聚类分析在外汇管理中的研究与应用

随着外汇业务信息系统与数据采集的全面覆盖,调研、分析、核查与检查等工作基本依赖于系统数据。而面向日趋庞大且结构更为复杂的外汇业务数据,如何使用数据挖掘技术从中高效获取潜在规律的方法研究势在必行。本文使用数据挖掘中的聚类分析技术,按安徽省辖内银行与地区交易额汇总数据进行聚类实验,并对聚类结果进行分析,认为将数据挖掘技术应用在外汇业务数据是值得进一步研究与探索的。     

数据挖掘在财务分析中的应用——基于模糊聚类的上市公司财务状况分析

席卷全球的信息化浪潮为财务管理领域带来活力,各种数据库的构建极大提升了财务分析的科学性、准确性以及分析效率.然而数据量的惊人增长也带来了"数据爆炸,知识贫乏"的窘境.数据挖掘通过在大量数据中挖掘出隐含的有价值数据,为财务分析提供了有力工具.本文选取部分制造业板块上市公司2008年的财务数据,运用数据挖掘中的模糊聚类技术进行分析,说明数据挖掘技术在财务分析、决策中的应用.     

数据挖掘中聚类方法研究

数据挖掘是近年来是计算机和信息产业等领域非常热门的研究方向。聚类分析是数据挖掘中的核心技术,并得到广泛深入地研究。其间产生了许多不同的适用于数据挖掘的聚类方法。对数据挖掘领域的聚类分析方法进行了分析,以便于人们更容易、更快速地选择一种适用于具体问题的聚类方法。     

基于数据挖掘聚类分析的全国在岗职工平均工资研究

本文提出了一个基于数据挖掘聚类分析的全国在岗职工平均工资的研究方法,该方法使用数据挖掘的聚类算法,对全国36个主要城市的在岗职工平均工资进行聚类分析。本文给出了方法的具体实施过程,做出了全国在岗职工平均工资的聚类的结果。为了解全国各地工资水平提供了比较直观的依据。     

数据挖掘在有车族持卡人群中的应用

数据挖掘是指人们通过大量的表象数据,挖掘出其内在规律,并寻找出相对正确的答案。本文运用科学聚类方法分析研究国内市场有车族持卡人的消费行为,挖掘出客观、准确的持卡人消费数据,为营销策略提供科学依据。     

数据挖掘在有车族持卡人群中的应用

数据挖掘是指人们通过大量的表象数据,挖掘出其内在规律,并寻找出相对正确的答案.本文运用科学聚类方法分析研究国内市场有车族持卡人的消费行为,挖掘出客观、准确的持卡人消费数据,为营销策略提供科学依据.     

大数据背景下的农险反欺诈检测:国际经验与技术选择

中国农业保险市场中欺诈骗保等违法行为不容忽视,亟需运用数据挖掘技术提高农业保险发展质量。首先,本文对反欺诈检测的常用方法进行了梳理,包括异常值检测、聚类法、线性回归法、社会关系网络分析法等方法。其次,本文总结美国运用数据挖掘技术开展农业保险反欺诈检测的基本经验。美国利用以政府主导、研究机构参与的模式,开发出多种欺诈检测项目,为美国农业保险节约巨额资金。再者,基于国际经验,本文提出适用于中国农业保险反欺诈检测的相关性异常值检测法、合谋关系检测法和机器学习法。最后,为进一步推动数据挖掘技术在中国农业保险反欺诈检测中的运用,本文提出建立农业保险大数据库、建立数据挖掘合作平台、建立常态化的数据利用机制、以及培育和激励数据挖掘人才等建议。     

基于数据挖掘的持卡人信用风险管理研究

目前的信用卡信用风险研究主要是如何提高模型的预测准确率。针对银行信用卡数据的异质性和信用数据的高度非线性,本文提出了对持卡人信用风险管理的混合数据挖掘方法。该方法包含两个阶段,在聚类阶段,样本数据被聚成同质的类,删除孤立点,不一致样本点重置标签,使样本更具有代表性;在分类阶段,基于样本进行训练生成支持向量机分类器法,对待分样本分类。基于实际数据进行了数值实验,并根据各类样本的特点提出了相应的风险管理策略。     

广东省各县市区域经济发展水平的聚类分析

本文选取广东省各县市的无高度相关的经济指标数据,用层次聚类法对标准化后的数据进行初步聚类,确定类数目和初始聚类中心,再用快速聚类法对初始聚类结果进行迭代聚类,得到最终的聚类结果,进而分析广东省区域经济发展差异与特点,为进一步提升广东省区域经济的发展提供决策参考。     

对建立完善金融机构人力资源非现场管理决策系统的思考

目前各金融机构已经开发实施了相应的人事信息系统,但随着人事管理向人力资源管理转变,需要开发更高层次的人力资源管理系统。人力资源非现场管理决策系统侧重于决策支持,运用数据挖掘技术,提供增值服务。系统使用关联、聚类、决策树、神经网络、遗传算法等技术,在人力资源规划、招聘、人才库分析、培训效果评估、离职模型等方面加以应用。     

