数据挖掘技术在个人信用评估模型中的应用
收稿日期:2006-03-16
基金项目:河南省自然科学基金(0511011500)
作者简介:葛继科(1977-),男,河南濮阳人,硕士,研究方向为数据挖掘、人工智能。
数据挖掘技术在个人信用评估模型中的应用
葛继科1,赵永进1,王振华1,余建桥2
(1.河南师范大学计算机与信息技术学院,河南新乡453007;
2.西南大学计算机与信息科学学院,重庆450052)
摘 要:为了能够及时、恰当地进行个人信用评估分析,加快信用卡发卡机构的决策速度,介绍了数据挖掘技术在信用卡公司对用户评估中的应用,对比分析了数理统计模型、分类-聚类个人信用评估模型等几种个人信用评估模型建模方法的优缺点。建立了一种决策树-神经网络个人信用评估模型,针对该模型提出了一种近邻聚类算法。该算法不需要事先给定聚类的类别数,可以进行无监督学习。通过对比分析可知,该算法在个人信用评估应用中可以得到较理想的结果。关键词:信用评估;分类;聚类;决策树
中图分类号:TP391;F830.49 文献标识码:A 文章编号:1673-629X (2006)12-0172-03
Application of Data Mining T echnique to Personal
Credit Evaluating Model
GE Ji 2ke 1,ZHAO Y ong 2jin 1,WAN G Zhen 2hua 1,YU Jian 2qiao 2
(1.College of Computer and Information Technology ,Henan Normal University ,Xinxiang 453007,China ;
2.College of Computer and Information Science ,S outhwest University ,Chongqing 450052,China )
Abstract :For the purpose of process the personal credit evaluating timely and correctly ,increase the decision rate ,this paper describes the requirement of the credit card company for data mining and neural network technology which apply for personal credit evaluating.Contrast 2ed and analyzed some of personal credit evaluating model ,e.g.statistical model ,classification -clustering model ,and so on.Demonstrated those excellence and disadvantage.Constructed a decision tree -neural network personal credit evaluating model.At last ,give a vicinage -extended clustering algorithm ,the algorithm needn ’t give number of clustering ,and can put up unsupervised learning.The algorithm is more fit for personal credit evaluating than other methods.K ey w ords :credit evaluating ;classification ;clustering ;decision tree
0 引 言
近几年,随着信用卡的出现和发展,银行及其他信用卡的发卡机构认识到了信用评估的作用及重要性。如何提高服务质量,改进服务方法,使公司的决策更为准确及时,是信用卡公司追求的一个目标。由于每天申请信用卡的人数众多,无论从经济的角度还是从人力的角度,发卡机构都不可能完全依赖人工对申请进行审批,必须有一套比人工主观判断具有更好预测能力的自动信用评估系统。随着市场竞争的加剧以及计算机技术的发展,一些非参数统计方法以及人工智能模型逐渐被引入到个人信用评估模型中,如神经网络、专家系统、基因算法等均被应用到信用评估卡的开发之中。这些方法的引入在一定程度上克服了传统分析方法的综合分析能力差、缺乏整体概括能力
的缺点,弥补了评价结果的一些不足[1]。
神经网络(Neural Network ,NN )是一种对数据分布无任何要求的非线性技术,它能有效解决非正态分布、非线性的信用评估问题,但它存在解释性差、训练样本集大和训练效率低等缺点[2,3]。
数据挖掘(Data Mining ,DM )是从存放在数据库、数据仓库或其他信息库中的大量数据中识别出有效的、新颖的、潜在有用的,以及最终可理解的模式的非平凡过程[4,5]。随着研究的不断深入,出现了许多用于挖掘不同类型数据的算法和技术,常用的数据挖掘方法有:描述、分类、聚类、关联规则、孤立点检测等。利用基于聚类的分类信用评估方法,有效地克服了神经网络技术在信用评估中存在的某些问题。
1 常用信用评估方法
信用评估本质上是模式识别中的一类分类问题,将企业或个体消费者划分为能够按期还本付息(即“好”客户)和违约(即“坏”客户)两类[6]。具体做法是根据历史上每
第16卷 第12期2006年12月 计算机技术与发展COMPU TER TECHNOLO GY AND DEV ELOPMEN T
Vol.16 No.12Dec. 2006
个类别(如期还本付息、违约)的若干样本,从已知的数据中找出违约及不违约者的特征,从而总结出分类的规则,建立数学模型,用于测量借款人的违约风险(或违约概率),从而为消费信贷决策提供依据。
国外已经有人做了大量的工作,提出了各种评估模型,如FICO评估模型、神经网络模型、贝叶斯分析模型等,采用了各种数学的、统计学的、信息学的方法,取得了一定的效果。尤其是FICO评估模型,现已成为西方发达国家信用评估方面事实上的标准[7]。
随着信贷业务的需要,国内越来越多的金融机构也开始以业务对象的个人信用记录作为决策参考。
1.1 标准数理统计模型
基于标准数理统计理论的信用评估模型是对大量的个人消费贷款的历史信用数据进行科学的归纳、总结、计算而得到的量化分析公式。在美国,不同的行业有不同的信用评估模型,用来帮助专业人士进行信用风险管理,如表1所示。
表1 美国不同行业常用信用评估模型
行业常用信用评估模型
消费者信贷FICO模型、Logit模型
制造业Z-Score
工业Zeta score
普通企业Risk calc,Z-Score
新兴市场企业EM Score
信用评估模型的关键是科学合理地选出信用变量,并产生一个公式。信用评估模型的统计方法有:线性概率模型、Logit模型、Probit模型,以及判别(Discriminant)分析方法。
1.2 数据挖掘方法
数据挖掘是为了发现事先未知的规则和联系而对大量数据进行选择、探索和建模的过程,其任务可以分为两类:描述和预测。用于个人信用评估的常用方法包括分类、聚类、关联规则分析、预测、孤立点检测等[8]。
(1)分类(Classification):按分析对象的属性、特征建立不同的组类来描述事物。它基于对类标记已知的数据对象的分析,导出描述并区分数据类或概念的模型(或函数),用以预测类标记未知的对象类,导出模式可以用分类规则、判定树、数学公式或神经网络等形式表示。
(2)聚类(Clustering):根据“物以类聚”的原理,将本身没有类别的样本聚集成不同的组,这样的一组数据对象叫做簇,并且对每一个这样的簇进行描述的过程。其目的是使得属于同一个簇的对象应该彼此相似,而不同簇的对象应该足够不相似。
2 分类-聚类个人信用评估模型
就个人信用评估建模问题而言,待建模数据库假设为一个信用数据库,它是一个由属性、元组组成的二维表,称之为信用决策表。属性分为条件属性和决策属性,各条件属性的取值可以是某段区间的连续值,也可以是多个离散值,决策属性取值为百分制。
初始样本集根据决策属性的分数作区段划分,得到多个大类别,为了进一步精确化,再对每一个大类别进行聚类分析,得到多个子聚类,对每个子聚类建立一个能拟合包含在其中的训练样本的子模型。
设训练样本集为S,S中共有N个样品,可以把它看作一个数据库,S的每个样品是一个元组(即<属性,值>对),根据决策属性的取值对训练样本集进行类别划分,划分后可记为:S1,S2,…,S k,共k类样本子集。对第i 类的样本子集进行聚类分析,可得到N i个子聚类C j i(第i 类的样本子集S i的第j个子聚类)。这里i=1,2,…,k,j
=1,2,…,N i,N=6k i=1N i。对每个子聚类C j i可建立一个子模型来拟合描述这个子聚类中的所有样本。如图1所示。
图1 基于决策属性的分类—聚类模型图按照上述方法,可以得到一个分类-聚类树,对于基层的子聚类,当某些子聚类满足一定的条件时就可以合并(融合)。设A={C1,C2,…,C m},B={C m+1,C m+2,…, C n},分别为某空间中的由多个子聚类组成的集合。集合A中的C i(i=1,2,…,m)与集合B中的C j(j=m+1, m+2,…,n)能否合并,可由以下判别方法决定:
①若子聚类C i的中心在C j的边界所构成的区域内,且C i与C j有部分或全部空间重叠,则C i可与C j合并;
②若子聚类C i的中心在C j的边界所构成的区域外,但C i与C j有部分空间重叠,此时需根据空间的比例及实际情况判断C i与C j是否可合并;
③若子聚类C i与C j完全不重叠,则C i与C j不能合并。
针对每个子聚类,具体的建模方法可以使用基于粗糙集的神经网络建模方法[9]、神经网络二分类法、径向基函数RBF学习算法、范例类比模型法和模糊C-均值聚类算法(FCM)[10]等。
也可以采用RBF中的子聚类区域高斯函数描述法来确定其所辖范围,这相当于一个对待测样本判决其所属区域的开关;然后用BP神经网络模型来做结果评判(对于个人信用评估问题,其结果采用打分法)。
3 决策树—神经网络个人信用评估模型
当完全采用决策树方法时,由于它使用信息熵或其它
?
