數(shù)據(jù)挖掘在金融方面的應(yīng)用

【摘 要】在信息高速發(fā)展的當(dāng)代，互聯(lián)網(wǎng)的迅猛發(fā)展，金融界的競爭日益激烈，沒有大量的信息數(shù)據(jù)，并且準(zhǔn)確分析所得到的信息是無法在這個(gè)相對狹窄的金融界中立足的，所以，數(shù)據(jù)挖掘就成了最有效和最快捷可靠的手段之一。數(shù)據(jù)挖掘旨在從大量的信息中提取最有用的信息，以幫助人們做出正確的判斷。數(shù)據(jù)挖掘方法對大量數(shù)據(jù)、信息的分析匯總將有助于金融界人士的專業(yè)判斷，減少失誤，帶來最大的經(jīng)濟(jì)效益。我相信，一旦數(shù)據(jù)挖掘在金融界得到很好地應(yīng)用，那么將會大大的促進(jìn)金融界的快速發(fā)展，為國家經(jīng)濟(jì)的發(fā)展做出貢獻(xiàn)。

【關(guān)鍵詞】數(shù)據(jù)挖掘 金融 銀行 投資 股票

一、引言

本文旨在探討數(shù)據(jù)挖掘在金融方面的應(yīng)用，主要從最主要的三個(gè)方面：銀行、投資評估以及股票。隨著數(shù)據(jù)挖掘技術(shù)的發(fā)展和完善，數(shù)據(jù)挖掘在金融領(lǐng)域的應(yīng)用勢必會帶來不可小覷的經(jīng)濟(jì)效益，而且當(dāng)下數(shù)據(jù)挖掘技術(shù)在金融領(lǐng)域還不是非常的成熟，所以，數(shù)據(jù)挖掘在金融方面更深一步的研究是非常必要和緊迫的。數(shù)據(jù)挖掘在金融領(lǐng)域的應(yīng)用是通過對大量金融信息進(jìn)行歸納總結(jié)，利用數(shù)據(jù)挖掘的關(guān)鍵技術(shù)，例如最小二乘法等，盡可能真實(shí)的模擬現(xiàn)實(shí)金融世界的實(shí)際情況，幫助決策者做出合理的決策，這就是數(shù)據(jù)挖掘在金融領(lǐng)域的精髓所在。

二、數(shù)據(jù)挖掘在金融領(lǐng)域的應(yīng)用

（一）數(shù)據(jù)挖掘在銀行方面的應(yīng)用

在金融領(lǐng)域，銀行的存在是不可忽視的，銀行的交易數(shù)據(jù)和數(shù)據(jù)存儲量都是很大的，要包括許多方面，例如客戶的信息等等。

當(dāng)下銀行管理信用卡問題的方法就是運(yùn)用了數(shù)據(jù)挖掘的思想。銀行曾經(jīng)一度因信用卡的欺詐行為，或者持卡人的不誠信，造成了銀行每年較大的損失。但是，隨著數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，可以利用數(shù)據(jù)挖掘?qū)γ總€(gè)客戶信譽(yù)進(jìn)行分析，對于信譽(yù)低的信用卡持卡人，警告并且取消其擁有開辦信用卡的資格，銀行對于信用卡的問題就得到了妥善的解決。另一方面，對于銀行的大客戶，也可以采用數(shù)據(jù)挖掘的思想，從大量的客戶資料中分析出哪些客戶符合大客戶的標(biāo)準(zhǔn)，根據(jù)他們的基本資料以及合法的調(diào)查來發(fā)現(xiàn)潛在的客戶，以及發(fā)現(xiàn)那些雖然是大客戶但難以長期合作的客戶，這樣就可以幫助銀行能快速精準(zhǔn)的找到潛在的客戶而不必花費(fèi)大量的時(shí)間毫無規(guī)律的去挖掘客戶。數(shù)據(jù)挖掘在挖掘客戶這方面可以充分分配和利用人力物力，幫助銀行達(dá)到最理想的效果。

