金融风险的预警基于k - means聚类算法

文摘

金融风险的预警是识别和分析现有财务风险因素,确定风险发生的可能性和严重性,风险预防和管理提供科学依据。金融体系的脆弱性和金融危机的破坏性极其重要的建立一个良好的财务风险预警机制。的k - means聚类算法的主要思想是逐步优化聚类结果,不断重新分配目标数据集每个聚类中心来获得最优解;其最大的优势在于它的简单、速度、和客观性,被广泛应用于许多研究领域,如数据处理、图像识别、市场分析和风险评估。总结和分析以往的研究工作的基础上,本文阐述了财务风险预警的研究现状和意义,阐述了发展背景、现状和未来挑战的k - means聚类算法,介绍了相似性度量和项目聚类的相关工作,提出了财务风险指标体系基于k - means聚类算法,进行指标选择和数据处理,构建了财务风险预警模型在k - means聚类算法的基础上,进行财务风险的分类类型的金融风险控制和优化,最后进行了实证实验及其结果分析。k -均值聚类算法的研究结果表明,可以有效地避免主观人为的分割阈值造成的负面影响,不断优化金融风险的预测过程和目标数据集分配到每个集群中心获得优化的解决方案,因此该算法能更准确、客观的区分不同金融风险的状态区间,确定风险发生的可能性及其严重程度,风险预防和管理提供科学依据。本文的研究结果为进一步研究金融风险预警提供参考基于k - means聚类算法。

1。介绍

金融风险是潜在损失的可能性造成的直接投资公司贷款、财政金融、和其他经济因素和相应的经济冲击的后果。爆发的金融危机往往会导致货币贬值,汇率的波动,市场低迷,经济衰退,有时甚至周边企业的衰落,国家,甚至世界经济因为金融风险或危机的传染性1]。因此,金融体系的脆弱性和金融危机的破坏性极其重要的建立一个良好的财务风险预警机制2]。交易规模的扩张促进发展的市场,增加竞争,鼓励企业创新。金融风险的预警是识别和分析现有财务风险因素,确定风险发生的可能性和严重性,和风险预防和管理提供科学依据3]。对象在同一集群相似和不同的对象在不同的集群,这是一种无监督学习过程。财务风险预警的内容可以分为金融风险的组织形式,指标体系,并详细预测方法;财务风险预警的功能包括及时把握趋势,有效的评价,及时采取相关监管措施,从而减少金融风险的危害(4]。

聚类分析是,当研究对象的类别事先是未知的,集团的相似性为一类基于关联的程度,这样同一类别就可以实现最大的同质性和异质性最小化,而不同类别达到最大同质性和异质性最小(5]。聚类分析算法可以概括为三种不同类型:试图找到一个最优分区划分数据到指定数量的集群;试图找到一种方法聚类结构的层次结构;基于概率模型,并试图找到一个方法潜在的集群建模(6]。k - means聚类分析方法可以有效地避免主观造成的负面影响人工阈值,所以它可以更准确、客观地分辨间隔不同的金融风险。k - means是迄今为止应用最广泛的聚类方法,其主要思想是逐步优化聚类结果,不断重新分配目标数据集每个聚类中心来获得最优解;速度,最大的优势在于它的简单性和客观性,被广泛应用于许多研究领域,如数据处理、图像识别、市场分析和风险评估(7]。K - means聚类算法选择K数据作为初始质心的每个类别和根据的原则将他们分为K类一类最小的距离,然后分裂意味着值判断根据平方误差准则函数来确定部门是否聚合:如果收敛性,该算法;否则,继续再分割的值和更新每个集群中心先后,直到获得最优聚类结果(8]。

总结和分析以往的研究工作的基础上,本文阐述了财务风险预警的研究现状和意义,阐述了发展背景、现状和未来挑战的k - means聚类算法,介绍了相似性度量和项目聚类的相关工作,提出了财务风险指标体系基于k - means聚类算法,进行指标选择和数据处理,构建了财务风险预警模型在k - means聚类算法的基础上,进行财务风险的分类类型的金融风险控制和优化,最后进行了实证实验及其结果分析。本文的研究结果为进一步研究金融风险预警提供参考基于k - means聚类算法。具体章节安排如下:部分2介绍了相似性度量和项目聚类的相关工作;部分3提出了一种K-mean-clustering-algorithm-based财务风险指标体系,包括指标选择和数据处理;部分4构造一个金融风险预警模型基于k - means聚类算法;部分4进行实证实验及其结果分析;部分6是结论。