3
7
1
?
第12期 葛继科等:数据挖掘技术在个人信用评估模型中的应用
的启发式信息来选择充当分支结点的属性,用几率代替概率来计算信息熵,随着树的深入构造,误差将会越来越大。
同样,在建立个人信用评估模型时,当完全采用神经网络来对训练样本集建模时,如果训练样本集本身所蕴含的映射系统非常复杂,则神经网络的建立不仅费时而且低效,还可能得不到期望的结果。
基于“分而治之”的思想,可以采用一种决策树-神经网络方法。
首先,基于决策树算法思想对样本数据集进行粗划分
(采用有用的离散条件属性充当决策树的分支结点属性),
对所得高层决策树的每个叶子结点所属的样本子集进行聚类分析,得到代表每个局部分布特性的子聚类样本集;然后,对每个子聚类样本集进行建模拟合。
这种智能融合方法可以吸取前二种方法的长处,避开它们的短处,从而得到更好的样本集拟合及预测效果。如图2所示。
图2 基于离散属性分类的聚类模型图
其中,对于子聚类样本集的建模拟合,可以采用以下二种方法来实现:
①子聚类样本点非矢量差建模:
这种模型直接拟合子聚类中的训练样本点,可以采用神经网络来建模。每个神经网络的输入为相应子聚类所属样本点的有用连续条件属性,网络的期望输出为每个样本点的决策属性取值,神经网络起到一个非线性映射系统的作用。
②子聚类样本点矢量差建模:
对于任一子模型,其输入维数等于样本的有用连续条件属性数,取这个子模型所对应的子聚类中的所有样本矢量与核心样本矢量的矢量差作为输入,这样的子模型需要保存核心样本矢量(包含决策属性值)。该方法类似于范例类比学习[11]。
4 近邻扩展聚类算法
为了对样本子集进行更好的聚类,提出一种名为近邻扩展聚类法(Vicinage -Extended Clustering ,VEC )的样本聚类算法类。
设待学习样本集S ={s 1,s 2,…,s n }。
(1)初始化种子sa =s 1,剩余集SL =S -{sa};(2)从剩余集中按照某种扩展标准(如欧氏距离)来
扩展种子的近邻,形成一个近邻集;
(3)If {当前种子的近邻集样本数大于阈值σ(目的是
为了避免极端情况的错分)}
Then {将这个种子与其近邻集组成一个聚类,再从这
个聚类中选取一个其近邻集样本数大于阈值的样本替换为新的种子,继续扩展,得到的近邻集添加到这个聚类,直到聚类集中所有合乎标准(即其近邻集样本数大于阈值
σ)的样本都作过种子为止,最后可得到一个聚类集}
Else {将这个种子标识为孤立点样本(其近邻集样本
数为0)或边缘样本(边缘样本的近邻集样本数介于0和σ之间,它在第3步中曾被归入聚类集)}
(4)将样本集S ={s 1,s 2,…,s n }去掉已组成聚类的
样本和孤立点样本,组成剩余集SL ;
(5)If {剩余集SL 非空;}
Then {从剩余集SL 中选取一个样本作为种子,转第2步}
Else {算法结束,得到的各个聚类集即为所求}
该算法不需要事先给定聚类的类别数,可以进行无监督学习。但是算法的时间复杂度为o (n 2),对于大型数据库的聚类不太适用,如采用R 3树[12]来做索引或用其他的空间索引技术,可使时间复杂度降为o (n log n )。
5 结束语
通过对多种个人信用评估模型建模方法进行对比分析,提出了一种将聚类有效融入到分类模型中的框架方
法。该方法不同于以往将聚类当作无监督学习,分类作为监督学习,二者被分割研究的传统方法,这种基于聚类的分类模型可以将二者统一起来进行研究,并通过近邻扩展聚类算法来进行样本子集的聚类,共同提高建模的效率以及模型的描述和预测效果。
参考文献:
[1] 秦东宇.浙江经济发达地区银行消费信贷个人信用评估体
系的理论分析与实证研究[D].杭州:浙江大学,2003:27-32.
[2] Tam K Y ,K iang M.Managerial applications of neural net 2
works:the case of bank failure predictions [J ].Management Sciences ,1992(7):926-947.
[3] 王春峰,李汶华.小样本数据信用风险评估研究[J ].管理科
学学报,2001(2):30-34.
[4] Fayyad U M ,Piatetsky -Shapiro G ,Smyth P.Advances in
Knowledge Discovery and Data Mining [M ].[s.l.]:AAAI/MIT Press ,1996:471-493.
[5] Chen Ming -Syan ,Han Jiawei ,Yu P S.Data mining :An
overview from database perspective[J ].IEEE Transactions on Knowledge and Data Engineering ,1996(12):866-883.[6] 郑建平.个人信用评信系统及系统模型[J ].经济与管理研
究,2002(2):59-61.
[7] 杨子健.美国商业银行信用风险管理研究[M].北京:中国
金融出版社,2004:28-32.
(下转第177页)
?
471? 计算机技术与发展 第16卷
2 系统实现
Oracle 9iFS 是Oracle 公司开发的基于Oracle 数据库
的新型文件系统。Oracle 9iFS 将企业所有数据统一成单个、统一的信息库,企业的所有数据都存放在Oracle 数据库中。Oracle 9iFS 被设计成数据库层、中间层和客户端三层架构来提供较好的性能、可扩展性和可靠性,它已经为文件管理提供了一系列的Java API 开发包,所以笔者设计的面向内管管理的浏览器是基于9IFS 开发的。
面向内容管理的浏览器的用户界面被设计成类似于传统文件系统的风格,用户可以在客户端进行简单的逻辑操作。
2.1 右键菜单
为了用户操作的方便,
将对文件的操作加入到右键菜单中,每项菜单命令对应一个文件操作。用户可以通过右键菜单,调用系统的各项功能。右键菜单如图4所示。
图4 右键菜单
2.2 高级搜索页面
面向内容管理的浏览器除了提供传统文件系统提供的搜索功能外,还提供了全文搜索、正则搜索、类别搜索和关联搜索等高级搜索。不同类型的搜索分布在不同的
Tab 页中,用户可以根据提供的搜索功能进行相应的查
询。在一次搜索中,用户还可以进行组合条件搜索。
高级搜索如图5所示。
图5 高级搜索
全文搜索时,在查找操作界面的“内容”Tab 页中输入全文搜索的关键字,然后执行搜索,就可以将内容包含关键字的所有文件搜索出来。
在“名称和位置”Tab 页中为高级用户提供了正则搜索功能,用户可以对字符串类型的属性构建复杂的正则查询条件,准确地搜索到目标文件。
在面向内容管理的浏览器中,可以通过类别属性对文件进行分类,这样存放在不同位置的文件可以通过类别将同类文件搜索出来。
关联搜索能够为用户进一步提供搜索功能,如某用户需要根据邮件发送者的一些个人信息(如:爱好、生日)来搜索满足条件的邮件。
3 小 结
本系统是针对用户对内容管理的迫切要求和当前内容管理系统的不完善而设计的,为用户提供了强大的文件管理功能,提高了文件访问的安全性和效率,实现了跨平台性,并将所有的功能操作集成到了右键菜单中。面向内容管理的浏览器实现了基本的内容管理功能,体现了内容管理的优越性,具有良好的研究价值和实用意义。
参考文献:
[1] Hyman F ,G arg S ,Harrison S.Oracle
Internet File System
Installation Guide Release 9.0.1.1.0for Microsoft Windows
N T/2000[EB/OL ].2001-09.htt p ://https://www.360docs.net/doc/ee7735278.html,.[2] Stokes A ,Dawson D.Oracle
Internet
File System Developer
Reference Release9.0. 1. 1.0Oracle 9iFS and Oracle9i database documentation sets [EB/OL ].2001-09.htt p ://https://www.360docs.net/doc/ee7735278.html,.
