基于数据挖掘技术的金融风险分类预警研究

发布时间：2022-08-12 11:06

　　金融风险预警是金融数据挖掘中的一个重要研究方向,由于金融数据具有类型多样、关系复杂、数据动态性、数据量大等一般特征,此外还有高噪音、非正态等特征。因此,金融风险预警更有挑战性。运用数据挖掘技术能够从海量的金融数据中发现隐藏在其背后的规律,有效地降低金融机构的运营风险,因此金融风险预警有着广阔的应用价值和市场前景。本文的研究工作共分为六个部分,其具体的结构安排如下：第一章首先介绍本课题研究的历史背景及意义,同时回顾了关于金融风险预警和数据挖掘技术的国内外研究现状,并在此基础上提出了本文的研究目的与意义。第二章在主要介绍了关于金融风险基本概念及其风险预警的一般步骤。第三章系统的分析了数据挖掘的方法及其特点,并对其在金融领域中的应用进行了分析,通过与金融领域中传统方法的对比,证明了数据挖掘技术是可行的。第四章重点研究了模糊聚类模型,在传统的模型上添加了聚类数c和权指数m的改进方法。考虑到BP神经网络模型的收敛速度慢,目标函数存在局部极小点,隐含层数和隐节点数难以确定等缺点,本文采用增加动量项的改进BP模型。将两种模型组合而成的混合模型应用到在金融风险预警领域。第五章根据第四章建立的混合模型进... 

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 金融风险研究背景
    1.2 金融风险研究现状
    1.3 数据挖掘研究现状
    1.4 研究目的与意义
第二章 金融风险介绍
    2.1 风险综述
        2.1.1 风险的定义
        2.1.2 金融风险的特征
    2.2 金融风险预警概述
        2.2.1 金融风险预警概念
        2.2.2 金融风险预警的目标和原则
    2.3 金融风险预警系统的结构
        2.3.1 预警系统的基本结构
        2.3.2 完善金融风险预警指标体系
第三章 数据挖掘技术在金融领域的分析及其特点
    3.1 数据挖掘的基本概念
    3.2 数据挖掘的任务
    3.3 数据挖掘常用的方法及特点
    3.4 数据挖掘在金融领域中的优势
        3.4.1 传统金融数据分析特点与问题
        3.4.2 数据挖掘与传统分析方法的区别
第四章 模糊聚类与神经网络
    4.1 聚类分析
        4.1.1 聚类分析的定义与划分的方法
        4.1.2 FCM聚类算法
        4.1.3 聚类有效性指标
    4.2 FCM算法的改进
        4.2.1 聚类数c的确定
        4.2.2 权指数m的确定
    4.3 神经网络
        4.3.1 神经网络技术
    4.4 基于模糊聚类和神经网络的混合模型
第五章 实证分析
    5.1 数据的归一化处理
    5.2 FCM算法聚类
    5.3 预警
第六章 总结与展望
    6.1 研究工作
    6.2 不足与展望
参考文献
致谢


【参考文献】：
期刊论文
[1]金融风险预警:评价指标、预警机制与实证研究[J]. 陈秋玲,薛玉春,肖璐.  上海大学学报(社会科学版). 2009(05)
[2]一种改进的模糊C-均值算法[J]. 陈春明.  情报探索. 2009(07)
[3]金融风险预警系统及发展[J]. 林谦,王宇.  统计与决策. 2007(14)
[4]基于聚类分析和神经网络的时间序列预测方法[J]. 刘峰,瞿俊.  微电子学与计算机. 2006(09)
[5]中国金融风险预警研究[J]. 陈守东,杨莹,马辉.  数量经济技术经济研究. 2006(07)
[6]运用信号分析法建立我国的金融风险预警系统[J]. 吴海霞,邢春华,孙婵娟.  金融论坛. 2004(06)
[7]金融危机预警系统的理论透析与实证分析[J]. 张元萍,孙刚.  国际金融研究. 2003(10)
[8]BP神经网络学习算法的改进及其应用[J]. 吴凌云.  信息技术. 2003(07)
[9]BP神经网络的应用设计[J]. 尹念东.  信息技术. 2003(06)
[10]论建立中国金融危机预警系统[J]. 唐旭,张伟.  经济学动态. 2002(06)

硕士论文
[1]基于数据挖掘的金融预测模型[D]. 熊腾科.厦门大学 2006
[2]我国金融危机的预警研究——基于人工神经网络模型的分析[D]. 邱隆敏.暨南大学 2004



本文编号：3675765