文摘
企业财务风险不仅危及数码行业的金融稳定也造成宏观经济和社会财富的巨大损失。为了检测和警告数码行业财务风险,本文提出了一种数字行业财务风险预警系统是基于改进的k - means聚类算法。旨在加快k - means计算,找到最优聚类子空间,一个特定的变换矩阵用于项目的数据。特征空间分为集群空间和噪音。前者包含所有空间结构信息;后者不包含任何信息。每次迭代的进行k - means聚类空间,以及维度筛选的影响是在迭代过程中实现的。与此同时,美联储保留尺寸回下一次迭代。集群空间的维度信息自动发现,所以没有额外的参数。实验结果表明,该算法的精度高于其他算法在金融风险检测。
1。介绍
系统性金融风险是指风险,可能危及整个金融体系的稳定。有许多形式的系统性金融风险,其中最典型的是金融危机1]。自17世纪以来,世界各地的金融危机已经爆发,和他们的频率和破坏性都增加了。目前,全球金融市场仍在一段时间的恢复和调整,但国际金融形势仍然很严峻。更重要的是,经济全球化的趋势和背景,外生金融风险的发生概率和危害程度正在迅速增加(2]。
近年来,中国的科技进步催生了新的金融形式的不断创新和发展。以数字金融为例,第三方支付服务已经开始取代传统的金融业服务(3]。在线贷款也取得了长足的进步,智能投资,和数字保险。但与此同时,各种风险因素包括贷款违约,基金挪用,假目标,也甚至欺诈行为发生。内源性风险在中国金融体系有显著增加。基于互联网技术的特点,不同部门和地区之间很容易传染的风险,并可能演变成金融风险。
然而,在实践中,它很难预先警告金融风险。最重要的原因之一,传统的金融风险预警技术不会使有效预警是缺乏有效和及时的关键因素。学术界和产业界都认为上网特性确定模型。传统金融风险预警技术依赖于信息和因素基于传统统计数据因子水平,这本身已经滞后(4]。客观是规避金融风险警告。在大数据时代,大规模非结构化信息的出现为财务风险预警提供了一个机会,扩大基本信息。人工智能的发展愿景、自然语言理解和其他认知知觉提供必要的技术支持挖掘这些信息并最终形成有效和及时的财务风险预警的关键因素(5]。
人工智能技术广泛应用于图像和文本数据挖掘应用程序,和金融风险预测可以使用这种技术作为参考,所以本文也介绍了相关算法。为了我的图像信息,卫星图像识别技术,光学字符识别(OCR)和自然语言处理(NLP)可以用来提取信息(6]。例如,目标,如作物,航运货物,和陆地和海洋运输从超高分辨率卫星图像可以被识别,给早期预警的趋势变化在经济生产的重要环节7]。OCR技术可以用来提取重要信息从非标准审计风险信息,如金融票据和交易记录(8]。遥感数据的夜灯可用于动态预测人口密度和城市扩张率9]。此外,声纹识别技术可以用来加强金融安全的应用场景,提高互动体验的影响,等等。10]。内容的文本信息,自然语言处理(NLP)结合机器学习技术可以用来完成信息提取(11]。例如,金融机构可以确定文本数据的实时新闻,公众舆论和论坛信息,可以发现,相关的金融事件和相关因素描述经济不确定性可以提取12]。从数据的年度报告,首次公开募股(IPO)的招股说明书和上市公司前瞻性陈述,信息,比如企业收入业务发展规模、企业发展的战略趋势可以开采13]。
然而,作为一个新的数据源,图像和文本信息多源的特点,异构的、大规模的、和高频,因此很难处理这种信息(14]。(1)多源异构:相比之下,传统的数据主要由政府和机构收集,发布主题和具体形式的图像和文本大数据是不同的。没有统一的标准和格式的非结构化信息集合,集合构成巨大的挑战,人工智能(AI)信息收集和数据预处理技术。(2)大规模数据收集:数据收集的成本限制,传统的数据收集经常需要纸媒体的帮助,体积小。与文本信息的转移从纸质媒体到网络媒体,文本数据收集和传输的成本大大降低。tb数据生成的每一天。筛查和从大量的数据中提取关键影响因素不仅是关键也是信息处理的难度。(3)高频:数据在传统金融领域主要是年度,季度,月度和每周数据。然而,图像和文本大数据的频率可高达秒或更高,它的处理速度提出了更高的要求,非结构化信息。
