聚類分析及算法研究

王國祝??

公允價值計量屬性的應(yīng)用

——以我國金融行業(yè)為例

趙婷

（重慶理工大學(xué)會計學(xué)院，重慶 400054）

摘要：公允價值對金融行業(yè)的影響不容忽視。以我國金融行業(yè)A股上市公司2015年年報披露的信息為基礎(chǔ)，分析了當(dāng)前公允價值計量的應(yīng)用意義；同時，闡述了金融行業(yè)運用公允價值計量的現(xiàn)狀。結(jié)果表明，公允價值計量屬性對金融行業(yè)資產(chǎn)的計量極其重要，可以幫助提高行業(yè)信息的相關(guān)性，有助于投資者了解金融市場動態(tài)。

關(guān)鍵詞：公允價值；金融行業(yè)；會計信息質(zhì)量

中圖分類號：F23文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.16723198.2017.22.050

1引言

隨著經(jīng)濟(jì)的發(fā)展，國家在不斷地修訂會計準(zhǔn)則，會計政策也隨之產(chǎn)生巨大的變化，而會計政策的每一次變動，都對處于該經(jīng)濟(jì)背景下的企業(yè)產(chǎn)生了深遠(yuǎn)的影響。有學(xué)者認(rèn)為，經(jīng)濟(jì)環(huán)境的變化將持續(xù)不斷地影響著會計政策的選取，而如何在歷次的變化中覺察會計政策變化的軌跡與特征，并利用其具有的特征和軌跡做出有利于企業(yè)經(jīng)營管理的決策，應(yīng)是我們重點關(guān)注的領(lǐng)域，而公允價值計量屬性是會計政策的內(nèi)容之一。

2公允價值計量屬性的應(yīng)用意義

公允價值計量屬性對我國金融資產(chǎn)的計量影響深遠(yuǎn)。美國歷史上著名的“儲蓄與貸款危機(jī)”表明：企業(yè)若以公允價值對儲蓄和貸款款項進(jìn)行計量，能夠及時的向大眾傳達(dá)企業(yè)已經(jīng)資不抵債的現(xiàn)狀，有助于減少投資者的損失，反之，企業(yè)若自欺欺人的認(rèn)為自身資金實力雄厚，償債能力較強，會誤導(dǎo)外部投資者與政府監(jiān)管部門而使企業(yè)和社會蒙受了巨大的損失。隨著市場經(jīng)濟(jì)的發(fā)展，企業(yè)經(jīng)營業(yè)務(wù)不斷的擴(kuò)張，越來越多的公司開展股票、債券等金融產(chǎn)品的交易，市場活躍程度加強，歷史成本計量屬性已不符合廣大投資者的需求，急需“公允價值”入駐進(jìn)行恰當(dāng)?shù)难a充。

