關聯算法在財務指標分析系統中應用

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了關聯算法在財務指標分析系統中應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：提出基于模糊關聯的財務指標分析系統，其思想是在明確財務指標分析系統的需求下，將二階段分類算法引入到系統中，提取并分類財務指標的屬性特征，借鑒模糊關聯思想計算各類財務指標權重等級向量并設立目標函數，以該函數為依據進行全局最優解，最終組建財務指標識別的模糊中心矩陣，由此構建財務指標優化分析系統。仿真實驗證明，基于模糊關聯算法的財務指標分析系統分析精度高，能夠為企業領導者的決策提供科學依據。

關鍵詞：基于模糊關聯算法；財務指標；系統

0引言

財務分析是一個企業領導者明確其企業財務狀況和經營狀態的關鍵環節［1］。近些年，在對財務指標系統的研究中，怎樣從大量財務指標中提取有價值的信息，并深入分析，從而構建完善的財務指標分析系統成為了經濟領域中一個亟待解決的問題［2］。將模糊算法融入到財務指標分析過程中，在SAPBW環境下，針對企業實際財務分析決策的需求，給出財務指標分析的框架，并在此基礎上，提取海量財務指標中有效信息。實驗仿真證明，基于模糊關聯算法的財務指標分析系統指標分析精度高，能夠為企業領導者的決策提供科學依據［3］。

1財務指標分析系統需求分析及其框架設計

1．1財務指標分析系統需求分析

對企業財務指標（包括經營、償債、盈利、發展等方面）分析可以實時掌握企業財務管理狀態，杜絕企業決策的嚴重失誤及不穩定性，通過迅速發出預警的機制組建防御制度，由此提升企業抗財務風險的能力，促使企業財務管理保持平穩狀態［4］。

1．2財務指標分析系統的框架設計

一個完整的財務指標系統可以分為數據（處理，存儲，訪問，獲取）4個層面。其設計框架如下：系統最末層是數據獲取層，大部分是各類憑證數據。將這部分數據存入到數據倉庫中要先對原始數據進行數據清理、抽取、轉換，歸類。因此先依據SAPBW的數據抽取制度將SAPR／3源系統數據源內的全部數據依據制定的計劃有序上載，在上載到PSA時在根據信息源對照和更新制度的清洗轉換上載至信息配備者ODS中，在此基礎上再變換進入信息立方體［5］。數據存儲層的作用是存放經過一系列處理后的財務指標分析系統數據倉庫中的全部數據。數據訪問層主要是客戶和系統相互融合的切入層，企業決策者將依據這層表現出的報表、圖像、數據搜索到自身想要得到的詳細數據，并可以在數據分析結果中獲取有價值的信息對更深入決策配備依據。財務指標分析系統的功能模塊如下圖。功能模塊主要分為（數據準備、指標分析、報表輸出）模塊。其中數據準備模塊的作用是對R／3中的數據進行統一格式化處理，并將處理后的數據存儲SAPBW內。指標分析模塊是對經營、償債、盈利、發展四個維度財務指標分析的過程。報表輸出模塊是將分析結果詳細的呈現給用戶的過程。

2財務指標分析系統優化設計

2．1財務指標特征的提取

對財務指標分析中，將模糊二階段分類算法引入到財務指標分類中，在指標訓練集和數據集中提取系統的輸入變量的特征集，進而對數據樣本進行劃分。具體步驟如下：假設訓練集的輸入和輸出已確定，p代表訓練集，x1，i，x2，i，…，xn，p，yp（）代表訓練集中n個輸入和輸出對。利用公式（1）表示n個輸入和輸出對的語言變量升序排列。如果RT代表組建數量為NA的樣本數據輸出和輸入間的相似關系，則利用公式（2）和（3）計算其NA維相似矩陣。式（6），（7）中x1，m代表整體指標樣本數據中系統首個輸入變量的最大值，x－1則代表首個輸入變量，ym則代表輸入語言變量的最大值。在構建數量為N樣本數據間的相似關系的基礎上，獲取Rs代表的N維相似矩陣，將該矩陣變化為一個等價矩陣，利用式（8）：如果Re，a代表等價矩陣Re的α截矩陣，則依據Re，a進行樣本數據分類，在滿足條件Re，ax1，i，x1，j（）＝1的基礎上，將x1，i和x1，j所代表的指標數據分為同一類。如果α有所變化，Re代表的等價矩陣判斷的分類所包含的元素逐步增多，并持續歸并在同類中，所以α決定了樣本數據類別數量。假設Gjj（＝1，2，…r）代表指標分析訓練集的輸入和輸出對劃分的r個子集，則利用式（9）計算。其中α代表指標數據分析劃分訓練集的閾值，r代表最終取的分類數量。可知分類的數量影響了隸屬函數的數量；如果將指標分析樣本分為訓練和檢驗集，則NA代表訓練樣本集，在NA上計算財務指標的模糊特征子集。依據模糊劃分計算各個子集輸出和輸入變量的隸屬度函數，利用式（10）－（12）計算。個子類別中的首個輸入變量的最低值和最高值。

