体育企业市场营销和金融风险管理基于决策树和数据挖掘

文摘

随着现代经济的发展,传统的体育产业企业也受到金融业务的进一步发展。如何确保信息安全面临的问题和金融风险管理是体育公司。风险评估是利用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。针对上述问题,我们开发了一个体育企业市场营销和金融风险管理模型基于决策树和数据挖掘。首先,我们建立了相关的评价指标体系和数据样本通过深入了解实际的营销和体育公司的财务问题。其次,我们使用决策树算法挖掘和探索相关的数据样本,并通过相关指标进行风险评估。通过使用模型来计算风险发生的概率,分析损伤的程度。最后,本文的算法是通过模拟实验的分析和讨论。

1。介绍

金融行业的发展应该满足实体经济的需求。崛起的金融服务产业链的企业集团财务公司正是以确保金融业服务实体经济(1,2]。作为一个集团的内部成员,企业集团财务公司的发展的传统金融机构无法比拟的优势产业链金融服务(3]。然而,金融业务有一定的风险。金融风险管理的概念,提出了由所罗门Schobert教授在美国20世纪初。风险管理是指对事件发展和环境、人员、政策、法规等(4,5]。首先,我们知道,风险无处不在,风险不能消除。管理的目的是识别潜在的危险因素,防止他们以正确的方式6]。

科学和技术的发展促进了体育的现代化。技术的进步和工程导致的增加的体育成就。网络游戏、博客和在线体育俱乐部改变了运动的观察方式和应用(7,8]。改善设备和工具有了新的运动,如登山、攀岩、高空跳伞,潜水。极限运动的创新也促进了体育旅游的发展。

企业家的一个独特的特征是他们关注风险管理。金融服务的兴起体育企业集团和金融公司的产业链是确保金融业服务实体经济。有一定的风险在金融业务9]。风险管理是指对事件发展和环境、人员、政策、法规。风险管理的目的是识别潜在的危险因素,防止他们以正确的方式。风险管理通常采用定性和定量相结合的方法,以确保活动的安全和正常发展和确保他们的经济利益不会丢失10- - - - - -12]。通过计划组织、实施、协调和控制,可以在计划进行体育活动,准确,有序,安全运行。目前,文献中研究供应链风险识别,结果表明,定性研究是主要的,定量研究较少13]。Agrawal和Rautaray14]形容体育风险管理预测和调节威胁的任务极其不利影响的组织或其资本。它还包括组织的调查过程和采取适当行动的决策过程。根据晚祷15)、风险管理任务意味着金融状况的分析和最初的观念从努力控制发展生产力和商业损失。金融业务的发展提供了实体经济的发展服务。风险管理通常采用定性和定量相结合的方法,以确保活动的安全和正常发展和确保他们的经济利益不会丢失16]。通过计划的组织和实施、协调和控制等,让它继续按照预先计划,准确,有序,安全运行。目前,文献中研究供应链风险识别、发现定性研究和定量研究最主要的一个是更少。唐et al。16分类供应链风险根据风险的来源和风险是否在可控的范围内。拉奥在供应链风险识别的过程中,进一步细分供应链风险分为外部macroenvironmental风险、行业系统性风险,企业内部风险,和企业经营风险(17]。

首先,我们知道,风险无处不在,风险不能消除。管理的目的是识别潜在的危险因素,防止他们以正确的方式。风险评估是用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。针对上述问题,我们开发了一个体育企业市场营销和金融风险管理模型基于决策树和数据挖掘。通过深入了解实际的营销和体育企业的财务问题,我们建立了相关的评价指标体系和数据样本。我们使用决策树算法挖掘和探索相关的样本数据,通过相关指标进行风险评估。通过使用模型来计算风险发生的概率和分析损伤的程度。最后,本文的算法是通过模拟实验的分析和讨论。

2。相关工作

2.1。金融风险

企业集团财务公司的产业链金融服务发挥着越来越重要的作用在整个金融服务体系。然而,企业集团财务公司的时候提供产业链金融服务相对较短,仍有许多问题在市场管理、信息管理和风险管理(18,19]。原理图的体育公司的财务风险概念图所示1。

