改進(jìn)的吸引子傳播聚類算法及其在上市公司績(jī)效評(píng)價(jià)中應(yīng)用.pdf

1、聚類是數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)重要研究方向。吸引子傳播聚類算法作為一種無(wú)監(jiān)督聚類算法與其他聚類算法相比，該算法具有快速、高效、聚類效果穩(wěn)定且不必預(yù)先給定聚類數(shù)目的特點(diǎn)，能很好的解決大規(guī)模數(shù)據(jù)處理問(wèn)題。鑒于吸引子傳播聚類算法具有的優(yōu)點(diǎn)，本文在原算法基礎(chǔ)上進(jìn)行理論改進(jìn)和應(yīng)用研究，主要內(nèi)容包括：
　?。?）為了克服聚類無(wú)關(guān)屬性的影響，提高聚類質(zhì)量。本文在具有智能背景的吸引子傳播聚類算法基礎(chǔ)上，引入變異系數(shù)，改進(jìn)原相似度計(jì)算公式，提出一種基于

2、變異賦權(quán)的吸引子傳播聚類算法，即CVAP(Coefficient of Variation Affinity Propagation)聚類算法。為了驗(yàn)證該算法的有效性，本文將其應(yīng)用于上市公司績(jī)效評(píng)價(jià)領(lǐng)域。實(shí)驗(yàn)數(shù)據(jù)表明，改進(jìn)的算法與原算法相比具有更好的聚類性能，聚類結(jié)果可以為投資者提供一定參考依據(jù)。
　?。?）鑒于群體智能算法具有較強(qiáng)的魯棒性、收斂能力優(yōu)點(diǎn)，本文采用果蠅優(yōu)化算法對(duì)樣本特征權(quán)值進(jìn)行優(yōu)化，獲得全局最優(yōu)權(quán)值，提出群體智能賦

3、權(quán)的吸引子傳播聚類算法，即 FOAP（ Fruit Fly Optimization Affinity Propagation Algorithm，F(xiàn)OAP）聚類算法。賦權(quán)后的數(shù)據(jù)能夠更好的反映出各項(xiàng)數(shù)據(jù)指標(biāo)在評(píng)價(jià)體系中的真實(shí)作用，準(zhǔn)確體現(xiàn)數(shù)據(jù)樣本之間的相似程度。實(shí)驗(yàn)結(jié)果表明，該方法對(duì)上市公司績(jī)效評(píng)價(jià)是科學(xué)的、有效的。
　　（3）傳統(tǒng)的上市公司績(jī)效評(píng)價(jià)模型，通常是對(duì)某一時(shí)間點(diǎn)的上市公司財(cái)務(wù)數(shù)據(jù)進(jìn)行分析，未考慮不同時(shí)間跨度數(shù)據(jù)中所蘊(yùn)

4、含的信息。為了解決這一問(wèn)題，本文將多指標(biāo)面板數(shù)據(jù)與吸引子傳播聚類算法相融合，對(duì)上市公司績(jī)效進(jìn)行評(píng)價(jià)。另外，為了能更充分的提取上市公司財(cái)務(wù)數(shù)據(jù)信息，本文采用半監(jiān)督學(xué)習(xí)策略，提出了融合多指標(biāo)面板數(shù)據(jù)的半監(jiān)督吸引子傳播聚類算法的績(jī)效評(píng)價(jià)模型,即SMAP(Semi-supervised Affinity Propagation Algorithm Fuses Multiple Panel Data，SMAP)聚類算法。實(shí)驗(yàn)表明，該模型獲得的實(shí)驗(yàn)