基于数据挖掘财务风险分析

陈长萍

摘 要：财务管理风险分析是目前研究的重点。伴随着计算机技术的发展，大部分风险系统通过采用一种新的探索方法—信息数据挖掘财务风险分析，实现了无人工检索即可获得信息的新技术。目前的文献中基本都是在进行数据仓库的优化，文章的创新点在于引入神经网络的优化算法处理风险系统数据中的噪声数据，进行有效的基于风险系统的财务风险分析，实验分析，优化的财务风险分析算法模型在存在噪声的风险系统数据中起到了优化的效果。因而，将该模型应用于数据挖掘财务风险分析算法，尤其是个性化数据挖掘是十分合理的。

关键词：财务管理；风险分析；数据挖掘

中图分类号：F275 文献标识码：A 文章编号：1006-8937（2015）14-0134-02

本文通过单隐藏神经网络进行基于数据挖掘财务管理风险分析，神经网络分为单层和多层两种。

1 财务风险数据挖掘

神经网络的整体结构如图1所示，神经网络是单层网络的一种，本图为文献[2]中的理论。

神经网络的特点是对于单隐层前馈神经网络，在学习精度比较高的前提下比一般的算法更加快速。其中，（x1，x2，…，xn）是输入数据即表达数据，（w1，w2，…，wn）是权值，存在f为选取的激活函数，激活函数的作用是对输入数据进行预处理，目的是将不规整的数据进行归一化处理，激活函数为：

f（x）=■（0

神经网络的输入输出{[xj，yj}■■，xj=[xj1，xj2…，xjd]T∈Rd，N表示样本的总数，d表示x分量的维度，yj=[yj1，yj2…，yjm]T∈Rm，m表示y分量的维度。分类的模型为：

式中，？茁i为输出权值向量，ai为输入权值向量，oj为与Yj相对应的实际输出向量，bi为偏置。

单隐层神经网络学习的输出误差最小值为：

■oj-tj=0

最小化损失函数，E=■（■？茁ig（xi，ai，bi）-tj）根据最小二乘原理：■=H？覮T

H？覮为H的广义逆矩阵，通过训练神经网络建立数据模型。

神经网络在非结构化数据中的运行速度非常快，同样的分类精度的条件下，相比去BPNN，SVM，决策树等有着时间复杂度的优势。因此，与常用的数据挖掘分类算法比较后，神经网络的优点明显。神经网络算法见表1。

2 改进数据挖掘方法

在存在异常值的非结构化的微阵列数据中，对比神经网络，改进神经网络的分类性能。加权神经网络经过在误差和进行加权。加权支持向量机的方法是将隶属度加权到经验风险上，单加权神经网络的方法同样也是将权值加权到最小二乘的位置，每一行的输入值xj都在误差ej，m上乘以Wj，m（m=1，2，...M），

文章中提出双加权支持向量机，将样本非结构化数据复制两份，即数据量由N变成2*N，，分别以不同的概率属于不同的类别。非结构化数据集由公式{xj，yj}，forj=1，...，N，变成：{xj，yj，uj}，forj=1，...，{xj，-yj，1-uj}，forj=1，...，N

最小化：L的前面是模型复杂度，后面是加权后的经验风险，u为权值，e为误差。

换成拉格朗日乘子

aj，rj是二倍样本的数据集，得出的拉格朗日乘子。（w，b，e，？耷，aj，rj）表示拉格朗日系数，和误差值。通过求（w，b，e，？耷，aj，rj）偏微分，

双加权支持向量机分类目标：

经单加权后处理的均值（组1）：

经单加权处理的权均值（组2）：

有异常值情况下双加权，权值W1[0，1]。

经双加权处理后均值（组1）：

经双加权处理后均值（组2）：

将支持向量机和神经网络进行了比较，支持向量机的分类目标为：

如果将神经网络的分界面的映射为高维空间，那么神经网络的分类目标为：sign（h（x）■）

双加权神经网络中非结构化数据集由{xj，yj}，forj=1，...，N

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

神经网络输出权值为：■=HT（■+HTh）-1（2w-1）T，

3 数据分析

本文通过贝叶斯，支持向量机以及神经网络对比财务管理风险分析的预测精度，对比如图2所示。

从本文实例数据分析看出4个财务风险预测数据集中神经网络预测精度最高，改进的对财务风险预测更高。

参考文献：

[1] 吴琳.当前企业财务管理中存在的问题及对策[J].财经界（学术版），2013，（19）.

[2] 谭心纯.中小企业财务管理的风险控制及对策[J].行政事业资产与财务，2013，（12）.