2．2模糊關聯算法的優化應用

模糊識別算法的原理是根據財務指標分類后樣本集的優劣程度劃分等級。在指標分析中將財務指標分為C個等級，并且利用各類樣本等級隸屬度組成模糊識別矩陣，由U表示。如果訓練集中樣本數量為m個，則利用C和m可以組建s代表模糊聚類中心矩陣，則測試樣本可依據s代表的模糊聚類中心矩陣反向推導U′表示的財務指標模糊識別矩陣，進而分析測試樣本優劣程度。由于不同指標存在數量級差異需要歸一化處理，用R代表指標訓練集的隸屬度矩陣。企業財務指標價值不同，所以各財務指標會有不同權重，各指標權重由式（13）表述：在公式（13）中m代表指標數量。假設j代表訓練樣本，h代表樣本類別，則利用下式計算j和h特征值聚類中心間的不同。式（14）中距離參數由p表述。則利用下公式計算p的加權廣義歐氏權距離。dr（j－sh）＝uhjwir（ij－Sih）（15）要想實現指標訓練樣本集針對整體類別加權廣義歐氏權距離平方和最低，則需要利用下組建目標函數。假設滿足p＝2的條件，則財務指標分類目標函數可以表述為式（17）：綜上步驟，可以獲取S代表的模糊聚類中心矩陣。利用式（18）組建格拉朗日函數：由此獲取U′代表的模糊識別矩陣。如果有一個xij（）m×n代表企業樣本集，其中企業數量為n，財務指標數量為m，那么將xij定義為樣本j的指標特征值，利用下述步驟組建指標的模糊識別矩陣：（1）訓練樣本的模糊識別矩陣。利用專家對財務指標訓練樣本內的各類財務指標優劣度劃分為c個等級，獲取U＝uhj（）代表的等級評估樣本夠成的模糊識別矩陣，其中uhj（）代表企業財務指標樣本j歸類為h的相對隸屬度。如果樣本j屬于h類，則其隸屬度的值為1，相反，如果不屬于h類，則其隸屬度得值就會是0，利用下式進行表述：0≤uhj≤1，∑ch＝1uhj＝1，∑nj＝1uhj≥0（19）（2）基于測試樣本的最優模糊識別矩陣。利用R′代表的隸屬度矩陣和S代表的財務指標訓練樣本的最優模糊聚類中心矩陣可計算U＇代表的財務指標測試樣本最優模糊識別矩陣，進而作為財務決策的最終指標（詳見圖1）。圖1模糊識別算法流程

3實驗仿真分析

為了更好展示模糊關聯算法在財務指標分析中的作用，實施仿真實驗。所用仿真數據集是德國某企業信貸信息的財務指標統計數據集，在該數據集中含有指標信息1000條記錄，將其百分之六十作為訓練數據集，百分之四十作為測試數據集。

3．1評價指標的設定

將實驗設定為兩個階段，第一階段將財務指標分類誤差作為主觀評價指標，觀察模糊關聯算法在財務分析系統中的表現。第二個階段，將文獻2算法作為對比算法，將擬合優度作為客觀評價指標，定義兩種不同算法在財務指標分析中的綜合有效性。

3．2實驗結果分析

（1）指標分類誤差基于模糊關聯算法進行財務指標分析，以分類誤差作為判斷準則，結果見圖2。由圖2看到模糊關聯算法進行特征分類的誤差在較低范圍內。可見本文將二階段分類算法引入到財務指標分析中，充分降低了指標特征提取誤差，并計算每個特征的隸屬度函數，提升了分類的精確度。（2）指標分析的擬合優度對比由圖3看出提出的模糊關聯算法能有效分析出企業財務經營狀態，并和實際的財務狀態相吻合，這是因為在利用本文算法進行財務指標分析時，針對不同財務指標類型計算出權重向量，并組建其財務指標類型的目標函數，對其指標類型進行尋優，在此基礎上組建了財務指標識別最優矩陣，進而滿足了財務指標分析對分析精度的需求。

4結語

將所提模糊關聯算法引入到財務指標分析系統中，建立指標分析系統，通過對比專業人士對幾家企業的分析結果，發現系統分析結果接近于企業實際財務狀況，進而證明了系統可以促使企業管理者更好，更全面的熟悉企業的財務運轉狀態，并且無需掌握專業的財務分析流程，為企業決策者及時監督其自身經營狀態提供了可行的依據。

參考文獻：

［1］徐妍．項目決策階段財務評價指標計算的準確性研究［J］．項目管理技術，2016，14（2）：51－54．

［2］呂瑞英．財務指標中完成率計算探討［J］．全國商情（零售），2014（20）：167－167．

［3］瞿尚薇，王斌會．基于GA－RS－LR算法的公司財務與個股投資探究［J］．經濟數學，2016，33（1）：68－71．

［4］婁書青．并行FP－growth關聯規則算法研究［D］．成都：電子科技大學，2016．

［5］郭彩云，劉志強，曹秀麗．科技創新人才創新績效指標體系構建與評價［J］．工業技術經濟，2016，35（4）：3－8．

作者:張衛東 單位:廣東工商職業技術大學財經政法學院