[3] Rizzo T.新型Windows 文件系统简介[EB/OL ].2004-08
-25.http ://https://www.360docs.net/doc/ee7735278.html,/china/MSDN/librar y/windev/longhorn/winfs03112004.mspx.
[4] 车敦仁,周立柱,王令赤.面向对象数据库系统的体系结构
[J ].软件学报,1995(10):599-606.
[5] 周 军.应用版本控制软件管理软件开发[J ].计算机系统
应用,2000(10):50-52.
[6] 潘 定,沈钧毅.数据仓库中实时元数据管理的研究[J ].计
算机工程,2000(5):29-31.
[7] 王 强,刘东波,王建新.数据仓库元数据标准研究[J ].计
算机工程,2002(12):123-125.
[8] 朱 斐.一种结构化文件的访问控制模型的设计和实现
[J ].微机发展,2005,15(4):132-134.
[9] 诸 晔.用ACL 实现系统的安全访问控制[J ].计算机应用
与软件,2005(3):111-114.
(上接第174页)
[8] Han Jiawei.数据挖掘概念与技术[M ].范 明,孟小峰等
译.机械工业出版社,2001:14-17.
[9] 何 明,李 博.粗糙集理论框架下的神经网络建模研究
及应用[J ].控制与决策,2005(7):65-68.
[10]尹 松,周永权,李陶深.基于稀疏差异度的聚类方法在信
息分类中的应用[J ].计算机技术与发展,2006,16(1):117-119.
[11]李宝林,王秀峰.CBRDI :一种基于范例推理的数据集成方
法[J ].计算机工程与应用,2003(16):52-55.
[12]Beckmann N ,Kriegel H P ,Schneider R ,et al.The R 3-tree :
An E fficient and Robust Access Method for Points and Rect 2angles[C]//Proc.ACM SIGMOD Int.Conf.on Mana gement of Data.Atlantic Cit y ,NJ :ACMPress ,1990:322-331.
?
771?第12期 庄 军等:面向内容管理的浏览器设计与实现
企业信用评级方法比较分析
目录 一、引言 (3) 二、企业信用评级的必要性 (3) 三、传统的企业信用评级方法比较分析 (4) ㈠综合评判法——专家系统 (4) ㈡线性模型分析法——信用评分方法 (4) ㈢专家系统和线性模型分析法的比较分析 (5) 四、现代企业信用评级方法比较分析 (5) ㈠现代企业信用评级模型总体分析 (5) ㈡信用监控模型（credit monitor model）：KMV模型 (6) ㈢在险价值方法：risk metrics 模型和Credit metrics模型 (6) ㈣KMV模型与Credit metrics模型的比较分析 (6) ㈤KMV模型与线性模型的比较分析 (8) ㈠现代企业信用评级模型总体分析 (8) ㈡人工神经网络分析法 (9) ㈢模糊分析法 (9) 六、结论 (10)
企业信用评级方法（模型）比较分析 陈婕 摘要： 本文从企业信用评级的传统方法（专家系统评级法、信用评分法）、现代方法（KMV 模型、Credit metrics模型、Credit Portfolio V iew模型和Credit Risk+模型等）和新科技方法（模糊综合评价法、人工神经网络分析法、Logit模型统计法等）这三个方面进行分析。重点分析了若干个信用评级模型，如专家系统、信用评分系统、KMV模型、Credit metrics模型、人工神经网络分析法、模糊综合评价法。并对个别模型进行了比较分析，如KMV模型和Credit metrics模型的比较分析，KMV模型和线性模型的比较分析，提出了我们应灵活运用企业信用评级方法，并结合多种方法，相互取长补短，对企业信用进行有效而合理评级的观点。 关键词：企业信用评级方法评级模型比较分析 一、引言： 信用风险是商业银行承担的最重要的风险。对企业信用风险的进行评级和度量不仅有利于金融机构有效降低风险，提升自身的发展能力，对国家金融稳定和经济发展有着重要的作用。在我国，由于受到银行业旧体制的影响，国内开始研究信用风险评级和度量方法的时间晚于其他国家。自2000年以来，为数不少的国内科研工作者积极投入信用风险度量研究，并在理论研究和实际应用上取得了，一定的成绩。由此可见，对风险进行度量，对企业进行有效的信用评级已经成为现代银行和其他金融机构风险管理职能中最为重要的内容之一。 二、企业信用评级的必要性 信用风险由来已久，它随着借贷的产生而发展。对于一个贷款企业而言，其能否按时归还贷款总是存在着不确定性，这种不确定性具体表现为，贷款企业不愿意履行或不能完全履行还款责任，信用风险一旦形成，银行将会因客户违约而遭受巨大金融损失。因此，银行需要对贷款企业进行严格的信用评级。 对企业进行信用评级的意义在于，它可以消除银行与企业之间的信息不对称性，提高银行借贷的管理效率，从而使资本市场的整体效率得以提高。 对于企业而言：有效的信用评级，可以使资信良好和还款能力强的企业取得所需贷款资金从事经营活动。 对于银行而言：其不仅可以拥有适合其风险偏好的标的，取得收益。同时还可以有效的过滤资信较差和还款能力较弱的企业，从而缓释银行违约风险。 所以，对企业进行合理而准确的信用评级是相当必要的。然而，信用评级是否合理，评级结果是否准确，在很大程度上取决于评级方法的科学性。那么，到底有哪些信用评级的方法呢？哪些才是合理而有效的信用评级方法？下面我就对企业信用评级方法进行简要的阐述与分析。
数据挖掘复习章节知识点整理
数据挖掘：是从大量数据中发现有趣（非平凡的、隐含的、先前未知、潜在有用）模式，这些数据可以存放在数据库，数据仓库或其他信息存储中。 挖掘流程： 1.学习应用域 2.目标数据创建集 3.数据清洗和预处理 4.数据规约和转换 5.选择数据挖掘函数（总结、分类、回归、关联、分类） 6.选择挖掘算法 7.找寻兴趣度模式 8.模式评估和知识展示 9.使用挖掘的知识 概念/类描述：一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总； （2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较； （3）数据特征化和比较来得到。 关联分析：发现关联规则，这些规则展示属性-值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。 分类：找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。 预测：建立连续值函数模型，预测空缺的或不知道的数值数据集。 孤立点：与数据的一般行为或模型不一致的数据对象。 聚类：分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。 第二章数据仓库 数据仓库是一个面向主题的、集成的、时变的、非易失的数据集合，支持管理部门的决策过程。从一个或多个数据源收集信息，存放在一个一致的模式下，并且通常驻留在单个站点。数据仓库通过数据清理、变换、继承、装入和定期刷新过程来构造。面向主题：排除无用数据，提供特定主题的简明视图。集成的：多个异构数据源。时变的：从历史角度提供信息，隐含时间信息。非易失的：和操作数据的分离，只提供初始装入和访问。 联机事务处理OLTP：主要任务是执行联机事务和查询处理。 联系分析处理OLAP：数据仓库系统在数据分析和决策方面为用户或‘知识工人’提供服务。这种系统可以用不同的格式和组织提供数据。OLAP是一种分析技术，具有汇总、合并和聚集功能，以及从不同的角度观察信息的能力。