3金融行業(yè)公允價值計量屬性應(yīng)用現(xiàn)狀

表12015年金融業(yè)A股上市公司年報披露公允價值變動損失最大的前十家公司及原因

公司名稱公允價值變動損失（萬元）損失原因中國人壽215000未披露

海通證券192352.40以公允價值計量且其變動計入當(dāng)期損益的金融資產(chǎn)和金融負(fù)債公允價值變動損益下降

華泰證券71603.37未披露

中信銀行51900未披露

國信證券41539.98衍生金融工具期末公允價值下降

國元證券29467.92金融資產(chǎn)公允價值變動

招商證券15019.05以公允價值計量且其變動計入當(dāng)期損益的金融資產(chǎn)及衍生金融工具公允價值變動

西南證券6514.66以公允價值計量且其變動計入當(dāng)期損益的金融資產(chǎn)、金融負(fù)債及衍生金融工具公允價值變動

太平洋3263.18本期交易性金融資產(chǎn)市值下降

交通銀行3200以公允價值計量且其變動計入當(dāng)期損益的金融資產(chǎn)、金融負(fù)債及衍生金融工具公允價值變動

注：來源于國泰安數(shù)據(jù)庫、上海證券交易所以及深圳證券交易所

首先，我國公允價值計量屬性應(yīng)用的主要領(lǐng)域是金融行業(yè)，尤其是證券機(jī)構(gòu)應(yīng)用尤為廣泛。其次，就金融行業(yè)而言，企業(yè)所處的環(huán)境變化迅速，公允價值計量屬性能夠更加真實的反映企業(yè)實際的經(jīng)營狀況。最后，根據(jù)國泰安2012的行業(yè)分類標(biāo)準(zhǔn)，剔除ST公司后，隸屬于金融業(yè)2015年A股上市公司的共56家，其中未采用公允價值計量屬性的有4家，在整個行業(yè)中占比8%，且公允價值變動引起損益差異極大。

由上表可知，年報中關(guān)于公允價值變動損失的原因披露結(jié)果表明：2015年金融行業(yè)A股上市公司公允價值變動損失最大的前十名大部分均是由于以公允價值計量且其變動計入當(dāng)期損益的金融資產(chǎn)、金融負(fù)債或者衍生金融工具公允價值變動導(dǎo)致。

4結(jié)論

通過對行業(yè)特征進(jìn)行統(tǒng)計性分析發(fā)現(xiàn)，目前我國公允價值計量屬性在金融行業(yè)的應(yīng)用尚需進(jìn)一步完善。本文主要從以下兩個方面進(jìn)行總結(jié)，幫助金融行業(yè)提升公允價值計量的規(guī)范性與可靠性。

4.1規(guī)范公允價值應(yīng)用的信息披露要求

眾所周知，對于金融行業(yè)而言，公司金融工具采用公允價值計量屬性進(jìn)行計量或多或少會影響企業(yè)的凈利潤或者凈資產(chǎn)，甚至?xí)绊憦V大投資者的決策。因此，規(guī)范公允價值應(yīng)用的信息披露要求尤為重要，尤其處于當(dāng)前風(fēng)云變幻的市場環(huán)境中，公允價值計量信息的可靠性、可比性以及及時性更加重要。

4.2遵從實質(zhì)重于形式原則，完善市場環(huán)境

市場經(jīng)濟(jì)發(fā)展到一定階段產(chǎn)生了公允價值計量屬性，這是市場的需要，是市場發(fā)展的選擇。為了使公允價值計量屬性的優(yōu)勢得到充分發(fā)揮，更好的為金融行業(yè)服務(wù)，使股票、債券等進(jìn)行有序的交易，需要相關(guān)部門建立健全的、完善的公允價值應(yīng)用的市場環(huán)境。

參考文獻(xiàn)

[1]董紅曄. 修訂后會計準(zhǔn)則實施中存在問題與解決對策[J]. 重慶理工大學(xué)學(xué)報（社會科學(xué)）， 2012， （8）： 1720， 39.

[2]蔡閆東，劉成立. 公允價值計量屬性發(fā)展與會計政策政治博弈[J]. 財會通訊， 2011， （27）： 2425， 70， 161.

[3]丁俊. 公允價值計量應(yīng)用現(xiàn)狀研究——基于中國金融行業(yè)上市公司2007年至2009年年報數(shù)據(jù)的分析[J]. 財會通訊， 2011， （36）： 1214.

摘要：聚類分析已經(jīng)成為數(shù)據(jù)挖掘中的一項重要技術(shù)，是分析數(shù)據(jù)并從中發(fā)現(xiàn)有用信息的一種有效手段。伴隨著計算機(jī)存儲技術(shù)和計算能力的提升，仿生學(xué)、人工智能技術(shù)的進(jìn)步，為聚類分析的發(fā)展創(chuàng)造了良好的條件，各種聚類分析算法層出不窮。因此基本的聚類的類型特征基礎(chǔ)上，對基于這些類型且應(yīng)用較為廣泛的算法思想歸納總結(jié)，比較算法的優(yōu)劣，指出存在的問題和不足，寄希望于從中得到一些啟發(fā)，使聚類分析的方法有新的發(fā)展和發(fā)現(xiàn)。endprint