2。相关的工作

2.1。相似性度量

k - means聚类不需要存储的距离矩阵,占用一个小内存的优点,处理数据量大,运行速度快。然而,应该注意的是,k - means聚类只能实现局部优化和只能处理连续数据变量,k - means聚类方法需要指定集群的数量在聚类之前,和聚类结果很容易受初始聚类效果只能得到局部最优解(9]。聚类模型需要大量的先验知识能给一个合适的聚类模型;虽然密度聚类是普遍的,它缺乏普遍性;虽然划分聚类需要一个给定数量的集群在聚类之前,但集群效应和聚类速度更好,例如,考虑股票价格数据10]。他们是典型的时间序列数据,但股票价格是相互独立的;未来的价格只会受到前一天的收盘价。金融风险监测的内容可以分为组织形式、指标系统和预测方法。因为处理数据对象的属性值经常在单位和值范围有很大的不同,它被认为是执行某些数据处理上面的值范围相同的基准(11]。

商业银行和其他金融机构形成一个复杂的网络关系通过资产负债表、信贷业务和其他渠道。财务风险预警工作主要包括风险识别、风险评估、风险预警和风险处理,可以分为财务风险组织形式,指标体系,详细预测方法。当银行受到内部和外部冲击引发债务违约,流动性风险是通过与银行业务相关的信贷渠道传播,和其他银行和金融机构的活动将会受到风险溢出效应的影响,导致系统性风险(12]。与此同时,由于信息不对称等因素和投资者非理性,资本市场的风险传染过程会加速(13]。为了减少危机造成的系统性风险,有必要合理管理系统性风险和金融危机的频率使预防系统性风险越来越重要(14]。计量经济学的交叉开发的方法和系统工程方法,分析金融风险传染效应从复杂网络的角度来看相关性在这个领域提供了新的研究视角。Microindividual风险溢出效应和网络效应形成的风险传染已成为解码尾巴的焦点事件。系统性风险积累到一定程度时,释放,这将导致大量的金融机构关闭,将蔓延到整个金融系统,引发系统性金融危机15]。

2.2。项目聚类

风险管理活动应该包括三个要素:价格、偏好,和概率。价格是用来确定成本,必须防止各种风险:概率是用来评估这些风险发生的可能性;优先用于确定承担风险的能力和意愿和信心。风险管理必须整合三个要素系统和动态的理性决策,从而达到平衡金融风险和风险偏好,以便投资者能承受他们愿意承担的风险和获得最大的风险回报16]。k - means是迄今为止应用最广泛的聚类方法,其主要思想是揭示了产业集群和产业转移特征的股票市场,而集群基于时间序列的线性趋势特征主要反映个人股票和股票的波动之间的相似性指标的波动。尤为重要,它可以让几个人组成的机构决策者最优控制风险在风险管理,使整个组织不会遭受过度风险损失由于某些决策者的行为17]。它强调一致、准确、及时的测量金融机构所面临的风险,并试图建立一个严格的过程来分析总风险的分布在交易过程中,资产组合和其他业务活动以及如何合理价格和配置资本为不同类型的风险。同时,建立了一个专门的风险管理部门在金融机构,致力于预防和降低风险和消化产生的成本(18]。

银行的信贷部门评估借款人的潜力和发展前景及其单元和集成了借款人的收入和返回贷款条件和能力进入评估系统以统一的方式(19]。现有的记录和信息将申请人的风险评价结果进行评价并提交授信人员决策提供依据。使用k - means算法解决优化的实际上是一个过程,和目标函数超过部分的间隔的最小值,但只有一个全局最小值(2]。目标函数是需要一致的误差的平方和之和搜索方向在搜索操作。k - means聚类算法是一种新的科学和有效的银行贷款风险管理分析算法,主要执行定量分析(20.]。在处理多维数据集时,破碎技术可以作为二维的维数转换,和降维实际使用一些手段来处理高维数据的低维数据,与此同时,之前数据和数据之间的相似性与最基本的数据处理是一致的。通过这种方式,它可以执行聚类分析后获得的低维数据处理(21- - - - - -24]。

