数据挖掘技术在金融风险监测领域的应用

摘 要：在过去10年里，人们使用信息技术处理和收集数据的能力得到极大的提高，数百万个数据库被广泛应用于商业、政府、科学研究和工程实施等领域。但这也带来了新的挑战，一方面，数据过剩几乎成为每个人都必须面临的问题;另一方面，各类企业又往往面临信息不足的问题。本研究就是从这些问题出发，通过研究数据挖掘技术，为系统提供新的知识数据库。金融部门的日常业务都会产生大量数据，利用现有的数据库系统，可以有效地实现数据录入、查询、统计等功能，但找不到数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。

关键词：数据挖掘技术;金融风险监测;领域应用

引言

数据挖掘作为一种深度数据信息分析方法，对传统评价方法无法获得的各种因素之间隐藏的内部联系进行综合分析。该技术的应用无疑有利于金融风险监测，能够提供风险预警，使管理者能够提前准备，提供决策参考信息，大大降低风险，提高企业竞争力，促进企业快速发展。

1金融风险监测

金融风险是指可能导致企业、事业单位财产损失的风险，即企业未来收入的不确定性和波动性。根据金融风险的来源，可分为静态风险和动态风险;按风险范围可分为微观风险和宏观风险;按金融机构类别可分为银行风险、证券风险、保险风险和信托风险等。通过对风险的测量和理解，采取相应的措施和处置方案，使风险最小化，利润最大化。可见，金融风险监测是一种规范金融投资安全与盈利能力之间平衡的金融管理方法。

2数据挖掘技术

在大数据时代，数据规模越来越大，价值密度也越来越低。数据挖掘是此背景下产生的一种技术，主要功能是帮助人们挖掘数据信息的价值，并被广泛应用于商业信息处理领域。数据挖掘可以实现对商业业务数据信息的读取、转化、分析和智能处理，为商业决策活动提供强有力的支持。

2.1数据挖掘技术概念

数据挖掘也被称为数据库中的知识发现，是目前人工智能和数据库领域的一个热点问题。所谓数据挖掘指的是从数据库中的大量数据中挖掘隐式的、先前未知的和有潜在价值的信息。数据挖掘是一种决策支持过程，主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等。数据挖掘对于分析企业数据再加以归纳推理，并从中挖掘潜在的信息是高度自动化的，有利于帮助决策者调整市场策略，降低风险，做出正确的决策。

2.2数据挖掘技术分析方法

数据分析常用的数据挖掘方法有分类、神经网络、回归分析和偏差分析等，它们分别从不同角度对数据进行挖掘。

2.2.1分类

分类是为了查明数据库中一组数据对象的共同特征，并按分类模式分为不同的类，目的是通过分类模型将数据库中的数据项映射到某个给定的类别。可应用于客户分类、客户属性和特征分析、顾客满意度分析、顾客购买趋势预测等，如汽车零售商根据客户的喜好，将汽车分为不同的类别，从而将新车的广告手册直接邮寄给具有这些偏好的客户，从而大大增加交易机会。

2.2.2神经网络

神经网络具有良好的鲁棒性、自组织适应性、并行处理、分布式存储和高容错能力，非常适合解决数据挖掘问题，近年来引起越来越多人的关注。典型的神经网络模型主要分为三类：以感知机、BP反向传播模型、函数型网络为代表的，用于分类、预测和模式识别的前馈式神经网络模型;以Hopfield的离散模型和连续模型为代表的，分别用于联想记忆和优化计算的反馈式神经网络模型;以ART模型、Koholon模型为代表的，用于聚类的自组织映射。神经网络的缺点是“黑盒”性，使人们难以理解网络的学习和决策过程。

2.2.3回归分析

回归分析反映了数据库中属性值的特征，产生了将数据项映射到实值预测变量，并发现变量或属性之间依赖性的函数。主要的研究问题包括数据序列的趨势特征、数据序列的预测和数据之间的相关性。它可以适用于市场营销的各个方面，如客户寻求、保持和预防客户流失活动、产品生命周期分析、销售趋势预测以及有针对性的促销活动等。

3数据挖掘在金融风险监测中的典型应用

数据挖掘是为了解决传统分析方法的不足，并处理大规模的数据分析。数据的快速增长和数据分析方法的持续进步，使人们能够在现有的大量数据分析的基础上提取隐藏在数据背后的有用信息。

3.1信用风险评估

信用风险的数据挖掘评估包括银行信用卡风险评估和贷款信用评估等。信用风险是指不可抗力和恶意欺诈造成的、使债务人不能或不愿履行已签订合同而给银行造成的损失。银行对个人和企业的财务状况发生变化的过程往往不能及时了解或者说被循环信用掩盖。通过数据挖掘技术，对区域差异、个人知识水平、收入水平、经济环境状况、社会地位等客户信用的影响因素进行挖掘，可以迅速建立用户信用等级，然后给出不同的信用额度。

它还可以全面揭示信用风险的关系和特征，提高信用违约预测的准确性。Frydmannetal（1985）首次将决策树模型运用于违约企业和非违约企业的分类。此后，许多人将决策树模型、神经网络法和遗传算法用于违约判断，以期得到更好的分类效果。目前市场上，数据挖掘工具提供了完整的展现，如Brio公司的Brio.Enterprise，能全方位、多层次展现数据分析结果。