上述特性的组合使非结构化大数据的应用金融风险预警的核心挑战。如何准确提取有价值的信息和有效的风险预警从多源混合,异构和高频数据具有重要意义。为了解决这个问题,本文提出一种基于改进的k - means聚类算法财务风险预测模型。
下面列出了本文的创新和贡献。(1)功能分为集群空间和噪声空间变换矩阵。(2)聚类空间的信息密度高,尺寸小,k - means可以减少每个距离计算的时间消耗。(3)可以实现减少和筛选特征的影响,提高财务风险预测的准确性。
本文包括五个主要部分:第一部分是引言,第二部分是财务风险预测模型改进的k - means聚类算法的基础上,本文的第三部分是系统设计,第四部分是实验和分析,第五部分是结论,除了有抽象和引用。
2。财务风险预测模型基于改进的k - means聚类算法
2.1。相关的概念
为了更好地描述算法,下面的约定。
类别P的计算公式yth维度的中心观点如下。 T是类的数据量P,是y维的数据 。
欧氏距离的计算公式2)如下。 在哪里和代表w-dimensional数据对象的数据集,Z代表了维度。
本文中使用的符号如表所示1。
为集群X,色散矩阵计算。
数据总量,色散矩阵计算
2.2。k - means损失函数
在传统的k - means算法,损失函数误差的平方和,计算方法如下: 在哪里我集群元素 , 集群的中心吗 ,和z是集群的数量。在k - means迭代的过程中,寻求最小化 。AC k - means算法思想的某些维度的数据可以用来描述所有数据结构。数据可分为两个子空间的维数。一个是m维子空间(聚类空间),它包含所有的结构信息。其余d-m-dimensional空间(噪声空间)不包含任何有用的聚类结构信息。
为了获得有价值的空间信息,减少无用的信息聚类性能的影响,原始数据映射到两个不同的子空间和转换如下。假设有一个正交矩阵问,用于映射原采用空间得到改变D特性。第一个米功能对应聚类空间,最后一次对应于噪声的空间特性。因此,将进行投影来实现空间转换的目的。 在哪里代表单位矩阵 。 代表了零矩阵 。
地图数据的方法我集群空间 。地图数据的噪声空间 。因此,误差平方和函数在传统的k - means可以扩展如下: 由两部分组成。前者代表聚类空间的信息,包括原始空间的特点,和其他代表噪声空间的信息。我们需要做的是使噪声空间尽可能小的结构信息和信息的聚类空间尽可能大,以达到两者之间的平衡。通过优化目标函数,我们可以找到最优解的最优k - means子空间(15]。
后数据投射到集群空间和噪声空间,距离不再是由原始维度下的欧氏距离计算,但投影使用集群的空间,也就是说,最近的中心观点是在子空间中找到。比较公式如下:
初的算法,需要初始化随机正交矩阵问,可以通过任何矩阵的奇异值分解,得到米在可以设置为矩阵d/ 2供参考。在每个迭代中,保持的值问,w和固定的,并将每个数据点分配给集群与集群中最小的距离空间,尽量减少损失函数形式的集群空间。
2.3。参数更新
在k - means算法,只有中心的一点是每次迭代后更新。在AC k - means,有未知参数,如正交矩阵问、聚类空间维度米和 。所以,这也需要更新在算法的执行。使用的符号表下面有相同的含义1。
为该中心的集群,更新方法在传统的k - means仍然使用。正交矩阵的更新方法问将在下面给出。
首先,修复的价值维度集群的空间,这是作为d/ 2。在k - means算法,损失函数如下: 可以最小化一个矩阵的特征值分解问题。
使用分散的时刻,它可以简化如下:
可以看出 是一个对角矩阵与第一值1和最后一次0的元素。是一个对角矩阵与第一0的值和最后一次1的元素。
根据矩阵的知识,对于任何矩阵k,如果 ,公式(12)可以继续简化如下。
为正交矩阵问,是一个常数。表示矩阵的痕迹。
定义的 ,左上角的是一个 w单位矩阵,和其余元素的值是0。,只有关 ,的估计问不受影响和损失函数转换矩阵的最小跟踪。
