摘 要： 本文主要基于数据挖掘的金融数据分析方法进行研究，随着经济发展企业的生产经营的过程中会产生大量的数据堆积，这些大量的数据中存在着部分有价值的信息，企业要在激烈的市场竞争中脱颖而出，就需要找到这些有用的数据信息。对这些数据做好分析，才能帮助金融企业更好的发展。
关键词 : 数据挖掘;金融数据;数据分析;
数据挖掘作为一个新兴的领域，随着互联网信息化的发展，已经广泛的运用到很多行业中，金融数据挖掘是数据挖掘的一个一部分。金融的范围非常广泛，数据在金融行业中也起着非常重要的作用，一个微小数据的变化，就可能会对经济造成很大的影响。因此通过对数据的分析，可以在金融业在经济全球化浪潮中把握先机，得到更大的发展。随着经济全球化和互联网金融的发展，金融开放性让我国金融也面临着整个世界金融机构带来的巨大挑战。这样的压力下给我国金融行业提供了机遇和发展空间，要想把握机遇，就要对金融数据做好分析。
1、 数据挖掘的基本概述
21世纪世界有着经济全球化，数据信息化以及金融国际化等诸多特征，金融数据信息化在生活中起到越来越大作用，人们通过对信息化金融数据大规模的分析，找到重要的信息。方便处理相关的金融业务，数据挖掘是一项和未来发展紧密联系的技术。通过对数据挖掘可以提前有效的帮助人们获取有用信息。数据挖掘的基本概述数据挖掘是对大数据库中的数据进行处理，从大量的随机数据中提取出隐含的潜在有用的信息的过程。这个过程需要面对的对象是大量的业务数据，因此它需要在人工智能，统计学，自动化的帮助下，对海量数据作出归纳整理，概括出有效信息，对信息进行应用。数据挖掘可以有效的帮助人们找到方向，占领市场先机，获得最大化收益。
2、 数据挖掘的技术理论
2.1、 关联规则挖掘理论
数据挖掘也需要根据相关的理论来进行。数据挖掘的技术理论主要有关联规则挖掘理论和蚁群算法理论。采取关联规则理论挖掘就能够发现金融数据中存在的联系。大量的数据中存在潜在联系的，借助于关联规则挖掘理论，可以找到数据间的联系。例如结合关联性理论找到具有对银行融资业务感兴趣的客户，将这些客户划分群体，针对性的对他们开展理财，购买金融产品等业务。这个理论是从金融机构当中采集相关的金融数据，对数据运算处理后，结合关键部分的属性进行关联分析，获取潜在的关联数据。这样的方式主要是用在金融风险防范方面，它可以用来甄别潜在客户，然后划分群体，开展相关的业务。
2.2 、蚁群算法理论
蚁群算法理论是根据蚂蚁在觅食过程中的活动来进行数据挖掘计算。蚂蚁在进行觅食的时候，它是通过多次搜索的方法来找到食物的，这样在时间上达到了最优化。因此采取蚁群算法来进行数据挖掘就需要在整个数据中建立不同途径的分析路径，然后对全集的信息进行更新，结合蚂蚁路径进行优化，每一个路径所反映的问题的最优解。利用这些就可以有效的对信息进行挖掘分析，这样的方法主要是用在股票投资用户行为模型和商业银行信用评估中。例如图一，股票是以时间为序列排列的，所以对股票的处理就可以通过蚁群算法理论。按照时间发生的先后数据对数据进行排列，例如一秒，一分钟，一小时，一天，一年。这样的时间排列对离散的数据进行分析处理，从而得到了股票随时间变化的趋势，结合这些趋势，更好的分析未来投资人的投资去向。
3、 做好需求分析与系统的设计