除此以外，銀行對于貸款，車貸和房貸，不僅僅要坐等有需要貸款的人來主動請求貸款，還需要從客戶資料庫中挖掘潛在有貸款需求的客戶，進(jìn)行及時(shí)的溝通和詢問，幫助這些客戶的同時(shí)也促進(jìn)了銀行的發(fā)展。

（二）數(shù)據(jù)挖掘在投資評估的應(yīng)用

投資是一項(xiàng)非常有風(fēng)險(xiǎn)的活動，怎樣來降低風(fēng)險(xiǎn)就顯得至關(guān)重要，風(fēng)險(xiǎn)投資講究的就是伴隨著風(fēng)險(xiǎn)的存在，但是自己的投資仍然能夠取得一定的收益。這很困難但是運(yùn)用數(shù)據(jù)挖掘的思想，通過對企業(yè)財(cái)務(wù)報(bào)表的線性回歸模型可以預(yù)測出該企業(yè)的未來盈利能力，可以利用決策樹模型、人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行預(yù)測，從海量的數(shù)據(jù)中找到錯(cuò)綜復(fù)雜的關(guān)系和規(guī)律。眾所周知，企業(yè)的財(cái)務(wù)報(bào)告包含了大量有關(guān)企業(yè)經(jīng)營狀況的信息，對于投手而言，需要做的就是通過這些企業(yè)的基本信息來挖掘出未來能夠穩(wěn)定快速發(fā)展并且前景光亮的公司，數(shù)據(jù)挖掘技術(shù)中的決策樹和神經(jīng)網(wǎng)絡(luò)，可以建立出廣義線性和非線性的預(yù)測模型，幫助投手們找出未來前景較好，發(fā)展勢頭較大的公司，得到較好的預(yù)測效果，之后，對預(yù)測的預(yù)測效果進(jìn)行評估，是否具備有效性，這些預(yù)測效果是否穩(wěn)健可靠，盡量要避免過度擬合的情況，是模型最大可能的達(dá)到外推有效，來幫助投手們做出正確的投資選擇，帶來最大的經(jīng)濟(jì)效益。

（三）數(shù)據(jù)挖掘在股票方面的應(yīng)用

股票是時(shí)時(shí)變化的，股票指數(shù)序列的發(fā)展變化呈現(xiàn)時(shí)變性、 隨機(jī)性、 非線性的特點(diǎn)， 投資者要想在瞬息萬變的股票投資市場上通過自己的投資獲得盡可能大的收益， 就必須把握股票價(jià)格波動的韻律、 脈絡(luò)， 對股票的市場價(jià)格走向作出準(zhǔn)確的判斷。所以，在股票投資這方面時(shí)間序列方法就顯得尤為重要，對大量股票信息的數(shù)據(jù)挖掘也會對投資者的正確投資起到引導(dǎo)作用。利用已知的趨勢明顯的股票信息為標(biāo)準(zhǔn)，采用應(yīng)用分類和聚集挖掘方法，對所要進(jìn)行購買的股票市場的股票進(jìn)行分類和匯聚處理；利用人工神經(jīng)網(wǎng)絡(luò)等數(shù)學(xué)工具對股票市場進(jìn)行多因素分析，現(xiàn)得出適用范圍較廣的模型， 并對模型優(yōu)劣進(jìn)行分析， 預(yù)測和檢驗(yàn)使其有利于投資者的決策，見文獻(xiàn)[1]；利用關(guān)聯(lián)分析方法對每日的行情進(jìn)行分析，找出股票的成交數(shù)量以及跌漲幅度大小與股票自身價(jià)值之間的關(guān)系；利用時(shí)間序列對股票的整體走勢來進(jìn)行合理的修正、更新和預(yù)測，見文獻(xiàn)[2]等。

（四）股市趨向預(yù)測分析方法

1.遺傳支持向量機(jī)

