基于数据挖掘技术的农村金融客户评级的相关文献调研教材.doc

基于数据挖掘技术的农村金融客户评级的相关文献调研小报告 摘要： 近年来，我国的金融机构越来越重视自身的信息化建设。农村金融机构在支持农业发展解决农户贷款难，促进农民增收，发展农业现代化方面发挥了重要作用。而另一方面，其自身超过商业银行数倍的不良资产率阻碍其在农村经济发展建设中的作用发挥。因此全面准确的评估农户的还款能力，对农户信用进行评级，拒绝不符合条件的客户，将是各农村金融机构避免风险，减少损失的一个重要手段。而随着社会经济的不断发展，农村经济中“农户”的概念外延不断扩展，传统的评价体系自身的问题尚未解决，已不适宜与用到现在的“农户”概念。数据挖掘技术自上世纪八十年代末提出之后，首先便被应用于金融与经济领域，并在信用评分模型构建中发挥着广泛而且重要的作用。随着数据的飞速膨胀数据仓库的发展又促进数据挖掘更深入的应用。本次文献调研的目的是梳理总结相关文献中涉及评级体系构建的算法模型。 关键字：信用评级，数据挖掘，算法模型； 0.引言 农村金融机构一直以服务”三农”为宗旨，有力地支持了“三农”经济发展，其自身也得到了较快发展。但由于内外因素的影响，部分农村信用社不良贷款“双高”局面长期居高不下，不利于实现稳健良性发展目标，同时也削弱了对经济发展的助推功能。2014年8月15日，银监会发布的初步统计数据显示，截至6月末，国有商业银行不良贷款余额3957亿元，不良贷款率1.05％，而全国农村信用社不良贷款余额3809 亿元，不良贷款比例为3.8%。而具体到省份，特别是信用贷款，据某省农村信用社统计，其2011 社辖内信用贷款约为580亿元，其中不良贷款约为230 亿，信用违约比达40%。不难看出农村金融机构进一步化解不良贷款、改善资产质量任务压力较大。因此，如何借助科技的力量加强不良贷款管理，有效解决不良贷款问题是农村金融机构在改革发展过程所必须面临解决的问题。 农村金融机构与国外先进的商业银行相比，点多面广，管理难度大，不良贷款比例较高。目前虽然农村信用社建立了庞大的客户信息库和业务数据，但是还局限于对数据的存储、记账、查询、报表功能等，把大量的数据作为一种静态的档案来管理，没有把它当成一种重要的可以进行知识发现和决策支持的资源来利用，缺乏对其内在规律的挖掘，导致重要信息的流失和资源的浪费。但也为利用数据挖掘技术提供了可能。 1.客户信用风险评级方法的发展： 最原始的评级方法是专家评分法，其所依据的信息最初是主观评价，从3C 评价原则(品德Character、能力 capacity、担保 collateral)到今天的5C和1S、5W评价原则。5C和1S，即特征(Character)、能力(Capacity)、资本(Capital)、抵押担保(Collateral)、生活状况(Condition)、稳定性(Stability)。5W，即借款人(Who)、借款用途(Why)、还款期限(When)、担保物(What)及如何还款(How)。这些评价在内容上都十分类似，共同点都是将道德品质、还款能力、资产实力、担保和经营环境如何还款等要素逐一进行评分，让银行信贷人员对借款人的整体状况有比较清晰的认识，信贷人员通过对借款人五个方面进行综合评估，最后得出信用等级，根据信用等级以作为是否贷款、贷款标准的确定和贷后跟踪监测期间的政策调整依据。使用这种方法对评估人的综合业务能力，专业水平要求较高，但农信社信贷人员素质普遍不高，在打分时有很大的主观随意性，造成评分出现较大偏差。信用评分法将借款人的特征进行量化，形成一套指标体系，克服了主观随意性的风险。 2.国外研究现状： 尽管大家都知道21世纪是数据挖掘发展的黄金时代,但在实际应用领域，数据挖掘的发展远不如其在理论和技术方面的研究，数据挖掘的实际应用任重道远。数据挖掘在金融信用风险预测方面，国外许多金融机构表现的很积极,但是由于金融信息的保密性，一般很少公布具体数据挖掘细节。但据美国软件商提供的报告称:FCC国家银行、美国第一银行、美联储、联邦住房贷款抵押公司等重要金融机构都在致力于数据挖掘在金融系统的应用。主要运用以下五种方法： （1）、判别分析法 第一个把统计学方法运用于个人信用评估领域的研究人员是 David Durand，他把 Fisher提出的判别分析应用于个人信用评估，用来判别好客户和坏客户，它的原理是使用统计方法来对整体中的各个组的特征进行分类。William Fair和Earl Isaacs利用判别分析法建立了 FICO 评分系统。并成为如今主要的个人信用评分体系。FICO系统被认为是衡量个人风险的“黄金标准”。FICO 信用评分模型基本思想是把申请人的历史信用资料与数据库中借款人的信用习惯进行比较，来判断申请人与违约、恶意透支、甚至申请破产等特征的借款