3所示。金融风险的指标体系基于k - means聚类算法

3.1。指标的选择

建立财务风险预警系统大致可以根据宏观经济学的三个变量,金融体系,对外贸易和经济和宏观经济层面主要考虑因素密切相关的经济和金融体系。其指标包括产值增长率、财政赤字/输出值,失业率,消费者价格指标,和固定资产投资增长率;金融系统级主要考虑货币市场;资本市场的稳定发展指标包括增长率,股票融资,商品住房价格波动和股票市场价值波动。预警指标的选择完成后,金融体系的运行需要分为四个州根据风险的大小,即安全状态,基本的安全状态,光风险状态,严重的风险状态。针对这一点,许多学者投入研究工作,取得了重大进展在选择财务风险预警指标,建立金融风险预警模型。金融体系的脆弱性和金融危机的破坏性极其重要的建立一个良好的财务风险预警机制。因此,k - means聚类算法的主要优点是简单、快速、高效和可伸缩的大数据和k -均值聚类算法的聚类质量标准是高度依赖于初始聚类中心。图1显示了财务风险预警的框架基于k - means聚类算法。

当投资组合的均值和方差相同,投资者往往选择一个投资组合与一个更大的三阶时刻,有时甚至把三阶更重要的地位。值得指出的是,无论是方差、绝对偏差,或偏态,低于平均水平的回报和高于平均水平的回报是放置在相同的位置。是收入低于期望值,因为这是真正的损失或风险,通常称为风险降低。

给出一个样本点数据集X= {x₁,x₂,⋅⋅⋅,x_n}和集群的数量设置为k,{y₁,y₂,⋅⋅⋅,y_k}的一个部门设置X;如果类的中心y_我是z集群,那么问题是找到k分类中心z₁,z₂、…z_k所以所有采样点距离的总和x_我最近的中心点z_我非常小:

建立了预警指标体系后,上述预警指标数据受到不同方向和大小的影响,这将影响数据挖掘的规则和后续的预测结果的准确性。因此,需要对原始数据标准化之前建立预警模型如下: 在哪里问_我是一个金融风险预警指标;是不同的;一个的值是不同的指标在不同年;和b是一个指标标准化后得到。给定数量的集群和集群的数量样品,样品分为相应的类根据数据的相似性,这有助于金融风险预警基于k - means聚类算法。

建立层次结构后,针对一定的标准的kth层,所有n相关的因素k1层是由成对的比较分析,扩展区间数是用来定量表达两者之间的相对重要性,构造判断矩阵W_ij: 在哪里r_ij是一个扩展区间数;t_ij是扩展的端点区间元素我th行和jth列的矩阵W_ij;单订购的吗我th因素在某层的某些因素j层;和扩展区间的重量吗jth的因素我th水平在一定因素之前的水平。

这种类型的测量的优点是它的统计和金融的含义很简单,清楚,容易理解,可以直接用于建立相应的投资组合选择模型。然而,在现实中,由于变化的联合分布的集合证券投资回报率,充分反映其随机特性,从理论上讲,所有时刻信息的同时应该考虑。如果风险仅仅是基于测量的几个低阶时刻返回分布,它将导致模型错误由于未能描述某种分布的特征。因为它的优势在决策理论和实际投资,各种形式的研究和应用最近降低半矩风险措施仍然是受欢迎的。中心点的分布在不同的国家对相似性测量间隔和项目聚类图所示2。