3.2公司财务危机预警分析

财务危机的本质是财务风险的规模和高强度的集中爆发，主要表现为财务状况的极端恶化、支付危机，甚至破产。这些公司都不同程度出现以下状况：无法偿还到期债务、巨额投资没有回报、现金流不足、产品销售不良、大量库存积压、涉及巨额诉讼赔偿，以及主营业务严重收缩。财务危机预警模型的建立可以为企业经营失败和财务管理错误进行早期预警和早期控制，为决策者、投资者和债权人提供重要信息。

国内外学者利用数据挖掘中的主成分分析、逻辑回归、线性回归和神经网络等方法，来建立财务危机预警模型。首先根据特征向量和主成分贡献率，计算出对于财务状况影响最大的财务指标;接着以预测期公司的财务状况为目标变量;然后运用逻辑回归方法和决策树方法对公司财务状况进行预测;最后把各家公司综合评分作为目标变量，采用线性回归和神经网络方法进行公司财务危机预警分析。

加强金融债务监管，防范和化解金融风险，是阻断金融风险向财政风险转化传输通道最为有力的手段之一，也是财政部赋予各地监管局的一项重要职责。财政部各地监管局因地制宜，采取中央金融企业财务风险监控、金融资产管理公司不良资产监管、地方债监管“三箭齐发”，取得了很好的效果。

3.3拓展金融監管路径

找准债务、金融监管结合点，对债务、金融监管实行统筹，充分发挥整合、聚合、融合效应，为防范化解区域金融风险发挥积极作用。随着时间的推进，金融风险的表现形式和型态也在不断衍生和变异。各地监管局根据不断变化的新情况，不断创新，做细中央金融企业财务风险监控。

3.4强化资产管理公司风险监控

以不良资产批量接收与处置情况分析为抓手，通过不良资产转让供求分析，延伸关注金融机构关注类贷款变化情况，跟踪了解金融系统风险变化的苗头性、倾向性问题。金融资产管理公司风险监控对于其处置不良资产、化解金融风险、救助问题企业至关重要。各地监管局根据自身实际情况，采取针对性措施，将这项监管落实落细。经过不断总结监管经验，浙江监管局在这方面有着独到的做法。该局首先建立和完善了相关机制，长期跟踪分析金融不良资产收购处置情况。

建立定期统计报送制度，加强与在浙资产管理公司联系，规范财务月报、季报报送制度。

建立健全分析体系，掌握区域内不良资产批量接收、处置情况，分析收购规模、收购成本、折价率，跟踪不良资产接收端变化情况;分析现金回收，司法处置回现、对外竞价转让、整包转让等处置渠道变化情况，跟踪不良资产处置端市场动态。

这个风险控制体系包括五个方面。

（1）监测信用风险，主要是固定收益类业务表内外信用风险资产规模、结构与资产质量情况，包括逾期、不良、期限内调整、展期、减值计提、拨备覆盖率的变动情况和风险化解情况。

（2）监测操作及合规风险，包括是否发生引发损失的操作及合规风险事件，相关环节是否存在操作失误或不规范行为，是否存在违反法律、法规、公司制度规定的情形。

（3）监测法律风险。主要是存续和新增案件的法律风险情况和应对措施。

监测关联交易风险，包括关联交易是否采用市场公允价值，是否存在利益输送、掩盖风险的情况。

（4）监测声誉风险，主要是一般或重大声誉事件情况和应对措施。

为切实督促资产管理公司加强财务制度执行监管，规范财务管理，四川监管局在以下几方面发力。

（1）关注准备金计提。是否按照审慎性原则，定期对存量项目进行金融资产估值减值，足额计提公允价值变动损益和资产减值准备。

（2）关注抵债资产管理。是否按照内部财务管理制度规定的工作程序收取、保管和处置抵债资产。

（3）关注不良资产处置。是否按照依法合规、公开透明、竞争择优、价值最大化原则收购和处置不良资产。

（4）关注是否适时新增和修订完善财务会计内控管理制度。

（5）关注是否对财务管理的规范性、财务核算的完整准确性和费用开支的真实合理性定期进行自查和检查。

4结束语

综上所述，数据挖掘在金融风险监测中扮演着重要角色，它可以提取出隐含在数据中人们事先不知却又潜在的有用信息和知识，为管理者提供决策参考信息。文章由金融危机的爆发引入，介绍了金融风险监测;再对数据挖掘技术的概念、分析方法进行讲解;然后重点介绍了数据挖掘在金融风险监测中的典型应用，如信用风险评估、公司财务危机预警分析和供应链风险评估;接着介绍了在金融风险监测中如何利用数据挖掘;最后进行总结与展望。

参考文献：

[1]彭扬，赵白执南.防范化解重大金融风险高质量发展成治本之策[N].中国证券报，2021-08-19（A02）.

[2]孙欣.基层央行金融风险管理审计调查的实践与思考[J].财经界，2021（20）：154-155.

[3]李敏波，梁爽.监测系统性金融风险——中国金融市场压力指数构建和状态识别[J].金融研究，2021（06）：21-38.

作者简介：

李翔，男，汉族，江苏南京人，就读于东南大学经济管理学院，研究方向：金融管理。