《数据挖掘》试题与答案
一、解答题（满分30分，每小题5分） 1. 怎样理解数据挖掘和知识发现的关系？请详细阐述之 首先从数据源中抽取感兴趣的数据，并把它组织成适合挖掘的数据组织形式；然后，调用相应的算法生成所需的知识；最后对生成的知识模式进行评估，并把有价值的知识集成到企业的智能系统中。 知识发现是一个指出数据中有效、崭新、潜在的、有价值的、一个不可忽视的流程，其最终目标是掌握数据的模式。流程步骤：先理解要应用的领域、熟悉相关知识，接着建立目标数据集，并专注所选择的数据子集；再作数据预处理，剔除错误或不一致的数据；然后进行数据简化与转换工作；再通过数据挖掘的技术程序成为模式、做回归分析或找出分类模型；最后经过解释和评价成为有用的信息。 2. 时间序列数据挖掘的方法有哪些，请详细阐述之 时间序列数据挖掘的方法有： 1）、确定性时间序列预测方法:对于平稳变化特征的时间序列来说，假设未来行为与现在的行为有关，利用属性现在的值预测将来的值是可行的。例如，要预测下周某种商品的销售额，可以用最近一段时间的实际销售量来建立预测模型。 2）、随机时间序列预测方法:通过建立随机模型，对随机时间序列进行分析，可以预测未来值。若时间序列是平稳的，可以用自回归(Auto Regressive，简称AR)模型、移动回归模型(Moving Average，简称MA)或自回归移动平均(Auto Regressive Moving Average，简称ARMA)模型进行分析预测。 3）、其他方法:可用于时间序列预测的方法很多，其中比较成功的是神经网络。由于大量的时间序列是非平稳的，因此特征参数和数据分布随着时间的推移而变化。假如通过对某段历史数据的训练，通过数学统计模型估计神经网络的各层权重参数初值，就可能建立神经网络预测模型，用于时间序列的预测。
浅谈数据挖掘技术及其应用
浅谈数据挖掘技术及其应用 數据挖掘就是从海量数据中提取潜在有趣模式的过程。数据挖掘技术现已广泛应用于零售业、金融业、电信、网络安全分析、农业、医疗卫生等领域，研究十分广泛。 标签：海量数据；数据挖掘；应用研究 一、数据挖掘概念 数据挖掘比较公认的定义是由U.M.Fayyad等人提出的：数据挖掘就是从海量数据中提取潜在有趣模式的过程[1]。还有一些术语，具有和数据挖掘类似但稍有不同的含义，如数据库中知识挖掘、知识提取、数据/模式分析、数据考古等。数据挖掘技术最初是面向应用层面的，不光可以实现检索和统计专门数据库的操作，还能够在大量的数据集中实现小型、中型乃至大型系统的分析、归纳、推理等工作。 二、数据挖掘的基本任务 数据挖掘的目的就是发现有用的知识（即概念、规则和模式）。数据挖掘的基本任务主要有以下几个方面： （1）分类与预测。 分类属于有监督的学习，在构建分类模型之前，在数据源中选取训练集数据并作分类标记，然后运用分类模型对训练集数据进行分类，实在是按照样本属性相近的划入一类，最后将完成训练的分类模型应用到在未知类别的数据集中，获得相应的分类。预测是依据历史数据和现有的数据建立两种或两种以上变量间相互依赖的函数模型，然后进行预测或控制。 （2）聚类分析。 聚类分析是在识别数据的内在规则后，将数据分成相似数据对象组，从而获得数据的分布规律，划分的原则是不同组间距离尽可能大，组内距离尽可能小。聚类分析进一步是打算从一组杂乱的数据中发掘隐藏其中的分类规则。聚类分析与分类模式模型不同，分类模式是使用有标记样本构成的训练集的一种有监督学习方法，则聚类模型是使用在无标记的数据上的一种无监督学习方法。近年来，聚类分析在图像处理、商业分析、模式识别等有广泛应用。 （3）关联规则。 关联分析是通过对数据集中数据之间隐藏的相互关系的分析，揭露了具有相同类别的数据之间未知的关系。关联分析就是将给定一组项集和一个记录集合，
企业信用风险评估模型分析
企业信用风险评估模型 企业信用风险评估是构建社会信用体系的重要构成要素，也是企业信用风险管理的 核心环节。企业信用风险评估涉及四个基本的概念，即信用、信用风险、信用风险管理以及信用风险评估。本节重点为厘清基本概念，并介绍相关企业信用风险评估操作。 I —、企业信用风险评估概念 企业信用风险评估是对企业信用情况进行综合评定的过程，是利用各种评估方法，分析受评企业信用关系中的履约趋势、偿债能力、信用状况、可信程度并进行公正审查和评估的活动。 信用风险评估具体内容包括在收集企业历史样本数据的基础之上，运用数理统计方法与各种数学建模方法构建统计模型与数学模型，从而对信用主体的信用风险大小进行量化测度。 I 二、企业信用风险评估模型构建 (一）信用分析瘼型概述 — 在信用风险评估过程中所使用的工具——信用分析模型可以分为两类，预测性模型和管理性模型。预测性模型用于预测客户前景，衡量客户破产的可能性；管理性模型不具有预测性，它偏重于均衡地揭示和理解客户信息，从而衡量客户实力。 计分模型 Altman的Z计分模型是建立在单变量度量指标的比率水平和绝对水平基础上的多变量模型。这个模型能够较好地区分破产企业和非破产企业。在评级的对象濒临破产时，Z 计分模型就会呈现出这些企业与基础良好企业的不同财务比率和财务趋势。 2.巴萨利模型
巴萨利模型（Bathory模型）是以其发明者Alexander Bathory的名字命名的客户资信分析模型。此模型适用于所有的行业，不需要复杂的计算。其主要的比率为税前利润/营运资本、股东权益/流动负债、有形资产净值/负债总额、营运资本/总资产。 Z计分模型和巴萨利模型均属于预测性模型。 3.营运资产分析模型 营运资产分析模型同巴萨利模型一样具有多种功能，其所需要的资料可以从一般的财务报表中直接取得。营运资产分析模型的分析过程分为两个基本的阶段：第一阶段是计算营运资产（working worth);第二阶段是资产负债表比率的计算。从评估值的计算公式中可以看出，营运资产分析模型流动比率越高越好，而资本结构比率越低越好。 《 营运资产分析模型是管理性模型，与预测性模型不同，它着重于流动性与资本结构比率的分析。由于净资产值中包含留存收益，因而营运资产分析可以反映企业的业绩。 □第三章企业征信业务 又因为该模型不需要精确的业绩资料，可以有效地适用于调整后的账目。通过营运资产和资产负债表比率的计算，确定了衡量企业规模大小的标准，并对资产负债表的评估方法进行了考察，可以确定适当的信用限额。 4.特征分析模型 特征分析模型采用特征分析技术对客户所有财务和非财务因素进行归纳分析；从客户的种种特征中选择出对信用分析意义最大、直接与客户信用状况相联系的若干特征，把它们编为几组，分别对这些因素评分并综合分析，最后得到一个较为全面的分析结果。 (二）企业信用风险评估模型构建① 1.预测性风险模型构建——Z计分模型
数据挖掘技术及其应用