作为一种新兴的金融服务,产业链金融服务只有很短的时间内出现在中国。金融公司从业人员可能不熟悉业务。面对不熟悉的业务,运营商通常使操作错误在完成一定数量的操作符。环境和操作错误引起的操作风险(20.]。风险评估是利用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。通过使用模型来计算风险发生的概率,然后分析损伤的程度。除了操作不熟悉的业务,容易发生违规行为的贷款批准流程也会带来相应的操作风险(21,22]。金融公司希望开发产业链金融必须首先建立一个信息系统。通过使用模型来计算风险发生的概率,分析损伤的程度。

2.2。决策树

数据挖掘的主要方法包括分类、评估、预测、关联规则和聚类。其中,分类、评估和预测属于指导数据挖掘。这些方法可以构建一个模型,可以通过数据描述特定属性。关联规则和聚类分析的数据挖掘(23,24]。模型结构的示意图如图的决策树算法2。

这种类型的方法是使用所有属性找到一个特定的关系。不同的数据挖掘方法有自己的数据挖掘算法,如决策树算法在分类、回归分析预测,K——集群的集群。决策树是一个著名的机器学习技术(25,26]。管理的目的是识别潜在的危险因素,防止他们以正确的方式。风险评估是利用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。

3所示。体育企业市场营销和金融风险管理

C4.5和CART算法改进的ID3算法。ID3算法是基于信息增益作为最好的功能划分规则,与最大信息增益特征选择每次在部门(26,27]。训练样本是一个关键因素,决定了决策树的建立。当训练样本太少或数据问题,生成的决策树可能有异常现象。这种情况将导致决策树是不准确的,可能会使决策树非常复杂(28,29日]。

在多指标评价模型中,每个索引的重量可以分布在多个方面。但这些方法大致分为两类。然而,这些方法大致分为两类。一个是主观的方法,这是一个评估根据专家的经验,包括比较矩阵法和另一种类型的分配方法是客观权重方法,确定基于综合评价指标体系,包括直接价值法(30.,31日]。后的实际创建IBM SPSS modeler软件和相关的准确性的比较模型和分区节点的合理性,优化最CHAID模型最终选择。

研究表明,并非所有的复杂和巨大的决策树得到更精确的规则集。因此,有必要简化复杂的决策树(32]。的过程称为修剪。

C4.5是一个改进的ID3算法,结合信息增益规则的特点和信息。该方法首先发现属性的信息增益率高于平均水平的候选人分区属性并选择属性增益率最高的。本文中使用的方法是主成分分析。这种方法的特点是分配权重根据数据的结构特点。每一个指标的权重可以充分反映该指标的贡献的研究问题。因此,本文使用这个方法来构建一个区域性金融风险指数。

属性的信息增益率样本集D可以计算,四世(一个)代表特征的内在价值,更多可能的值的特性一个第四,价值就越大(一个)。

因此,在候选属性设置一个,属性选择部门后最大的获得率最好的部门属性。图3显示了一个公司的风险释放干扰数据的示意图。

约束条件的公式如下:

然而,这些方法大致分为两类。一个是主观的方法,这是一个评估根据专家的经验,包括矩阵法进行了比较。据马条件,有

每一个指标的权重可以充分反映该指标的贡献的研究问题。因此,本文使用这个方法来构建一个区域性金融风险指数。从上面的公式,b可以得到如下:

本文中使用的方法是主成分分析。这种方法的特点是分配权重根据数据的结构特点。管理的目的是识别潜在的危险因素,防止他们以正确的方式。风险评估是利用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。当训练样本太少或数据问题,生成的决策树可能有异常现象。这种情况将导致决策树是不准确的,可能会使决策树非常复杂。

4所示。测量的实际案例分析企业营销和金融风险管理

4.1。测试环境和数据

在测试过程中,我们将输入变量划分为许多层面根据目标变量。结合企业营销测试和问卷调查的结果,大样本的特点,多个指标,连续变量和分类变量共存。后的实际创建IBM SPSS modeler软件和相关的准确性的比较模型和分区节点的合理性,优化最CHAID模型最终选择。图4显示了原始数据的比较结果和重建数据在金融平台数据集。