的特征向量这里使用用于更新变换矩阵问的特征值和特征向量是先解决。第一个米特征向量被插入到第一位列的矩阵问最后一个特征向量被插入到最后列的矩阵问为了获得新的正交变换矩阵问。
在子空间的生成过程,与负特征值对应的特征向量被映射到集群的空间,积极的特征值对应的特征向量映射到噪声空间。因此,最小化的问题等于解决所有负特征值的总和。如果没有负特征值,聚类子空间是不存在的。W是0,和相应的数据集只包含一个集群。如果特征值为零,对损失函数的影响是不确定的。然而,从集群的角度来看,聚类空间往往是小。因此,通过这些特征向量投影到噪声空间,给定的损失函数V可以优化设置米负特征值的数量 。同时,特征向量与负特征值接近于零(例如,≥1平台以及)预计将分配给噪声空间出于同样的原因,特征值等于零。
3所示。本文的系统设计
设计系统的软件模块主要包括数据库模块,功能代理设计模块,和多主体协作模块(16]。具体设计过程如下。
3.1。数据库模块
数据库不仅是设计系统的稳定运行的基础也是设计的数据存储系统的一部分。数据库由数据仓库、模型基础和知识基础。其中,数据仓库存储财务预测计划、决策、控制、和其他相关原始信息。原始数据仓库中的信息从会计系统中提取,包括成本、资本、销售和利润。为了方便设计的应用系统,数据仓库的原始数据信息管理层级。如图所示的细节1。
如图1,历史数据层主要是时间序列数据。在正常情况下,5 - 10年的数码行业财务数据存储。当前数据层商店最新的数码行业的财务数据。设计一段时间后,系统会自动将数据历史数据这一层的层。摘要数据层是总结历史数据和当前数据,和获得的财务风险预警信息综合决策所需数据。分析和决策数据层指的是高度综合数据,可以直观地显示操作状态数码行业,帮助数码行业的管理者做出科学合理的决策。
模型基的一个核心部分财务风险预警信息辅助决策系统。它收集所有金融风险预警模型和存储所有的金融风险决策和分析模型描述信息(17]。模型库是主要的形式提出了模型字典。细节如表所示2。
知识库是一个软件系统,它支持知识生成、存储、维护和调用。它的功能,比如搜索策略、推理机制、访问管理,完整性和一致性测试。
3.2。功能代理设计模块
功能代理设计模块主要由两部分组成,即接口代理和信息来源代理(4]。
界面剂进行人机交互的任务,贯穿整个金融风险预警信息的决策过程。接口代理结构如图2。
源代理的信息之间的桥梁金融风险预警信息辅助决策系统和网络。通过源代理的信息,设计系统可以获得财务信息在网络上,下载,并将其存储,提高财务风险预警信息的准确性。信息源的代理结构如图3。
3.3。多代理协作模块
设计系统是由一组独立和合作代理。代理组件单元的设计系统和一个独立的实体。在设计系统,实现多智能主体财务风险预警任务相互配合。每个代理调整自己的行为的信息本身和其他代理,以避免冲突。
多智能体合作机制的应用是广泛使用的合同网络模型。工作流图所示4。在合同网络模型中,所有代理分为两个角色:经理和工人。在多主体合作机制,主要是显示通过多智能主体合作质量的参数,比如信任,友好和积极性。在信任指的是代理商吗x评估代理y完成的能力u任务,表示信任 ,和初始值设置为0.5。
当代理y完成n类型的任务,代理x对代理的信心y将会增加 ,和表达公式(13)。
当代理y未能完成n型任务,代理x相信它将减少Δ ,表达式是公式(14)。
友好的比例是指由代理任务成功完成的数量y总数量的任务委托代理x。公式计算公式(15)。
热情是指代理的比率y招标*所有代理招标时间发送的任务代理x。公式计算公式(16)。
根据每个代理的招标任务完成,设计实时系统管理器可以修改它的参数,确保高效的完成设计系统。通过上面的硬件装置和软件模块的设计中,本文实现了操作的金融风险预警信息辅助决策系统,它提供了一定的帮助中国数码产业的发展和财务风险预警研究。
4所示。实验和分析