数据挖掘毕业论文 ---------数据挖掘技术及其应用 摘要：随着网络、数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。数据挖掘(Data Mining)就是从大量的实际应用数据中提取隐含信息和知识，它利用了数据库、人工智能和数理统计等多方面的技术，是一类深层次的数据分析方法。本文介绍了数据库技术的现状、效据挖掘的方法以及它在Bayesian网建网技术中的应用：通过散据挖掘解决Bayesian网络建模过程中所遇到的具体问题，即如何从太规模效据库中寻找各变量之间的关系以及如何确定条件概率问题。 关键字：数据挖掘、知识获取、数据库、函数依赖、条件概率 一、引言： 数据是知识的源泉。但是,拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中,从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息,然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流,但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去,我们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而,由于知识工程师所拥有知识的有局限性,所以对于获得知识的可信度就应该打个 折扣。目前,传统的知识获取技术面对巨型数据仓库无能为力,数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出,人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理,但是目前所拥有的数据分析工具很难对数据进行深层次的处理,使得人们只能望“数”兴叹。数据挖掘正是为了解决传统分析方法的不足,并针对大规模数据的分析处理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练,得到数据对象间的关系模式,这些模式反映了数据的内在特性,是对数据包含信息的更高层次的抽象[1]。目前,在需要处理大数据量的科研领域中,数据挖掘受到越来越多
信 用 评 级 汇 总
信用评级汇总 2、“信用度量制”方法(Credit Metrics) “信用度量制”(CreditMetrics)是由J.P.摩根与其它合作者(美洲银行、KMV 公司、瑞士联合银行等)在已有的“风险度量制”方法基础上，创立的一种专门用于对非交易性金融资产如贷款和私募债券的价值和风险进行度量的模型。① 风险度量制方法(RiskMetrics)所要解决的问题是：“如果明天是一个坏天气的话，我所拥有的可交易性金融资产如股票、债券和其它证券的价值将会有多大的损失?”。而信用度量制方法(CreditMetrics)则是要解决这样的问题：如果下一个年度是一个坏年头的话，我的贷款及贷款组合的价值将会遭受多大的损失呢?② 我们在前面曾谈及，由于贷款是不能够公开进行交易的，所以我们既无法观察到贷款的市值(P)，也不能够获得贷款市值的变动率(σ)。但是人们仍然可以通过掌握借款企业的以下资料来解决这个问题。这些资料包括： ①参见：《信用度量制》，技术文件，J.P.摩根公司，纽约，1997。在1998年，开发出“信用度量制”和“风险度量制”产品的J.P.摩根集团又建立了一家独立的名为“风险度量制”集团的公司。 ②参见：Anthony Saunders，Credit Risk Measurement，John Wiley & Sons，1999, p.40。 ③关于贷款组合的受险价值量计算我们将在第三节进行详细讨论。 为了说明“信用度量制”方法，我们来看一看怎样计算一笔贷款的受险价值量，并且讨论一下围绕着计算受险价值所涉及到的相关技术问题。 一旦人们获得了这些资料，他们便可以计算出任何一项非交易性的贷款和债券的P值和σ值，从而最终可利用受险价值方法对单笔贷款或贷款组合的受险价值量进行度量。③ 借款人的信用等级资料 在下一年度里该信用级别水平转换为其它信用级别的概率 违约贷款的收复率 用“信用度量制”方法计算单笔贷款的受险价值量的例子
数据挖掘及其应用
数据挖掘及其应用 Revised by Jack on December 14,2020
《数据挖掘论文》 数据挖掘分类方法及其应用 课程名称：数据挖掘概念与技术 姓名 学号： 指导教师： 数据挖掘分类方法及其应用 作者：来煜 摘要：社会的发展进入了网络信息时代，各种形式的数据海量产生，在这些数据的背后隐藏这许多重要的信息，如何从这些数据中找出某种规律，发现有用信息，越来越受到关注。为了适应信息处理新需求和社会发展各方面的迫切需要而发展起来一种新的信息分析技术，这种局势称为数据挖掘。分类技术是数据挖掘中应用领域极其广泛的重要技术之一。各种分类算法有其自身的优劣，适合于不同的领域。目前随着新技术和新领域的不断出现，对分类方法提出了新的要求。 。 关键字：数据挖掘；分类方法；数据分析 引言 数据是知识的源泉。但是，拥有大量的数据与拥有许多有用的知识完全是两回事。过去几年中，从数据库中发现知识这一领域发展的很快。广阔的市场和研究利益促使这一领域的飞速发展。计算机技术和数据收集技术的进步使人们可以从更加广泛的范围和几年前不可想象的速度收集和存储信息。收集数据是为了得到信息，然而大量的数据本身并不意味信息。尽管现代的数据库技术使我们很容易存储大量的数据流，但现在还没有一种成熟的技术帮助我们分析、理解并使数据以可理解的信息表示出来。在过去，我
们常用的知识获取方法是由知识工程师把专家经验知识经过分析、筛选、比较、综合、再提取出知识和规则。然而，由于知识工程师所拥有知识的有局限性，所以对于获得知识的可信度就应该打个折扣。目前，传统的知识获取技术面对巨型数据仓库无能为力，数据挖掘技术就应运而生。 数据的迅速增加与数据分析方法的滞后之间的矛盾越来越突出，人们希望在对已有的大量数据分析的基础上进行科学研究、商业决策或者企业管理，但是目前所拥有的数据分析工具很难对数据进行深层次的处理，使得人们只能望“数”兴叹。数据挖掘正是为了解决传统分析方法的不足，并针对大规模数据的分析处理而出现的。数据挖掘通过在大量数据的基础上对各种学习算法的训练，得到数据对象间的关系模式，这些模式反映了数据的内在特性，是对数据包含信息的更高层次的抽象。目前，在需要处理大数据量的科研领域中，数据挖掘受到越来越多的关注，同时，在实际问题中，大量成功运用数据挖掘的实例说明了数据挖掘对科学研究具有很大的促进作用。数据挖掘可以帮助人们对大规模数据进行高效的分析处理，以节约时间，将更多的精力投入到更高层的研究中，从而提高科研工作的效率。 分类技术是数据挖掘中应用领域极其广泛的重要技术之一。至今已提出了多种分类算法，主要有决策树、关联规则、神经网络、支持向量机和贝叶斯、k－临近法、遗传算法、粗糙集以及模糊逻辑技术等。大部分技术都是使用学习算法确定分类模型，拟合输入数据中样本类别和属性集之间的联系，预测未知样本的类别。训练算法的主要目标是建立具有好的泛化能力的模型，该模型能够准确地预测未知样本的类别。 1．数据挖掘概述 数据挖掘又称库中的知识发现，是目前人工智能和领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平
浅谈数据挖掘技术及其应用
１ 数据挖掘的起源 ２数据挖掘的定义 ３数据挖掘的过程 ３．１目标定义阶段 ３．２数据准备阶段 ３．３数据挖掘阶段 ３．４结果解释和评估阶段 面对信息社会中数据和数据库的爆炸式增长，人们分析数据和从中提取有用信息的能力，远远不能满足实际需要。但目前所能做到的只是对数据库中已有的数据进行存储、查询、统计等功能，但它却无法发现这些数据中存在的关系和规则，更不能根据现有的数据预测未来的发展趋势。这种现象产生的主要原因就是缺乏挖掘数据背后隐藏的知识的有力手段，从而导致“数据爆炸但知识贫乏”的现象。数据挖掘就是为迎合这种要求而产生并迅速发展起来的，可用于开发信息资源的一种新的数据处理技术。数据挖掘（ＤａｔａＭｉｎｉｎｇ），又称数据库中的知识发现（ＫｎｏｗｌｅｄｇｅＤｉｓｃｏｖｅｒｙｉｎＤａｔａｂａｓｅ，简称ＫＤＤ），比较公认的定义是由Ｕ．Ｍ．Ｆａｙｙａｄ等人提出的：数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据集中，提取隐含在其中的、人们事先不知道的、但又是潜在的有用的信息和知识的过程，提取的知识表示为概念（Ｃｏｎｃｅｐｔｓ）、规则（Ｒｕｌｅｓ）、规律（Ｒｅｇｕｌａｒｉｔｉｅｓ）、模式（Ｐａｔｔｅｒｎｓ）等形式。数据挖掘是一种决策支持过程，分析各组织原有的数据，做出归纳的推理，从中挖掘出潜在的模式，为管理人员决策提供支持。