金融领域时间序列数据挖掘技术的研究.docVIP

金融领域时间序列数据挖掘技术的研究 一：金融领域的作用 金融业是专门经营货币资金、进行社会资金融通的行业。在当今世界的创新浪潮中，各行各业的创新活动都离不开资金这种最重要的生产要素，金融业提供的各种金融服务和金融产品，不仅从资金上支撑着整个社会的创新活动，同时，也形成了自身进行金融创新的迫切而又十分普遍的需求。因此，金融业创新在社会创新的浪潮中，应该也必须走在各行各业创新活动的前列。另外，技术创新，在21世纪的知识经济时代，是以信息科技为主要内容的， 金融业作为一个高度信息化的产业，对信息和信息科技有着密切的依赖关系。 二：数据挖掘在金融领域的运用 1．数据挖掘技术在证券行业的应用 数据挖掘在此过程中将发挥重要作用，其技术应用的方向主要有： (1)客户分析。建立数据仓库来存放对全体客户、预定义客户群、某个客户的信息和交易数据，并通过对这些数据进行挖掘和关联分析，实现面向丰题的信息抽取。 (2)咨询服务。根据采集行情和交易数据，结合行情分析，预测未来大盘走势，并发现交易情况随着大盘变化的规律，并根据这些规律做出趋势分析，对客户针对性进行咨询。 (3)风险防范。通过对资金数据的分析，可以控制营业风险，可以改变公司总部原来的资金控制模式，并通过横向比较及时了解资金情况，起到风险预警的作用。 (4)经营状况分析。通过数据挖掘，可以及时了解营业状况、资金情况、利润情况、客户群分布等重要的信息，并结合大盘走势，提供不同行情条件下的最大收益经营方式。通过对各 营业部经营情况的横向比较，以及对本营业部历史数据的纵向比较，对营业部的经营状况作出分析，提出经营建议。 2、数据挖掘在银行CRM(客户关系关系管理)中的应用 客户关系管理(以下简称CP,M，Customer RelationshipManagement)是现代商业银行的重要业务之一。商业银行实施CRM的目标是了解客户需求，找出能盈利客户，提高针对性服务。要实现以上目标，可以借助层次信息处理技术，它能够充分利用客户资料，发现潜在的，有用的规则和模式。 数据挖掘技术在商业银行CRM中具有广泛用途主要有： (1)加载客户信息。这一阶段主要是进行数据清理，消除现有业务系统中有关客户账户数据不一致的现象，将其整合到中央市场客户信息库，建立以客户为中心的数据仓库基础环境。 银行各业务部门对客户有统一的视图，可以进行相关的客户分析。 (2)加载客户交易信息。阶段主要是把客户与银行分销渠道的所有历史交易数据加载到中央市场客户信息库。这一阶段完成后，银行可以分析客户使用分销渠道的情况和分销渠 道的容量，了解客户、渠道、服务三者之间的关系。 (3)模型评测。为客户的每一个账号建立利润评测模型，以便了解客户对银行的总利润贡献度。要建立利润评测模型，需要加载会计系统的财务数据到中央数据仓库。这一阶段完成 后，银行可以从组织、客户和产品三个方面分析利润贡献度。 (4)优化客户关系。银行应该掌握客户在生活、职业等方面的变化及外部环境的变化，抓住推销新产品和服务的时机。这需要将账号每次发生的交易明细数据，加载到中央数据仓库， 核对客户行为的变化。 (5)风险评估和管理。银行风险管理的对象主要是与资产和负债有关的风险，与资产负债有关的业务系统的交易数据要加载到中央数据仓库；然后，银行可以依照不同的期间，以数学 模型分析和模拟计算利率敏感性资产和负债之间的缺口，了解银行在不同期间资本比率、资产负责结构、资金情况和净利息收人的变化。 ．市场趋势预测。数据挖掘技术可以进行数据的趋势预测．比如金融市场的价格走势预测、客户需求的变化趋势等。 ．识别金融欺诈、洗钱等经济犯罪。金融犯罪是当今业内面临的棘手问题之一．包括恶意透支、盗卡、伪造信用卡、盗取帐户密码以及洗黑钱等，严重威胁人们的财产及金融系统的正常运行。要侦破洗黑钱和其它金融犯罪，重要的是要把多个数据库的信息集成起来。然后采用多种数据挖掘工具寻找异常模式。发现短时间内，少数人员之间的巨额现金的流动，发现可疑线索。 、数据 1．数据挖掘技术的定义 数据挖掘就是从大型数据库的数据中提取人们感兴趣的、这些知识隐含的、、潜在，提取概念(Concepts)，规则(Rules)、规律(Regularities)、模式(Patterns)等形式。这个定义把数据挖掘的对象定义为数据库。 2．常用的数据挖掘技术和过程 数据挖掘中最常用的建模技术有： (1)统计：统计是涉及数据描述的个数学分支，其主要收集有限数据，并根据这些数据 (2)K近邻：近邻技术是指为了预测在一个记录中的预测值是什么，最接近的记录值作为预测值。对基础最近常 常作的改进是从K个最近的邻居中进行选择，而不是仅仅取决。 (3)聚类：聚类方法用于将聚集在一起，从而数据库的一个高层视图。 (4)决策树