3.2。数据处理

经济和金融风险是相对复杂的,他们是由各个方面的风险;因此,经济和金融风险评价指标体系是一个完整的系统,和指标都是相互关联的,形成一个有机整体。金融发展水平越高,越能提高企业的效率,促进技术进步,这主要是因为金融发展水平的提高可以降低交易成本,扩大交易规模,增加劳动分工和专业化水平。金融创新引起了大量的金融资本市场在金融市场和各种金融衍生品继续出现,这种投机行为增加了泡沫经济的风险。上市公司风险评价的影响因素包括规模因素,利润因素,流动性因素,和操作因素。上市公司的目标是赚取利润,和他们的操作是商业化和投资者和债权人更加关注企业的规模和盈利能力。在经济周期的上升阶段,融资平台的利润的增加使得实际融资杠杆率低于银行的预期融资杠杆率。银行增加他们的风险偏好,增加预期的融资杠杆比率,和提供更多的融资平台贷款,导致实际杠杆比率逐渐上升。图3显示了财务风险预警的流程图基于k - means聚类算法。

防御风险的最终线是保持足够的自有资金。此外,由于商业银行的资本自由毕竟是有限的,他们必须保持特殊的储备,储备资本损失,坏账准备金来弥补损失的贷款本金和利息根据特定的业务条件。为了避免依赖测量单元的选择,数据应该标准化,标准化措施试图给予同等重视所有的变量,这是有用的在没有先验知识的数据。然而,用户可能想给一些变量存在更大的重量和数据服务聚合层解决的性能计算服务的高层次的组织。

的协同过滤推荐算法,主要有相似余弦相似度等测量方法,相关相似性,并调整余弦相似度;余弦相似性选择相似度测量方法,和公式 在哪里u_ij是用户的评级吗u在项目我和项目j;o_ij速度项的用户数量吗我和项目j在同一时间;是一组用户的评分项目u;计算平均抵消目标项目收集的物品;和k集合中元素的个数。

误差平方和准则计算距离的平方和所有观测点类质心,它是一个标准的函数p(x_ij)测量中的可变性类: 在哪里一个_ij变量的值吗jth的观察我th类型;年代_ij的平均值jth的变量我th类型;d_ij的价值吗jth观测变量的我th类型;和是jth的变量我th平均差的平方。

此外,它可以缓冲每个查询和分析的结果,而每一次,可以复制,更新和总结所需的数据节点根据任务。所有重新开始计算从底部节点和用户可以执行查询,报告,分析,和其他服务通过一个统一的访问接口。数据中心的建设的金融监管信息系统包括数据中心、局数据中心;包括数据处理中心的数据中心,数据收集和信息发布中心包括数据处理中心和数据中心。

4所示。财务风险预警模型基于k - means聚类算法

4.1。金融风险的类型分类

因为许多金融预警指标是复杂的和相关的,有必要减少维度首先通过主成分分析,这样可以将多个指标转化为少数几个不相关的综合指标,和信息损失小。k - means聚类分析方法可以有效地避免主观造成的负面影响人工阈值,所以它可以更准确、客观地分辨间隔不同的金融风险。当金融时间序列特性是阅读,功能与核心树的根节点的所有子节点,和相应的集群中心点最近的距离,和功能添加到相应的子树(图4)。当金融风险预警指标问_我是0.2,0.4,0.6和0.8,分别的两个财务风险水平和预警错误率显示增加的趋势。当问_我等于0.4,风险水平通常是高;当问_我等于0.2,风险水平普遍偏低;当问_我等于0.2,出错率通常是高;当问_我等于0.8,出错率普遍较低。作为类别的数据中心,和一个新的类别节点添加到核心树。当数量特征搜索类别节点,比较之间的距离特性数据和中心节点。

贷款偿还预测和客户信用政策分析是非常重要的银行业务。有许多因素对贷款偿还性能有不同程度的影响和客户信用评级计算。特征选择和属性相关性计算有助于识别重要因素,消除nonrelated因素,例如,贷款偿还风险相关因素包括贷款利率、贷款期限、债务比率,还款收入比,客户收入水平、教育水平、居住地区和信用历史。银行可以相应地调整贷款发行政策发放贷款给那些以前被拒绝,但基本的信息显示,他们是风险相对较低的应用程序。

假设总共k样品中添加j时间在我th网格;它可以认为密度权重k样品都是1,然后密度加权之和我th网格R_ij是 在哪里h_ij输入的是网格的数量吗jth新样品我;l_ij密集的网格添加的数量吗jth新样品我;α_ij样本点之间的距离吗我和点j;和β_ij是样本之间的相似性我和样本j。

