基于半监督吸引子传播聚类的上市公司绩效评价研究

The listed companies performance evaluation is the research focus for the government and organizations of financial supervision and management. It has a vital significance in the fields of the industrial structure adjustment and guard, avoiding the financial risk etc. In recent years, semi-supervised learning and affinity propagation clustering are emerging gradually. Therefore, the project focus on researching the method based on semi-supervised affinity propagation clustering which is used in the listed companies performance evaluation. It mainly including: (1)Aim at improving the learning effect and efficiency of prior knowledge samples, the strategies of index weighting operator and the distance difference maximization principle are to be constructed, so the novel similarity measure method based on swarm coordination intelligence weighting is to be proposed in the project.(2)The new efficient affinity propagation clustering algorithm is proposed by establishing the main space and auxiliary space, inside and outside sort loss strategies.(3)The new model and algorithm of semi-supervised learning and affinity propagation clustering are also proposed by integrating many approaches, and they are applied in the field of listed companies evaluation. (4)Simulation and validation research, comparison is also done with the other evaluation methods, a more perfect and strong practicability evaluation system of listed companies is constructed finally. The project research results provide a more effective method and technology approach in the fields of listed companies evaluation,data mining, information intellectualization processing, financial management and investment decision-making.

上市公司绩效评价是政府、金融监管机构研究的热点，在产业结构调整、防范和规避金融风险等方面具有重要意义。近年来，半监督学习和吸引子传播聚类逐渐兴起。为此，本项目主要研究基于半监督吸引子传播聚类的上市公司绩效评价方法。其主要内容包括：（1）针对提高先验知识样本的学习效果和效率问题，构建指标赋权算子、距离差异最大化原则等策略，提出多群体协同智能赋权相似性度量方法。（2）构建主辅空间，类内、类外损失等策略，提出吸引子传播聚类新算法。（3）提出融合多种策略的半监督吸引子传播聚类模型和算法，并将其用于上市公司绩效评价。（4）仿真模拟与验证研究，与已有评价方法比较，最终形成一个较为完善的、实用性较强的上市公司绩效评价系统。项目研究成果将为上市公司评价、数据挖掘、信息智能化处理以及金融管理与投资决策等领域提供更加有效的方法和技术手段。

近年来，半监督学习和吸引子传播 (Affinity Propagation, AP) 聚类逐渐兴起。吸引子传播是一种无需指定簇类数目和初始聚类中心的快速、高效聚类算法，受到国内外专家的广泛关注。本项目主要开展基于半监督吸引子传播聚类算法的理论改进研究及其在上市公司绩效评价的应用研究，其主要内容包括：.（1）针对吸引子传播聚类算法传统相似性度量方法对复杂样本数据处理效果不佳的问题，采用变异系数，核函数，低秩表示，距离贴近度等策略，在此基础上提出多种改进算法，即基于变异赋权的吸引子传播聚类算法、基于结构相似度的自适应半监督吸引子传播聚类算法、基于距离贴近度的吸引子传播聚类算法等。.（2）引入统计特征方法捕捉接近或等于数据真实类数的合理聚类划分，通过谱分析，降维，熵权法，主成分分析法等理论拓展非欧空间适用性，消除高维数据冗余属性，提出一系列基于吸引子传播算法的改进聚类模型，即基于奇异值分解的自适应吸引子传播算法、基于稳定阈值的吸引子传播聚类算法、基于熵权法和主成分分析法相结合的吸引子传播聚类算法、基于主成分分析和变异系数的吸引子传播聚类算法等。.（3）将半监督思想、群体智能优化算法与改进吸引子传播聚类算法相结合，构建若干半监督吸引子传播聚类新模型。在此基础上引入具有全局搜索特征的烟花爆炸优化算法、布谷鸟优化算法等群体智能算法，提出基于烟花爆炸优化的半监督吸引子传播聚类算法、半监督自适应权重吸引子传播算法、基于布谷鸟优化的半监督近邻传播算法等若干改进算法，实现大幅度提升聚类性能与泛化能力。.（4）在上述若干改进算法基础上，将融合多种改进策略的吸引子传播聚类算法用于上市公司绩效评价领域。包括融合多指标面板数据的半监督吸引子传播聚类模型用于上市公司绩效评价；将基于变异赋权吸引子传播算法用于上市公司聚类研究；将基于核主成分分析的近邻传播聚类方法用于上市公司分级评价研究等，在此基础上分别进行仿真实验模拟与对比分析。项目研究成果将为政府、金融监管机构调整产业结构、防范和规避金融风险等提供参考工具，为数据挖掘、智能信息处理以及金融管理与投资决策等领域提供了更加有效的方法和技术手段。