信息挖掘在大数据金融的风险及防患研究

DOI：10.19392/j.cnki.16717341.201720050

摘要：信息挖掘技术主要是将大量数据中隐含的有用信息充分地挖掘出来，其需要利用数据库、人工智能以及数据统计等方面的内容，通过对数据展开深层次地分析，对信息处理技术进行进一步地加工与分析。信息挖掘属于一个新兴领域，并广泛地应用到社会的各个领域中。为了充分地发挥信息挖掘技术的作用，降低大数据金融风险，本文主要阐述信息挖掘在大数据金融风险中的防患措施。

关键词：信息挖掘；大数据金融；风险及防患研究

大数据金融术语传统金融行业与互联网结合的新兴领域，其发展速度比较快。其提供的大数据金融产品虽然更加方便了人们的生活，但是其在发展过程中仍然没有形成一个稳定的发展规律，其中也存在着比较大的风险。与传统金融相比较，大数据金融具备自身的特殊性质，其性质更具复杂性，大数据金融风险发生的概率也比较大。在此发展形势下，如何利用信息挖掘方式减少大数据金融风险，将其金融风险降低在最小的范围内容，这是大数据金融企业应该重点思考的问题。因此，对信息挖掘在大数据金融风险中防患的方式进行分析具有重要的现实意义。

1 大数据金融风险的相关概念

1.1 大数据金融风险的基本概念

风险主要指的是未来结果具有不确定性，例如：未来收入、资产以及债务都存在着波动性以及不确定性。金融风险主要是指企业在未来收益过程中存在着的不确定以及波动性情况，金融市场的波动性直接会影响到企业金融风险状况。通常而言，这种风险主要包含盈利以及损失的不确定性这两种类型。值得说明的是在现实生活中，人们可能会更加关注到自己是否会存在着损失。就当前而言，社会经济水平在不断地提升，金融市场与世界在逐渐地衔接，采用何种方式加强企业金融风险的防患，促使企业稳定可持续发展，这是值得重点考虑的问题。

1.2 大数据风险的分类

大数据金融风险的种类多样，以不同的标准对金融风险进行划分，主要可以将其分成以下几种类型。（1）以金融风险产生根源进行分类：可以将其划分为静态金融风险以及动态金融风险。因为自然灾害以及其他的不可以抗拒的力量而导致的风险被称为静态金融风险，其基本与大数据的定律相符合，能对其进行正确地预测。而动态金融风险主要是为随着宏观世界的经济环境变化而产生的风险，风险发生的可能性以及每次发生的影响大小都是会伴随着时间变化而改变的，难以对这种风险进行预测[1]。（2）以金融风险涉及到的范围进行划分，可以将其划分为微观金融风险以及宏观金融风险。参与的主体以及经济活动的主体会随着客观环境、企业制定的决策以及其他的因素而导致经济损失的情况，则将这种风险称之为微观金融风险。但是宏观金融风险主要包括所有微观金融风险的总和，其蕴含的内容比较广。（3）以金融机构的类别进行分类，可以将其划分为银行风险、保险风险以及证券风险等。

1.3 大数据金融风险管理的重要作用

当产生大数据金融风险时，其必然会影响到奥国家经济的发展，甚至会对国家的安全性造成较大程度的影响。在国际上，很多大型企业、金融组织机构、金融监管部门等都在不断地寻找有效地解决金融风险的方式，尝试用科学合理的方式进行金融风险技术管理，最终能有效地识别金融风险，能对其进行精准地测量，同时严格地控制金融风险。因为大数据金融市场本身就存在着很大的不稳定性，其中存在着各种税收等。同时政策的变化以及外界环境的变化都会导致金融风险的产生，市场之间会相互影响，金融参与者也不能获取的比较完整的市场信息。由上述可知，对大数据金融风险进行管理与防患是非常有必要的。

2 信息挖掘的相关概念

2.1 信息挖掘的基本概念

市场运行过程中会存在着和大量的信息和数据，其信息挖掘的主要作用是从大量的数据中提取中比较有用的知识[2]。信息挖掘可以对任何类型的信息储存方式进行挖掘，信息挖掘的重要意义是能实现对大量数据的挖掘，提升数据的应用效率，从大量数据中提取到有价值的内容，并且将其转化为比较有用的信息，同时将这些拥有信息充分地应用到市场分析、科學研究以及商务管理过程中去。信息挖掘工具主要是对大量的数据进行深入地分析，并从中寻找到比较有用的数据模式，将数据转变成更为有效以及实用的信息。信息挖掘主要是通过清理数据、集成数据、选择有用数据、变换相应数据、挖掘以及评估模式等方面进行数据挖掘工作。