实验中使用的数据集包含了十年的实际交易数据,其中包括3000万多25000名交易员的交易。缺失值取代使用EM插值和文献[的异常处理18]。监督学习需要贴上标签的数据集 ,在哪里是特征向量代表事务x,是目标变量。使用信息从先前的交易决定是否对冲当前的贸易。如果目标变量设置为1时,表明采用对冲策略,如果它被设置为1,这表明不采取对冲策略。当大于或等于5%,= 1。否则,= - 1。returni的计算方法如下。 在哪里是交易的损益y,是做市商将所需的订单。比较该算法与文献[19)、文学(20.]和文献[21]。表3显示了比较的四个分类算法在多个评估标准。结果在表3获得的平均10倍交叉验证的结果。根据性能指标表3本文算法优于其他算法。
澄清深层结构的价值,该算法与文献[22],它消除了网络深度隐藏层。图5显示了ROC曲线和图6显示P-R (Precision-Recall)曲线的算法和文献[22摘要]。根据中华民国曲线,本文算法的AUC较大,这意味着本文算法具有较高的精度。结合P-R曲线的结果,深架构可以提高网络的分类能力。
接下来,无监督pretraining阶段研究的性能。目的是判断算法本文可以学习分布式表示,可以区分一本书和b-book客户无标号数据。图7显示激活的曲线值。结果表明,当一个事务从b-book客户收到,通常激活值小于0.4,一本客户的交易通常导致激活值大于或等于0.4。
为了进一步验证该算法的性能在金融风险预警的大型数码行业,100年1318报警数据列数字产业进行了分析,利用文献[23)、文学(24)、文学(25),和算法。仿真结果如图所示8。
从图8,我们可以看到,本文中的预警算法的精度是最高的,其次是文献[25]和文献[23)是最坏的打算。在预警时间性能方面,文学的算法(23是最好的,文学的算法(24),该算法在本文是第二,和文学的算法25)是最坏的打算。综合比较表明,该算法具有更好的性能在处理大规模数字行业样本预警。
5。结论
金融危机继续打破世界各地,和它的频率和破坏性越来越大。面对大量的非结构化数据,数字领域的行业财务风险预警面临着许多挑战。具有重要意义中提取有价值的信息准确、有效地对风险预警从多源混合,异构和高频数据。为了及时发现数码行业财务风险,给早期预警,本文提出了企业财务风险的预警系统基于改进的k - means聚类算法。为了加快k - means计算,找到最优聚类子空间,一个特定的变换矩阵用于项目的数据。特征空间分为集群空间和噪声空间,前者包含所有的空间结构信息,后者不包含任何信息。利用空间投影的概念,特性分为集群空间和噪声空间变换矩阵。与原来的空间相比,该算法的聚类空间信息密度高,尺寸更小。它可以减少时间消耗的每个距离计算k - means,实现减少和功能筛选的效果。本文提出的算法有较广阔的应用场景,并且可以适用于模糊聚类空间结构的情况下,并且不需要先验信息,如类别。 However, when the dimension of data features is high and sparse, the algorithm in this paper may not be able to find the optimal subspace, which is also the direction of further optimization.
数据可用性
标签数据集用于支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家社会科学基金重点项目2020年中国发展的长期有效性评价中国贫困治理投资政策”(排名20 ajy013)和部分人文社会科学研究一般项目的河南省2023年的研究在数字经济的影响测量和晋升机制对河南省产业结构的转型升级”(编号2023 - zzjh - 170)和2022年在河南省教育科学规划项目的研究在高等教育的机制赋予农村振兴河南数字经济的条件下(0273年2022号- jkghyb)。