Salford金融行业应用.pdf

Salford数据挖掘技术 在金融行业的应用 概述  数据挖掘在金融行业的应用主要有两大方 向  风险管理  信用风险管理  反欺诈  市场营销以及客户关系管理  定向营销  金融产品的设计和定价  客户挽留 风险管理  信用风险管理的核心任务之一就是对各种金融产 品的客户在不同阶段的信用风险进行有效的评估  信用卡  房屋抵押贷款  汽车抵押贷款  贷款发放/批准阶段的风险评估  对现有借款者行为进行跟踪评估  欺诈是金融行业所需要面对的另外一种风险  信用卡盗用  保险行业的骗保 风险管理中的核心问题  科学的风险管理需要我们更好的了解客户  哪些客户是高风险的客户，他们的特征是什么  哪些客户是低风险的客户，他们的特征是什么  对于风险级别不同的客户，用什么方法来量化 这种风险的差异  欺诈的模式有哪些，如何在实时的环境下识别 欺诈，阻止欺诈的发生 在风险管理中运用CART和TreeNet技术  利用CART和TreeNet建模技术对大量的高纬度数据进行建 模分析，自动从大量的预测变量中筛选出具有与风险相关 的变量，寻找高风险人群的特征模式，并提供风险打分卡， 实现风险量化评估  CART是一种决策树建模工具，可以建立易于理解的，基 于规则的模型。CART模型能清晰的给出各个风险级别的 人群细分  TreeNet是一种新一代超高精度建模工具，模型的每个基本 单元是一棵小的CART树，通过不断修正预测值，来提升 模型的精度。TreeNet能够提供每一个重要的预测变量与违 约或者欺诈概率的相关性图示 信用违约风险模型案例1—个人信用 风险模型  数据来源于某家德国银行  样本数为1000个银行个人客户，其中违约样本为 300个（目标变量取值为2 ），正常样本为700个 （目标变量取值为1）  数据集中总共有20个预测变量，其中7个数值型的 变量，13个为类别型的变量  希望建立一个决策树模型寻找到具有较高信用违 约风险的人群细分，同时建立有效的风险评分卡 CART模型缩略图 CART模型得到的高风险人群细分  模型中每个节点给出的变量都是CART 自动筛选出 来的与风险具有显著相关性的变量  红色的节点代表高风险人群细分  支出账户状态为A11或者A12 ，同时贷款时长为大于22.5 个月  信用历史为A30或者A31 ，同时支出账户状态为A11或者 A12 ，并且贷款时长小于等于22.5个月  信用历史为A32或者A33或者A34 ，同时支出账户状态为 A11或者A12 ，并且贷款时长大于11.5小于等于22.5个月， 同时信用额度小于1387.5  贷款用途为A40或者A46或者A49 ，同时其它分期付款计 划为A141或者A142 ，同时支出账户状态为A13或者A14 TreeNet模型的输出结果—预测变量重 要性排名 变量 打分 支出账户状态$ 100.00 ||||||||||||||||||||||||||| ||||||||||||||| 贷款时长 83.87 ||||||||||||||||||||||||||| |||||||| 用途$