ＫＤＤ的整个过程包括在指定的数据库中用数据挖掘算法提取模型，以及围绕数据挖掘所进行的预处理和结果表达等一系列的步骤，是一个需要经过反复的多次处理的过程。整个知识发现过程是由若干挖掘步骤组成的，而数据 挖掘仅是其中的一个主要步骤。整个知识发现的主要步骤有以下几点。要求定义出明确的数据挖掘目标。目标定义是否适度将影响到数据挖掘的成败，因此往往需要具有数据挖掘经验的技术人员和具有应用领域知识的专家以及最终用户紧密协作，一方面明确实际工作中对数据挖掘的要求，另一方面通过对各种学习算法的对比进而确定可用的算法。数据准备在整个数据挖掘过程中占的比例最大，通常达到６０％左右。这个阶段又可以进一步划分成三个子步骤：数据选择（ＤａｔａＳｅｌｅｃｔｉｏｎ），数据预处理（ＤａｔａＰｒｏｃｅｓｓｉｎｇ）和数据变换（ＤａｔａＴｒａｎｓｆｏｒｍａｔｉｏｎ）。数据选择主要指从已存在的数据库或数据仓库中提取相关数据，形成目标数据（ＴａｒｇｅｔＤａｔａ）。数据预处理对提取的数据进行处理，使之符合数据挖掘的要求。数据变换的主要目的是精减数据维数，即从初始特征中找出真正有用的特征以减少数据挖掘时要考虑的特征或变量个数。这一阶段进行实际的挖掘工作。首先是算法规划，即决定采用何种类型的数据挖掘方法。然后，针对该挖掘方法选择一种算法。完成了上述的准备工作后，就可以运行数据挖掘算法模块了。这个阶段是数据挖掘分析者和相关领域专家最关心的阶段，也可以称之为真正意义上的数据挖掘。 浅谈数据挖掘技术及其应用 舒正渝１、２ （１．西北师范大学数信学院计算机系，甘肃兰州７３００７０；２．兰州理工中等专业学校，甘肃兰州７３００５０）摘要：科技的进步，特别是信息产业的发展，把我们带入了一个崭新的信息时代。数据库管理系统的应用领域涉及到了各行各业，但目前所能做到的只是对数据库中已有的数据进行存储、查询、统计等功能，通过这些数据获得的信息量仅占整个数据库信息量的一小部分，如何才能从中提取有价值的知识，进一步提高信息量利用率，因此需要新的技术来自动、智能和快速地分析海量的原始数据，以使数据得以充分利用，由此引发了一个新的研究方向：数据挖掘与知识发现的理论与技术研究。数据挖掘技术在分析大量数据中具有明显优势，基于数据挖掘的分析技术在金融、保险、电信等有大量数据的行业已有着广泛的应用。关键词：数据挖掘；知识发现 Abstract:Key words:The progress of science and technology,especially the development of the information industry,brings us into a brand-new information age.The application of the data base management system has involved all trades and professions,but only the store,inquire and statistic function can be applied,account a little part of the whole database.How to improve the utilization ratio of the information has initiated a new research direction,the data mining and knowledge found theory and technique.The data mining has the advantage in analyzing a large number of data.The data mining analytical technology has been largely used finance,insurance,telecommunication industry,etc..Data mining;Knowledge discovery 收稿日期：２０１０－０１－１５修回日期：２０１０－０２－１１ 作者简介：舒正渝（１９７４－），女，重庆籍，硕士研究生，研究方向为数据库、多媒体。 中国西部科技２０１０年０２月（中旬）第０９卷第０５期第２０２期 总38
(仅供参考)信用评级模型
评级技术基础规范之六编码：P-J-B-0006 信用评级模型 （2012年11月版）
信用评级模型 （2012年11月版1） 信用评级模型是以企业经营和财务信息、行业信息、宏观经济信息和市场信息为基础，运用统计分析、专家打分等手段，以量化方式测算受评对象信用风险的评级分析工具，是评级方法在数理统计操作层面的具体表现形式，也是信用评级机构评级技术的重要组成部分。中债资信通过学习、吸收国内外评级模型设计理念，并在征求专家顾问团信用风险建模领域专家意见的基础上，确定了目前采用的评级模型类型。中债资信评级模型力求体现中国企业信用风险特点，减少评级过程中的主观判断因素，提高评级结果的客观性、一致性和准确性。中债资信目前可使用的建模数据主要是发债企业数据和来自商业银行的信贷数据（以下简称“信贷数据”），发债企业数据包括经营数据和财务数据，但没有违约率数据；信贷数据包括借款企业的违约数据和大部分财务数据，但没有企业经营数据。基于可获得数据源及其质量，中债资信目前的评级模型为分行业的打分卡模型和二元选择模型。 一、经营与财务指标相结合的打分卡模型 以发行债券企业作为统计样本，以发债企业数据和信贷数据为主要数据源，选择合适的经营指标和财务指标，分行业建立打分卡模型。按照中债资信工商企业主体评级方法总论，对工商企业进行评级时，首先以经营风险和财务风险的综合平衡确定受评企业自身的个体信用等级，然后考虑外部支持等因素对企业自身个体级别进行调整，最终确定受评企业的信用等级。由于在同一行业内，不同经营风险程度的企业所能容忍的财务政策激进程度不同，因而经营风险对信用等级的影响程度存在显著差异。因此，在本评级模型中依据受评企业经营风险程度的高低对经营风险和财务风险赋以可变权重。此外，依据短板原理的评级思想，对弱势因素给予更高的权重以放大其对最终评级结果的影响。由于体现这一影响的调整过程具有明显的主观性，因此将此类调整以及其他难以量化的因素归类于模型外考虑因素。 在具体的模型设计中，相对应的采取分层建模思路：首先以线性加和形式得到经营风险模块得分和财务风险模块得分；然后根据经营风险得分情况确定两模块权重的分配，加权平均得到总分；最后根据其它难以量化的因素进行调整，得到最终对应级别。 具体模型形式如下： 1 2011年10月形成初稿并对外披露，2012年11月修订并正式发布。 - 1 -
基于大数据的数据挖掘技术与应用
基于大数据的数据挖掘技术与应用 发表时间：2019-07-17T12:49:19.997Z 来源：《基层建设》2019年第12期作者：汪洋 [导读] 摘要：科技前进的步伐越来越快，数据挖掘与传统行业相结合，在各行各业展现出了十分强大的生命力。 中国联合网络通信有限公司黄石市分公司湖北黄石 435000 摘要：科技前进的步伐越来越快，数据挖掘与传统行业相结合，在各行各业展现出了十分强大的生命力。本文从数据挖掘的基本概念和功能谈起，进一步再分析其在金融和人力资源两个方面的具体运用。 关键词：数据挖掘；大数据；金融；人力资源 一、数据挖掘的概念和功能 （一）数据挖掘概念。数据挖掘是指从庞大繁杂的数据中通过算法搜索隐藏于表面数据背后信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习和模式识别等多种方法来实现上述目标。 （二）数据挖掘的方法和过程。数据挖掘的理论技术一般可分为传统技术和改良技术两支。就传统技术而言，以统计分析为主要代表；就改良技术而言，以决策树理论、类神经网络和规则归纳法等为主要代表。 （三）数据挖掘的主要功能。数据挖掘的功能十分强大，在与各行各业结合之后，都能为各行业带来新的发展契机。