蔡麗

【摘要】本文利用數(shù)據(jù)挖掘中的分類(lèi)方法，選取了部分上市公司的財(cái)務(wù)比率數(shù)據(jù)，用R軟件進(jìn)行分析，為投資者提供決策依據(jù).

【關(guān)鍵詞】 數(shù)據(jù)挖掘；財(cái)務(wù)指標(biāo)；分類(lèi)方法

【基金項(xiàng)目】北京市教委科研計(jì)劃項(xiàng)目（KM201410011006）

一、引 言

數(shù)據(jù)挖掘是從大量不完全、有噪聲、隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中，提取隱含在其中人們事先不知道、但又是潛在有用的信息和知識(shí)的過(guò)程.目前已經(jīng)用于客戶關(guān)系管理、銀行風(fēng)險(xiǎn)項(xiàng)目評(píng)估和金融市場(chǎng)等多個(gè)領(lǐng)域，用于財(cái)務(wù)指標(biāo)分析的還不多見(jiàn).本文旨在通過(guò)數(shù)據(jù)挖掘方法分析上市公司的財(cái)務(wù)指標(biāo)數(shù)據(jù)，建立模型，輔助投資者深入認(rèn)識(shí)公司的財(cái)務(wù)狀況，為多數(shù)股民，特別是散戶進(jìn)行相關(guān)問(wèn)題的正確決策提供數(shù)據(jù)支持.

二、分類(lèi)算法

分類(lèi)在數(shù)據(jù)挖掘中是一類(lèi)很重要的方法，在商業(yè)上的應(yīng)用最多.其目的是學(xué)會(huì)一個(gè)分類(lèi)函數(shù)或分類(lèi)模型，能把數(shù)據(jù)庫(kù)中的數(shù)據(jù)項(xiàng)映射到給定的某一個(gè)類(lèi)別.本論文主要側(cè)重?cái)?shù)據(jù)挖掘中分類(lèi)算法在股票財(cái)務(wù)指標(biāo)方面的應(yīng)用.其中用到?jīng)Q策樹(shù)、隨機(jī)森林、支持向量機(jī)（SVM）三種算法.

三、分類(lèi)模型的建立

1.數(shù)據(jù)理解

本文的數(shù)據(jù)來(lái)源于銳思金融數(shù)據(jù)庫(kù)，所選的數(shù)據(jù)為2012年10月8日前上市的公司信息.屬性包括：每股指標(biāo)中的每股收益和每股凈資產(chǎn)，盈利能力中的銷(xiāo)售凈利率，成長(zhǎng)能力指標(biāo)中的凈資產(chǎn)收益率、凈資產(chǎn)增長(zhǎng)率和凈利潤(rùn)增長(zhǎng)率等12個(gè)屬性，包括了公司不同能力方面的財(cái)務(wù)比率數(shù)據(jù).因變量是根據(jù)2012年10月8日和2013年10月8日的收盤(pán)價(jià)與這兩天大盤(pán)的收盤(pán)價(jià)變化率相比，若比大盤(pán)的收盤(pán)價(jià)的變化率高，則標(biāo)記為“好”，反之標(biāo)記為“差”.

2.數(shù)據(jù)處理

（1）決策樹(shù)

本文建立決策樹(shù)[3]的過(guò)程中，用到的是rpart.Control函數(shù)，其中，最小樣本量minsplit為20，進(jìn)行交叉驗(yàn)證剪枝的交叉折數(shù)xval為10，最大樹(shù)深度maxdepth為5，最小代價(jià)復(fù)雜度剪枝中的復(fù)雜度參數(shù)CP值為0.01.

劃分特征空間時(shí)，用到的是gini指標(biāo)，它用來(lái)度量數(shù)據(jù)劃分或者數(shù)據(jù)集的不純度，數(shù)據(jù)集D的gini指標(biāo)公式為：Gini（D）.其中，pi是D中樣本屬于Ci類(lèi)的概率，并用Cj，D[]D

估計(jì).

同時(shí)構(gòu)建決策樹(shù)過(guò)程中用到的重要變量有： Currt 、Invtrtrrat 、NAPS、Netassgrrt 、Netprfgrrt、NOCF、WROEcut.

根據(jù)最后形成的決策樹(shù)得到分類(lèi)規(guī)則，比如：NAPS≥4.9，NOCF≥2.3e+9則預(yù)測(cè)為bad.

（2）隨機(jī)森林

本文中，隨機(jī)森林共建立了500棵決策樹(shù)，每個(gè)節(jié)點(diǎn)的候選輸入變量個(gè)數(shù)為3.基于袋外觀測(cè)的預(yù)測(cè)誤判率為42.76%.由袋外觀測(cè)的混淆矩陣來(lái)看，單個(gè)模型對(duì)兩個(gè)類(lèi)別的預(yù)測(cè)精度均不理想.隨機(jī)森林對(duì)所有觀測(cè)進(jìn)行預(yù)測(cè)，預(yù)測(cè)誤差為0.