在遺傳支持向量機(jī)的方法上做進(jìn)一步的改善，就可以得到一個(gè)更優(yōu)化的模型，即遺傳最小二乘支持向量機(jī)模型，而文獻(xiàn)[3]中就是研究了這種采用模擬遺傳退火算法優(yōu)化的最小二乘支持向量機(jī)預(yù)測模型，選取最優(yōu)特征，調(diào)整好最小二乘支持向量機(jī)的參數(shù)問題，進(jìn)行較為準(zhǔn)確的股票預(yù)測。它是將歷史數(shù)據(jù)作為研究的對象，把股票的周平均數(shù)據(jù)作為原始數(shù)據(jù)的輸入，得到較為理想的預(yù)測效果。如圖一：

從這張圖可以看出，從左半邊可以看出遺傳最小二乘支持向量機(jī)模型的逼近性非常理想，而且就上證股票指數(shù)的周均值預(yù)測結(jié)果與真實(shí)值相比較而言是比較準(zhǔn)確的，可以大膽的說模擬遺傳退火算法優(yōu)化的最小二乘支持向量機(jī)預(yù)測模型很成功，可以很好的反應(yīng)股票市場的變化情況，同時(shí)，預(yù)測值與實(shí)際值之間的誤差很小，對股票的投資有著重要的指導(dǎo)作用。

2.神經(jīng)網(wǎng)絡(luò)

文獻(xiàn)[1]中主要研究了基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)網(wǎng)絡(luò)模型（RBF）兩種方法在股票價(jià)格預(yù)測方面的作用，下面分別是徑向基函數(shù)網(wǎng)絡(luò)模型（RBF）以及基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的股市趨向預(yù)測值與真實(shí)值之間的對比圖：

注釋：圖二為徑向基函數(shù)網(wǎng)絡(luò)模型的預(yù)測值與真實(shí)值之間的對比關(guān)系圖

注釋：圖三為基于免疫遺傳算法的神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值和真實(shí)值的對比圖

注釋：圖四為基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型的誤差值與徑向基函數(shù)網(wǎng)絡(luò)模型的誤差值之間的對比圖。

通過這三張對比圖可以很清晰的看出徑向基函數(shù)網(wǎng)絡(luò)模型的收斂速度要比基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型算法好，但是另一方面，相同前提情況下，例如樣本相同時(shí)，顯然基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型算法所得到的預(yù)測值要更加精準(zhǔn)，更加逼近真實(shí)值，更好的為決策者提供有效準(zhǔn)確的信息。在這兩者的對比之下，可以看出基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型相較于原有的BP神經(jīng)網(wǎng)絡(luò)得到了較大的改善，其在預(yù)測值上比較準(zhǔn)確，甚至可以說是要優(yōu)于徑向基函數(shù)網(wǎng)絡(luò)模型算法。但是，我們又不得不注意，基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型存在著他的一些局限性，可能有時(shí)候?qū)τ跊Q策的錯(cuò)誤判斷是致命性的，比如在一些拐點(diǎn)處的誤差要比較大，有些延遲等等。

小結(jié)：文獻(xiàn)[3]的模擬遺傳退火算法優(yōu)化的最小二乘支持向量機(jī)預(yù)測模型的誤差要更小一些，而且逼近性較好，文獻(xiàn)[1]的基于免疫遺傳算法的BP神經(jīng)網(wǎng)絡(luò)模型雖然有了較大的突破（相較于原有的神經(jīng)網(wǎng)絡(luò)），但是在一些點(diǎn)上還是有較大的偏差，逼近性也不是特別好，所以我認(rèn)為，無論在精準(zhǔn)度上還是逼近性方面，還是文獻(xiàn)[2]略勝一籌，但是兩者在股票的預(yù)測方面都較為準(zhǔn)確，都可以對股票的趨勢有一個(gè)大致正確的走向判斷，都能夠給決策者提供做出一個(gè)正確決定的信息支持。

