中文摘要：

现代金融风险防范与管理研究的一个显著特点是数据分析量大、不确定性因素多、基于传统统计技术建立的模型假设条件多，实际应用难以奏效。而数据挖掘技术是实现金融最优化风险防范与管理的重要组成部分，它能从大量数据中比较智能地获取新知识，能从复杂数据背景中通过数据分析创建量身制做的模型，找出解决问题的有效途径。根据国际研究经验与金融业发展趋势，数据挖掘在金融风险防范与管理中具有广阔的应用前景。 本项目将以中国金融相关实际数据为样本，以风险防范与管理理论为依据，运用神经网络与非线性方法，重点研究适用金融系统要求的数据挖掘技术；提出基于数据挖掘的金融风险防范与管理一般的建模理论与方法；构建我国金融风险防范与管理的具体数据挖掘模型；分析其应用效果并确定其适应范围。此研究成果对缩小我国与国外在此领域的研究差距；对金融风险防范与管理提供新方法与数量技术指导具有重要理论与现实意义。

结论摘要：

本项目详细研究了金融市场股票价量关系、混沌与流动性等特征，创造性地提出了用金融时间序列局部模式来挖掘金融市场局部规律特征的建模思想。提出了金融时间序列去噪的小波变换方法；提出了一种新的时间序列相似度量的主观偏好模型及其偏好系数的"锚点"估计方法；对金融风险的防范问题，提出了具有预测性的时间序列事件征兆模式挖掘方法TSEOPM；为有效解决著名的神经网络结构（PART）方法过度依赖参数的"精确"选择与检测数据的逻辑顺序等问题，设计出了一种数据缓冲管理机制，对于"次序无关"数据能够成功地实现数据缓冲；提出了淘汰"高相似噪声数据"的平均相似度方法，提出了依据Bayesian规则进行Group分配的新方法，改进了依据平均分配原则的不合理分配结果，对不同时间序列间出现的频繁关联模式，提出了基于共同机制原理的时间序列关联模式挖掘算法；研究了基于支持向量机的时间序列挖掘方法；对于股票市场的交易决策，提出了基于时间序列相似性识别的股市决策规则挖掘方法；研究了基于数据挖掘技术的财务风险预警方法、基于客户行为分类的风险管理方法、基于数据挖掘技术的市场有效性；开发出了金融风险管理辅助挖掘分析系统。