分类筛选
分类筛选:

关于关联规则论文范文资料 与基于关联规则企业财务风险评价有关论文参考文献

版权:原创标记原创 主题:关联规则范文 科目:职称论文 2024-03-06

《基于关联规则企业财务风险评价》:此文是一篇关联规则论文范文,为你的毕业论文写作提供有价值的参考。

【摘 要】 基于关联规则的交互挖掘是以数据挖掘为基础,专门用于解决最小支持度和置信度阈值未知情况下的数据挖掘问题,其最大的特点就在于需要通过实验和调整来探知最小支持度和置信度阈值,最终实现对数据用户需求的有效满足.通过构建的基于关联规则交互挖掘的企業财务风险分析模型,分别对模型的支持度和置信度阈值进行数值设定,进而实现了对企业财务风险指标频繁模式类型数目以及规则数目的挖掘,并以此为基础最终实现对财务指标间规律的探析.未来企业应结合具体财务指标选择对企业财务风险实现多层面、全方位的防范.

【关键词】 关联规则; 数据挖掘; 财务风险; 风险评价

【中图分类号】 F275 【文献标识码】 A 【文章编号】 1004-5937(2017)01-0032-04

对于企业而言,自身运营过程中存在的风险因素能否被准确洞察直接关系着自身的可持续发展,也正是如此,理论界始终关注企业财务风险或预警指标的选择和整体模型的构建,其相关理论研究成果也为企业的持续、健康运营产生了积极影响,但不可否认,传统统计模型过于苛刻的假设条件和繁杂的计算过程也极大限制了理论成果的实践效用[1].伴随信息技术的快速发展,数字时代的到来一改传统的假设分析方法,更强调大规模数据分析中规律的呈现,这对于企业财务风险评价而言也带来了一种全新的方法,即在充分运用数据挖掘技术的基础上,结合企业发展的动态性,建立更具实效性和实践性的企业财务风险分析和危机预警模型,以确保企业管理者可以及时发现运用过程中存在的潜在风险因素,并采取积极的应对措施.基于此,本文拟在充分分析企业财务风险现状的基础上,以关联规则交互挖掘算法为基本方法、以企业相关财务风险指标挖掘为基本方式,以期探寻隐藏于财务指标体系中的基本规则),从而发现真正引致企业财务风险的根源之所在.

一、关联规则的数据挖掘内涵及运用

数据挖掘,也称为知识发现,即在海量数据中探索隐藏于其中的规律、规则的过程[2].从其发展过程来看,它最初的思想萌芽于统计学,且发展也以统计学为基础,在计算机、信息技术实现飞速发展后,实现了统计学与数据库技术、人工智能技术等理论和技术的融合,最终实现了数据挖掘.可见,这一知识发现过程的实现有着两个充分条件:一是高性能计算技术,这是实现数据分析的必备技术手段;二是海量数据搜集,这是探索基本规律的必要资料基础.从数据挖掘的使用来看,数据挖掘技术的使用最初始于计算机领域,以IBM为代表的企业率先将其运用于自身的相关产品研发,如IBM Intelligent Miner[3];国内则主要关注于数据挖掘的算法研究,这就导致研究主体以高校和相关科研机构为主,其在实践方面的运用尚不普遍.从20世纪90年代数据挖掘技术出现至今,虽然对其的研究仍是理论界关注的焦点,但在实践领域也有了相当的进展,总体来看,在所有数据挖掘方法中以关联规则的挖掘运用最为广泛.因此,本文也将主要以关联规则数据挖掘方法为基础,将其与企业财务风险分析相结合.关联规则的数据挖掘方法如下:一是Apriori算法,该方法由Agrawal等首先提出,其基本思想是在所建立的支持度-置信度框架下通过迭代运算形成最终所需的频繁模式集,即在对数据库扫描的基础上生成首要A候选集,在此基础上进行支持度计数比较(主要采用Apriori算法),形成频繁集A’,此时,候选集的生成将不再是对数据库的扫描,而是数据集A’将以自身链接的形式再生成新的候选集B,B仍然采用Apriori算法进行支持度计数比较形成频繁集B’.如此反复,直到得出所有长度L(k≥1)的频繁项集L’,此时应不再产生新的频繁集项.二是FP-Growth 算法,该方法由Jiawei Han等率先提出,克服了支持度阈值较低时运用Apriori算法对数据库频繁扫描所导致的算法性能下降的缺陷[4].其基本思想是在Apriori算法基础上引入Frequent Patterns Tree重新保存数据集,这样就避免了对数据库的频繁扫描,且有效缩减了每一条数据传导路径中节点的频繁程度,既强化了数据结构的紧凑度,又为后续生成算法中对FP-Tree的快捷拆分提供了方法保障.

基关联规则的交互挖掘则是以数据挖掘为基础,专门用于解决最小支持度和置信度阈值未知情况下的数据挖掘问题,其最大的特点就在于需要通过实验和调整来探知最小支持度和置信度阈值,最终实现对数据用户需求的有效满足;其常用的方法主要包括以下两类:

一是基于Apriori算法的交互挖掘方法,该方法主要以Apriori算法为基础,试图通过对已挖掘的关联规则的高效运用,从而达到控制候选集规模的目的,这样可以最终实现对数据库测试频率的有效降低.目前,理论界常用的具体方法包括IUA(Incremental Updating Algorithm)和 NewIUA(NewIncremental Updating Algorithm)两类[5].以IUA为例,对于真正有效关联规则挖掘目的的实现则主要依赖于最小支持度和最小置信度阈值的实验和调整,若数据库始终保持不变则支持度和置信度阈值的变化就会引致关联规则更新,此时可利用已存在的频繁项集实现对新的频繁项集的开发,即采用增量式更新算法IUA,但对于频繁项集的划分容易导致大量无用候选集的产生和有效频繁项集的误删.

二是基于模式增长的交互挖掘方法,该方法的主要思想是通过对已发现关联规则使用效率的提升进而实现对算法效率的改善,其主要改善路径则是控制频繁模式树的重复构建率和减少数据库的重复扫描次数.以Khashei M,Cong et al.[6]为代表的研究者就主张以有效的压缩策略实现对三个频繁模式挖掘技术的匹配,以避免频繁模式的不断增加.

总体而言,伴随关联数据挖掘技术理论研究的丰富,其在社会实践中的运用范围也不断扩大,已经被逐渐应用于零售、金融、电子商务等领域特定产品的研发中.以美国银行为例,其目前对数据仓库和数据挖掘技术的使用增长率已达到15%,同时,还将其充分运用于利润评测模型和风险控制模型的构建中,实现了管理效率的有效提升.

关联规则论文参考资料:

文后参考文献著录规则

结论:基于关联规则企业财务风险评价为关于对写作关联规则论文范文与课题研究的大学硕士、相关本科毕业论文关联规则原理论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。

和你相关的