常采用統(tǒng)計(jì)分析模型，存在的缺點(diǎn)是假設(shè)條件多，無法處理海量數(shù)據(jù)。本文針對上述問題，提出了關(guān)聯(lián)規(guī)則交互挖掘的方法，更加廣泛的選擇多個(gè)方面的財(cái)務(wù)指標(biāo)，通過挖掘所有財(cái)務(wù)指標(biāo)之間的規(guī)則，最終確定選擇更具有代表性的財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)。首先，構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)分析指標(biāo)體系，通過變量相關(guān)性分析進(jìn)行指標(biāo)篩選;然后，提出企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)概念層次樹模型，并采用遞減支持度閾值的交互

8、挖掘策略，尋找財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)之間的規(guī)則;最后，選擇國內(nèi)上市企業(yè)中的ST公司進(jìn)行企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)分析的實(shí)證研究，提出了影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的十個(gè)關(guān)鍵指標(biāo)和防范財(cái)務(wù)風(fēng)險(xiǎn)的建議。
　　 5.時(shí)間序列動(dòng)態(tài)維護(hù)挖掘算法在企業(yè)財(cái)務(wù)危機(jī)預(yù)警中的應(yīng)用
　　 企業(yè)財(cái)務(wù)危機(jī)預(yù)警的研究主要是跟蹤財(cái)務(wù)指標(biāo)波動(dòng)和變化趨勢，當(dāng)指標(biāo)波動(dòng)超出一定的范圍，系統(tǒng)就應(yīng)該發(fā)出危機(jī)預(yù)警?，F(xiàn)有的企業(yè)財(cái)務(wù)危機(jī)預(yù)警的方法主要是基于人工智能數(shù)據(jù)挖掘模型，存在的缺點(diǎn)是沒有考慮到財(cái)務(wù)