2.2 信息挖掘技术所采用的方式

就当前而言，空间分析方式、统计分析方式、聚类以及分类分析方式均属于当前比较常用的信息数据挖掘方式。借助这些数据分析方式对空间数据进行挖掘，同时发现有用知识。其中比较常用的空间数据挖掘方式主要包括空间关联规则挖掘方式、归纳学习方式以及空间分析等挖掘方式。采用这种挖掘方式能有效地从大量的数据中寻找到更加有用的数据信息以及相关知识[3]。其中聚类分析方式是将物理以及抽象的数据结合进行分类，在将其划分为多个类别以后，选择两个具有高精度相似性的数据样本。聚类分析可以为其他算法数据进行预处理提供依据，同时，聚类分析也可以被作为比较独立性的分析工具来对数据的分布情况进行获取、选择、计算相似性以及分组，这属于聚类分析算法的主要过程。

3 信息挖掘在大数据金融管理中的防患方式

3.1 建立良好的信用风险评估方式

在金融风险防范过程中进行风险管理，可以建立相应的信用风险评估。建立信息挖掘对信用风险评估内容，主要包括银行信用卡以及贷款信用评估这两个方面内容。信用风险是因为一些不可抗的因素或者恶性的欺诈情况促使债务人难以按照事先签订的合约来偿还英航的损失。此时，银行不能及时准确地了解个人以及企业的财务变化情况，并会被循环性的信用掩盖。而将信息挖掘技术应用到大数据金融过程中，其能借助信息挖掘技术挖掘客户信用的影响因素，包括地区差异性影响、个人知识层次的影响、收入高低以及经济环境状况的影响。这样能快速地为用户建立起相应的信用等级，同时对不同的信用额度进行划分。通过信息挖掘方式能全班地掌握信用风险之间的蕴含关系以及相应的特征，促使信用违约预测的准确定进一步提升。我国已经尝试利用决策树模型，并将其应用到对企业的分类中，将企业划分为违约企业以及非违约企业[4]。之后有些人将这种决策树的模型应用到违约判断上面去，期望能够得到更好的分类结果。就当前而言，市场上具有很多信息挖掘工具，其能全方位地，从各个层次将数据分析的结果充分地展现出来。

3.2 对企业财务危机预警进行有效分析

财务危机的实质主要是指财务风险规模化，当风险积累到一定程度时，其会集中性地爆发。企业财务风险主要表现在财务状况在不断地恶化，甚至会出现难以支付的情况，最终企业面临着破产倒闭的风险[5]。出现这种情况的企业大多不同程度地出现了以下几种情况：没有能力将到期的债务准时地偿还，存在着大量的货物积压，难以将其销售出去，涉及到巨额的诉讼赔偿费用，或者企业的主营业务出现了比较严重的萎缩情况。在此情况下，可以在企业建立相应的财务危机预警模型，这样能有效及时地对企业经营失败以及财务管理上所出现的问题进行预警预报，最终实现在风险出现之间将将其控制住，为企业决策者提供重要的参考信息，最终减少企业风险产生的概率。信息挖掘中应用线性回归、主成份分析以及神经网络等方式建立起相应的财务危机预警模型。首先对主成份分析特殊箱梁进行分析，并结合主成份的贡献率，最终影响财务状况最大的财务指标计算出来，接下来以分析结果为依据，将预测期间公司的财务状况划分成两大类，将其作为目标变量。然后运动回归方式或者决策树的方式预测企业财务状况。最后，又将企业综合评分作为目标变量，采用线性回归的方式综合性地分析企业的风险状况[6]。通过这样的方式能实现对企业经营状况的有效预测，使得企业财务发生金融风险的概率减少。

3.3 评估供应链风险

通过构建良好的资金流、物流以及信息流，形成良好的供应链，这种优化供应链的方式能为企业带来巨大的经济效益。供应链优化能极大程度地减少企业运营的成本，减少其反应时间，最终促使其服务水平以及竞争能力有效提升[7]。供应链中每一个环节都有可能会出现“断裂”的情况，最终会对企业造成比较严重的影响，造成企业产生损失。以行为主体为基础，可以将供应链风险划分为供应商风险、批发商风险、零售商风险、物流服务风险等。其中，供应链中最有可能出现的便是供应商风险。因此，在风险管理过程中，要将供应链风险作为最主要的切入点。通常采取的方式是采用信息挖掘算法将有效的指标评价体系进行确定，建立起模糊矩阵，采用聚类分析方式构建其相应的金融风险评估模型。通过这样的方式能为供应链合作伙伴创造出更有效的参考意见，最终降低供应链的风险。

