基于主成分分析与K-means聚类的厄瓜多尔金融保险部门企业财务特征分类研究
《Big Data and Cognitive Computing》:A Big Data Analytics Framework for Corporate Financial Profiling: Unsupervised Machine Learning Applied to Ecuador’s Financial and Insurance Sector
【字体:
大
中
小
】
时间:2026年09月29日
来源:Big Data and Cognitive Computing 5.3
编辑推荐:
通过监管大数据库获得的金融信息量巨大,其规模和更新频率与大数据的定义特征一致,这为实施大数据分析和商业智能以支持企业决策提供了机会,但由于高维财务指标之间的相关性,这也带来了挑战。本研究提出了一种将降维技术与无监督机器学习相结合的大数据分析模型,用于对厄瓜多尔金融和保险部门(
通过监管大数据库获得的金融信息量巨大,其规模和更新频率与大数据的定义特征一致,这为实施大数据分析和商业智能以支持企业决策提供了机会,但由于高维财务指标之间的相关性,这也带来了挑战。本研究提出了一种将降维技术与无监督机器学习相结合的大数据分析模型,用于对厄瓜多尔金融和保险部门(K部门)企业的财务特征进行分类。本研究采用定量且非实验性的方法,使用从"公司、证券与保险监理机构"数据库中提取的数据集,该数据集包含2279家独立企业7875个企业-年观测值(2019–2024年),涉及规模、盈利能力、流动性、杠杆率和企业年龄等九个财务指标,极值通过1%和99%分位数的缩尾处理加以处理,而非删除样本。主成分分析(PCA)用于降低数据维度,而K-means聚类则通过肘部法则、轮廓系数、替代聚类算法(PAM、层次聚类(Ward法)和高斯混合模型)以及不同的K值进行验证,对2024年仍在运营的1894家企业进行了分群。主成分分析保留了数据集中的四个主成分——企业规模、财务绩效、运营结构以及资本结构与组织成熟度——解释了总方差的76.04%。K-means聚类识别出两个可解释的企业财务特征(统计分离度有限,平均轮廓系数为0.257):一个规模较大、成立时间较长、杠杆率较低的群体(聚类1),以及一个规模较小、成立时间较短、杠杆率较高且观测回报率较高的群体(聚类2)。除对厄瓜多尔金融和保险部门的区域性贡献外,本研究还展示了一个完全可复现的大数据分析流程——包括透明度和稳健性诊断——该流程适用于其他经济部门以及持续更新的监管数据库。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号