科技金融的概念范文

引言：寻求写作上的突破？我们特意为您精选了4篇科技金融的概念范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

篇1

中图分类号：F830文献标识码：A 文章编号：1002-2848-2007（02）-0057-04

随着反洗钱工作的不断深入，对海量金融交易数据进行有效挖掘，从中判别出可疑金融交易已经成为反洗钱工作的关键环节之一。具有多种成熟算法的关联规则挖掘算法成为最具挑战性的挖掘工具，最早的关联规则挖掘问题由Agrawal等人提出［1］，通过几年的发展，已有了很多成熟有效的算法［2,3］，但传统的关联规则挖掘问题仅能处理布尔属性的数据，即项目存在或是不存在。而在金融交易数据中存在大量的表（关系），包含着丰富的属性类型。有的属性是数量型的（如年龄，交易金额等）或者是分类型的（如邮政编码，电话号码等），这些属性间蕴涵着丰富的关联关系。有效的发现这些关联关系，对于实际决策过程具有十分重要的意义。

量化关联规则由Srikant等人于1996年提出，其算法的主要思想是采取分区技术，将需进行量化处理的属性的域划分成一个一个区间，并对相邻区间适当的合并，从而将问题转化为布尔关联规则的问题进行解决［4］。尽管这一方法为解决量化关联规则的挖掘问题提供了一条有效途径，但也存在明显的不足：首先，造成明显的边界问题，即在挖掘过程中，对靠近区间边界值的作用，要么过分强调，要么被忽略；其次，划分的区间可能不简明或无实际意义，不利于专家理解和信息抽取。

同时，通过对已知的洗钱行为的分析，可以发现，大量的犯罪分子在了解可疑金融交易报告体制的条件下，往往会故意减少一点交易金额（使交易金额在监管范围以外），从而达到规避金融部门进一步检查的目的。针对以上问题，本文提出了基于模糊概念的量化属性关联规则挖掘方法。该方法以模糊集理论为基础，通过在数据属性域上定义一组模糊概念，将隐含于量化属性间的关联关系转化为模糊概念间的问题而解决。这样，就可以解决因区间划分不明确而引发的问题，并且使得到的结果简明、便于理解。

一、问题定义

（一） 模糊概念表示

由于金融交易数据的多样性与复杂性，其中很多数据需要借助模糊概念进行表示。虽然模糊概念的内涵与外延都不明确，但人脑却善于判别与处理不精确、非定量的模糊概念，并从中得出具有一定精度的结论。所以，对数据库的量化属性处理不采用区间划分的方法，而采用模糊概念对其进行抽象、概括，从而使得最终挖掘出的规则表示自然、简明、易于专家理解。模糊概念的数学表示就是模糊集合论，其不明确的内涵与外延隶属函数定量描述。所以，模糊概念实际上是在一定论域中的一些模糊集合。

为便于与量化属性统一处理，对属性类型，可将其值映射成整数，从而将类型属性转化为量化属性进行处理：而对于精确概念将其看作模糊概念的特殊情况进行处理，即隶属函数的值域退化为{0,1}。这里的模糊概念及其对应的模糊集和相应的隶属函数可由反洗钱领域的专家定义，或是对大量数据进行模拟测试，经训练得到。

（二） 模糊关联规则定义

利用模糊概念表示的关联规则也称为模糊关联规则。首先定义模糊概念模式及其支持率，然后给出模糊关联规则的定义及其兴趣性度量方法。

为挖掘有效的模糊关联规则，用户必须预先给定最小支持率minsup和最小置信度mincon。所以，模糊关联规则的挖掘问题就是对给定的数据库D和量化属性域上定义的模糊概念集N，发现支持率和置信度分别大于minsup和mincon的所有模糊关联规则。

（三） 早期量化关联规则算法

1．等深划分(equi-depth partitioning)

划分为N个区间，每一个包含大致相同的样本个数。Fukuda提出的等深度划分方法［5］在一定程度上解决了过小支持率和过小置信度问题。这种方法趋向于将支持率较高的区域划分为多个小区间，离散化后原本相近的连续属性取值分散到不同的区间，降低了包含该属性峰值区域的项集支持率；当支持率降到最小支持率以下的时候导致信息丢失。当数据分布在某个点附近达到峰值时，等深度划分这种机械的方法并不能反应出数据本身的特点，因此，我认为对像金融交易数据这样的高偏度数据处理效果不理想。

2．部分k度完全方法（partial k-compelement）

当数据分布在某个点附近达到峰值时，等深度划分不能反映出数据本身的特点。另一方面，聚类方法可以定量地确定对象之间的亲疏关系，对于给定的大样本，在没有已知模式参考情况下，聚类方法能够按照样本的本性将对象分类，在解决数量关联问题中，应用聚类方法将属性值分类，得到的每一类，构成一个区间，可以解决等深度划分不能解决的问题，能体现出数据的分布情况。