一般来说，数据挖掘的功能分为两类：一类是描述性功能，是指对目标数据的属性进行特征描述；另一类是预测性功能，是指对当前数据进行归纳，以进行发展趋势的预测。 二、数据挖掘技术的应用实践 （一）在金融方面的应用。大数据金融以庞大繁杂的数据作为基础，利用如互联网等信息化技术，分析处理对客户的消费数据，将客户及时全面的信息及时地反馈给金融企业，如此一来，使得金融企业给零散化的客户群体提供定制化的服务成为可能。数据挖掘技术在金融领域的表现十分优异，在第三方支付、p2p网络借贷、供应链金融、互联网消费金融等方面均有广泛的运用。 就第三方支付而言，因为其运用场景多样化，使用方便快捷，因而，第三方支付与上下游的交易者联系紧密。当相关数据累积到一定程度时，便可推出更多的增值服务，进一步增加利润来源。在众多增值服务中，近年来，值得一提的是由蚂蚁金服推出的蚂蚁花呗。蚂蚊花呗本质上而言是一款消费信贷产品。蚂蚁花呗利用大数据，以自身的风控模型为基础，结合对消费者在互联网上的各种网购情况、支付习惯、信用风险等的分析结果，对不同的用户根据其近期的消费情况给予不同数额的消费额度。 第三方互联网支付交易规模由于互联网理财等大额交易场景的推动保持高速增长。在2013年，第三方互联网支付交易额仅为6万亿元，但据可靠预测，在2020年，此交易额可到39万亿元。再看第三方移动支付交易额。由于移动支付场景的多样化、用户渗透率越来越高、各种第三方支付企业进军市场等原因，移动交易量不断上升。在2013年，第三方移动支付交易额仅为1万亿元。但据估计，在2020年，第三方移动支付交易额可达144万亿元。 （二）在人力资源管理方面的运用。 （1）数据挖掘与人力资源规划：通过数据挖掘技术，组织管理者可以利用搜集到的每一个员工的组织内外部的信息资料，联系企业的整体战略目标，以事实为依据，制定未来人力资源规划。 （2）数据挖掘与人才的招聘与配置：招聘时，招聘者对于求职者的了解一般都比较肤浅，对于求职者的专业技能掌握情況、工作效率等无法有效进行认知。而新兴的社交网络呈现了—个人各方面的信息，如工作经历、社会关系、工作效率等，从而能助招聘者一臂之力，达到精准的人岗匹配。 （3）数据挖掘与员工的开发：利用数据挖掘，管理者将职业生涯规划建立在员工全方位数据的基础上，如员工的应聘岗位、晋升意愿和期望薪酬等结构化与非结构化的数据信息，从而精准地为员工提供职业培训。 三、注意区分数据挖掘与个人信息侵犯 当今时代，科学技术的不断提高，使得各种数码产品更新换代速度加快，手机、电脑、照相机等电脑产品基本是一年更新换代一次甚至两三次。其中由于手机应用功能随着经济发展而逐渐增加，从原来的按键机发展到如今的触屏手机乃至折叠手机，其功能也从原来的拨打电话、发送短信、彩信功能而增加到如今的视频通话、语音通话以及上网功能。网络的普遍化丰富了人们的生活，使得人们可以便捷广泛的了解、认知自身以外的整个中国乃至整个世界，可以通过网络媒介了解到其他国家的风土民俗、地形地貌，了解自己所喜欢的明星网红的日常喜好，或是通过网络媒介得到想获得的知识、达到一个学习的作用。但网络媒介是一把双刃剑，通过网络世界了解到诸多信息时，也可能因为自己在网络上所说的一句话、所发的一个定位从而导致自身隐私泄露，个人信息被公布在大众眼中。要运用好大数据时代中网络媒体这一把双刃剑，就必须要求到人们提高自我隐私保护意识，规范网络世界中的一言一语。 （一）大数据时代信息量过大导致信息泄露 当今时代是科技不断发展的时代，是大数据时代。在大数据时代里，各种数码产品纷呈展现其自身的广泛性、普遍性，充斥在人类日常生活中。尤其是手机的发展从原始的只能打电话接电话的大哥大，渐渐变成能够发短信、收短信的按键机，为满足人们日常生活中的娱乐要求，在信息传播的同时又增加了照相机、听音乐、玩游戏等等娱乐功能。在科技发展的基础上，为满足人们日常生活中的各种精神需求，仅仅五六年时间内，按键手机逐渐演变成如今的触屏手机、智能手机。如今的手机已不仅是一个只能打电话、接电话的功能机，在满足了人们的基本通讯要求后，增加了上网的功能。如今微博app、微信app、qqapp各种社交app的崛起，使得人们日常生活充满了娱乐性、便捷性、广泛性，所接收的信息不仅来自自身以外的中国各地，而且也可以接触到中国以外其它国家，甚至来自地球以外的各大恒星的知识。如今你将会看到，越来越多的人在超市里、商场中、地铁上、公园里拿起手机刷微博、拍抖音、视频通话、拍照片等等，在大数据时代，由于网络的普遍，人们上一秒在抖音app上传了一段视频、微博上发布了一篇文章、朋友圈发表了几张照片，以网络传播速度快的特点，下一秒这个视频、这篇文章、这些照片就极有可能出现在大众视线中。网络带来便捷性的同时也带来过大的信息量以及一定性的安全隐患，人们通过信息库了解某一样东西的同时，也可能导致自身定位被人知道、自身隐私被泄露出去。 （二）大数据时代侵犯个人信息方法更多 由于科学技术进步速度快，数码产品更新换代的速度也日益加快。当手机硬件设施提高了，相应的各类软件应用层出不穷，给予了人们日常生活中的精神满足，同时也给予了不法分子有机可图的条件。人们隐私安全问题日益堪忧，由于手机等各种数码产品的普遍性，大
大数据时代下数据挖掘技术的应用
应用 Technology Application D I G I T C W 技术 194DIGITCW 2019.01 1 大数据时代的发展历程及现状表现 通过对大数据的发展历程进行分析，大数据在出现到现在，短短的几年的时间内，大数据的信息容量个数据交流在呈直线上升。目前大数据时代的流量总和能够满足全球人员每天消耗500G 以上。就目前我国大数据发展的过程来说，已经逐渐的应用到我国各行各业中，能够从中获取信息资源。企业可以利用大数据对产品进行综合性分析，还能根据用户的反馈对产品进行更新改造，大数据时代下，采用信息化管理，能够有效的提升企业的管理效率，进而提升企业的生产效益，所以要加强数据挖掘技术在大数据时代下的应用。 2 数据挖掘技术分析 2.1 数据挖掘 数据挖掘技术是在20世纪90年代初提出来的新兴技术，这种技术主要面对的是商业应用中的人工智能化研究方面。大数据时代下数据挖掘技术的应用具有较高的使用价值，在实际应用中，能够及时的掌握产品的具体使用情况，能够在众多的数据信息中进行优化数据信息，进而为企业的发展提供参考方向。在数据挖掘技术发展过程中，由原来的简单、清晰的数据中进行寻找信息到能够从复杂、模糊的数据中去寻找有利用价值的信息，实现了质的突破，说明技术要求较高，需要更好的利用互联网技术。[1]2.2 聚类分析 在进行数据挖掘时，可以采用聚类分析技术来对数据进行处理。聚类分析的主要作用是能够将难以理解的事物进行形象化分组，然后在根据不同性质将其划分为不同组的分析过程。聚类分析的本质能够对庞大的数据进行划分处理，在从中发现可利用的信息资源。但是在实际的使用中，聚类分析是区别于传统的分类方式，它的优势是能够在模糊对象下进行对信息数据进行分组。在目前的聚类分析方式主要有两种分类方式，一种是硬聚类，这种分类方式更加的贴合数据信息。另一种是模糊聚类，这种分类方式能够通过划分模糊数据在对其进行分类。总的来说，这两种的分类方式不一样，但是所能达到的目的是一样的，都能将数据进行划分。 2.3 特征性数据分析法 特征性数据分析方法也是数据挖掘技术的主要方式之一，特征性数据分析方法能够对整体的数据信息，进行特征性的分析，对其进行发掘有利用价值的信息。由于这种技术的方便快捷性，可以应对大多数的数据资源的分析，所以是相关研究者的主要研究方向。在应用中，相关的设计者提出了多种的特征数据分析方法，比如可以利用人工神经网络进行收集数据，在数据终端进行建立神经网络，搜集可利用的信息；采用遗传基因算法对数据进行分析，对庞大的数据进行选择、重组；利用可视化技术对数据进行搜集，挖掘，可以有效的提升数据挖掘技术的实用性。