在测试期间,参数被设置为5和树的最大深度结构影响因素节点的最少数量是100。子节点的最小数量是50岁,最小变化值的基尼系数是0.0001,和个人的识别准确率交叉验证模型。然而,这些方法大致分为两类。一个是主观的方法,这是一个评估根据专家的经验,包括矩阵法进行了比较。拉奥在供应链风险识别的过程中,进一步细分供应链风险分为外部macroenvironmental风险、行业系统性风险,企业内部风险,和企业运营风险。图5显示原始数据和重建数据之间的比较数据集的一个金融分析机构。

我们建立的模型数据流在IBM SPSS modeler软件平台。测试表明,该模型表现良好数据重建和模仿和风险可以恢复数据。后的实际创建IBM SPSS modeler软件和相关的准确性的比较模型和分区节点的合理性,优化最CHAID模型最终选择。实际测量后,输出的数据模型是准确和可靠,满足设计要求。

4.2。金融风险的质量分析数据挖掘

为了验证提出了决策树的性能模型、决策树模型相比,一些经典的分类器和现有的方法。我们的网络检测结果列表DT-ANN模型和一些常用的分类器。这些分类器NB(朴素贝叶斯),LR(逻辑回归),SVM(支持向量机),资讯(K最近邻),随机森林,决策树,ANN(人工神经网络)。在这个实验中,为了便于比较,所有列出的两个数据集分类器是用于处理。图6显示了不同类别对财务风险的影响测试在相同的环境中。

我们重复了这个实验的十倍,每个模型的性能是10个重复实验的平均值。不同的机器学习算法结合起来开发混合动力模型。在这些混合模型,NB-SVM(类别1)是建立在朴素贝叶斯分类器和支持向量机分类器。K-medics-PNN(类别2)是基于K医生集群和概率神经网络。混合模型(3级)是建立基于多个机器学习算法,如NB、射频和支持向量机。图6显示了所有三个类别产生风险率最低(少于10%)。三个类别,类别3 NB的结合,射频,SVM取得最低的风险率不到2%。图7显示了所有的财务风险指标的影响吞吐量三类金融风险测试。可以看出该模型提供了合理的吞吐量比其他类别的分类器。

的表的数据量最大的任务表,数据库和相应的时间相关表的表2 s。一般用户访问的数据量很小,和时间可以控制在0.8 s。结合企业营销测试和问卷调查的结果,大样本的特点,多个指标,连续变量和分类变量共存。的数据量需要在报告中提取很大,有许多类型的报告,时间一般在3 s访问各种报告。风险评估是利用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。通过使用模型来计算风险发生的概率,然后分析损伤的程度。除了操作不熟悉的业务,容易发生违规行为的贷款批准流程也会带来相应的操作风险。图8显示了不同类别对财务风险的影响测试在相同的环境中。

同时我们也测试系统;也就是说,多个用户同时访问系统,和操作持续很长时间。主要任务是测试任务模块。当用户的数量小于50岁的CPU使用率不到40%。我们在同一时间多个方法相比,比较结果如图8。在这个实验中,为了便于比较,所有列出的两个数据集分类器是用于处理。改进的经济政策和金融业务的逐步成熟,虽然社会推进,新的商业模式将不可避免地出现,和相应的风险将会增加。风险防范需要建立更完整的风险。拉奥在供应链风险识别的过程中,进一步细分供应链风险分为外部macroenvironmental风险、行业系统性风险,企业内部风险,和企业运营风险。

5。结论

当企业通过并购破产或解决自己的问题,这也是一个自发的风险消除过程,可有效地防止金融风险的积累在非金融企业部门。区域金融风险的影响因素发生也变得复杂,和这些复杂因素增加了区域金融风险的可能性。因此,一个标准化的区域金融风险指数评价体系必须建立衡量区域金融风险。首先,我们知道,风险无处不在,风险不能消除。拉奥在供应链风险识别的过程中,进一步细分供应链风险分为外部macroenvironmental风险、行业系统性风险,企业内部风险,和企业运营风险。管理的目的是识别潜在的危险因素,防止他们以正确的方式。风险评估是利用数学模型来计算风险因素建立在前一个步骤来预测可能的风险。

