基于數據挖掘財務風險分析

陳長萍

摘 要：財務管理風險分析是目前研究的重點。伴隨著計算機技術的發展，大部分風險系統通過采用一種新的探索方法—信息數據挖掘財務風險分析，實現了無人工檢索即可獲得信息的新技術。目前的文獻中基本都是在進行數據倉庫的優化，文章的創新點在于引入神經網絡的優化算法處理風險系統數據中的噪聲數據，進行有效的基于風險系統的財務風險分析，實驗分析，優化的財務風險分析算法模型在存在噪聲的風險系統數據中起到了優化的效果。因而，將該模型應用于數據挖掘財務風險分析算法，尤其是個性化數據挖掘是十分合理的。

關鍵詞：財務管理；風險分析；數據挖掘

中圖分類號：F275 文獻標識碼：A 文章編號：1006-8937（2015）14-0134-02

本文通過單隱藏神經網絡進行基于數據挖掘財務管理風險分析，神經網絡分為單層和多層兩種。

1 財務風險數據挖掘

神經網絡的整體結構如圖1所示，神經網絡是單層網絡的一種，本圖為文獻[2]中的理論。

神經網絡的特點是對于單隱層前饋神經網絡，在學習精度比較高的前提下比一般的算法更加快速。其中，（x1，x2，…，xn）是輸入數據即表達數據，（w1，w2，…，wn）是權值，存在f為選取的激活函數，激活函數的作用是對輸入數據進行預處理，目的是將不規整的數據進行歸一化處理，激活函數為：

f（x）=■（0

神經網絡的輸入輸出{[xj，yj}■■，xj=[xj1，xj2…，xjd]T∈Rd，N表示樣本的總數，d表示x分量的維度，yj=[yj1，yj2…，yjm]T∈Rm，m表示y分量的維度。分類的模型為：

式中，？茁i為輸出權值向量，ai為輸入權值向量，oj為與Yj相對應的實際輸出向量，bi為偏置。

單隱層神經網絡學習的輸出誤差最小值為：

■oj-tj=0

最小化損失函數，E=■（■？茁ig（xi，ai，bi）-tj）根據最小二乘原理：■=H？覮T

H？覮為H的廣義逆矩陣，通過訓練神經網絡建立數據模型。

神經網絡在非結構化數據中的運行速度非常快，同樣的分類精度的條件下，相比去BPNN，SVM，決策樹等有著時間復雜度的優勢。因此，與常用的數據挖掘分類算法比較后，神經網絡的優點明顯。神經網絡算法見表1。

2 改進數據挖掘方法

在存在異常值的非結構化的微陣列數據中，對比神經網絡，改進神經網絡的分類性能。加權神經網絡經過在誤差和進行加權。加權支持向量機的方法是將隸屬度加權到經驗風險上，單加權神經網絡的方法同樣也是將權值加權到最小二乘的位置，每一行的輸入值xj都在誤差ej，m上乘以Wj，m（m=1，2，...M），

文章中提出雙加權支持向量機，將樣本非結構化數據復制兩份，即數據量由N變成2*N，，分別以不同的概率屬于不同的類別。非結構化數據集由公式{xj，yj}，forj=1，...，N，變成：{xj，yj，uj}，forj=1，...，{xj，-yj，1-uj}，forj=1，...，N

最小化：L的前面是模型復雜度，后面是加權后的經驗風險，u為權值，e為誤差。

換成拉格朗日乘子

aj，rj是二倍樣本的數據集，得出的拉格朗日乘子。（w，b，e，？耷，aj，rj）表示拉格朗日系數，和誤差值。通過求（w，b，e，？耷，aj，rj）偏微分，

雙加權支持向量機分類目標：

經單加權后處理的均值（組1）：

經單加權處理的權均值（組2）：

有異常值情況下雙加權，權值W1[0，1]。

經雙加權處理后均值（組1）：

經雙加權處理后均值（組2）：

將支持向量機和神經網絡進行了比較，支持向量機的分類目標為：

如果將神經網絡的分界面的映射為高維空間，那么神經網絡的分類目標為：sign（h（x）■）

雙加權神經網絡中非結構化數據集由{xj，yj}，forj=1，...，N

變成：{xj，yj，uj}，forj=1，...，{xj，-yj，1-uj}，forj=1，...，N

神經網絡輸出權值為：■=HT（■+HTh）-1（2w-1）T，

3 數據分析

本文通過貝葉斯，支持向量機以及神經網絡對比財務管理風險分析的預測精度，對比如圖2所示。

從本文實例數據分析看出4個財務風險預測數據集中神經網絡預測精度最高，改進的對財務風險預測更高。

參考文獻：

[1] 吳琳.當前企業財務管理中存在的問題及對策[J].財經界（學術版），2013，（19）.

[2] 譚心純.中小企業財務管理的風險控制及對策[J].行政事業資產與財務，2013，（12）.