關(guān)鍵詞：數(shù)據(jù)挖掘；聚類分析；聚類方法

中圖分類號：F23文獻(xiàn)標(biāo)識碼：Adoi：10.19311/j.cnki.16723198.2017.22.051

1引言

隨著數(shù)據(jù)收集和數(shù)據(jù)存儲技術(shù)的快速進(jìn)步使得各組織機(jī)構(gòu)可以積累海量數(shù)據(jù)，如何從大規(guī)模的數(shù)據(jù)存儲中自動地發(fā)現(xiàn)有用信息，從而誕生了數(shù)據(jù)挖掘技術(shù)。數(shù)據(jù)挖掘技術(shù)不但發(fā)現(xiàn)未知數(shù)據(jù)庫的應(yīng)用模式，而且，通過數(shù)據(jù)挖掘還可以預(yù)測未來結(jié)果。聚類分析作為統(tǒng)計學(xué)的一個基本方法，已不斷的發(fā)展為數(shù)據(jù)挖掘中的一項重要技術(shù)，成為從數(shù)據(jù)庫中發(fā)現(xiàn)有用信息的一種有效手段。應(yīng)用于生物學(xué)、社會學(xué)、醫(yī)學(xué)、環(huán)境科學(xué)、信息檢索、商業(yè)策劃、圖像處理等諸多領(lǐng)域。例如，生物學(xué)家從早期創(chuàng)建所有生物體的系統(tǒng)分類學(xué)，到如今使用聚類分析大量的遺傳信息，發(fā)現(xiàn)具有類似功能的基因組；通過搜索引擎可以從數(shù)以億計的Web頁面中搜索到數(shù)百上千個具有共同性質(zhì)或特征的網(wǎng)頁；分析客戶的購買數(shù)據(jù)或銷售數(shù)據(jù)預(yù)測客戶未來的需求，為商業(yè)策劃提供決策依據(jù)。

聚類分析是從海量的數(shù)據(jù)中發(fā)現(xiàn)有用信息的過程，其本質(zhì)是把不同類別或不同屬性的數(shù)據(jù)區(qū)別開來，其核心的依據(jù)數(shù)據(jù)樣本的特征不同，采用不同的方法即算法實現(xiàn)聚類，隨著數(shù)字化的迅速發(fā)展，數(shù)據(jù)不論是數(shù)量還是類型都在不斷的擴(kuò)展，各種聚類分析算法也層出不窮，針對各種算法存在的缺陷和不足，新的改進(jìn)算法和探索途徑在不斷產(chǎn)生。針對不同的數(shù)據(jù)對象，依據(jù)什么選擇算法以及選擇哪種算法，給應(yīng)用者帶來困惑。本文在闡述基本的聚類分析的類型特征的基礎(chǔ)上，對基于這些類型且應(yīng)用較為廣泛的算法思想歸納總結(jié)，比較算法的優(yōu)劣，指出存在的問題和不足，寄希望于從中得到一些啟發(fā)，使聚類分析的方法有新的發(fā)展和發(fā)現(xiàn)。

2聚類的基本類型

人類早先基于“物以類聚”的樸素思想，運用統(tǒng)計學(xué)的方法對事物進(jìn)行分類，這就是最原始的聚類，比如物種的分類，就是從數(shù)據(jù)中發(fā)現(xiàn)所描述的對象及其關(guān)系的信息。聚類分析與分類不同，信息時代，聚類的含義已發(fā)生了深刻的變化，它是從海量數(shù)據(jù)庫或數(shù)據(jù)對象中，去發(fā)現(xiàn)數(shù)據(jù)對象的相似或相異（不相似），究竟有無相異的對象子集？這樣的子集又有多少？這些事先都是未知的。也就是說，聚類分析所要發(fā)現(xiàn)的類及其類的數(shù)量都是未知的。