Agrawal等人提出的基于支持率的部分k度完全方法的优越之处在于：所得到的区间支持率大于最小支持率，不会因过小支持率而被忽略，同时给出了置信的降低程度，在一定程度上限制了过小置信度导致的信息丢失［4］。

二、模糊关联规则的挖掘算法

由频繁模糊概念模式生成模糊关联规则的算法，通常采用Agrawal在文献中给出的算法。算法中符号分别定义为：D金融交易数据库；N模糊概念集；长度为k的候选模糊概念模式；长度为k的频繁模糊概念模式；p.sum记录对模糊概念模式P的支持率之和。

输入：金融交易数据库D，模糊概念集N及对应的模糊集和隶属函数，最小支持率minsup。

输出：频繁模糊概念模式L。

三、算法验证

为分析方便，仅以个人金融交易数据为例。表1是经过垂直分割后提取的具有代表性的金融交易数据记录，分别为交易标识号（ID）、交易人年龄（Age）、交易收付标志（OutorIn）、交易人本月内交易次数（NumMon）和交易金额（Num）。

表1个人原始交易数据表

表2 在属性Age，OutorIn，Num，NumMon上定义的模糊概念、模糊集和隶属函数

表2分别给出了在属性Age，OutorIn，Num，NumMon上定义的模糊概念、模糊集和隶属函数。其中，OutorIn为类型属性，为便于处理，在挖掘中将其转化为数量属性，用1表示Out，0表示In。

以上关联规则就为我们得出部分普遍性规律，如果某位交易客户违背了这种规律，就可以认为是可疑金融交易行为，可对其进行进一步的分析调查。

四、结束语

与基于分区方法的量化关联挖掘算法比较，该算法的优点：（1）通过定义模糊概念软化了属性域的划分边界，在集合和非集合元素之间提供平滑的变迁，在挖掘时充分地、合理地考虑各个元素所作的贡献，克服了因划分区间而造成的不足，也减少了属性-值对应的数目。（2）用模糊概念表示属性间的关联关系，自然、简明、便于工作人员进行具体的分析。（3）用户可在属性上定义不同数目的模糊概念，方便地控制关联规则的普遍化与具体化的程度。通过实验验证，算法是有效的。

参考文献：

［1］Agrawal R, Imielinski T, Swami A. Mining association rules between set of items in targe databases. In:Proceedings of the 1993 ACM-SIGMOD Conference on Management of Data, Washington,D.C, 1993:207-216.

［2］Agrawal R, Strikant R. Fast algorithms for mining association rules. In: Proceedings of the 20th VLDB Conference, Santiago, Chile, 1994: 247-299.

［3］Park J, Chen M, Yu Y. An effective hash-based algorithm for mining association rules. In: Proceedings of 1995 ACM SIGMOD International Conference on Management of Data, San Jose, USA, 1995: 175.

篇2

笔者认为，中报概念股的重点应着眼于高送转题材上，投资者应从以下思路选择标的：第一，选择已明确送转方案的股票逢低布局、中线持有，博取更大的收益，建议关注智云股份、向日葵等龙头品种。第二，从公司基本面分析出发，从各项财务指标中挖掘可能高送转股票，建议关注沃森生物、闰土股份、老板电器、焦点科技、海格通信、科远股份等股票。

手机游戏概念股依然倍受市场资金青睐，众多上市公司更是掀起了向网游进军的风潮，无疑都是看重手机游戏市场的巨大消费潜力。本周市场以浙报传媒、掌趣科技、天音控股为龙头的正宗游戏概念股、以华润锦华、深圳华强为首的泛手游概念股都有不错的上涨。

互联网金融是继温州金改后掀起的金融改革新浪潮，这是来自草根的金融革命，必将引发中国金融格局的惊天变化。内蒙君正、金证股份、东方财富、大智慧等龙头股连续涨停，内蒙君正等龙头股随受特停影响，相关概念股出现短期震荡，但不改互联网金融概念股中期上升趋势。

篇3

中图分类号：f832文献标识码：a文章编号：16749944（2013）08029102

1引言

在当今社会中，科技资源与金融资本已经成为推动经济发展的两大引擎。如何做好科技金融的结合现今已经成为我国经济发展中亟待解决的问题。

2科技金融概念的辨析

科技金融这一概念最早的雏形形成于卡萝塔·佩蕾丝的《技术革命与金融资本》，其中描述了技术创新与金融资本结合的基本范式。纵观世界经济的发展进步，每次爆发式的经济发展都伴随着金融资本与技术创新的高度结合，对利润天生的敏锐促使金融资本一次次将技术创新成功地财富化，因此每次技术创新的繁荣都伴生着金融创新的出现[1]。

