改进的吸引子传播聚类算法及其在上市公司绩效评价中应用-数量经济学专业论文.docxVIP

万方数据 万方数据 中文摘要 聚类是数据挖掘领域中的一个重要研究方向。吸引子传播聚类算法作为一种 无监督聚类算法与其他聚类算法相比，该算法具有快速、高效、聚类效果稳定且 不必预先给定聚类数目的特点，能很好的解决大规模数据处理问题。鉴于吸引子 传播聚类算法具有的优点，本文在原算法基础上进行理论改进和应用研究，主要 内容包括： （1）为了克服聚类无关属性的影响，提高聚类质量。本文在具有智能背景 的吸引子传播聚类算法基础上，引入变异系数，改进原相似度计算公式，提出一 种基于变异赋权的吸引子传播聚类算法，即 CVAP (Coefficient of Variation Affinity Propagation) 聚类算法。为了验证该算法的有效性，本文将其应用于上市公司绩 效评价领域。实验数据表明，改进的算法与原算法相比具有更好的聚类性能，聚 类结果可以为投资者提供一定参考依据。 （2）鉴于群体智能算法具有较强的鲁棒性、收敛能力优点，本文采用果蝇 优化算法对样本特征权值进行优化，获得全局最优权值，提出群体智能赋权的吸 引 子 传 播 聚 类 算 法 ， 即 FOAP （ Fruit Fly Optimization Affinity Propagation Algorithm，FOAP）聚类算法。赋权后的数据能够更好的反映出各项数据指标在 评价体系中的真实作用，准确体现数据样本之间的相似程度。实验结果表明，该 方法对上市公司绩效评价是科学的、有效的。 （3）传统的上市公司绩效评价模型，通常是对某一时间点的上市公司财务 数据进行分析，未考虑不同时间跨度数据中所蕴含的信息。为了解决这一问题， 本文将多指标面板数据与吸引子传播聚类算法相融合，对上市公司绩效进行评 价。另外，为了能更充分的提取上市公司财务数据信息，本文采用半监督学习策 略，提出了融合多指标面板数据的半监督吸引子传播聚类算法的绩效评价模型, 即 SMAP(Semi-supervised Affinity Propagation Algorithm Fuses Multiple Panel Data, SMAP)聚类算法。实验表明，该模型获得的实验结果与事实相一致，获得了令人 满意的结果。本文提出的改进模型为政府和金融监管机构能够及时、准确发现问 题，为制定相应经济政策和监管措施提供有效的决策依据。 关键词：吸引子传播聚类算法；特征赋权； 果蝇优化算法； 半监督；上市公司绩效评价 I Abstract Clustering is an important research direction in the field of data mining. Affinity propagation algorithm, as a kind of unsupervised clustering method, has many advantages such as high productivity, stabilization and that do not have the pre-fixed number of clusters, etc. In the view of affinity propagation algorithm has many advantages, some theoretical study and applications study based on affinity propagation algorithm are made in the paper. The major contents could be summarized as follows: In order to overcome the effect of noisy and less important attributes, the coefficient of variation is introduced into the affinity propagation algorithm, and the original similarity calculation formula is improved. An improved affinity propagation algorithm with coefficient of variation (CVAP) is proposed in this paper. In order to verify the validity of the improved algorithm, the CVAP algorithm is applied in the field of listed companies’ evaluation