[2] 3 大数据时代中数据挖掘的应用及延展方向 3.1 市场营销领域 根据对大数据时代中数据挖掘技术应用的数据分析，市场营 销领域是应用数据挖掘技术最广的领域。在市场营销中，可以通过数据挖掘技术对市场数据进行相关的提取和总结，能够在大数据下进行分析用户的信息资源，可以根据大数据反馈回的数据信息，进行改变市场营销模式。比如，通过数据挖掘技术能够分析用户点击商品的次数，然后在后台系统中，可以继续为用户推送与此商品相关的衍生品，能够让用户有更多的选择性，提高用户的实际使用感。3.2 制造业领域 随着现代生活水平的不断提高，人们对于生活产品的质量要求也在日益增长着，在制造业领域中应用数据挖掘技术能够更好的提升生活产品的质量。大数据时代中数据挖掘技术应用在制造业中的应用，可以对生活产品生产时进行跟踪性的监管、及时得到产品问题的数据、了解产品的生产效率等。可以为以后产品的生产提供相应的数据分析，针对性的解决产品遇到的问题、提升生产效率，进而提升制造业的经济效益。数据挖掘技术在制造业领域应用，能够促进制造业的发展，是非常有必要的。[1]3.3 电信业领域 现代是信息化的时代，电信行业在蓬勃的发展中，但是电信用户基数大，所需要处理的问题也是最多的，所以需要更好的服务来解决用户的问题，才能给用户带来更好的体验感。电信技术的服务是需要非常庞大的数据进行支持才能更好的处理遇到的问题，但是这种技术服务会被数据流冲击，导致服务质量下降。数据挖掘技术在电信业领域的应用能够有效的改变这种局面，采用数据挖掘技术可以对复杂的电信数据进行分析与研究，能够在其中发现规律，针对用户反馈回的信息，进行改进，提高电信业的服务质量。3.4 教育领域 数据挖掘技术在教育领域中的应用能够有效的提升教育行业的发展，在实际的应用中，能够对全体学生的心理特点进行分析，然后得出相应的教学方案，让教师能够及时的掌握学生的学习情况，从而更好地进行教学活动。采用数据挖掘技术可以对全体学生的考试成绩进行分析，及时发现学生学习的薄弱之处，方便教师对其进行加强化教学。还可以利用数据挖掘技术对教学进行分析，能够更好的利用教学资源，最大化发挥教学资源的作用，从而提升教育领域的教学质量。 4 结束语 综上所述，随着信息化时代的不断发展，我国正在向着大数据时代迈进，要加强大数据时代下数据挖掘技术的应用，才能更好的满足各行业的实际需求。尤其是在市场营销领域、制造业领域、电信业领域、教育领域等，能够利用数据挖掘技术来进行对众多的数据分析与研究，得出可利用的数据，进而促进该行业的发展。参考文献 [1] 刘铭，吕丹，安永灿.大数据时代下数据挖掘技术的应用[J].科技导报，2018，36（09）：73-83. 大数据时代下数据挖掘技术的应用 梁?瀚 （青岛科技大学?中车青岛四方车辆研究所有限公司，青岛 266000） 摘要：随着现代社会信息化技术的不断发展，我国社会正在向信息化时代迈进。在信息化时代中，大数据时代是主要的发展环节。本文主要讲述了大数据时代下数据挖掘技术的应用方式，介绍数据挖掘技术的重要性。 关键词：大数据时代；数据挖掘技术；主要应用及延伸方向doi ：10.3969/J.ISSN.1672-7274.2019.01.152中图分类号：TP311.13 文献标示码：A 文章编码：1672-7274（2019）01-0194-01
债券评级模型与方法
影响企业债券（包括公司债券）信用评级的各方因素： 第一，发行债券的主体信用。目前，每个信用评级公司主要是参考发行债券主体单位的资产负债情况，以还债能力以及其资金流动性，来对主体进行信用评级。 第二，债券的担保机构。在我国企业债券市场不发达的情况下，企业债券发行过程中申报复杂、审批漫长、额度控制、债券必须担保等措施严重制约了企业债券的发行。因而发行债券的企业几乎全为大型优质企业，并且大部分债券均由四大国有商业银行担保。拥有强有力保障的企业债券在信用评级上具有很大的优势。同时，我们也应该看到，如果我国所发行的企业债券都在“准政府”机构的担保之下发行的，这在一定程度上提高了企业债券的信用评级，但这扭曲了其实际的价值，给债券市场带来了潜在的风险。 第三，债券的融资项目。融资项目的未来现金流状况以及该项目的发展前景决定了该债券的价值，是信用评级的参考因素之一。 第四，宏观因素。在我国，国家政策对资本市场的影响不容忽视。在利好的国家政策扶持之下，企业债券所融资项目的价值会相对提高，债券主体的未来现金流流动性会更强，偿债能力会相对提高，从而提高了该债券的信用评级等级。 二、运用Altman 的Z 模型对我国发债企业的信用评级分析 从上述分析来看，我国企业债券评级的主要参考因素仍然是发行债券的主体信用等级。因此，运用Altman 的Z 计分模型对我国企业主体信用进行评级，这对我国外部评级有一定指导作用。 其判断函数为： Z=1.2X1+1.4X2+3.3X3+0.6X4+0.99X5 其中： X1 为营运资金/ 总资产；X2 为留存收益/ 总资产，X3 为息税前利润/ 总资产，X4 为股权市价总值/ 总负债，X5 为销售收入/ 总资产 为了对非上市公司进行资信评级，Altman 对模型进行了改进，将用账面价值代替了市场价值，并改变各个比率的参数，得到对非上市公司资信评级Z 模型： Z=0.717X1+0.847X2+3.107X3+0.420X4+0.998X5（2） 其中，各个变量的含义同式（1）。 在非上市公司资信评级 Z 模型中，将反映公司的偿债能力比率、获利能力比率以及营运能力比率有机地联系起来，采用综合的方式预测公司财务失败或危机的可能性，从而在这一分析模型中提出了判断公司破产的临界值。当Z<1.2 时，公司有很大的破产危险；当1.2
中国信用债券评级模型构建及评级效果检验
中国信用债券评级模型构建及评级效果检验 摘要：本文在借鉴国际机构评级模型的基础上，结合国内评级环境的自身特点，构建了适用于国内的信用债评级模型，进行了评级体系设计及指标体系权重设置，最后对模型评级效果进行了检验。 关键词：信用债券评级模型主成分分析权重设置 监管环境和债券市场的发展使得金融机构未来将承担更多的个体投资信用风险，机构的长期盈利目标也迫切要求自身强化风险识别与资产配置能力。其中关键环节在于借助内部评级体系实现有效的风险评估和资产选择。正确的信用评级以科学的评级模型为基础，以公正合理的专家评审规则为保障。因此，评级模型的构建至关重要。 国际机构评级模型的启示与国内评级模型的自身要求 (一)国际机构评级模型的特点及启示 本文以穆迪的钢铁行业和煤炭行业两个评级模型为例进行分析，发现其具有如下特点：(1)定量指标权重占比很高，数据可靠性和客观性较高，指标数量虽不多，但覆盖了经营与财务的核心要素，简洁明了，具有较强的可操作性；(2)在运营规模和财务稳健性指标上，穆迪对钢铁行业配置更高的权重；(3)重视经营性现金流对债务的保障程度；(4)对煤炭行业注重资源储备和经营多元化的考察，虽然钢铁行业对上游铁矿石依赖程度较高，但穆迪模型并未设置资源控制方面的指标；(5)两个行业模型的权重配比和指标设置存在较明显的行业差异；(6)重视现实的公司财务稳健性考察。 根据上述分析，笔者认为穆迪模型不乏借鉴之处：(1)指标简单、数量较少，但能覆盖核心要素，代表性强；(2)注重财务稳健性考察而不是盈利，强调评级模型的行业风险特征差异。 (二)中国信用债券评级模型的自身要求 尽管穆迪模型不乏借鉴之处，但构建中国信用债券评级模型要有自身特点而不能照搬其固有框架。 1.国内信用评级范围(rating scope)不同于国际机构 本文界定的评级范围为中国国内，被评的行业信用和个体信用均在国内范围内进行排序，评级结果表明其在国内的风险序列，不受主权评级上限的约束。这与国际机构全球化的评级范围有显著的不同。 从经济发展阶段和市场结构来看，中国作为新兴市场与发达市场也存在不同之处：中国市场行业集中度相对不高，公司竞争力主要依靠规模或来自外部的特许支持；在对待发行人