比例的方差贡献率的每个因素的总方差的贡献率因子计算,这是用作权重,权重和总得分的因素是概括为

随着每个类别中的核心特性数据的增加,每个类别的中心点需要重新计算;核心特性比计算是否更新集群中心点。它应该是核心特性数据的数量n,总特性数据的数量米和核心特征数据比例U_ij计算如下: 在哪里一个_ij集群的类别差异;越小一个_ij,更紧凑的集群的数据中心集群半径越小,反之亦然。

对象在同一集群相似和不同的对象在不同的集群,这是一种无监督学习过程。聚类算法自动将大数据集划分为几个不同的集群和集群内类似的子集根据数据本身的属性,以便解决边值问题,均方误差和交叉验证的信用评分。聚类分析算法可以概括为三种不同类型:试图找到一个最优分区划分数据到指定数量的集群;试图找到一种层次聚类法结构;基于模型概率方法和建模潜在集群。

4.2。优化金融风险的警告

通过选择不同类别的股票获得的资产组合比随机选择股票的结果回报和风险的角度,也就是说,聚类是有效的。聚类结果表明,曲线可以揭示集群基于规模的产业集群和产业转移特征股票市场,而集群基于时间序列的线性趋势特征主要反映个人股票和股票的波动之间的相似性指标的波动。金融风险和一般风险的区别是风险引起的金融活动,如资本借贷和资本管理公司(图5)。当问_我等于0.2,集群纯度首先减少从∼92%∼86%(时间窗口范围0 - 30),然后保持几乎不变∼86%左右(时间窗口范围30 - 110);然后从∼∼86%增加96%(时间窗口范围110 - 150)。当问_我等于0.2,集群纯度首先增加从∼86%∼95%(时间窗口范围0 - 30),然后从∼∼86%减少88%(时间窗口范围30 - 110);然后从∼∼88%增加94%(时间窗口范围110 - 150)。财务风险预警的功能包括及时把握趋势,有效的评价,及时采取相关监管措施,从而降低金融风险的危害。

财务风险预警工作主要包括风险识别、风险评估、风险预警和风险处理,这是类似于过程识别抗原的免疫系统来消除它们。财务风险识别和评估是通过调查了解金融风险及其来源和使用一些定性和定量方法的大小来衡量风险是财务风险预警的第一步。风险超过警察的水平,相关机制是采用风险警告。前需要一定的分析和计算获得,而后者可以直接从数据集中提取。建设数据中心的金融监管信息系统包括数据中心和国家统计局的数据中心。与前者相比,测定步骤简单,但选择的初始的代表性凝结点通常是低的。当金融风险预警决策者遇到风险事件第一次,他们将是缓慢的,并可能导致的损失,但通过经验的积累,他们可以快速反应,提高风险防范类似风险打击和控制的效率。

因为所选数据大区间跨度和维度的差异,一个标准化的方法将用于预处理数据消除维度的影响: 在哪里γ_ij总体均值和吗δ_ij总体的标准偏差。作为测量的不确定性的表达,也可以使用这样的概念来衡量的程度一定概率分布密度p(x_我)偏离给定标准分布u(x_我),这被称为相对熵:

总和应该执行在所有可能的值的特性;相对熵越小,大的区别这两种类型的概率分布,但当这两种类型的概率分布是完全相同的,相对熵达到最大值。

当用户再次遇到类似的风险事件时,用户可以参考积累专业知识和经验及时在财务风险预警管理。决策者做决策的过程和解决问题反映了风险的持续学习的问题,类似问题的重复记忆,并最终决策和反馈。金融风险的生成标识符取决于风险因素的特点,在相应的基因库;每个财务风险预警因素组标识符对应一个相应的风险。

