聚类分析及算法研究公允价值计量属性的应用——以我国金融行业为例赵婷（重庆理工大学会计学院，重庆400054）公允价值对金融行业的影响不容忽视。
以我国金融行业A股上市公司2015年年报披露的信息为基础，分析了当前公允价值计量的应用意义；同时，阐述了金融行业运用公允价值计量的现状。
结果表明，公允价值计量属性对金融行业资产的计量极其重要，可以帮助提高行业信息的相关性，有助于投资者了解金融市场动态。
标签：公允价值；金融行业；会计信息质量1引言随着经济的发展，国家在不断地修订会计准则，会计政策也随之产生巨大的变化，而会计政策的每一次变动，都对处于该经济背景下的企业产生了深远的影响。
有学者认为，经济环境的变化将持续不断地影响着会计政策的选取，而如何在历次的变化中觉察会计政策变化的轨迹与特征，并利用其具有的特征和轨迹做出有利于企业经营管理的决策，应是我们重点关注的领域，而公允价值计量属性是会计政策的内容之一。
2公允价值计量属性的应用意义公允价值计量属性对我国金融资产的计量影响深远。
美国历史上著名的“储蓄与贷款危机”表明：企业若以公允价值对储蓄和贷款款项进行计量，能够及时的向大众传达企业已经资不抵债的现状，有助于减少投资者的损失，反之，企业若自欺欺人的认为自身资金实力雄厚，偿债能力较强，会误导外部投资者与政府监管部门而使企业和社会蒙受了巨大的损失。
随着市场经济的发展，企业经营业务不断的扩张，越来越多的公司开展股票、债券等金融产品的交易，市场活跃程度加强，历史成本计量属性已不符合广大投资者的需求，急需“公允价值”入驻进行恰当的补充。
3金融行业公允价值计量属性应用现状表12015年金融业A股上市公司年报披露公允价值变动损失最大的前十家公司及原因公司名称公允价值变动损失（万元）损失原因中国人寿215000未披露海通证券192352.40以公允价值计量且其变动计入当期损益的金融资产和金融负债公允价值变动损益下降华泰证券71603.37未披露中信银行51900未披露国信证券41539.98衍生金融工具期末公允价值下降国元证券29467.92金融资产公允价值变动招商证券15019.05以公允价值计量且其变动计入当期损益的金融资产及衍生金融工具公允价值变动西南证券6514.66以公允价值计量且其变动计入当期损益的金融资产、金融负债及衍生金融工具公允价值变动太平洋3263.18本期交易性金融资产市值下降交通银行3200以公允价值计量且其变动计入当期损益的金融资产、金融负债及衍生金融工具公允价值变动注：来源于国泰安数据库、上海证券交易所以及深圳证券交易所首先，我国公允价值计量属性应用的主要领域是金融行业，尤其是证券机构应用尤为广泛。
其次，就金融行业而言，企业所处的环境变化迅速，公允价值计量属性能够更加真实的反映企业实际的经营状况。
最后，根据国泰安2012的行业分类标准，剔除ST公司后，隶属于金融业2015年A股上市公司的共56家，其中未采用公允价值计量属性的有4家，在整个行业中占比8%，且公允价值变动引起损益差异极大。
由上表可知，年报中关于公允价值变动损失的原因披露结果表明：2015年金融行业A股上市公司公允价值变动损失最大的前十名大部分均是由于以公允价值计量且其变动计入当期损益的金融资产、金融负债或者衍生金融工具公允价值变动导致。
4结论通过对行业特征进行统计性分析发现，目前我国公允价值计量属性在金融行业的应用尚需进一步完善。
本文主要从以下两个方面进行总结，帮助金融行业提升公允价值计量的规范性与可靠性。
4.1规范公允价值应用的信息披露要求众所周知，对于金融行业而言，公司金融工具采用公允价值计量属性进行计量或多或少会影响企业的净利润或者净资产，甚至会影响广大投资者的决策。
因此，规范公允价值应用的信息披露要求尤为重要，尤其处于当前风云变幻的市场环境中，公允价值计量信息的可靠性、可比性以及及时性更加重要。
4.2遵从实质重于形式原则，完善市场环境市场经济发展到一定阶段产生了公允价值计量属性，这是市场的需要，是市场发展的选择。
为了使公允价值计量属性的优势得到充分发挥，更好的为金融行业服务，使股票、债券等进行有序的交易，需要相关部门建立健全的、完善的公允价值应用的市场环境。
参考文献[1]董红晔. 修订后会计准则实施中存在问题与解决对策[J]. 重庆理工大学学报（社会科学），2012，（8）：1720，39.[2]蔡闫东，刘成立. 公允价值计量属性发展与会计政策政治博弈[J]. 财会通讯，2011，（27）：2425，70，161.[3]丁俊. 公允价值计量应用现状研究——基于中国金融行业上市公司2007年至2009年年报数据的分析[J]. 财会通讯，2011，（36）：1214.聚类分析已经成为数据挖掘中的一项重要技术，是分析数据并從中发现有用信息的一种有效手段。
伴随着计算机存储技术和计算能力的提升，仿生学、人工智能技术的进步，为聚类分析的发展创造了良好的条件，各种聚类分析算法层出不穷。
因此基本的聚类的类型特征基础上，对基于这些类型且应用较为广泛的算法思想归纳总结，比较算法的优劣，指出存在的问题和不足，寄希望于从中得到一些启发，使聚类分析的方法有新的发展和发现。
标签：数据挖掘；聚类分析；聚类方法1引言随着数据收集和数据存储技术的快速进步使得各组织机构可以积累海量数据，如何从大规模的数据存储中自动地发现有用信息，从而诞生了数据挖掘技术。
