论文部分内容阅读
随着信息化过程的迅猛推进,企业信息化管理已经得到越来越多的关注,面对日益复杂多变的社会经济环境,企业风险管理难度也逐渐增大。如何建立高效的风险管理机制对企业风险预警是企业寻求的目标。传统的统计分析已经不能满足对海量财务数据的处理。因此如何在企业经营活动产生的大量财务数据信息中寻找出对企业财务风险预警管理有用的信息是企业当前迫切需要解决的问题。而数据挖掘技术的不断改进创新,以及对海量数据研究分析的良好表现,使得两者紧密的联系了起来。因此本文采用数据挖掘技术对企业财务风险预警进行研究分析,具有非常重要的理论和实际意义。主要研究内容如下: 首先,本文对财务风险分析以及财务风险预警进行了深入的研究,包括财务风险的成因、特征及财务风险预警的方法等。 其次,提出了一种更高效的基于对频繁项集分组并行的 P-Apriori挖掘算法。该算法利用一定的规则先把频繁(k-1)-项集分组,分组后每组的频繁(k-1)-项子集不仅能并行处理,而且还能极大的减少频繁(k-1)-项集自连接次数,再把每组产生的频繁 k-项子集组合起来,就能得到频繁k项集。有效的减少了频繁项集产生的时间,提高了挖掘的效率。为进一步对财务风险分析的应用研究提供了技术保障。 第三,对决策树C4.5算法进行了研究分析,采用上市公司的虚拟财务指标数据作为该算法的训练样本数据,来展现构建财务风险预警模型的过程。 第四,基于关联规则 P-Apriori算法提出建立财务风险分析系统,目的在于更便捷地处理财务指标数据,为财务风险研究分析提供便利性以及可靠性。通过该系统对66家ST公司的499条财务指标数据挖掘分析发现26个财务风险指标中有11个频繁出现的关键指标,这些指标更能体现财务风险状况,应该重点关注这些关键指标对财务风险状况的影响。 最后,基于决策树C4.5算法构建了财务风险预警模型,使用了财务风险分析系统分析产生的11个关键财务指标作为决策树的属性集,通过对66家 ST公司和66家非ST公司财务指标样本数据进行反复训练得到初步的财务风险预警模型,然后再运用后剪枝的方式对该模型的不具代表性分支进行剪枝,得到最终的财务风险预警模型。通过实验证明,该模型基本能够实现对企业财务风险的预测和预警。