5。实证分析

5.1。经验的实验

本文选择60 a股市场跨国公司为研究对象。鉴于这些公司都是上市公司,基本上是在一个成熟的时期,综合考虑公司的偿债能力,运营能力,盈利能力和风险控制能力进行分析的基础上,企业财务数据从2015年到2019年五年。筛选后的指标,本文选择了两个评价指标对金融体系和对外经济贸易:金融系统主要考虑货币市场和资本市场的稳定发展。指标包括增长率、信贷输出比例,贷款利率和存款利率比,金融机构存贷比,股票融资,商品住房价格波动和股票市场价值波动。对外经济贸易主要考虑进出口、外汇交易和汇率波动。其主要指标包括实际汇率波动,外汇储备增长率,外债增长速度,进出口增长速度。本文首先利用2018年的数据作为训练和测试的基本示例;然后,为了确定风险评估的一致性标准,最终集群中心在2018年作为评价标准三年,2016年,2017年和2019年样本点之间的距离计算训练样本2018年和最后的聚类中心,然后财务风险预警进行了60跨国公司在过去的三年里。

盈利能力指标主要分析公司的盈利能力;更好的公司的盈利能力意味着它有可能获得足够的现金来偿还债务,和其信用状况会更好。债权人的债务偿付能力具有重要意义,企业偿债能力不足可能导致债权人无法收回本金和利息的债券全面和及时。一个企业的增长能力表明企业的长期扩张能力和未来生产经营企业的力量。数据清理程序通常包括:填写缺失的数据值,平滑噪声数据,识别或删除离群值来解决数据不一致。有问题的数据往往会导致失真的挖掘结果,也使采矿过程陷入混乱,导致不可靠的输出。尽管大多数数据挖掘过程涉及的处理不完整或嘈杂的数据,他们并不强劲,通常专注于如何避免过度准确描述数据的挖掘模式。

5.2。结果分析

建立各种机制,预测金融主要是基于各种各样的金融活动,这是主要内容,建立的对象是所有金融和实现的过程是基于各种与财务相关的基本理论。供参考,系统建立了各种先进的预测财务相关技术,各种系统相关指标,各种预测模型,不同的信号被用来监督金融操作的过程,得到一系列监督结果,使财务决策在不同情况下造成的这些结果。主成分分析是一种统计过程,利用正交变换将一组相关的观察可能的变量为一组线性无关的变量值叫做主成分。这种转换的定义是,第一主成分限制可能大的方差,和每个后续组件依次方差约束下(图最高6)。有两个常用的方法来确定初始凝点,一个是合成初始凝点,另一种是使用实际的观察作为最初的凝点。前需要一定的分析和计算获得,而后者可以直接从数据集中提取。与前者相比,测定步骤简单,但选择的初始的代表性凝结点通常是低的。

聚类分析是一种不能控制的观察学习。其基本原理是基于样本的属性本身,没有任何参考模型或追随者,也就是说,没有先验知识,数学方法用于遵循某些相似或不同指标,计算样本之间的相似性,根据这种相似性和集群的样品。k - means聚类算法的主要优点是简单、快速、高效和可伸缩的大数据和k -均值聚类算法的聚类质量标准是高度依赖于初始聚类中心。使用一个随机的初始聚类中心一方面可能会非常贫穷的聚类结果;另一方面,它会使算法的聚类结果不稳定。良好的聚类方法生产高质量的集群:高的星团内相似度和较低的intercluster相似。有两个聚类质量评价标准:内部质量评估标准和外部质量评估标准;内部质量评估标准评估集群效应通过计算平均集群内部的相似性,相似性平均集群或整体相似(图7)。在处理多维数据集时,破碎技术可以作为二维的维数转换,和降维实际使用一些手段来处理高维数据转换成低维数据。

公司初创时期一般规模小,简单的在公司治理,更多的集中在政策制定和管理,更注重创新。与此同时,这些公司还面临很多的不确定性,所以账面值对市值比率较高,公司的特点是风险更大。因为每组会使重心一步越来越小,逐渐收敛,程序通常预设阈值,以避免过度的计算时间。最后一个重心的位置是我们划定集群的基础,决定了集群每个样本所属。集群规模越大,样本预测是正确的,和真正的样品越容易被包括,所以召回率将会增加。但如果集群规模变得更大,会有很多错误的样本包括集群中,准确率会减少,反之亦然。因此,召回率和精确率是一对矛盾的指标;与其他公司相比,金融机构亏损甚至破产的概率很低。即使相似的负面事件发生时,投资者的权益可以在一定程度上保护。有形资产越高,公司的资产质量越好; the current debt ratio reflects the short-term liabilities of the listed company; the lower the current liabilities, the lower the company's short-term debt burden, and the better the company's prospects.