聚類分析發(fā)現(xiàn)知識和信息的過程分以下四個步驟：

（1）數(shù)據(jù)預(yù)處理，從數(shù)據(jù)庫中選擇與目標(biāo)任務(wù)相關(guān)的數(shù)據(jù)集，或者具有某種特征的數(shù)據(jù)集，轉(zhuǎn)換或規(guī)范成適合分析的數(shù)據(jù)。

（2）分析數(shù)據(jù)特征，判斷聚類的類型，選擇合適的聚類算法對數(shù)據(jù)集進(jìn)行聚類，發(fā)現(xiàn)相似的或共同性質(zhì)的類。

（3）驗證和評價聚類結(jié)果，以確定對數(shù)據(jù)集的劃分和評判所得結(jié)果是否是有效的、正確的。

（4）對結(jié)果進(jìn)行解釋，即分析和理解聚類結(jié)果，從中得到有用的信息。

數(shù)據(jù)集經(jīng)過聚類分析劃分成若干個子集，即分成不同的類或組，每個子集在聚類分析中通常稱為一個簇。所有簇的集合稱為聚類。依據(jù)簇的不同形態(tài)，存在不同類型特征的聚類。

2.1基于原型的聚類——劃分聚類

僅當(dāng)數(shù)據(jù)包含在相互遠(yuǎn)離的自然簇時，簇中每個對象到同簇中的其他對象的距離比到不同簇中任意對象的距離都近（或更加相似）。這種聚類稱為基于原型的。其聚類的特征是簇相互之間是明顯分離的，如圖1（a）所示。通過劃分可將數(shù)據(jù)集分割成三個相互獨立的子集。

劃分聚類也叫分割聚類。通過分割將數(shù)據(jù)劃分為K組。典型算法有K-均值算法，Clara 算法和Clarans 算法。

2.2層次聚類

如果聚類是嵌套的，如圖1（b），并且允許簇具有子簇，則聚類組成一棵樹，樹中每一個節(jié)點（簇）都是其子女（子簇）的并，而樹根就是包含所有對象的簇，這種聚類稱為層次聚類。

如圖2（a）所示，數(shù)據(jù)集為{a，b，c，d，e，f，g，h，k}，如果按自上而下進(jìn)行分解，稱為分裂式層次聚類，第1步將數(shù)據(jù)集分解為{a，b，c，g，h，k} 和 {d，e，f}；第2步將 {a，b，c，g，h，k} 分解為 {a} 和 {b，c，g，h，k}；第3步將 {b，c，g，h，k} 分解為{b，c} 和 {g，h，k}；第4步將{d，e，f}分解為j5i0abt0b和{e，f}；第5、6、7步分別將{e，f}、{b，c}、{g，h，k}分解為只有一個元素的葉子節(jié)點，算法結(jié)束。其結(jié)果如圖2（b）所示，簇的形成自左到右的過程。反之，如果自下而上由單個元素逐步聚合成大類的過程，稱為凝聚式層次聚類。如圖2（b）中自右至左的聚類過程。代表的算法是 BIRCH算法，CURE算法等。

2.3基于密度聚類

簇是對象的稠密區(qū)域，或者，簇的分布是不規(guī)則或是重疊的，如圖1（b）所示。這種情況下難以分割或分層，根據(jù)數(shù)據(jù)分布密度的不同，把相同或相近密度的數(shù)據(jù)分到一個簇中，從中可以發(fā)現(xiàn)數(shù)據(jù)的分布模式，或者不同密度之間的關(guān)聯(lián)關(guān)系，從而發(fā)現(xiàn)有用信息。其特點是適合于發(fā)現(xiàn)不同形狀的簇。代表算法有DBSCAN算法DENCLUE算法。

3聚類分析算法

數(shù)據(jù)對象所擁有的簇不同，采取的聚類方法也不同。隨著聚類分析技術(shù)的不斷發(fā)展，各種聚類方法或算法改進(jìn)應(yīng)運而生。本文介紹劃分聚類、層次聚類、基于密度的聚類的常用算法。

3.1劃分聚類

3.1.1K均值聚類算法

K均值聚類算法是由 J. B. Mac Queen 于 1967 年提出來的一種基于劃分的經(jīng)典聚類算法。它是基于原型的聚類技術(shù)創(chuàng)建數(shù)據(jù)對象的單層劃分。

