數據挖掘在股票財務指標中的應用

蔡麗

【摘要】本文利用數據挖掘中的分類方法，選取了部分上市公司的財務比率數據，用R軟件進行分析，為投資者提供決策依據.

【關鍵詞】 數據挖掘；財務指標；分類方法

【基金項目】北京市教委科研計劃項目（KM201410011006）

一、引 言

數據挖掘是從大量不完全、有噪聲、隨機的實際應用數據中，提取隱含在其中人們事先不知道、但又是潛在有用的信息和知識的過程.目前已經用于客戶關系管理、銀行風險項目評估和金融市場等多個領域，用于財務指標分析的還不多見.本文旨在通過數據挖掘方法分析上市公司的財務指標數據，建立模型，輔助投資者深入認識公司的財務狀況，為多數股民，特別是散戶進行相關問題的正確決策提供數據支持.

二、分類算法

分類在數據挖掘中是一類很重要的方法，在商業上的應用最多.其目的是學會一個分類函數或分類模型，能把數據庫中的數據項映射到給定的某一個類別.本論文主要側重數據挖掘中分類算法在股票財務指標方面的應用.其中用到決策樹、隨機森林、支持向量機（SVM）三種算法.

三、分類模型的建立

1.數據理解

本文的數據來源于銳思金融數據庫，所選的數據為2012年10月8日前上市的公司信息.屬性包括：每股指標中的每股收益和每股凈資產，盈利能力中的銷售凈利率，成長能力指標中的凈資產收益率、凈資產增長率和凈利潤增長率等12個屬性，包括了公司不同能力方面的財務比率數據.因變量是根據2012年10月8日和2013年10月8日的收盤價與這兩天大盤的收盤價變化率相比，若比大盤的收盤價的變化率高，則標記為“好”，反之標記為“差”.

2.數據處理

（1）決策樹

本文建立決策樹[3]的過程中，用到的是rpart.Control函數，其中，最小樣本量minsplit為20，進行交叉驗證剪枝的交叉折數xval為10，最大樹深度maxdepth為5，最小代價復雜度剪枝中的復雜度參數CP值為0.01.

劃分特征空間時，用到的是gini指標，它用來度量數據劃分或者數據集的不純度，數據集D的gini指標公式為：Gini（D）.其中，pi是D中樣本屬于Ci類的概率，并用Cj，D[]D

估計.

同時構建決策樹過程中用到的重要變量有： Currt 、Invtrtrrat 、NAPS、Netassgrrt 、Netprfgrrt、NOCF、WROEcut.

根據最后形成的決策樹得到分類規則，比如：NAPS≥4.9，NOCF≥2.3e+9則預測為bad.

（2）隨機森林

本文中，隨機森林共建立了500棵決策樹，每個節點的候選輸入變量個數為3.基于袋外觀測的預測誤判率為42.76%.由袋外觀測的混淆矩陣來看，單個模型對兩個類別的預測精度均不理想.隨機森林對所有觀測進行預測，預測誤差為0.

在評價各輸入變量的重要性時，要用到importance函數，其中MeanDecreas

e Accuracy表示預測精度的平均減少量，MeanDecreaseGini表示給出節點異質性指標的平均減少量.為了更全面直觀地評價各輸入變量的重要性，用varImpPlot函數進行作圖，見圖1：

輸入變量重要性測度散點圖圖1 輸入變量重要性測度散點圖

從對輸出變量預測精度的影響看，每股凈資產、銷售凈利率、流動比率、經營現金凈流量比較重要.從對輸出變量異質性下降程度的影響看，同樣是這幾個變量較為重要，即每股凈資產、銷售凈利率、流動比率、經營現金凈流量不同的上市公司，對是否優于大盤有較大的影響.

（3）SVM

在對數據處理的過程中，文中利用網格搜索法10折交叉驗證尋找較優參數，確定cost和gamma值，構建SVM模型.

根據最后SVM對測試集的預測結果，可以得到ROC曲線，見圖2：

在圖2中，橫坐標代表錯誤的正例率（FPR），縱坐標代表正確的正例率（TPR）.希望TPR盡量的大，FPR盡量的小即圖中的曲線越靠左上方說明預測得越好.而從圖中的曲線來看，預測效果還有較大的差距.

四、分析與總結

經過比較，隨機森林給出了最高的預測率60%，決策樹其次，支持向量機排在最后.見表1：

分析 表1可以看出： 從三種方法對測試集的分類正確率來看，隨機森林最高，但它們在處理其他行業數據時，精確度達到90%以上[6-8]，可見，數據本身對模型的結果還是有很大的影響.因此，股市想要通過分析財務比率來達到很好的預測效果還是很困難的，雖然與所構建的模型有關，但最大的原因還在于股市本身的波動性[9].

【參考文獻】

[1]趙選民，薛建樓.利用數據挖掘技術分析上市公司財務狀況[J].中國管理信息化.2009，12（3）：30-32.

[2]李航.統計學方法[M].北京：清華大學出版社，2012.

[3]John Durkin，蔡競峰，蔡自興.決策樹技術及其當前研究方向[J].控制工程，2005，12（1）：15-18.

[4]馬景義，吳喜之，謝邦昌.擬自適應分類隨機森林算法[J].數理統計與管理，2010，29（5）：806-811.

[5]薛薇.基于R的統計分析與數據挖掘[M].中國人民大學出版社，2014.

[6]馬瑾，孫穎，劉尚輝.決策樹模型在住院2型糖尿病患者死因預測中的應用[J].中國衛生統計，2013，30 （3）： 422-423.

[7]袁敏，胡秀珍.隨機森林方法預測膠原蛋白類型[J].生物物理學報，2009，25 （5）： 349-354.

[8]張華，曾杰.基于支持向量機的風速預測模型研究[J].太陽能學報，2010，31 （7）： 928-931.

[9]張彥來.數據挖掘在股票投資中的應用[D].北京：首都經濟貿易大學，2010.