6。结论

提出了一种财务风险指标体系基于k - means聚类算法,进行指标选择和数据处理,构建了财务风险预警模型在k - means聚类算法的基础上,进行财务风险的分类类型的金融风险控制和优化,最后进行了实证实验及其结果分析。使用一些定性和定量的方法来衡量风险的大小是财务风险预警的第一步,对于超过警察的水平的风险,相关机制采用执行风险警告。使用k - means算法的过程实际上是解决优化和目标函数超过的部分区间的最小值,但只有全球最低的存在。标准函数需要的平方和的搜索方向在搜索操作错误是一致的,和模型聚类需要大量的先验知识能给一个合适的聚类模型。集群规模越大,样本预测是正确的,和真正的样品越容易被包括,所以召回率将会增加。k - means聚类算法的主要优点是简单、快速、高效和可伸缩的大数据和k -均值聚类算法的聚类质量标准是高度依赖于初始聚类中心。虽然密度聚类是普遍的,它缺乏普遍性;而分裂聚类需要一个给定的数字集群的集群,集群效应和聚类速度更好。尽管大多数数据挖掘过程涉及的处理不完整或嘈杂的数据,他们不健壮,经常关注如何避免过度准确描述数据的挖掘模式。k -均值聚类算法的研究结果表明,可以有效地避免主观人为的分割阈值造成的负面影响,不断优化金融风险的预测过程,并重新分配目标数据集,每个集群中心获得优化的解决方案,因此该算法能更准确、客观的区分不同金融风险的状态区间,确定风险发生的可能性及其严重程度,风险预防和管理提供科学依据。 The study results of this paper provide a reference for further researches on financial risk early-warning based on K-means clustering algorithm.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突有关的出版。

