文档介绍：金融数据挖掘
第1页，共29页，2022年，5月20日，22点35分，星期三
第一章：概论
一、何为数据挖掘（data mining）
现代信息社会的特征：信息（数据）泛滥、知识缺乏，如何从海量数据（广 * 防信用卡诈骗预警系统
* 银行客户关系管理
* 税务稽核
3、数据来源：CSMAR数据库
1990-2004 资产负债表、损益表，
1990-1997 财务状况变动表
1998-2004 现金流量表
4、报表变动情况：
1994年合并会计报表
1998年资产减值准备
第9页，共29页，2022年，5月20日，22点35分，星期三
5、研究所需数据

①、预测变量选取——实践经验、其他文献使用的预测变量、采用技术手段（统计技术、数据挖掘技术）选取预测变量、在一定理论指导下构造新的预测变量；
②、样本数据的结构形式

③、采集样本数据时应注意的问题
* 尽量采用跨年度数据
* 需要删除的数据
* 尽量不采用配对抽样
④、随机构造的训练样本组与检验样本组（过度拟合现象）
第10页，共29页，2022年，5月20日，22点35分，星期三
⑤、本案例的数据说明（sj0）：

* 1995年底前上市的公司；
* 删除其他原因被特别处理的公司；
* 数据跨期1996-2001，分别预测1998-2003；
* 删除在预测年度已陷入财务困境的公司；
* 共有非ST公司数据1008个，ST公司数据111个；
* 采用的6个预测变量为（第一种方法）：

总负债/总资产、主营业务收入/总资产、总利润/总资产、（货币资金+短期投资净额）/流动资产、留存盈余/总资产、总资产的自然对数。
第11页，共29页，2022年，5月20日，22点35分，星期三
⑥、随机抽样构造训练样本组、检验样本组的SAS方法：
* 将EXCEL数据库转为SAS数据库；
* SAS随机数函数——uniform（seed），随机种子数seed取奇数，产生[0，1]区间上的一个随机数
* 随机建立训练样本组、检验样本组的SAS程序
# data a；
set ;
k=uniform(15);
run;
# 对已进行k排序的数据库a
data b;
set a;
m=int(_n_/2);
run; （sj1，sj2）
第12页，共29页，2022年，5月20日，22点35分，星期三
二、构造分类预测模型的方法
1、判别分析法
①、判别分析方法的统计学原理
假设有两个总体——财务困境公司与财务正常公司，每个总体都可以用一个六维随机变量表示，不同的总体分布不同。预测上市公司是否会陷入财务困境，就是判断这个公司所对应的样本属于哪个总体。
判别分析是利用距离（相似程度的体现）来判断样本的归属。较常用的距离度量是马氏距离：，判别分析实际上是利用距离差：为判断指标来判断样本的归属。
由于马氏距离为一个二次型，因此当时，距离差也会一个二次型，这样在计算时较复杂，如果，且两个总体均服从正态分布，则距离差为一个线性函数（线性判别函数），可利用这个线性函数建立预测规则。
第13页，共29页，2022年，5月20日，22点35分，星期三
第14页，共29页，2022年，5月20日，22点35分，星期三
②、判别分析的SAS程序：
proc discrim data=;
class y;
run;
③、SAS结果

对两个距离的说明。现在可以得到线行判别函数