伴随着金融机构管理信息系统的推广，在日常使用过程中，很多金融机构运营所产生的信息会形成丰富的数据库。在这大量的数据库中，只有一少部分数据得到了应用。这些有用的数据在工作过程中，随着时间积累形成高价值数据。这些高价值数据会隐藏在这些数据中，通过人工的方式难以发觉，需要借助计算机设备进行挖掘，需要进行更为全面的金融数据分析系统来进行分析。要想分析系统，就需要对系统进行设计，系统主要联系的包括系统分析人员，系统管理人员，数据仓库人员和金融机构的用户。数据分析员要根据用户进行设计方案，然后系统管理员维护系统的运行，最后由用户展现自身的请求，然后得出结果查询，用户还需要进一步的反馈给金融机构结果，在这样一个总体的流程后，数据挖掘才算完成。数据挖掘的过程中设计好结构框架就需要对用户的需求做好分析，然后才能进一步的对系统进行设计。对用户的需求进行分析，需要进行前期大量的数据搜寻数据，然后形成数据库，在用户完成了对数据的反馈之后，也需要将反馈的信息放入数据库中，这样方便金融部门在其他业务中进一步的分析。
4、 数据挖掘在金融数据分析的应用
金融行业因本身的复杂性，他需要涉及到大量的搜集和处理数据。大部分的金融银行和金融机构都会提供金融服务，例如个人存款，信用卡，贷款业务和投资等业务，这些交易的复杂性和信息的不对称性，再加上每天所进行相关业务的人数众多，所以会产生大量的数据这些大量的金融数据。在这海量的信息中包含着极少数的有效信息，而通过数据挖掘，可以挖掘出这些存在的有效信息。帮助监管部门和投资部门对金融行业进行有效的监管，银行也可以结合信息得出未来的趋势，更好的对自身发展作出规划。还可以通过对一些信誉较差的客户信息分析，采取措施有效地减少自身的损失。结合金融机构的特性以及金融信息的特点对金融数据挖掘主要包括以下方面。
4.1、 银行和其他相关的金融机构要建造数据仓库
建造数据仓库这样可以保障数据的有效使用。金融机构可以通过按月，按地区，按部门等因素，在这些数据库中，对债务和税收的变化进行分析，通过分析最大，最小，总和与平均值趋势以及其他信息帮助金融机构得到更好的发展。数据仓库的建立是进行数据挖掘的基础，也是金融业更好发展的前提。也只有建立好的数据库，才能够结合各行业的需求对这种数据进行挖掘。挖掘数据的前提就是有充足的数据，将数据统一的放在一个范围内，才能更好地对数据进行分析。如果银行和其他相关机构将自己的信息进行封闭，没有将大量的信息放置在仓库中，进而也无法对信息进行挖掘。因此银行和其他相关的金融机构要积极地建造数据仓库，可以将相关的金融信息放置在仓库中，实现金融信息的有效挖掘和有效利用，帮助金融行业得到更好的发展。
4.2 、银行贷款偿还预测和客户的信用分析
银行贷款偿还预测和客户的信用分析，在银行是需要大量数据挖掘的金融机构，由于银行涉及到众多的业务，所以银行需要对贷款偿还预测，这样可以保障银行借出去贷款合理的收回来，银行不会遭受巨大损失。同时对于顾客信用分析可以帮助银行更好的鉴别客户，实现自身效益的最大化。贷款和信用卡业务是银行的关键业务，但很多因素都会对贷款偿还履行和客户的信用等级产生影响，通过数据挖掘可以剔除不相关的因素。例如与贷款偿还风险相关的有贷款利率、贷款期限、负债率、偿还收入比、顾客收入水平、受教育水平、顾客信用等多方面情况，结合这些情况，可以发现只有偿还收入比是最重要的因素，顾客受教育情况和负债率与偿还速度之间联系不是特别密切，所以银行就可以根据偿还收入比来自对贷款政策进行发放。
4.3、 客户分类开展定向销售
分类的方法可以有效的对客户群体进行识别，然后开展定向销售，采取数据挖掘对客户信息进行分类，可以帮助银行更好地开展业务。将不同的客户分类，也能够推动客户进行定向消费，促进金融业的发展，对于一些资产状况良好且有投资意向的客户，银行可以定期的针对这些客户开展相关的业务活动。不仅对银行的业务有所提升，而且还能方便客户，这样形成互惠互利的局面。这样还能够减少银行不必要的工作，如果没有进行数据挖掘就，就无法对客户展开统一的分类，开展定向销售。例如1000个银行的客户信息中，对投资业务感兴趣的只有10个客户。如果没有数据挖掘，银行就需要对1000个用户进行调查沟通，然后向他们介绍业务活动，这样会花费银行大量的时间和精力。如果能够采取数据挖掘，就能够精准地对客户进行分类，准确的找到这10个对投资业务感兴趣的客户。针对这些客户进行业务介绍，帮助银行更好达成业务，也帮助客户快速的了解到业务，极大地提高金融机构的工作效率。