算法的基本思想是：首先，選取K個初始質(zhì)心（質(zhì)心點到簇中其他數(shù)據(jù)之間歐式距離的平均值或是簇的中心點），初始質(zhì)心是隨機(jī)選擇的某個數(shù)據(jù)元素，其中K是用戶指定的參數(shù)，即指定需要劃分的簇的個數(shù) K 值，對歐式空間中的點使用歐幾里得距離度量數(shù)據(jù)對象的相似性，通過計算各個數(shù)據(jù)對象到 K 個初始質(zhì)心的距離，按照最近鄰原則將數(shù)據(jù)對象指派到距離它最近的質(zhì)心所在的簇中，形成初次劃分。然后，根據(jù)初始產(chǎn)生的簇更新每個簇的質(zhì)心，重復(fù)指派和更新步驟，直到簇不發(fā)生變化，即等價于質(zhì)心不發(fā)生變化或變化到達(dá)給定條件的閾值，終止算法。endprint

3.1.2CLARA 聚類算法

算法的基本思想是：首先，從數(shù)據(jù)集隨機(jī)選取一定數(shù)量的樣本（一般設(shè)為40+2*k）， k為預(yù)設(shè)的聚類數(shù)目，從樣本中選k個元素作為中心點，用PAM算法，在整個數(shù)據(jù)集中找到更具有代表性的元素替換現(xiàn)有中心點位置，得到目前為止具有代表性的中心點。再次隨機(jī)選取樣本，重復(fù)PAM算法過程。選擇q次樣本，進(jìn)行q次迭代， CLARA算法最終從q個樣本中得到最佳的聚類結(jié)果。

比較（1）和（2），兩者的共同點是K值都需要經(jīng)驗給出。兩者的不同之處是， K均值算法適用于呈球形狀的數(shù)據(jù)聚類，初始質(zhì)心的隨機(jī)選取影響聚類的結(jié)果，對離群點和噪聲都敏感。CLARA算法是在隨機(jī)選取樣本的基礎(chǔ)上聚類，所以適用于大數(shù)據(jù)量的聚類，通過樣本不斷更新中心對象，與初始質(zhì)點沒有關(guān)系，同時，也避免了噪聲或離群點的干擾。

3.2分層聚類

3.2.1BIRCH算法

算法的基本思想是：BIRCH算法是把層次聚類過程看作是一棵樹的分解或凝聚。第1步遍歷整個數(shù)據(jù)集，按照事先確定的初始閾值，建立初始聚類特征樹簇；第2步增加閾值，把滿足條件的特征簇加入合并構(gòu)成一顆新樹即為凝聚，并用新的閾值所有結(jié)點是否滿足閾值，大于閾值的結(jié)點進(jìn)行刪減即為分裂，分裂的結(jié)點合并到最鄰近的特征樹中。重復(fù)第2步，隨著閾值的增大最終凝聚成一顆完整的樹，得到層次聚類的結(jié)果。

3.2.2CURE 算法

算法的基本思想是：CURE 算法是介于均值聚類選取質(zhì)心和CLARA聚類選擇中心對象之間的策略。數(shù)據(jù)集的每個點看成是一個類，給定常數(shù)c，第1步將c個較為分散的點“收縮”成一個類，收縮因子為小于1的數(shù)，根據(jù)目標(biāo)任務(wù)設(shè)置。第2步改變收縮因子，將最相似或相近的兩個類再“收縮”；重復(fù)第2步，直到收縮因子為1時，所有對象都收縮成一點，完成分層聚類。CURE 算法是一種界于基于層次和基于劃分的方法。CURE算法有效的解決了非球狀類或相似性大小不均勻的類。