三、金融時(shí)間序列

最小二乘支持向量機(jī)

在大量的金融時(shí)間序列數(shù)據(jù)的面前，如何通過調(diào)查海量的金融方面統(tǒng)計(jì)資料以及金融數(shù)據(jù)信息，從金融數(shù)據(jù)信息的歷史潛在規(guī)律，當(dāng)下的經(jīng)濟(jì)狀況以及對未來趨勢的正確較為精確地預(yù)測成為了如今金融領(lǐng)域較為熱門的話題。文獻(xiàn)[2]提出了一種基于最小二乘支持向量機(jī)的金融數(shù)據(jù)時(shí)間序列預(yù)測的方法，在傳統(tǒng)的支持向量機(jī)的基礎(chǔ)上，將不等式約束轉(zhuǎn)化為等式約束，非線性問題轉(zhuǎn)變?yōu)榫€性問題，得到了如下的預(yù)測數(shù)據(jù)：

注釋：該圖摘自文獻(xiàn)[2]，其中，MAPE為平均相對誤差， RMSE為均方根誤差。從上表可以看出，基于最小二乘支持向量機(jī)的金融數(shù)據(jù)時(shí)間序列預(yù)測值與實(shí)際值得誤差不大，盡管某些地方預(yù)測值與實(shí)際值相差甚遠(yuǎn)，但是他整體上的速度比較快。下面是它與神經(jīng)網(wǎng)絡(luò)之間的對比圖：

從這張表可以看出，基于最小二乘支持向量機(jī)的金融數(shù)據(jù)時(shí)間序列的平均訓(xùn)練時(shí)間較少，訓(xùn)練次數(shù)也較少，誤差率較神經(jīng)網(wǎng)絡(luò)而言要低，相較之下，基于最小二乘支持向量機(jī)的金融數(shù)據(jù)時(shí)間序列要比傳統(tǒng)的支持向量機(jī)和網(wǎng)絡(luò)神經(jīng)預(yù)測更加的快，準(zhǔn)確，對指數(shù)的預(yù)測更加逼近實(shí)際指數(shù)，對決策者的決定有更大的幫助作用。

參考文獻(xiàn)：

[1]蔣超，雷卿然，楊琳.神經(jīng)網(wǎng)絡(luò)在股市預(yù)測中的應(yīng)用[J].內(nèi)江師范學(xué)院學(xué)報(bào)，2008（23）：235-237.

[2]辛治運(yùn)，顧明.基于最小二乘支持向量機(jī)的復(fù)雜金融時(shí)間序列預(yù)測[J].清華大學(xué)學(xué)報(bào)，2008（7）：1147-1148.

[3]黃勝忠.遺傳支持向量機(jī)在股市趨向的預(yù)測[J].計(jì)算機(jī)與數(shù)字工程，2012（1）.

[4]朱寧，徐標(biāo)，仝殿波.上證指數(shù)的時(shí)間序列預(yù)測模型[J].桂林電子工業(yè)學(xué)院學(xué)報(bào).2006（2）：124-128.

[5]黃超， 龔惠群.金融領(lǐng)域時(shí)間序列挖掘技術(shù)研究[J].東南大學(xué)學(xué)報(bào)（ 哲學(xué)社會科學(xué)版），2007（5）：36-39.

[6]龔惠群，黃超，彭江平.具有雙時(shí)間維約束的股票序列模式挖掘[J].計(jì)算機(jī)工程，2003（20）：87-89.

[7]閆相斌，李一軍，張潔.客戶時(shí)序關(guān)聯(lián)規(guī)則挖掘方法研究[J].計(jì)算機(jī)集成制造系統(tǒng)，2006（1）：133-138.

[8]王智鋼，王池社，李廣水，王蓁蓁.基于SVC的證券行情周K線漲跌預(yù)測[J].金陵科技學(xué)院學(xué)報(bào)，2013（1）：15-19.

（指導(dǎo)老師： 王智鋼）