基于數(shù)據(jù)挖掘財(cái)務(wù)風(fēng)險(xiǎn)分析

陳長萍

摘 要：財(cái)務(wù)管理風(fēng)險(xiǎn)分析是目前研究的重點(diǎn)。伴隨著計(jì)算機(jī)技術(shù)的發(fā)展，大部分風(fēng)險(xiǎn)系統(tǒng)通過采用一種新的探索方法—信息數(shù)據(jù)挖掘財(cái)務(wù)風(fēng)險(xiǎn)分析，實(shí)現(xiàn)了無人工檢索即可獲得信息的新技術(shù)。目前的文獻(xiàn)中基本都是在進(jìn)行數(shù)據(jù)倉庫的優(yōu)化，文章的創(chuàng)新點(diǎn)在于引入神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法處理風(fēng)險(xiǎn)系統(tǒng)數(shù)據(jù)中的噪聲數(shù)據(jù)，進(jìn)行有效的基于風(fēng)險(xiǎn)系統(tǒng)的財(cái)務(wù)風(fēng)險(xiǎn)分析，實(shí)驗(yàn)分析，優(yōu)化的財(cái)務(wù)風(fēng)險(xiǎn)分析算法模型在存在噪聲的風(fēng)險(xiǎn)系統(tǒng)數(shù)據(jù)中起到了優(yōu)化的效果。因而，將該模型應(yīng)用于數(shù)據(jù)挖掘財(cái)務(wù)風(fēng)險(xiǎn)分析算法，尤其是個(gè)性化數(shù)據(jù)挖掘是十分合理的。

關(guān)鍵詞：財(cái)務(wù)管理；風(fēng)險(xiǎn)分析；數(shù)據(jù)挖掘

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

本文通過單隱藏神經(jīng)網(wǎng)絡(luò)進(jìn)行基于數(shù)據(jù)挖掘財(cái)務(wù)管理風(fēng)險(xiǎn)分析，神經(jīng)網(wǎng)絡(luò)分為單層和多層兩種。

1 財(cái)務(wù)風(fēng)險(xiǎn)數(shù)據(jù)挖掘

神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖1所示，神經(jīng)網(wǎng)絡(luò)是單層網(wǎng)絡(luò)的一種，本圖為文獻(xiàn)[2]中的理論。

神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是對于單隱層前饋神經(jīng)網(wǎng)絡(luò)，在學(xué)習(xí)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(shù)據(jù)即表達(dá)數(shù)據(jù)，（w1，w2，…，wn）是權(quán)值，存在f為選取的激活函數(shù)，激活函數(shù)的作用是對輸入數(shù)據(jù)進(jìn)行預(yù)處理，目的是將不規(guī)整的數(shù)據(jù)進(jìn)行歸一化處理，激活函數(shù)為：

f（x）=■（0

神經(jīng)網(wǎng)絡(luò)的輸入輸出{[xj，yj}■■，xj=[xj1，xj2…，xjd]T∈Rd，N表示樣本的總數(shù)，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(quán)值向量，ai為輸入權(quán)值向量，oj為與Yj相對應(yīng)的實(shí)際輸出向量，bi為偏置。

單隱層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的輸出誤差最小值為：

■oj-tj=0

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

H？覮為H的廣義逆矩陣，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)模型。

神經(jīng)網(wǎng)絡(luò)在非結(jié)構(gòu)化數(shù)據(jù)中的運(yùn)行速度非?？欤瑯拥姆诸惥鹊臈l件下，相比去BPNN，SVM，決策樹等有著時(shí)間復(fù)雜度的優(yōu)勢。因此，與常用的數(shù)據(jù)挖掘分類算法比較后，神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)明顯。神經(jīng)網(wǎng)絡(luò)算法見表1。

2 改進(jìn)數(shù)據(jù)挖掘方法

在存在異常值的非結(jié)構(gòu)化的微陣列數(shù)據(jù)中，對比神經(jīng)網(wǎng)絡(luò)，改進(jìn)神經(jīng)網(wǎng)絡(luò)的分類性能。加權(quán)神經(jīng)網(wǎng)絡(luò)經(jīng)過在誤差和進(jìn)行加權(quán)。加權(quán)支持向量機(jī)的方法是將隸屬度加權(quán)到經(jīng)驗(yàn)風(fēng)險(xiǎn)上，單加權(quán)神經(jīng)網(wǎng)絡(luò)的方法同樣也是將權(quán)值加權(quán)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(quán)支持向量機(jī)，將樣本非結(jié)構(gòu)化數(shù)據(jù)復(fù)制兩份，即數(shù)據(jù)量由N變成2*N，，分別以不同的概率屬于不同的類別。非結(jié)構(gòu)化數(shù)據(jù)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(fù)雜度，后面是加權(quán)后的經(jīng)驗(yàn)風(fēng)險(xiǎn)，u為權(quán)值，e為誤差。

換成拉格朗日乘子

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

雙加權(quán)支持向量機(jī)分類目標(biāo)：

經(jīng)單加權(quán)后處理的均值（組1）：

經(jīng)單加權(quán)處理的權(quán)均值（組2）：

有異常值情況下雙加權(quán)，權(quán)值W1[0，1]。

經(jīng)雙加權(quán)處理后均值（組1）：

經(jīng)雙加權(quán)處理后均值（組2）：

將支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)進(jìn)行了比較，支持向量機(jī)的分類目標(biāo)為：

如果將神經(jīng)網(wǎng)絡(luò)的分界面的映射為高維空間，那么神經(jīng)網(wǎng)絡(luò)的分類目標(biāo)為：sign（h（x）■）

雙加權(quán)神經(jīng)網(wǎng)絡(luò)中非結(jié)構(gòu)化數(shù)據(jù)集由{xj，yj}，forj=1，...，N

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

神經(jīng)網(wǎng)絡(luò)輸出權(quán)值為：■=HT（■+HTh）-1（2w-1）T，

3 數(shù)據(jù)分析

本文通過貝葉斯，支持向量機(jī)以及神經(jīng)網(wǎng)絡(luò)對比財(cái)務(wù)管理風(fēng)險(xiǎn)分析的預(yù)測精度，對比如圖2所示。

從本文實(shí)例數(shù)據(jù)分析看出4個(gè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測數(shù)據(jù)集中神經(jīng)網(wǎng)絡(luò)預(yù)測精度最高，改進(jìn)的對財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測更高。

參考文獻(xiàn)：

[1] 吳琳.當(dāng)前企業(yè)財(cái)務(wù)管理中存在的問題及對策[J].財(cái)經(jīng)界（學(xué)術(shù)版），2013，（19）.

[2] 譚心純.中小企業(yè)財(cái)務(wù)管理的風(fēng)險(xiǎn)控制及對策[J].行政事業(yè)資產(chǎn)與財(cái)務(wù)，2013，（12）.