数据挖掘技术在财务风险分析中的应用.doc

数据挖掘技术在财务风险分析中的应用
王 晗 提要随着信息技术的发展,企业如何在大量的信息中挖掘出有用的信息,对企业财务风险进行有效的分析和防范,成为企业迫切需要解决的问题。将数据挖掘运用到财务风险的分析中,就能在数据量庞大的财务数”最大。
2、神经网络法。神经网络最早由心理学家和神经生物学家提出,旨在寻求开发和测试神经的计算模拟。由于神经网络在解决复杂问题时能够提供一种相对简单的方法,因此近年来越来越受到人们的关注。典型的神经网络模型主要分三大类:(1)以感知机、BP反向传播模型、函数型网络为代表的,用于分类、预测和模式识别的前馈式神经网络模型;(2)以Hopfield的离散模型和连续模型为代表的,分别用于联想记忆和优化计算的反馈式神经网络模型;(3)以ART模型、Kohonen模型为代表的,用于聚类的自组织映射方法。
3、模糊数学法。客观事物往往具有某种不确定性。系统的复杂性越高,则其精确性越低,也就意味着模型性越强。在数据挖掘过程中,利用模糊数学方法对实际问题进行模糊评判、模糊决策、模糊识别和模糊聚类,往往能够取得更好的效果。
(三)数据挖掘流程
1、数据挖掘环境。数据挖掘是指一个完整的过程,该过程从大型数据库中挖掘先前未知的、有效的、可实用的信息,并使用这些信息做出决策或丰富知识。(图1)

2、数据挖掘过程
(1)确定业务对象,清晰地定义出业务问题,认清数据挖掘的目的是数据挖掘的重要一步。挖掘的最后结构是不可预测的,但要探索的问题应是有预见的,为了数据挖掘而数据挖掘则带有盲目性,是不会成功的。
(2)数据准备。①数据的选择,搜索所有与业务对象有关的内部和外部数据信息,并从中选择出适用于数据挖掘应用的数据。②数据的预处理,研究数据的质量,为进一步的分析做准备,并确定将要进行的挖掘操作的类型。③数据的转换,将数据转换成一个分析模型。这个分析模型是针对挖掘算法建立的,建立一个真正适合挖掘算法的分析模型是数据挖掘成功的关键。
(3)数据挖掘。对所得到的经过转换的数据进行挖掘。除了完善选择合适的挖掘算法外,其余一切工作都能自动地完成。
(4)结果分析。解释并评估结果。其使用的分析方法一般应视数据挖掘操作而定,通常会用到可视化技术。
(5)知识的同化。将分析所得到的知识集成到业务信息系统的组织结构中去。

二、数据挖掘在财务风险分析中的运用

(一)财务风险概述。财务风险指企业由于负债融资导致的净资产收益率或每股收益的不确定性,也是企业到期不能还本付息的可能性。财务风险也称筹资风险,产生财务风险的根源在于,由于举债融资后,预期实现的资产报酬率是否大于债务利率的不确定性。财务风险防范、控制及化解的前置条件是对财务风险及其特点的充分认识。一般地,财务风险具有以下几个特征:
1、客观性。在市场经济条件下,财务风险是客观存在的,不以个人的意志为转移,任何经营活动都存在着两种可能的结果,即实现预期目标和无法实现预期目标,这就意味着无法实现预期目标的风险客观存在,要完全消除风险及其影响是不现实的。
2、不确定性。财务风险虽然是客观存在的,可以事前加以估计和控制,但由于影响财务活动结果的各种因素不断发生变化,因此事前并不能准