比較（1）和（2）都是通過逐步凝聚的過程聚類，適用于呈球形或相似度（或距離）變化較大的類；采用凝聚或收縮的方式，不容易受到噪聲或離群點的影響。（1）通過遍歷建立特征樹，需要增加內(nèi)存開銷，對于大數(shù)據(jù)量的聚類，可通過選取樣本的方式進(jìn)行。（2）能夠較好的解決呈非球類的聚類，過濾噪聲或離群點。

3.3基于密度的聚類

3.3.1DBSCAN 算法

DBSCAN 算法是由Ester等人1996年在第二屆關(guān)于知識發(fā)現(xiàn)和數(shù)據(jù)挖掘的國際會議的會議上提出的，關(guān)于大型空間數(shù)據(jù)庫中發(fā)現(xiàn)集群的一種基于密度的算法。

算法的基本思想是：第1步根據(jù)目標(biāo)距離設(shè)鄰域為r的參數(shù)，鄰域內(nèi)的點標(biāo)記為核心點，落在多個鄰域的點標(biāo)記為邊界點，不屬于任何鄰域的點為噪聲點。以此法將數(shù)據(jù)集表示的點都做標(biāo)記；第2步刪除噪聲點；第3步將最相似（或最近）的核心點聚合成一個簇，與簇相關(guān)的邊界點聚合到簇中；重復(fù)第3步直到得到聚類結(jié)果。

3.3.2DENCLUE算法

DENCLUE算法是由Hinneburg等人1998年在知識發(fā)現(xiàn)和數(shù)據(jù)挖掘的第四屆ACM SIGKDD會議上提出的，解決多媒體數(shù)據(jù)庫與噪聲聚在一起的有效算法。

算法的基本思想是：構(gòu)造一個影響函數(shù)，將數(shù)據(jù)集所表示的數(shù)據(jù)空間的整體密度模型化為所有數(shù)據(jù)點的影響函數(shù)的總和，將局部最大的密度點聚集在一起，最終得到聚類的結(jié)果。

比較（1）和（2），兩者對對噪聲點不敏感。（1）只需要確定1個參數(shù)，相對容易；不適合處理高維數(shù)據(jù)和密度變化較大的數(shù)據(jù)；（2）中需要確定2個參數(shù)來構(gòu)造影響函數(shù)，且參數(shù)選擇比較困難，但（2）的方法適合高維數(shù)據(jù)的聚類和不同密度的數(shù)據(jù)。

4結(jié)論

聚類分析技術(shù)是一項正在蓬勃發(fā)展的新型技術(shù)，基本理論還處在不斷發(fā)展和完善過程中。為了適應(yīng)不同數(shù)據(jù)類型的分析研究，經(jīng)典算法也在不斷得到改進(jìn)以適應(yīng)實際問題的需要。文章分析了劃分聚類、層次聚類、基于密度的聚類的基本特征，并概括總結(jié)了這幾種聚類分析算法的基本思想，比較了它們的優(yōu)劣。聚類分析值得研究和解決的問題還很多，有待于進(jìn)一步豐富聚類分析的理論方法和針對性的技術(shù)研究。

參考文獻(xiàn)

[1]周世兵. 聚類分析中的最佳聚類數(shù)確定方法研究及應(yīng)用[D]. 無錫： 江南大學(xué)， 2011.

[2]朱峰. 蟻群算法在聚類分析中的應(yīng)用研究[D]. 西安：西北大學(xué)， 2009.

[3]陳志強，劉釗，張建輝. 聚類分析中PAM算法的分析與實現(xiàn)[J]. 計算機(jī)與現(xiàn)代化， 2003， （9）： 13， 6.

[4]仝磊光，謝景新，高明亮. CLARA算法聚類蛋白質(zhì)序列的實現(xiàn)[J]. 微計算機(jī)信息， 2010， （13）： 231233.

[5]蔣盛益，李霞. 一種改進(jìn)的BIRCH聚類算法[J]. 計算機(jī)應(yīng)用， 2009， （1）： 293296.

[6]王鴻遙，孫璐，游克思. 基于DENCLUE聚類算法的交通事故多發(fā)點鑒別方法[J]. 交通運輸工程與信息學(xué)報， 2013， （2）： 510.endprint