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(lái)越多的關(guān)注。面對(duì)殘酷的市場(chǎng)競(jìng)爭(zhēng)環(huán)境，企業(yè)對(duì)風(fēng)險(xiǎn)管理的要求日益提高，如何客觀評(píng)價(jià)企業(yè)管理過(guò)程中存在的財(cái)務(wù)風(fēng)險(xiǎn)，并對(duì)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(lái)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(méi)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(lái)。因此，針對(duì)傳統(tǒng)方法無(wú)法解決的問(wèn)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(shù)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?jī)?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(kù)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(wú)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(duì)支持度閾值變化時(shí)的關(guān)聯(lián)規(guī)則維護(hù)問(wèn)題，即當(dāng)用戶調(diào)整閾值時(shí)存在多次遍歷數(shù)據(jù)庫(kù)和重復(fù)計(jì)算問(wèn)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(guò)程，并通過(guò)Hash結(jié)構(gòu)快速存取算法執(zhí)行過(guò)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(shù)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(kù)是靜態(tài)的，在閾值固定的情況下，如果數(shù)據(jù)庫(kù)發(fā)生變化，算法需要通過(guò)重新進(jìn)行數(shù)據(jù)庫(kù)掃描和計(jì)算來(lái)得到新的規(guī)則。本文針對(duì)閾值不變而數(shù)據(jù)庫(kù)發(fā)生變化時(shí)的關(guān)聯(lián)規(guī)則維護(hù)問(wèn)題，提出了基于部分支持度樹(shù)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(duì)新增數(shù)據(jù)庫(kù)進(jìn)行挖掘，通過(guò)合并已有的和新增的部分支持度樹(shù)生成新的部分支持度樹(shù)，來(lái)減少對(duì)原數(shù)據(jù)庫(kù)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(kù)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(wèn)題。現(xiàn)有的挖掘方法普遍存在多次掃描數(shù)據(jù)庫(kù)或重復(fù)遍歷復(fù)雜數(shù)據(jù)結(jié)構(gòu)的問(wèn)題。本文

6、針對(duì)數(shù)據(jù)庫(kù)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(lái)的數(shù)據(jù)庫(kù)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(kù)中使用新的支持度閾值進(jìn)行增量挖掘，并通過(guò)Hash結(jié)構(gòu)與模式增長(zhǎng)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(guò)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(wú)法處理海量數(shù)據(jù)。本文針對(duì)上述問(wèn)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(guò)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(guò)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(shù)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(guó)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(shì)，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(méi)有考慮到財(cái)務(wù)