国内对于“科技金融”的论述，往往是将其看做科技与金融结合的产物，是促进科技成果转化的一系列工具、制度、服务等的系统体系[2]，同时也是作为国家科技创新体系和金融体系的组成部分而存在的。在国内高新技术产业亟待发展的今天，对科技金融的研究价值是毋庸置疑的，但是从经济学的角度出发，对“科技金融”的研究不应该总是被看做科技的外生变量，也不应该是金融的外生变量。科技金融不仅仅是科技和金融的简单结合，甚至不仅仅是一种创新，更应该是属于技术经济的范畴，其本身是一个科技创新资本化的过程，或者说是无差异的资本经过科技创新这一异化配置手段，获得高于传统金融附加值的投资回报过程[3]。

3科技金融的运作模式

3.1全产业运作模式

科技资源和金融资本作为当前经济发展最活跃的两个因素，其结合程度和结合方式直接影响着两种资源的配置效果。很多时候，我们会发现，科技与金融的结合并没有产生预想中的良好效应，使我们对这两类资源的结合产生了怀疑。本文认为，究其原因，在于配置机理的模糊导致了配置方式的不合理，故而产生了1+1<2的怀疑和失望。

从全产业链价值体系的角度出发，科技金融需要一个完整体系和框架去被培育和发展。在培育一个市场的时候，需要回避的是市场失灵，科技金融正是如此。具体地说，我们现在需要的科技金融，不是一种片段性的创新，而是整个体系的创新。如创业投资、科技担保、科技保险、信用融资、科技债券等，基本都是各自孤立地发展起来的。虽然这对于国内科技金融创新时间的发展起了莫大的推动作用，但是却也和科技金融整体发展缓慢的事实形成了鲜明的对比。长此以往，这种既缺乏理论上的建构，也缺乏链条上的衔接的发展模式，必然会导致片断性创新的过度投资，同时也伴随着产业链上其他环节不发育的情况出现，从而导致了科技金融全产业链的投资失败。以信用融资为例，信用市场的快速发展，促生了更多信用评估机构，但是由于信用产品应用市场的不完善，又使得信用服务相对过度，必然会产生市场的不均衡和资源的浪费，从而产生逆向竞争，信用产品被搁置，服务质量下降，信用市场萎缩，往往使得信用融资这一片断性创新方式夭折，导致整个信用服务产业链的投资失败。这便是典型的产业发育断裂。

3.2政府对市场培育

从培育的角度讲，科技金融不仅仅是一般的市场行为，同时应该具有强烈的政策性[4]，也就是说，科技金融应该同时具备金融属性和财政属性。因为对一种战略性市场的培育，科技金融市场失灵的环节更应该是政策性最应该关注的环节。比如，在科技创新的整个过程中，由于科技创新越前端风险越大，因而其科技创新的融资问题更需要政府提供大力的支持；科技创新活动进入稳定和成熟期后，往往有与之匹配的金融市场，因而科技金融对其的支持会越来越少。从这个角度讲，科技金融工作更需要的是体制上的创新，而不仅仅是金融工具的创新。科技金融体制的建立是科技金融体系最上层的创新，是最需要政府关注也最能体现创新性的环节。

4结语

针对科技金融整体发展缓慢的现状，我们不能仅仅只将科技生于金融之外，期待科技能得到金融的帮助和支持。因为这样的思路和模式不够系统，违背了科技与金融的内在关系。应该认清金融资本作为一种市场资源的逐利性，培养一个让金融资本有利可逐的投资渠道是现阶段科技金融最应该创新的环节。科技金融

的实质是科技资源借助金融资源实现风险的分散和价值发现，金融资源通过科技创新产生的生产效率的提高取得高额的回报。只有是这样一个存在相互反馈的体系，才能保证科技金融作为一个整体而形成动态的平衡，实现两大资源的互利互动，体系发展。

参考文献：

[1]卡萝塔·佩蕾丝.技术革命与金融资本[m].北京：中国人民大学出版社，2007.

篇4

两会热点议题造就黑马集中营。在国企国资改革主题上，以新黄浦、新世界、棱光实业、上海九百、徐家汇为代表的上海国资概念股，以华帝股份、粤水电、佛塑科技、广弘控股为代表的广州国资改革概念股风生水起。在自贸区主题投资上，以渝开发、迪马股份、重庆港九、重庆路桥为代表的重庆自贸区概念股变现最为出彩。受互联网金融首度写入政府工作报告的驱动，以欧普钢网、物产中拓、深圳华强、上海钢联为代表互联网金融概念股，以新国都、天喻信息为代表的电子支付概念股涨停如潮。