文摘

为了提高财务数据分类的影响,从财务数据中提取有效的信息,数据挖掘算法进行了改进,使用主成分的线性组合来表示缺失变量,并对多维数据进行降维处理。为了实现样本数据的标准化,标准化的数据和统计相结合的方法构建一个智能金融数据处理模型。此外,从实际情况出发,提出了金融数据的人工智能分类和统计方法在智能城市和设计数据仿真实验进行实验分析方法提出了。从实验结果,财务数据的人工智能分类和统计方法提出了智能城市可以发挥重要作用在财务数据的统计分析。

1。介绍

随着经济全球化的加速,金融信息变得更加透明和真实的。在这种背景下,全球会计准则融合越来越快。据不完全统计,有近120个国家和地区采用国际财务报告准则(IFRS)在全球计划或采用国际财务报告准则(IFRS)。2008年爆发的国际金融危机使人们认识到提高会计信息的透明度和制定一套全球统一的高质量会计准则的稳定和健康发展是至关重要的全球金融体系和资本市场。在这种背景下,国家和地区加快讨论和研究会计准则的国际趋同1]。

因为关键字检索技术不能满足某些场合的需要,近年来,一些新的研究已经开始专注于提高信息检索技术的效率和准确性。信息提取技术是一种技术获取特定的事件或事件和事件之间的关系。这是一个过程,从非结构化自由文本中提取结构化和明确的信息或其他信息资源。信息提取技术不仅能过滤掉没有用处的信息给用户,而且生成特定用户感兴趣的信息。信息提取技术集成了人工智能和自然语言处理技术和信息检索领域发挥着不可或缺的作用。评估一个公司的市场价值,如无形资产的评估,公司的所有财务数据和财务数据的行业要求,包括公司的财务报表的报表附注,相关行业金融新闻,宏观与微观经济数据2]。大多数这些互联网上数据存储格式如网页(HTML)和PDF和分布在不同的网站,提供财务信息。目前,人们只能手动收集和相关财务来自不同数据源的数据,排序和仔细分析和过滤出他们想要的数据,但没有直接得到他们想要的所有数据。这需要大量的人力和时间,大部分的工作是重复性的工作。根据预先制定的评价模型,金融数据得出评价结果,这将大大提高决策的效率和股票投资等财务相关决策提供支持,并购和财务风险评估(3]。

本文结合大数据技术进行财务数据分类研究和探讨智能方法适合当代金融数据分类。

2。相关工作

文献[4)金融资产的分类提出了一些建议。它包括两个部分:一是对不同层次的金融交易的理解,,另一个是如何处理不同层面的关系事务过程中金融工具的分类。文献[5)进行了比较分析的四类金融资产和相信金融资产也应包括在抵债资产,和这部分金融资产应按照有关规定处理四类。文献[6)具体分析和阐述了修订非金融资产和金融资产的分类在国民经济核算体系。文献[7]研究了金融工具的分类和金融工具的计量模型,探讨了金融工具的分类的标准和根源,和研究的未来方向的分类标准。根据当前的金融工具分类标准,文献[8)详细阐述了持有到期投资的分类标准。文献[9)认为,在当前标准,强烈的主体性的主要原因在于金融资产的分类管理的意图。因此,可能会有错误的金融资产的分类在实际工作中,并给出有关歧视的方法。