引用

1. c . Diks c Hommes j·王,“临界慢化作为金融危机的早期预警信号?”实证经济学卷,57号4、1201 - 1228年,2019页。视图:出版商的网站|谷歌学术搜索
2. j . f . Kolbel、t·布希和l . m . Jancso”企业社会不负责任的媒体报道如何增加金融风险,”战略管理杂志,38卷,不。11日,第2284 - 2266页,2017年。视图:出版商的网站|谷歌学术搜索
3. k . Bouslah l . Kryzanowski和b M 'Zali,“社会绩效和公司风险:金融危机的影响,“《商业道德,卷149,不。3、643 - 669年,2018页。视图:出版商的网站|谷歌学术搜索
4. Srinivasan和t . Kamalakannan“多标准决策在金融风险管理多目标遗传算法,”计算经济学,52卷,不。2、443 - 457年,2018页。视图:出版商的网站|谷歌学术搜索
5. m z侯赛因,m . n, r·b·艾哈迈德·m·拉赫曼,“动态k - means聚类数据挖掘,”印尼的电气工程和计算机科学杂志》上,13卷,不。2、521 - 526年,2019页。视图:出版商的网站|谷歌学术搜索
6. r . Jothi s·k·莫汉蒂,a . Ojha”DK-means:确定性k - means聚类算法用于基因表达分析,“模式分析与应用,22卷,不。2、649 - 667年,2019页。视图:出版商的网站|谷歌学术搜索
7. p·m·沙克尔s Baskar v . s . Dhulipala,和m . m .贾比尔,“基于云使用k - means聚类框架,用于诊断糖尿病,”健康信息科学和系统》第六卷,没有。1、1 - 7,2018页。视图:出版商的网站|谷歌学术搜索
8. c . Slamet a·拉赫曼·m·a . Ramdhani和w·Darmalaksana”集群神圣的《古兰经》的经文使用k - means算法,”亚洲信息技术杂志》上,15卷,不。24日,第5162 - 5159页,2016年。视图:谷歌学术搜索
9. s . Bekiros d·k·阮l·桑多瓦尔初级和g . s . Uddin,“信息扩散、集群形成和entropy-based网络动力学在股票和大宗商品市场,”欧洲运筹学杂志》上,卷256,不。3、945 - 961年,2017页。视图:出版商的网站|谷歌学术搜索
10. k .·r·瓦和l .左”会计保守主义对企业投资的影响在全球金融危机期间,“企业财务和会计杂志》上,43卷,不。5 - 6,513 - 542年,2016页。视图:出版商的网站|谷歌学术搜索
11. n·库姆斯,”一个算法是什么?高频交易的时代,金融监管”经济和社会,45卷,不。2、278 - 302年,2016页。视图:出版商的网站|谷歌学术搜索
12. d·k·沙玛,s . k . Dhurandher d·阿加瓦尔和k Arora,“kROp: k - means聚类为机会网络路由协议的基础上,“环境智能和人性化计算杂志》上,10卷,不。4、1289 - 1306年,2019页。视图:出版商的网站|谷歌学术搜索
13. b·贝克尔和诉Ivashina“金融抑制在欧洲主权债务危机中,“财务审核,22卷,不。1,第115 - 83页,2018。视图:出版商的网站|谷歌学术搜索
14. p·弗兰提和美国Sieranoja k - means六集群基准数据集上的属性”,应用智能,48卷,不。12日,第4759 - 4743页,2018年。视图:出版商的网站|谷歌学术搜索
15. 周报,穆·d·g·妮妮和k·施瓦兹,”笔记债券:流动性不足的反馈在金融危机期间,“金融研究的回顾没有,卷。31日。8,2983 - 3018年,2018页。视图:出版商的网站|谷歌学术搜索
16. k . Valaskova、t . Kliestik和m . Kovacova”斯洛伐克企业金融风险管理使用回归分析,“Oeconomia Copernicana,9卷,不。1,第121 - 105页,2018。视图:出版商的网站|谷歌学术搜索
17. d . Abuaiadah”使用平分k - means聚类技术在阿拉伯语的分析文档,”ACM交易在亚洲和资源缺乏语言信息处理,15卷,不。3,1-13,2016页。视图:出版商的网站|谷歌学术搜索
18. d . Fernandez-Arias m . Lopez-Martin t . Montero-Romero f . Martinez-Estudillo f . Fernandez-Navarro,“财务稳健性预测使用智能化模型:从经合组织当前的金融危机银行的证据,”计算经济学,52卷,不。1,第297 - 275页,2018。视图:出版商的网站|谷歌学术搜索
19. 即各地和a . Poltorak”金融风险管理作为一个战略方向为提高国家经济安全的水平,”波罗的海经济研究杂志》上,4卷,不。1,第241 - 235页,2018。视图:出版商的网站|谷歌学术搜索
20. 法定量。Borlea R.-E。Precup,德拉甘f和a b。Borlea,“k - means聚类质心更新方法,”电气和计算机工程的进步,17卷,不。4,3 - 10,2017页。视图:出版商的网站|谷歌学术搜索
21. s . Sankhwar d·古普塔k.c. Ramya,席巴•萨蒂什美国王妃,k . Shankar和s . k . Lakshmanaprabu“改进的灰太狼文中针对特征子集选择金融危机预测与模糊神经分类器,”软计算,24卷,不。1,第110 - 101页,2020。视图:出版商的网站|谷歌学术搜索
22. f . w . Wang, h·聂et al .,“基于动态表示车辆轨迹聚类学习网络的车辆,“IEEE智能交通系统,p . 2020。视图:出版商的网站|谷歌学术搜索
23. y . w . z . Liu, h . Wang,张,李,美国“入侵检测基于并行智能优化特征提取和分布式网络模糊聚类,“IEEE访问》第六卷,第72211 - 72201页,2018年。视图:出版商的网站|谷歌学术搜索
24. 夏,d .彭d·孟et al .,“快速适应的k - means没有界限,”诉讼的IEEE模式分析与机器智能2020年11月,p。1。视图:出版商的网站|谷歌学术搜索

版权

版权©2021刘Zhangyao朱镕基和Na。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。