数据挖掘技术不但发现未知数据库的应用模式，而且，通过数据挖掘还可以预测未来结果。
聚类分析作为统计学的一个基本方法，已不断的发展为数据挖掘中的一项重要技术，成为从数据库中发现有用信息的一种有效手段。
应用于生物学、社会学、医学、环境科学、信息检索、商业策划、图像处理等诸多领域。
例如，生物学家从早期创建所有生物体的系统分类学，到如今使用聚类分析大量的遗传信息，发现具有类似功能的基因组；通过搜索引擎可以从数以亿计的Web页面中搜索到数百上千个具有共同性质或特征的网页；分析客户的购买数据或销售数据预测客户未来的需求，为商业策划提供决策依据。
聚类分析是从海量的数据中发现有用信息的过程，其本质是把不同类别或不同属性的数据区别开来，其核心的依据数据样本的特征不同，采用不同的方法即算法实现聚类，随着数字化的迅速发展，数据不论是数量还是类型都在不断的扩展，各种聚类分析算法也层出不穷，针对各种算法存在的缺陷和不足，新的改进算法和探索途径在不断产生。
针对不同的数据对象，依据什么选择算法以及选择哪种算法，给应用者带来困惑。
本文在阐述基本的聚类分析的类型特征的基础上，对基于这些类型且应用较为广泛的算法思想归纳总结，比较算法的优劣，指出存在的问题和不足，寄希望于从中得到一些启发，使聚类分析的方法有新的发展和发现。
2聚类的基本类型人类早先基于“物以类聚”的朴素思想，运用统计学的方法对事物进行分类，这就是最原始的聚类，比如物种的分类，就是从数据中发现所描述的对象及其关系的信息。
聚类分析与分类不同，信息时代，聚类的含义已发生了深刻的变化，它是从海量数据库或数据对象中，去发现数据对象的相似或相异（不相似），究竟有无相异的对象子集？这样的子集又有多少？这些事先都是未知的。
也就是说，聚类分析所要发现的类及其类的数量都是未知的。
聚类分析发现知识和信息的过程分以下四个步骤：（1）数据预处理，从数据库中选择与目标任务相关的数据集，或者具有某种特征的数据集，转换或规范成适合分析的数据。
（2）分析数据特征，判断聚类的类型，选择合适的聚类算法对数据集进行聚类，发现相似的或共同性质的类。
（3）验证和评价聚类结果，以确定对数据集的划分和评判所得结果是否是有效的、正确的。
（4）对结果进行解释，即分析和理解聚类结果，从中得到有用的信息。
数据集经过聚类分析划分成若干个子集，即分成不同的类或组，每个子集在聚类分析中通常称为一个簇。
所有簇的集合称为聚类。
依据簇的不同形态，存在不同类型特征的聚类。
2.1基于原型的聚类——划分聚类仅当数据包含在相互远离的自然簇时，簇中每个对象到同簇中的其他对象的距离比到不同簇中任意对象的距离都近（或更加相似）。
这种聚类称为基于原型的。
其聚类的特征是簇相互之间是明显分离的，如图1（a）所示。
通过划分可将数据集分割成三个相互独立的子集。
划分聚类也叫分割聚类。
通过分割将数据划分为K组。
典型算法有K-均值算法，Clara 算法和Clarans 算法。
2.2層次聚类如果聚类是嵌套的，如图1（b），并且允许簇具有子簇，则聚类组成一棵树，树中每一个节点（簇）都是其子女（子簇）的并，而树根就是包含所有对象的簇，这种聚类称为层次聚类。
如图2（a）所示，数据集为{a，b，c，d，e，f，g，h，k}，如果按自上而下进行分解，称为分裂式层次聚类，第1步将数据集分解为{a，b，c，g，h，k} 和{d，e，f}；第2步将{a，b，c，g，h，k} 分解为{a} 和{b，c，g，h，k}；第3步将{b，c，g，h，k} 分解为{b，c} 和{g，h，k}；第4步将{d，e，f}分解为{d}和{e，f}；第5、6、7步分别将{e，f}、{b，c}、{g，h，k}分解为只有一个元素的叶子节点，算法结束。
其结果如图2（b）所示，簇的形成自左到右的过程。
反之，如果自下而上由单个元素逐步聚合成大类的过程，称为凝聚式层次聚类。
如图2（b）中自右至左的聚类过程。
代表的算法是BIRCH算法，CURE算法等。
2.3基于密度聚类簇是对象的稠密区域，或者，簇的分布是不规则或是重叠的，如图1（b）所示。
这种情况下难以分割或分层，根据数据分布密度的不同，把相同或相近密度的数据分到一个簇中，从中可以发现数据的分布模式，或者不同密度之间的关联关系，从而发现有用信息。
其特点是适合于发现不同形状的簇。
代表算法有DBSCAN算法DENCLUE算法。
3聚类分析算法数据对象所拥有的簇不同，采取的聚类方法也不同。
随着聚类分析技术的不断发展，各种聚类方法或算法改进应运而生。
本文介绍划分聚类、层次聚类、基于密度的聚类的常用算法。
3.1划分聚类3.1.1K均值聚类算法K均值聚类算法是由J. B. Mac Queen 于1967 年提出来的一种基于划分的经典聚类算法。
它是基于原型的聚类技术创建数据对象的单层划分。
算法的基本思想是：首先，选取K个初始质心（质心点到簇中其他数据之间欧式距离的平均值或是簇的中心点），初始质心是随机选择的某个数据元素，其中K是用户指定的参数，即指定需要划分的簇的个数K 值，对欧式空间中的点使用欧几里得距离度量数据对象的相似性，通过计算各个数据对象到K 个初始质心的距离，按照最近邻原则将数据对象指派到距离它最近的质心所在的簇中，形成初次划分。