随着经济环境的变化,后续计量问题和其他相关问题源自金融资产的分类逐渐出现,和学者发起了相关讨论这些问题。自颁布的新会计准则和金融工具的全面实施标准,许多学者已经开始关注金融资产分类的问题是否会给企业带来收益管理的机会。因此,大多数的研究和讨论在这个问题上一直集中在最近几年。文献[10)认为,当前的研究并没有清晰地定义为金融资产的分类标准,特别是对于事务性金融资产、可供出售金融资产,它只需要分类根据控股企业的意图和能力。因此,企业可以充分利用金融资产分类的主体性来操纵企业利润。文献[11)做出了具体分析的影响股票金融资产的分类的基础上,全面分析公司股票金融资产。文献[12)进行了一次实证研究上市公司的金融资产分类的新标准。研究视角管理、会计政策和收入管理。研究表明,当执行金融资产的初始分类,上市公司有明显的意图持有金融资产,可以清晰地分类;然而,金融资产在持有期间,上市公司有更多的利润操作空间。可供出售金融资产的会计处理可以根据管理的愿望。文献[13]分析了上市公司金融工具的分类标准和得出结论,因为金融工具的分类是主观的和选择性,持有人会选择根据自己的利益最大化的财务信息的可靠性。文献[14调查和研究了上市公司金融工具的分类和上市公司得出结论:金融工具的分类有一定的根据管理的意愿倾向。它可以发现许多学者在他们的研究发现,金融资产的分类确实会带来公司管理收益的机会。金融资产的分类密切相关公允价值测量,和一些学者讨论这个。文献[15)分类提出了新的见解,金融资产重新分类,测量,以防止企业管理调整企业利润。领域的研究在这一领域也存在实践。文献[16),在证券公司研究金融工具的分类和金融工具的公允价值,得出的结论是,企业对金融工具的会计信息披露制度还不完善。商业银行持有金融资产的规模最大,因此一些学者对金融资产分类的影响开展研究商业银行的利润。文献[17]分析了商业银行的金融工具的分类和得出结论,企业的管理风险对金融工具的分类,它取代流动性和鲁棒性。文献[18Liangmianzhen]使用数据,五矿发展,钱江生化公司为例,讨论上市公司的盈余管理基于金融资产分类的角度和会计确认差异。文献[19IFRS9)比较差异和当前会计准则在金融资产的分类和分析之间的差异IAS39和IFRS9 16家上市银行的金融资产分类,显示在未来商业银行可能造成的影响。金融资产的标准是密切相关的金融环境。文献[20.提出了加强监督和保护的建议。文献[21]讨论了金融资产重新分类的问题可能会带来企业利润和损失,包括识别企业在金融资产持有损益,金融资产减值的影响利润和损失,以及金融资产重新分类的可能出现的问题。

3所示。金融数据智能挖掘分类方法

我们假设p指标在实际问题的讨论,我们认为这些p指标为p随机变量,表示 。主成分分析是变换的问题p指标的问题讨论的线性组合p指标。这些新指标 充分反映原指标的信息按照保留主要信息的数量的原则,是相互独立的。

这个过程减少多个指标的几个综合指标在数学上称为降维。常用的主成分分析方法是寻求线性组合原来的指标。

它满足下列条件:(1)的平方和的每个主成分的系数是1,也就是说, (2)的主要组件是相互独立的;没有重叠的信息,也就是说, (3)主成分的方差减小先后,重要性递减的,即

两个线性代数的结论如下:(1)如果一个是一个真正的对称矩阵的顺序吗 ,然后一个正交矩阵U必须找到呢 其中, 是特征根的一个。(2)如果单位特征向量对应上面的矩阵的特征根 ,

然后,不同的特征值所对应特征向量的实对称矩阵U是正交的, (22]。

结论:随机向量的协方差矩阵吗 。它有特征值 和特征向量 ,在哪里 。然后,主成分

在这个时候, ,我= 1,2,…p。 。

它是用矩阵形式: 。

这两个基本概念如下:(1)贡献率:的方差的比例我在总方差th主成分, ,被称为贡献率,反映了原始Р多少信息指标和综合。(2)累积贡献率:第一的综合能力k_我主成分的方差描述这些k主成分和比例 在总方差,称为累积贡献率。

我们的主成分债券分析的目的之一是替换原来的p指标主成分 越好。在实际工作中,主成分的数量取决于数量的信息能够反映原始变量,也就是说,累积贡献率。

主成分分析方法是将多个指标转化为几个指标,能保持最大的原始数据的相关性。更重要的是方差的贡献 在主成分分析代表的方差贡献最大的价值我th共同因素的影响消除后(我−1)常见的因素。它主要是用来测量的重要性我th常见因素。因此,可以建立相应的评价模型β重量: 。其中, 是相应的k常用的因素,全面描述了原始指标,计算综合得分和排序。

