基于数据挖掘技术的金融数据分析系统设计与实现
巩阳光
摘 要 随着社会经济的发展，科技在各行各业中的应用越来越广泛，金融行业迎来了一轮又一轮的技术更新，基于数据挖掘技术的金融数据分析系统逐渐投入使用。本文作者希望能通过立足于数据挖掘技术，从几个方面系统阐述该技术对于金融数据分析系统的主要功能模块的设计与应用。
关键词 数据挖掘 金融数据分析 设计与实现
中图分类号：TP311.13 文献标识码：A
金融数据挖掘分析系统的完善，需要不断获取并分析特定金融网站的数据信息使金融数据更加结构化、脉络化，整合完成后，这些数据都应该被及时存储在目标服务器的数据库中，并及时提供给用户使用。当前，随着互联网技术的不断发展，金融数据分析系统更加具有技术性，信息系统的创新与纳入使得金融机构可以在日常运作中处理大量的数据信息，进行更好的财务管理。在金融业务的过程中，准确的财务数据信息为用户提供了未来的财务决策的基础，对日后金融事业的走向指明了方向，在金融业的发展中具有重要位置。因此，提高金融数据挖掘技术的效率，使其操作更加简便，对于金融数据分析系统的完善具有重要作用。
1系统主要功能模塊设计
1.1任务管理模块
任务管理模块是金融数据分析系统的基础，它在这中间主要发挥新建任务、执行任务和验收任务的作用。系统用户在系统中发出新建任务的请求，就是新建任务的全部过程。在任务新建完成后，这一请求会受到系统管理员的分析与评估，并匹配执行人员。评估中获取的数据信息是分配执行人员所依靠的重要数据。任务的执行过程在这其中具有重要意义。在任务执行的过程中，应始终坚持具体问题具体分析的原则，确保结果的严谨性，向用户提供结果时时间应略有后延。如果用户任务再次改变，分析师应再次修改结果，同时，根据任务的完成情况，用户有权申请更换分析师。在任务的执行过程中，金融机构的用户也会对任务执行的有效性进行评估。
1.2数据分析模块
作为整个金融数据分析系统的核心，数据分析模块在这个系统中具有重要地位，数据分析模块主要分为个体分析以及区域分析，其中，个体分析是对按个金融机构的数据以及运营环境进行分析，以做到及时规避风险。区域分析是指对于特定区域的操作数据和外部环境进行分析，评估是否具有潜在的财务风险。特定地区金融机构运营数据分析应与个人分析进行有效结合，才是完整的财务风险评估过程。
1.3系统数据管理模块
数据管理模块在金融数据分析系统中的主要设置目的是在系统操作的过程中保护系统数据，以做到使涉及的系统数据尽可能的被全面收集。在这个模块中涉及的数据应被及时维护与检阅，防止因数据异常而造成金融系统的风险。除此之外，备份和恢复工作也应及时做到位。
2系统设计中的关键技术问题
2.1案例推理过程
在金融数据分析系统中，由于数据挖掘技术在系统设计中的应用，作为人工智能领域中新方法的案例推理技术在这个过程中发挥着重要作用。在解决实际问题的过程中，案例推理技术可以使用前面的方法解决类似的问题，也可以对这样的在再次使用前进行修改。在财务分析领域中可以得出大量的金融业务的共同点，许多金融业务之间的相似性十分明显。因此，案例推理技术就是根据以前的金融业务处理方法来处理新出现的业务。例如，在案例推理技术应用之前，贷款业务流程的风险分析多是根据以往业务的经验，但基于案例的推理方法可以为这个推理过程提供更多的理论支持以及相应的包括完整过程的财务案例，具体内容包括以下几个方面。
案例收集在这一技术中占据基础地位。全面地收集案例并制定案例集是案例推理过程的基础。案例收集过程不要求人们对案例进行分类，规范性的要求也不高，因此这样的案例也无法进入应用。案例提取是整个过程的第二步，在案例形成集合的情况下，规范的提取过程使后续操作更加标准。为了保证采集的异质性，在提取过程中要对存在显著差异的案例进行单独提取。案例推理是整个过程的核心环节。在案例推理过程中，需要将输入案例与案例库中的现有案例进行比较并进行匹配。
2.2属性权值计算
数据挖掘技术有不同的挖掘目标，财务数据仓库中的属性在不同的挖掘目标下会呈现出不同的重点。决策指令下达之前，各类属性的重要程度都会经历一个科学的评判过程，该过程主要以分辨矩阵和信息熵的结果为标准。一般来说分辨矩阵在这个过程中是更加常用的方法。金融业务的开展过程是一个专业性很强的过程，数据的属性在这其中要求是绝对真实的，因此，人工权值是最重要的，适当的调整加权差别矩阵是很有必要的，这也可以提高属性权重的计算精度。
3结语
可以看出，随着数据挖掘技术的不断应用，金融数据分析系统已经具有越来越强的技术性。在金融业务处理的过程中，数据挖掘技术要考许多系统的不断完善来支撑，金融数据分析系统与数据挖掘技术呈现一种互惠互利的关系。在设计金融数据分析系统的过程中，对于系统主要功能模块以及财务数据仓库的设计都弥足重要。相信基于数据挖掘技术的金融数据分析系统一定会向更好的方向发展。
参考文献
[1] 石佳锐.基于B/S模式数据监视技术的研究与实现[D].北京：北京化工大学，2008.
[2] 郑宇泉.时间序列挖掘方法及在投资组合中的应用[D].厦门：厦门大学，2007.
[3] 孙兴富.基于Web的数据挖掘技术及应用问题探讨[J].中国新技术新产品，2009（03）.