针对上述问题,我们开发了一个体育企业市场营销和金融风险管理模型基于决策树和数据挖掘。我们已经建立了相关的评价指标体系和数据样本通过深入了解实际的营销和体育公司的财务问题。我们使用决策树算法挖掘和探索相关的样本数据,通过相关指标进行风险评估。通过使用模型来计算风险发生的概率,分析损伤的程度。最后,本文的算法是通过模拟实验的分析和讨论。

数据可用性

使用的数据来支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突。

引用

1. a .朱w·陈,j .张x宗庆后,w·赵和y .谢,“投资者免疫庞氏骗局扩散在社交网络和金融风险分析中,“国际现代物理学杂志》上,33卷,不。11日文章ID 1950104, 2019。视图:出版商的网站|谷歌学术搜索
2. j . Zhang z郑,y, j . Xi,赵x,和g Gui,“3 d分配5 g NR:几个观察从32到256年大规模天线信道测量的基础上,“IEEE通讯杂志卷,56号3、62 - 70年,2018页。视图:出版商的网站|谷歌学术搜索
3. m d s, c·安东尼·e·乔治,和l . Guilaine”CIB功率谱测量从普朗克高频感应大天空区域地图,”皇家天文学会月刊,卷466,不。1,第319 - 286页,2018。视图:出版商的网站|谷歌学术搜索
4. i . g . y . Wong和b . k . p .哇,“仰卧位心率测量在中国老人,”高血压杂志》,38卷,p。368年,2020年。视图:出版商的网站|谷歌学术搜索
5. x l . Wang j·b·曹d·d·李et al .,“进口疟疾病例管理和医疗机构在中国中部,2012 - 2017:应用决策树分析,“《疟疾杂志》上18卷,2019。视图:出版商的网站|谷歌学术搜索
6. d·h·Vu k·m·塔基则a . p . Agalgaonkar和a . Bouzerdoum”客户奖励基于需求响应项目来提高需求弹性和减少金融风险在价格上涨,”专业生成、传输和分配,12卷,不。15日,第3771 - 3764页,2018年。视图:出版商的网站|谷歌学术搜索
7. m·维埃拉h·保罗、t . Pinto-Varela和a . p . Barbosa-Povoa”财务风险评估在设计和调度需求的不确定性下的多用途植物,”国际期刊的生产研究5卷,21,2020页。视图:出版商的网站|谷歌学术搜索
8. f . Vernuccio m·d·罗森博格·m·迈耶k . r . Choudhury r·c·纳尔逊·d·马林,“负面活检肝局灶性病变:病人管理,决策树模型”美国放射学杂志》,卷212,不。3、677 - 685年,2019页。视图:出版商的网站|谷歌学术搜索
9. n Verma p Mishra, n . Purohit“发展一个基于知识的决策树分类器使用混合极化SAR可见”国际遥感杂志》上第41卷。。4、1302 - 1320年,2019页。视图:出版商的网站|谷歌学术搜索
10. 泰勒,p . s . Amenta j·d·涅尔瓦和a·s·杜蒙特”评论:预测长期结果低分后动脉瘤性蛛网膜下腔出血使用决策树建模、”神经外科,卷87,不。3,E293-E295, 2020页。视图:出版商的网站|谷歌学术搜索
11. h·l .太阳,j·m·李黄懿慧Na, j . k . Min和k . c . Sim”预测中空困难使用内窥镜逆行胆管造影CT图像发现:决策树分析,“Acta Radiologica,卷61,不。11日,第1493 - 1484页,2020年。视图:出版商的网站|谷歌学术搜索
12. a . Stirbet d . Lazar j . Kromdijk, g . Govindjee“叶绿素荧光诱导:只是一秒钟的测量可以用来量化非生物胁迫反应呢?”Photosynthetica卷,56号1,第104 - 86页,2018。视图:出版商的网站|谷歌学术搜索
13. a . Sinnett c . k . m . Ho和b·马尔科姆“扩大乳品业务影响业务和金融风险,”动物生产学卷,57号10,2167年,页2017。视图:出版商的网站|谷歌学术搜索
14. a . Agrawal和s . s . Rautaray”,基于视觉的手势识别人机交互:一项调查,“人工智能评:一个国际科学与工程》杂志上,43卷,不。1,1-54,2015页。视图:出版商的网站|谷歌学术搜索
15. 2015年h·w·薄暮,过去和新的参考范围的影响的解释来自全国健康和营养调查的数据。