总之,找到主成分的计算过程有以下步骤。我们设置n样本,每个样本米数据,表示 (1)样本数据的标准化:为了实现样本数据的标准化,样本数据的均值和方差需要必需的。样本数据的标准化是基于数据的均值和方差。标准化的本质是将样本转换成标准化的数据均值为0,方差为1。也就是说,列的归一化变换 其中, 结果标准化矩阵被编写为 (2)计算相关矩阵的n样品,我们用电脑计算指标变量的相关系数矩阵: 其中, (3)特征值和特征向量。获得的相关矩阵R求解特征方程: 通过求解特征方程,k特征值(我= 1∼米),每一个特征值对应的特征向量可以获得: 和相对应的特征向量 是互相正交。通过上面的方法,k(k≤p)可以获得主成分。 的贡献率是吗我th主成分,表示 ,这是 在k主要组件的贡献率的总和问主成分的累积贡献率问主成分,表示α: 的数量可以确定主成分的累积贡献率。通常的累积贡献率α≥0.85作为标准。为选定的问主成分,如果累积贡献率达到85%,也就是说,一个≥0.85,主成分可以确定问。它代表了选择问主成分基本上保留原文的信息p变量。在确定主成分的个数,主成分的数量应该最小化的情况下的累积贡献率约束。(4)找到因子载荷 : 根据公式(19),我们计算因子载荷矩阵,然后计算每个因素的得分: (5)根据分子的因素贡献率的大小,计算综合得分: 最后,根据综合得分排序。PCA分析系统较少问指标代替原来的p指标,综合评价的系统带来了很大的便利。

大量的原始检测数据流信息价值是用来检测滞后相关使用编织的方法,和一系列时间序列滞后相关可以发现,和每个时间序列的延迟时间相对于原始参考系列可以计算。

我们假设n时间序列与一个滞后相关检测后的编织方法。每个时间序列都有一块数据。因为原始检测数据获得的数据值在相等的时间间隔,一个时间变量t介绍了时间序列的表示,和每个时间点对应的数据值是什么x(t)。然后原始多维数据流表示为

这可以用矩阵形式,即

滞后时间记录 。

其中, (即,x原始的参考序列), 序列的滞后时间吗 相对于序列 。

第一个主成分分析方法应用于“对齐”数据流;数据同步。本文讨论了lag-related多维数据流。需要主成分分析的数据不同步,但有一定的滞后时间相对于原始时间序列。因此,有必要进行主成分分析检测到多维数据流与滞后相关。第一个任务是消除滞后每次系列的一部分,和“对齐”数据流,也就是说,暂时忽略了时间参数,并只保留部分在每个时间序列变化趋势相似,为了实现多维数据流同步的目的。图1显示了同步的时间序列图2显示了同步的时间序列。

如果数据对应时间点在每个数据流,同步记录为是多维数据流

也就是说, ,在哪里我= 1,2,…n。

上述同步延迟相关的多维度数据流,我们应用主成分分析方法的主要组件。计算主成分的步骤包括标准化样本数据,计算相关矩阵,特征值和特征向量,并找到主要的组件。(1)标准化多维数据流。为了实现多维数据流的标准化,我们应该找到每个数据流的均值和方差。标准化的数据流是基于均值和方差的每个数据流中的数据。标准化的本质是将数据流转换为标准化数据的均值为0,方差为1,这是执行标准化转换的列X: 其中, 然后我们得到标准化矩阵,表示 (2)计算相关矩阵。为数据流与滞后相关性被检测到,我们用电脑计算指标变量的相关系数矩阵: 其中, (3)特征值和特征向量。获得的相关矩阵R求解特征方程: 。通过求解特征方程,特征值,和每一个特征值对应的特征向量: ,我= 1∼ ,和 ,及其对应的特征向量是互相正交。(4)发现的主要组件。该算法可以获得由上述方法主成分。 的贡献率是吗我th主成分,表示 ,也就是说, 在主要组件的贡献率的总和k主成分被称为第一的累积贡献率k主成分,表示α:

