摘要：由于金融危机发生的周期性和规律性，对金融危机风险的预警和分析越来越重要并具有一定可行性。文章从经济分析和数量方法两个角度综述了当前金融市场风险分析与预警的方法，提出了基于数据挖掘的金融市场风险刻画的方法和步骤，对我国金融市场的风险预警具有很好的借鉴意义和实用性。
　　关键词：金融危机：数据挖掘；金融市场风险
　　
　　一、引言
　　
　　始于次贷危机的美国金融危机给美国以及全球的金融系统带来了沉重的打击，在短短一周的时间里世界上最大的四家美国投资银行全部走入历史，全球最大的私营保险集团AIG一夜之间成为美国最大的“国有企业”。在十月份美国道琼斯指数连跌八天，截止2008年10月12日全球股市蒸发6万亿美元，也使很多主权国家背负了沉重的债务。
　　金融危机的历史多次重演。金融系统的危机已经出现多次，如1929年美国大萧条、1990年日本银行危机、北欧银行危机等，诸次危机都造成了很大的破坏。虽然危机发生所在的各个国家的状况各不相同，各次影响也有小有大。但是这几次危机有着近乎相同的起因，那就是廉价的资金成本加上金融法规的开放，导致投资风气大盛。刺激股市和房地产价格飙涨(吴玥，2008)。这次美国金融危机的直接原因是金融衍生品过度开发，但是从根本上说也是美国前期过低的利率水平和过松的监管造成的。
　　金融危机是风险中孕育着机遇。从长远看，危机能够暴露经济发展中长期存在但被经济发展所掩盖了的问题，问题集中爆发，能够引起所有的人注意并进行经济制度项目式改进，是经济发展的正常环节。金融危机的教训能够帮助制定正确的经济政策，但是前提是要对金融危机的规律进行正确的总结。
　　由于历次金融危机多以共同或者相似的情形肇始、演变、结束，总结历次金融危机的历史原因和解救方法。及时发现金融系统中存在的问题。提出解决方案，上升为规则化的知识，在问题还没有给虚拟经济和实体经济造成深远破坏影响之前，对其及时予以纠正，对确保经济的健康发展是十分必要的。
　　数据挖掘技术(Data Mining)是进行金融市场风险知识提取非常好的选择。数据挖掘是从大量数据中获取有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程，简单的说，就是从大量数据中提取或“挖掘”知识。数据挖掘分为关联规则、分类、聚类、预测、序列模式、类似时间序列等类别。由于信息技术的进步。数据挖掘和知识发现技术已经取得了长足发展。在处理速度。准确度以及应用领域上都有了很大的突破。
　　借助金融危机研究金融市场风险的目的是总结知识，吸取教训。对现行经济政策中的问题及时予以改正。基于数据挖掘的知识发现能够通过规则、模型、高频繁项集等各种方式来呈现总结得到的经验型知识，可以用于辅助金融市场政策的制定，并具有一定的预警作用。
　　
　　二、金融市场危机风险研究现状
　　
　　目前国内外对于金融危机风险的研究主要集中在两个方面，一个是从经济学的角度探讨金融危机发生的原因及其对策，另一个是用数量的手段对金融风险进行量化的研究，下面首先从经济学的角度对其研究现状进行分析总结。
　　金融危机本质上也是一种经济周期，经济周期理论是本研究的理论基础。经济周期(Business Cycle)是指市场经济生产和再生产过程中周期性出现的经济扩张或者经济紧缩交替更迭循环往复的一种现象(宋承先，1997)。在经济学的研究中已经出现非常多的经济周期研究理论，大体可以划分为凯恩斯之前的经济周期理论和现代经济周期理论，现代经济周期理论包括凯恩斯主义、货币主义和理性预期学派三个经济周期理论学派(梁小民。2000)。
　　随着信息技术的发展，一些数量或者实证的方法也成为研究的热点，目前已经有一些进行实证或者数量的金融风险研究。Kaminsky等人的“信号法”(简称KLR法)认为。一个指标偏离均值的程度超过阀值时，被称之为发出了一个信号，噪音一信号比率是实际发出的坏信号的份额(噪音)除以实际发出的好的信号份额。通过噪音一信号比来筛选出对金融危机有预警力的指标，噪音一信号比的倒数确定指标的权重，从而加权平均计算金融危机的发生概率。Frankel等人的概率单位模型(简称FR法)。先确定尽可能大量的对金融危机有重要影响的经济变量作为监测指标，通过解对数方程来得出各变量的权重向量，再加权平均计算金融危机的发生概率。
　　Sachs，Tomell