支持向量机在财务管理中的应用

摘要：针对财务管理中的数据量问题，提出使用监督性支持向量机（SVM）算法解决财务数据分类问题。首先，将财务数据按照不同的年份，不同的部门进行预处理，并将其标签化；其次，按照一定比例选择训练数据和验证数据，将训练数据输入到SVM中进行分类器的训练；最后利用最优分类器完成财务数据分类。实验结果表明：所提出的算法在财务管理中有较高的应用价值。

关键词：财务管理；数据分类；支持向量机

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）04-0760-02

1 支持向量机

支持向量机[1-4]已经发展成为一个标准的分类模型，它寻找数据中的最大间隔超平面，作为分类平面对于小样本以及高维的数据具有良好的分类效果。

标准的SVM算法的原始问题可以归结为如下的一个二次规划的问题：

其中，[ξi≥0，i=1，…l]，[xi∈Rn]为支持向量机的输入指标向量，[yi∈{-1，1}]为[xi]所属类别，[i=1，…l]。[K（xi，xj）]为核函数，它对应某特征空间Z中的内积，即[K（xi，xj）=]，变换[g：xz]将样本从输入空间映射到特征空间。[w]为超平面的法向量，[b]为超平面的偏置，[ξi]为松弛变量，[c]为惩罚因子。

支持向量机的训练是求解它的对偶问题，其问题描述如下：

其中：矩阵Q是半正定的，

设[a=（a1，a2，…al）T]，[ai]是不等式约束，如下所示：

公式（5）是对应Lagrange乘子。

2 财务管理的数据处理

在复杂的财务管理[5]中，往往涉及到数据量过大的问题，不同部门之间的数据往往是非常庞大的，随着时间的不同，数据也会相应的增加，我们使用SVM算法，可以将不同部门之间的财务数据进行有效地分类，这样更加有助于财务数据管理，且能实现自动地数据更新分类。

设某公司有[A1～An]个部门，[X1～Xn]分别对应这个部门的财务数据矩阵，我们随机抽取每个部门的30%的财务数据，再将这些数据按照1：9的比例进行[n]次随机分配，即27%的数据作为训练数据，3%的数据作为验证数据，以年为单位，对训练数据进行预划分，且利用SVM算法对其进行分类的训练，其步骤分以下4步：

Step1：针对各部门的财务数据矩阵进行标签，设定数据的属性，随机抽取训练数据。

Step2：按照不同的年份对这些数据进行整理，利用数据属性对每个部门的财务数据进行对应的向量化。

Step3：将向量化后的数据输入到SVM算法中进行数据分类器的训练。

Step4：重复Step1～Step3，得到多个数据分类器。

按照以上步骤，可以得到不同部门的多个财务数据分类器，我们需选择一个最优分类器，利用十字十乘交叉验证法，对分类器进行重复最优选取，其步骤如下所示：

Step1：设[1～n]代表所得到的财务数据分类器，将[n]次随机分配后的训练数据输入到这[n]个分类器中，设定初始值[i=1]。

Step2：设[xn]代表待分类的数据个数，[xit]代表第[i]个分类器正确分类个数，则第[i]个分类器分类准确率可表示为

Step3：[i=i+1]，重复Step2，if [i=n-1]，则停止。

Step4：将所得到的准确率进行比较，可得如下表达式

按照以上流程，我们可以得到最优的数据分类器，我们将剩余的70%的数据输入到所得到的最优数据分类器中即可完成数据分类，这样可以有效地对财务数据进行分类处理。

3 结束语

本文针对财务数据量较大问题，提出使用SVM算法对其进行分类，这种采用机器学习领域的监督性分类方法实现数据的自动归档，有助于工作人员对财务数据进行有效地管理和调取，实验结果表明：该文所研究的方法在实际应用中有较强的应用性和可行性，使用多元化，智能的数据分类方法在财务管理中有较强的实用价值。

参考文献：

[1] 马杰，蔡延光.基于改进SVM方法的车牌识别研究[J].现代计算机，2012，16（14）：72-75.

[2] 张妤，王文剑，康向平.一种回归SVM选择性集成方法[J].计算机科学，2008，35（4）：178-180.

[3] 任彧，顾成成.基于HOG特征和SVM的手势识别[J].科技通报，2011，27（2）：211-214.

[4] 胡仕玲，顾爽，陈启军.基于HOG的物体分类方法[J].华中科技大学学报，2011，11（2）：124-126.

[5] 王化成，张伟华，佟岩.广义财务管理理论结构研究——以财务管理环境为起点的研究框架回顾与拓展[J].科学决策，2011，6（1）：1-32.