16. c . s . Tang j .白k . c .所以,x m . Chen和h·王,“按需协调供需平台:价格,工资,和股息支付率。”SSRN电子杂志,2016年。视图:谷歌学术搜索
17. i, A Korre, s . Durucan“基于系统方法对金融风险建模和优化的矿物加工和金属生产行业,“计算机与化学工程卷,89年,第105 - 84页,2016年。视图:出版商的网站|谷歌学术搜索
18. e . O ' brien e·多兰,“动态血压测量在老年人。”高血压文章ID 548286卷,2012年,2012年。视图:出版商的网站|谷歌学术搜索
19. p .南希,s . Muthurajkumar s Ganapathy s . v . n . Santhosh Kumar m . Selvi和k . Arputharaj”入侵检测使用动态特征选择和模糊时序决策树分类对无线传感器网络来说,“专业的沟通,14卷,不。5,888 - 895年,2020页。视图:出版商的网站|谷歌学术搜索
20. n .陈、刘x和d d .姚明,“金融系统性风险的一个优化视图建模:网络效应和市场流动性效应”运筹学,卷64,不。5,1089 - 1108年,2016页。视图:出版商的网站|谷歌学术搜索
21. a . v . Milkov和j·m·山姆已“干洞从灾害探索智慧:决策树来确定段的关键失效模式在传统石油前景”中部公告,卷104,不。2、449 - 475年,2020页。视图:出版商的网站|谷歌学术搜索
22. r . Massimiliano m . David c . Junxin t . Yeghishe和s . Albert“计量量子控制的机械运动,”自然,卷563,不。7729年,53-58,2018页。视图:出版商的网站|谷歌学术搜索
23. f·李,x, x, Du, y, y . c .田,“厂商和Hybrid-Attribute测量多种决策树在不平衡数据集,“信息科学卷,422年,第256 - 242页,2018年。视图:出版商的网站|谷歌学术搜索
24. a·库马尔和a·k·戈什”,决策树,随机与森林有关的小说非定常空气动力学建模使用飞行数据,”杂志上的飞机卷,56号1,第409 - 403页,2019。视图:出版商的网站|谷歌学术搜索
25. k·c·约翰逊,p . k . Whelton Cushman w . c . et al .,“血压测量在SPRINT(收缩压干预试验),“高血压、HYPERTENSIONAHA文章ID 10479卷,117年,2018年。视图:出版商的网站|谷歌学术搜索
26. Mw金和Ws邓小平”,预测阿尔茨海默病的不同阶段使用社区组件分析和整体决策树,”神经科学杂志》上的方法卷。302年,35-41,2018页。视图:出版商的网站|谷歌学术搜索
27. d·t·h·香港j . Liu Bui et al .,“滑坡敏感性映射使用J48决策树演算法、装袋和旋转森林乐团four seasons地区(中国),“系列卷,163年,第413 - 399页,2018年。视图:出版商的网站|谷歌学术搜索
28. h . m .加文和A . r . Klales”验证的兰利研究et al .(2017)性评估,决策树模型”法医科学杂志》,卷63,不。4、1243 - 1251年,2018页。视图:出版商的网站|谷歌学术搜索
29. e . s . Epel公元井间,s e . Mayer et al .,“多一种感觉:一个统一的视图的压力测量人口科学,”神经内分泌学前沿49卷,第169 - 146页,2018年。视图:出版商的网站|谷歌学术搜索
30. w·艾克尔斯和p t,“代理协调和沟通socioecological系统:设计和测量问题,“与电脑互动,18卷,不。6,1170 - 1185年,2018页。视图:出版商的网站|谷歌学术搜索
31. c . m . s .协作,“测量b强子一生在pp碰撞$ \ sqrt{年代}= 8美元,”欧洲物理期刊C,卷78,不。6,457年,页2018。视图:谷歌学术搜索
32. 美国基督徒,k . o·齐默k . Wonigeit g·毛雷尔,k . f .缝纫,“液相色谱测定环孢菌素及其代谢产物在血液、胆汁,和尿水,”临床化学,34卷,不。1,34-39,2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021艳照。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。