3.4 信息挖掘在大数据金融风向防控中的具体应用

互联网技术具有高效共享以及平等自由行，其不断地促进大数据金融向前发展。与此同时，对于互联网金融企业而言，客户数据都是值得去开发的数据，其中涵盖着大量的信息。企业只有深入地挖掘其中的信息就能将其转换为非常有用的东西，能有效地帮助企业进行金融管理[8]。与互联网电子商务相同的点是，互联网金融是金融信息化的主要形式，其不能离开互联网服务过程中的企业以及用户等，当前被用于助力大数据金融风险控制的数据主要存在以下几个方面。（1）电商数据。将阿里巴巴最为例子，其主要利用的是电商数据，并且阿里巴巴已经相应地建立起一种比较完善的风险控制数据挖掘系统，并通过其旗下的天猫、支付宝以及天猫等旗舰店累积到大量的用户交易信息和数据，将其作为最基本的原料，建立网络行为评分模型，进行相应的信用评级[9]。（2）信用卡类数据。这种数据信用评分的参考依据主要是查看用户信用卡申请的年份、卡片类型、还款情况以及授信额度作为最主要的数据方式。（3）社交网站数据。这种数据形式主要是借助社交平台而构建的朋友之间信任聚集人气的数据。在此过程中可以对社交任务关系以及其日常行为进行有效的数据搜集以及深入分析。（4）用户行为数据。互联网金融凭阿泰作为现代互联网交易的主要媒介，其中也会涵盖着大量的用户行为数据，同时也能实现宣传金融服务的作用。互联网金融与传统金融方式不同，其不会与用户之间面对面的交谈，无法面对面地感受到用户的感受，客户的异常行为起也较难感知。基于此，为了进一步提升互联网金融平台服务的质量，促使金融平台有效地掌握客户的操作行为。因此，可以采用数据挖掘技术，将用户的操作行为记录下来，在对其行为进行分析，最终从中获取到用户的实际情况，针对性地进行服务质量改善[10]。（5）第三方支付数据大数据金融行业的资金以及结算的属于通道便是支付，这种平台可以对用户消费的相关信息进行分析。主要包括对用户支付方向、消费品牌以及月支付額度进行分析。并以用户的实际情况为基础对其进行信用评级。（6）生活服务类型的网站数据。这种生活服务类数据主要涉及到生活类的，包括水、电、煤气以及物业费缴纳等方面，这种数据能将用户个人的基本信息比较客观且真实地展现出来，属于信用评级过程中一种比较重要的信息数据类型。

4 结语

综上所述，在大数据金融领域存在着大量的信息，相关企业要善于借助信息挖掘技术将其中的有用信息提取出来，并将其应用到市场经营过程中，实现对金融风险的提前预测，并采用有效的方式解决问题。最终促进大数据金融行业可持续发展，为社会经济发展做贡献。

参考文献：

[1]董喆.基于互联网金融平台的大数据挖掘研究[J].现代经济信息，2014，12（20）：261262.

[2]刘新海.大数据挖掘助力未来金融服务业[J].金融市场研究，2014，25（2）：8996.

[3]倪万.基于大数据的电影舆情数据挖掘与风险监控研究[J].当代电影，2016，72（2）：7176.

[4]王雅洁，杨冰，罗艳.等.大数据挖掘在食品安全风险预警领域的应用[J].安徽农业科学，2015，25（8）：332334.

[5]李佩金.大数据思维在金融学研究中的运用[J].现代经济信息，2016，33（15）：8993.

[6]武剑.金融大数据的战略与实施[J].金融市场研究，2014，59（6）：7886.

[7]李浩光.数据挖掘在防范金融风险中的研究及应用[J].计算机安全，2014，58（2）：4851.

[8]周金，何文婷，陈巧.数据挖掘在金融风险管理中的运用[J].科技风，2011，27（16）：273.

[9]沙莎.大数据在金融行业的应用[J].中国金融电脑，2014，89（6）：34.

[10]方文杰.基于大数据技术下的金融监管信息系统建设研究[J].信息与电脑：理论版，2015，27（15）：1213.

基金项目：2016年江西省高等学校教学改革研究省级课题“大数据时代高职院校数据存储与应用的建设研究”（课题编号：JXJG16283）

作者简介：黄艳梅（1979），女，江西新余人，硕士，讲师，主要研究方向：计算机网络技术。