聚类规则在金融行业的应用分析.pdf

聚类规则在金融行业的应用分析

摘要:俗话说“物以类聚，人以群分”。对事物进行分类，是人们认识事物的出发点，也是

人们认识世界的一种重要方法。在自然科学和社会科学中，存在着大量的聚类问题。通俗地

说，类是指相似对象的集合。聚类分析是数据挖掘中的一种重要方法。既可以作为独立的方

法透视数据分布，也可以作为其他分析方法的预处理步骤。然而，聚类与分类的不同在于，

聚类所要求划分的类是未知的。基于聚类规则的特点，它被广泛应用在银行、零售和保险领

域等其他各个领域，例如，应用于股票市场的研究、营销策略中的客户细分等。

关键词:数据挖掘；聚类规则；金融；股票市场；板块

前言:俗话说“物以类聚，人以群分”。对事物进行分类，是人们认识事物的出发点，也是

人们认识世界的一种重要方法。在自然科学和社会科学中，存在着大量的聚类问题。通俗地

说，类是指相似对象的集合。聚类分析是数据挖掘中的一种重要方法。聚类与分类的不同在

于，聚类所要求划分的类是未知的。基于聚类规则的特点，它被广泛应用在银行、零售和保

险领域等其他各个领域，例如，应用于股票市场的研究、营销策略中的客户细分等。

正文：聚类规则在金融行业的应用分析

近年来，计算机应用范围日益扩大，数据库技术和挖掘技术的不断发展，因

此利用信息技术生产和搜集数据的能力大幅度提高，人类所拥有的数据急剧增长，

各种大型数据库被广泛应用于各行各业，而且这一势头将继续发展下去。一般来

说，数据挖掘是指从数据库或数据仓库中发现隐藏的、预先未知的、有趣的信息

的过程，该过程可以看作是知识发现过程中的一个核心步骤。而聚类规则挖掘是

数据挖掘中最活跃的研究方法之一。本文就数据挖掘中的聚类规则及其在金融行

业的具体应用进行详尽的分析与说明。

一、聚类

聚类是把对象或样本的集合分组成为多个簇的过程，使同一个组中的对象具

有较高的相似度，而不同类的对象差别较大。相异度是根据描述对象的属性值进

行计算的，距离通常采用相异度度量方式。在许多应用场合，可以把一个簇中的

对象作为一个整体对待。聚类源于很多领域，包括数学，计算机科学，统计学，

生物学和经济学。在不同的应用领域，很多聚类技术都得到了发展，这些技术方

法被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇

中。

二、聚类规则的概念

聚类规则就是通过对样本或指标进行量化分类，讨论的对象是大量的样品，

要求能按各自的特性进行合理的分类。其目标就是在相似的基础上收集数据来分

类。聚类规则是一种重要的人类行为。早在孩提时代，一个人就通过不断地改进

下意识中的聚类模式来学会如何区分猫和狗，或者动物和植物。

三、聚类规则的分析

聚类规则是一个富有挑战性的研究领域，它的潜在应用提出了各自特殊的要

求。数据挖掘对聚类的典型要求如下：可伸缩性、处理不同类型属性的能力、发

现任意形状的聚类、用于决定输入参数的领域知识最小化、处理噪声数据的能力、

对于输入记录的顺序不敏感、高维性、基于约束的聚类、可解释性和可用性。

建立模型：设有n个样品，p个指标，每个样品都有这p个指标的观察值，

设第i个样品的第j个指标的观察值为x，把n个样品看成p维空间中的n个

ij

点，则两个样品间亲疏程度可用p维空间中两点的距离来度量。令d表示样品

ij

q1/q

x与x的距离。定义距离公式——明考斯基距离，即：d（q）[∑|x-x|]

ijijikjk

当q1时，明考斯基距离变为曼哈顿距离：d（1）∑|x-x|

ijikjk

21/2

当q2时，明考斯基距离变为欧几里得距离：d（2）[∑|x-x|]