的数量可以确定主成分的累积贡献率。本文以累积贡献率α≥0.85作为标准。为选定的k主成分,如果累积贡献率达到85%,也就是说,α≥0.85,那么可以确定主成分k。这意味着选择k主成分基本上保留原文的信息变量。在确定主成分的个数,主成分的数量应尽可能减少的情况下α≥0.85。

使用了k主成分线性组合可以表达的原始多维数据流滞后相关,即

此外,该算法得到一个综合评价函数:

可以看出,通过执行主成分分析(PCA) lag-related多维数据流,所代表的原始多维数据流数据对应到大米可以转换成较小的时间点k主成分代表原始多维数据流,存储和使用带来了很大的便利的数据流的分析和重建,还提供了帮助lag-related多维数据流。

4所示。分类和统计财务数据的基于人工智能的智能城市

金融资产分类的总体框架如图3。

在序列分析有三个主要因素。(1)时间序列:它指的是在时间维度分析序列的长度,如用户行为发生的时间期间。(2)时间折叠窗口:这意味着一系列的行动发生在一段时间内将被视为同时发生。(3)时间间隔:它指的是时间间隔的发现时间序列模型。数据挖掘过程的一个例子是图所示4。

快速分层聚类算法基于根发现是基于以下假设:一个数据集可以划分为若干个簇,是每个集群的核心观点,和这一点可以表示集群中的其他点。这个核心观点不一定是集群的质心;它存在于一个地区人口分布的数据。该地区密集数据分布在这里指的是在这一领域最近的数据点之间的距离相对于周围的社区。我们所说的核心集群根节点,如图5。

财务数据分类系统的结构设计如图6。系统获得示例文件sample数据库的数据提取和预处理后的样本文件到训练样本和测试样本。用于训练分类器的训练样本,样本和测试是用来评估分类器的分类性能,分类器的训练过程是根据评估结果调整来获得最终的分类器。

评估过程的分类效果如图7。测试样本的来源是一样的训练样本。这是来自样例数据库和预处理。测试样本也有实际的类别标签。

财务数据分类任务的简单理解是指对财务数据进行分类的过程中未知类别根据其内容分类系统是已知的。财务数据分类本质上是一个过程,确定财务数据模式的特点。财务数据预处理后,表示作为特征向量,输入到分类器,模型训练。财务数据的分类,也表示为一个特征向量,然后输入到分类器分类。图8显示财务数据分类的原则。财务数据处理内容将在后面详细介绍。

如图9,我们给了一个基本模型框架基于粗糙集和资讯的文本分类。在该模型框架中,我们可以清楚地看到,这个模型是由三部分组成:粗糙的设置相关的预处理模块、资讯分类算法模块,和质量评价模块。首先,在文本收集阶段,相关的web文本数据是来自互联网,和相关的数据作为训练集和测试集的web文本对于后续的操作,然后进入下一个步骤。

建立上述智能模型后,本文进行智能模型的统计分析和评估金融数据挖掘和金融数据分类的影响,结果如图所示10。

从图可以看出10智能算法提出了金融数据处理可以发挥一定的作用。智能数据评估后决定,结果如图所示11。

从上面的研究,我们可以看到,金融数据的人工智能分类和统计方法在智能城市提出了可以在财务决策起到一定的辅助作用。

5。结论

金融数据处理预测问题的主要是金融时间序列的预测。金融时间序列可以被看作是一个特殊的时间序列,具有以下三个特征。(1)金融时间序列的生成过程更为复杂,有很多影响因素。(2)大多数金融时间序列包含大量的不可预测的影响因素。(3)金融时间序列数据的成分比较复杂,通常表现出非线性。人工智能信息处理方法如神经网络、混沌理论和遗传算法可以适应这三个特点,它已经成为先进的方法来解决金融数据处理问题。本文结合大数据技术进行财务数据分类研究和从不同的数据源中提取财务数据自动和智能。用户不仅可以在最短的时间内得到他们想要的数据,而且还提高了数据的准确性和有效性。通过实验研究,我们知道金融数据的人工智能分类和统计方法在智能城市提出了可以在财务决策起到一定的辅助作用。

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

这项研究是由海南大学。