在評(píng)價(jià)各輸入變量的重要性時(shí)，要用到importance函數(shù)，其中MeanDecreas

e Accuracy表示預(yù)測(cè)精度的平均減少量，MeanDecreaseGini表示給出節(jié)點(diǎn)異質(zhì)性指標(biāo)的平均減少量.為了更全面直觀地評(píng)價(jià)各輸入變量的重要性，用varImpPlot函數(shù)進(jìn)行作圖，見(jiàn)圖1：

輸入變量重要性測(cè)度散點(diǎn)圖圖1 輸入變量重要性測(cè)度散點(diǎn)圖

從對(duì)輸出變量預(yù)測(cè)精度的影響看，每股凈資產(chǎn)、銷(xiāo)售凈利率、流動(dòng)比率、經(jīng)營(yíng)現(xiàn)金凈流量比較重要.從對(duì)輸出變量異質(zhì)性下降程度的影響看，同樣是這幾個(gè)變量較為重要，即每股凈資產(chǎn)、銷(xiāo)售凈利率、流動(dòng)比率、經(jīng)營(yíng)現(xiàn)金凈流量不同的上市公司，對(duì)是否優(yōu)于大盤(pán)有較大的影響.

（3）SVM

在對(duì)數(shù)據(jù)處理的過(guò)程中，文中利用網(wǎng)格搜索法10折交叉驗(yàn)證尋找較優(yōu)參數(shù)，確定cost和gamma值，構(gòu)建SVM模型.

根據(jù)最后SVM對(duì)測(cè)試集的預(yù)測(cè)結(jié)果，可以得到ROC曲線，見(jiàn)圖2：

在圖2中，橫坐標(biāo)代表錯(cuò)誤的正例率（FPR），縱坐標(biāo)代表正確的正例率（TPR）.希望TPR盡量的大，F(xiàn)PR盡量的小即圖中的曲線越靠左上方說(shuō)明預(yù)測(cè)得越好.而從圖中的曲線來(lái)看，預(yù)測(cè)效果還有較大的差距.

四、分析與總結(jié)

經(jīng)過(guò)比較，隨機(jī)森林給出了最高的預(yù)測(cè)率60%，決策樹(shù)其次，支持向量機(jī)排在最后.見(jiàn)表1：

分析 表1可以看出： 從三種方法對(duì)測(cè)試集的分類(lèi)正確率來(lái)看，隨機(jī)森林最高，但它們?cè)谔幚砥渌袠I(yè)數(shù)據(jù)時(shí)，精確度達(dá)到90%以上[6-8]，可見(jiàn)，數(shù)據(jù)本身對(duì)模型的結(jié)果還是有很大的影響.因此，股市想要通過(guò)分析財(cái)務(wù)比率來(lái)達(dá)到很好的預(yù)測(cè)效果還是很困難的，雖然與所構(gòu)建的模型有關(guān)，但最大的原因還在于股市本身的波動(dòng)性[9].

【參考文獻(xiàn)】

[1]趙選民，薛建樓.利用數(shù)據(jù)挖掘技術(shù)分析上市公司財(cái)務(wù)狀況[J].中國(guó)管理信息化.2009，12（3）：30-32.

[2]李航.統(tǒng)計(jì)學(xué)方法[M].北京：清華大學(xué)出版社，2012.

[3]John Durkin，蔡競(jìng)峰，蔡自興.決策樹(shù)技術(shù)及其當(dāng)前研究方向[J].控制工程，2005，12（1）：15-18.

[4]馬景義，吳喜之，謝邦昌.擬自適應(yīng)分類(lèi)隨機(jī)森林算法[J].數(shù)理統(tǒng)計(jì)與管理，2010，29（5）：806-811.

[5]薛薇.基于R的統(tǒng)計(jì)分析與數(shù)據(jù)挖掘[M].中國(guó)人民大學(xué)出版社，2014.

[6]馬瑾，孫穎，劉尚輝.決策樹(shù)模型在住院2型糖尿病患者死因預(yù)測(cè)中的應(yīng)用[J].中國(guó)衛(wèi)生統(tǒng)計(jì)，2013，30 （3）： 422-423.

[7]袁敏，胡秀珍.隨機(jī)森林方法預(yù)測(cè)膠原蛋白類(lèi)型[J].生物物理學(xué)報(bào)，2009，25 （5）： 349-354.

[8]張華，曾杰.基于支持向量機(jī)的風(fēng)速預(yù)測(cè)模型研究[J].太陽(yáng)能學(xué)報(bào)，2010，31 （7）： 928-931.

[9]張彥來(lái).數(shù)據(jù)挖掘在股票投資中的應(yīng)用[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2010.