自动分类技术研究

随着网络的迅猛发展,海量文本信息正在以几何级数不断增长,自动分类技术已成为文本信息分类的主导关键技术。自动分类技术可分为自动聚类和自动归类两种类型,现有的文本分类技术主要采用基于连接、基于规则和基于统计等三种方法。随着数据挖掘领域和机器学习理论、技术研究的不断深入,解决不同实际应用和数据特征的问题将成为文本分类相关研究及其应用的主要突破方向和攻克难点。     

提升银行外汇业务数据质量

随着外汇管理理念和方式“五个转变”的不断深化,外汇业务管理模式也随着发生改变,这对外汇业务数据的准确性和完整性提出了更高的要求,客观上需要外汇局进一步加强和完善外汇业务数据质量管控。当前,外汇局使用的业务数据,很大一部分来源于银行报送的外汇主体业务数据。加强银行外汇业务数据质量管理,对于提升外汇局业务数据整体质量,不断提高外汇管理水平,促进外汇管理转型有着积极的促进作用。     

异常检测方法对大数据审计的借鉴和应用

正大数据审计使得现行审计作业模式发生了颠覆性变化。异常检测、关联分析、聚类等数据挖掘技术的广泛运用,将会极大地改变现有审计的作业模式,大幅提升审计效率和质量。目前异常检测已经在互联网、金融、工业、电信、零售等领域有不少应用,例如,电信和信用卡欺骗、贷款审批、药物研究、气象预报、金融领域、客户分类、网络入侵检测、故障检测与诊断等,但在审计中的应用才刚刚起步,大有文章     

数据挖掘技术在银行监管工作中的应用

数据挖掘是一项新兴的技术研究领域,在金融行业有着较为广泛的应用.本文介绍了数据挖掘的概念、主要功能、实施步骤、在国外银行业中的应用;将数据挖掘技术引入到银行监管领域,结合实例进行分析,对数据可视化查询进行初步探索;并对数据挖掘技术在银行监管的应用做了展望.     

数据漂白简析

数据漂白（Data Masking）的需求源于非生产环境中对生产数据的使用,例如测试、开发、培训、外包、数据挖掘和研究等。在非生产环境中使用生产数据,减少数据使用的限制,就必须保障数据中涉及客户和生产的敏感信息不外泄,这些信息包括客户姓名、电话、住址、身份证号码等个人敏感信息，以及柜员类和企业类的敏感信息等。这就需要对数据进行漂白，或称“脱敏”，即通过数据变换的方法去除敏感信息。     

金融时间序列聚类分析方法比较研究——基于上市公司股票收益率的实证分析

本文研究目的是通过使用金融时间序列聚类方法验证收益率序列相似的公司是否属于同一个行业。由于金融时间序列数据不服从正态分布,不能用线性相关系数来进行相似性度量,因此文中选用几种非线性相关系数来对金融序列相似度进行度量,然后运用PAM、agnes、diana三种聚类方法分别对金融时间序列进行聚类。研究发现:最终聚类结果和初始的行业分类比较吻合,表明同一个行业中的股票收益率相似度很大。     

基于聚类方法的ATM交易量分析

本文应用数据挖掘聚类方法——凝聚的层次方法对ATM历史交易量进行分析,通过了解ATM交易量的分布规律,从而指导ATM钱箱的金额放置数量。     

银行外汇业务主体监管系统设计与实现

一、开发背景 自上世纪80年代末至今,国家外汇管理局信息化建设积累了大量的成果。首先,外汇局建立了完善的外汇业务管理信息系统体系,目前使用的外汇管理信息系统有20多个,覆盖国际收支统计、进出口贸易、直接投资、外债、银行结售汇、外汇账户监测等几乎所有的外汇业务。其次,长期的信息化过程也积累了大量有价值的数据资源,目前广东省分局辖内外汇业务数据已超过800G,这些数据为把握经济形势和制定外汇政策提供了有利的数据支持。     

大数据时代银行外汇业务管理探究

随着外汇管理改革的不断深化,银行外汇业务处理程序化、数据报送接口化,促成了现行银行外汇业务“大数据时代”,促进了外汇管理改革创新,但与此同时,银行程序性违规激增,贸易投资便利化与外汇业务真实性监管的矛盾愈发突出,客观上要求外汇局不断完善外汇非现场监管与检查措施,探索实施银行外汇业务主体监管。     

基于数据挖掘技术的保险客户细分管理

本文通过将数据挖掘中的聚类分类技术应用于保险客户风险贡献矩阵的客户细分中，提出了基于Clementlne数据挖掘平台的客户细分管理解决方案，建立一种保险客户细分方法，为保险公司制定费率、控制理赔风险提供决策依据，以提高保险业客户细分管理的科学性，增强保险企业市场竞争力。