基于數(shù)據(jù)挖掘技術的金融風險分類預警研究.pdf

1、會融風險預警是金融數(shù)據(jù)挖掘中的一個重要研究方向，由于金融數(shù)據(jù)具有類型多樣、關系復雜、數(shù)據(jù)動態(tài)性、數(shù)據(jù)量大等一般特征，此外還有高噪音、非正態(tài)等特征。因此，金融風險預警更有挑戰(zhàn)性。運用數(shù)據(jù)挖掘技術能夠從海量的金融數(shù)據(jù)中發(fā)現(xiàn)隱藏在其背后的規(guī)律，有效地降低金融機構的運營風險，因此會融風險預警有著廣闊的應用價值和市場前景。
　　 本文的研究工作共分為六個部分，其具體的結構安排如下：
　　 第一章首先介紹本課題研究的歷史背景及意義，

2、同時回顧了關于金融風險預警和數(shù)據(jù)挖掘技術的國內外研究現(xiàn)狀，并在此基礎上提出了本文的研究目的與意義。
　　 第二章在主要介紹了關于金融風險基本概念及其風險預警的一般步驟。
　　 第三章系統(tǒng)的分析了數(shù)據(jù)挖掘的方法及其特點，并對其在金融領域中的應用進行了分析，通過與會融領域中傳統(tǒng)方法的對比，證明了數(shù)據(jù)挖掘技術是可行的。
　　 第四章重點研究了模糊聚類模型，在傳統(tǒng)的模型上添加了聚類數(shù)c和權指數(shù)m的改進方法?？紤]到BP神經(jīng)

3、網(wǎng)絡模型的收斂速度慢，目標函數(shù)存在局部極小點，隱含層數(shù)和隱節(jié)點數(shù)難以確定等缺點，本文采用增加動量項的改進BP模型。將兩種模型組合而成的混合模型應用到在會融風險預警領域。
　　 第五章根據(jù)第四章建立的混合模型進行了實證分析，并與BP算法分析的結果進行了誤差對比，結果表明了混合模型的優(yōu)越性。
　　 第六章是本文的最后一章，在這一章中，我們首先對本文的所有工作進行了總結。同時，我們也指出了仍然有待解決的幾個問題以及本課題今后的