智能信息处理的多指标面板数据聚类方法及其应用

被引：3

作者：

林秀梅 ^{[1
,2
]}

孙海波 ^{[1
,3
]}

王丽敏 ^{[2
]}

机构：

[1] 吉林大学数量经济研究中心

[2] 吉林财经大学

[3] 吉林大学商学院

来源：

数理统计与管理 | 2016年 / 35卷 / 04期

关键词：

吸引子传播聚类模型; 半监督学习; 多指标面板数据; 上市公司; 绩效评价;

D O I：

10.13860/j.cnki.sltj.20160109-002

中图分类号：

O212.1 [一般数理统计];

学科分类号：

020208 ; 070103 ; 0714 ;

摘要：

为提高具有先验知识样本的学习效率,本文在吸引子传播聚类模型基础上,引入半监督学习策略,并综合考虑样本动态信息变化,融合多指标面板数据,提出智能信息处理的多指标面板数据聚类模型。选取30家房地产业上市公司2009-2013年相关财务数据,利用此模型进行聚类和绩效评价分析。结果表明,智能信息处理的多指标面板数据聚类模型能更加有效地区分样本类别特征,可为上市公司绩效评价、金融管理与决策提供一个更加有效的方法和手段。

引用

页码：641 / 648

页数：8

共 8 条

[1] 多指标面板数据聚类方法及应用——以行业一次能源消费面板数据为例 [J].

王双英 ;

王群伟 ;

曹泽 .

数理统计与管理, 2014, 33 (01) :42-49

[2] 多指标面板数据融合聚类分析 [J].

任娟 .

数理统计与管理, 2013, 32 (01) :57-67

[3] 多指标面板数据聚类方法及其应用 [J].

任娟 .

统计与决策, 2012, (04) :92-95

[4] 半监督学习研究进展 [J].

梁吉业 ;

高嘉伟 ;

常瑜 .

山西大学学报(自然科学版), 2009, 32 (04) :528-534

[5] 多指标面板数据的聚类分析及其应用 [J].

郑兵云 .

数理统计与管理, 2008, (02) :265-270

[6] 面板数据的聚类分析及其应用 [J].

朱建平 ;

陈民恳 .

统计研究, 2007, (04) :11-14

[7]

Integrating Independent Component Analysis and Principal Component Analysis with Neural Network to Predict Chinese Stock Market[J] . Haifan Liu,Jun Wang,Kuppalapalle Vajravelu. Mathematical Problems in Engineering . 2011

[8]

Constrained K-means Clustering with Background Knowledge .2 Wagstaff K,Cardie C,Rogers S,et al. Proceedings of the Eighteenth International Conference on Machine Learning . 2001

← 1 →