4.4 、方便对于金融犯罪行为判断
在金融行业洗黑钱和一些金融犯罪的侦破是非常困难的，在当前只有把多个数据库内的信息汇集起来，才能够通过这些信息挖掘，帮助侦破金融犯罪。同时金融犯罪也可以通过数据挖掘进行提前预测，采取多种数据分析工具检测金融信息，发现某个人短时间内发生大量的现金流动，就可以借助于可视化的工具，对该人的交易活动以及交易人之间的联系进行有效分析，通过分类工具过滤掉不相关的因素。进一步准确判断出这个人的行为，帮助调查人员进一步确定调查方向。因为一些金融犯罪行为一旦产生，就会对国家金融业造成严重的危害，不仅破坏金融业的秩序，而且让国家遭受巨大的损失。因此通过数据挖掘就可以预先的对金融犯罪行为进行判断，提前发现金融犯罪行为，及时的制止，减少国家财物的流失。例如，一个人在时间间隔很短的周期内向海外账户汇入多笔账款，这些就可以借助于数据挖掘发现。通过对这个人的进一步调查，确定是否属于金融犯罪行为，还能借助犯罪后的数据调查，帮助监察机关及时破案。
4.5 、借助于平均数据分析，找到股票的移动规律
通过对股票数据的分析，找到股票移动的规律，然后发现规律，进一步确定金融行为，是否参与投资等。以分析股票为例，可以采用移动平均线等算数方法，是指特定期间的收盘价进行平均化比如说，5日的均线SMA=(C1+C2+C3+C4+C5)/5。数据挖掘过程中，不仅要对数据做好挖掘，更要对挖掘好的数据进行分析，以股票市场为例。在股票市场中，他的交易日收盘价是不同的，每天都会有不同的数据，在这样的情况下，如何把握好股票的移动规律，找到相关规律进行投资行为，才是非常科学有指导意义的。例如，在图1中对某一只股票连续十个交易日的收盘价进行统计，分别是8.15、8.07、8.84、8.10、8.40、9.10、8.95、8.70，这组数据借助单个的数据来看，找不到任何联系。但是通过均值的计算就可以发现，第五天的均值为8.31，第六天均值为8.50，第七天的均值为8.73，第八天的均值为8.78，第八天的均值为8.95，第九天的均值为9.01，然后对所计算的均值进行图像化表达，在图1中就可以发现通过对均值的计算，股票是呈现上涨的趋势。由此可以方便公司进行相关金融业务，根据股票呈现上涨，这个趋势就可以由客户对该公司进行深入研究，然后进行相关金融行为。股票K线图如图2所示。
图1：某股数据均值计算
图2：股票K线图
5、 结束语
总结全文，数据挖掘已经在我国金融信息化建设中被广泛应用，也帮助企业在激烈的市场中获得了独特的优势地位，彰显出巨大的应用前景。企业要在激烈的竞争中获得更好的发展，要做好金融数据分析，就需要对数据挖掘的情况进行基本了解。了解数据挖掘的基础理论，根据不同数据所适用的理论展开相关的分析，做好需求分析与系统的设计。结合数据挖掘在金融数据分析中的具体应用，进行有效的思考借鉴，实现金融行业长远的科学的发展。
参考文献
[1]程勇.梁吉祥甚于数据挖捉的掌银客户流失预测建模方法研究[U]中国金融电脑.2019(8).
[2]余春基于数据挖掘技术的金融数据分析系统设计与实现[D].电子科技大学.2014
[3]常合军基于数据挖掘的金融数据分析系统设计与实现[D]河北科技大学.2016.
