基于数据挖掘的金融数据分析BasedonDataMininginFinancialDataAnalysis朱晶zhu激ng武汉大学计算机学院计算机应用专业研究生李石君Lishijun武汉大学计算机学院教授ComputerApplicationacademyofComputerScience,WuhanUniversity,Graduate,wuhan,430072,china[摘要]当今，已是企业战略及其市场地位与信息技术息息相关的时代，很难想象一个现代企业没有完善的信息技术系统的支持，将会如何运转。但是，随着信息技术的发展，企业产生的数据大量地堆积和膨胀，其中很多十分有价值的信息隐藏在其中却不被人们所发现。如何对这些海量的数据进行管理，并从中提取潜在的有价值的信息，成为企业在激烈的市场中占据优势地位的关键点。因此数据挖掘技术应运而生，并且在各个行业领域中应用，取得了广泛和重大的进展。本文即对数据挖掘在金融业的应用情况进行了探讨。[summary]Todayisthecorporatestrategyanditsmarketpositionandiscloselyrelatedtotheeraofinformationtechnology，itisdifficulttoimagineamodernenterprisewithnopropersupportforinformationtechnologysystemswillbehowitworks.However，withthedevelopmentofinformationtechnology，enterprisedatageneratedbylargenumbersofaccumulationandexpansion，manyofwhichareveryvaluableinformationhiddeninthemnotbeingfoundbypeople.Howthesemassivedatamanagementandextractpotentiallyvaluableinformation，asenterprisesinthefiercemarketoccupythedominantpositionofthekeypoints.Therefore，dataminingtechniqueshaveemerged，andappliedinvariousindustries，hasmadeextensiveandsignificantprogress.Thispaperisondataminingapplicationsinthefinancialsectorwerediscussed。[关键词]信息技术、数据管理、数据挖掘、金融业[keyword]Informationtechnology、Datamanagement、DataMining、Finance[中图法分类号]Z42引言作为一个新兴的研究领域，数据挖掘已经广泛的应用到了众多的领域，出现了大量大的商品化的数据挖掘系统，金融数据挖掘是信息社会中的一个极具挑战性的研究方向，金融数据的随机特性使得隐藏在数据中的内在规则难以被发现。如何对这些隐藏的数据进行管理，并从中提取潜在的有价值的信息，成为金融业在市场中占据优势地位的关键。1、数据挖掘概述数据挖掘DM(DataMining)是对数据库中的数据进行一定的处理，从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含的、事先未知的、但又是潜在有用的信息和知识的过程[1]。确切地讲，DM是KDD过程中的一个步骤，其处理对象是大量的日常业务数据，它主要基于人工只能、机器学习、统计学等技术，高度自动化地分析原有的海量数据，做出归纳的推理，从中采掘出潜在的模式，预测未知的行为，提高信息的利用，改变“人们被数据淹没，同时却仍感到知识饥渴”的资源浪费的局面。KDD是数据库技术和机器学习两个学科的交叉学科，由于KDD使用的数据来自于实际的数据库，所要处理的数据量可能很大，因此DM中的学习算法的效率和可扩充性就尤为重要；此外，KDD所处理的数据由于来自于现实世界，数据的完整性、一致性和正确性都很难保证，因此数据预处理也是很有必要的。2、数据挖掘在金融业的应用金融事务需要搜集和处理大量纷繁复杂的数据，大部分银行和金融机构提供丰富多样的银行服务（如个人存款）、信用服务（如贷款、个人信用卡）和投资服务（如共同基金）。由于交易的频繁性、信息的不对称性加上从海量数据中挖掘信息，金融数据挖掘技术可以从这些信息中查找到有效的信息用来帮助监管部门及投资部门进行有效监督和投资管理，可以帮助银行部门描述客户以往的需求趋势并预测未来；可以分析潜在的信誉较差的客户，及时采取措施减少资产损失等。金融机构收集到的金融数据通常相对完整、可靠并具有高质量，方便了系统化的数据分析和数据挖掘。对金融数据进行数据挖掘通常包含以下四个部分的应用分析情况。（1）为多维数据分析和数据挖掘设计和构造数据仓库。首先需要为银行和金融数据构造数据仓库，应当使用多维数据分析方法分析这种数据的一般性质，企业可以通过按月...