数据挖掘在银行业风险防范的应用.docVIP

数据挖掘在银行业风险防范的应用 　　摘要:信息资源的分析、整合在银行业的竞争中起着越来越重要的作用。数据挖掘作为一种有效的数据分析工具,能为决策者从不断积累与更新的数据中提取有价值的信息。因此,数据挖掘在银行业日益受到重视。该文介绍数据挖掘在信贷风险预测方面的应用,从信贷管理信息系统中提取数据建立数据仓库,设计并实现了一个C/S结构的信贷风险预测系统,为经营者提供数字化的决策依据。 　　关键词:数据挖掘;风险预测;分类 　　中图分类号:TP274文献标识码:A文章编号:1009-3044(2009)31-pppp-0c 　　 　　The Application of Data Mining in Banking Credit Risk Prediction 　　LIN Qiang-dong 　　(Xinjiang Branch of China Construction Bank, the Ministry of Information Technology, Urumchi 830002, China) 　　Abstract: Information analysis and integration plays a more important role than before in banking competition. As a kind of effective data analysis tools, Data Mining can be very helpful to pick-up the valuable information from the continually increasing data store of decision-maker. So Data Mining is gained more and more focuses in banking market research. This article introduce the application value of Data Mining in credit risk prediction research. Picking up some data from credit management information system and establishing data workhouse ,designing and realizing the credit risk prediction system with C/S frame, which can offer digital advice to credit operator. 　　Key words: data mining; risk prediction; classification 　　 　　1 研究背景与意义 　　正确决策的依据是信息化技术的广泛运用。迄今为止,建设银行各级分行领导对信贷经营决策的90%以上的信息来源于各个MIS系统,其中CMIS系统(中国建设银行信贷管理信息系统)起着重要的作用。而CMIS系统可以提供给决策者的信息即为各类不同口径的报表。决策者们通过各口径数据的比较、归纳、总结后,实施各个经营决策目标,在此过程中,个人的主观臆断性占据了很大成分。 　　信贷风险控制一直是信贷工作的难点和重点,对某个客户某笔信贷资金的发放,存在较多的主观因素,不但要综合考虑各个数据源提供的统计数据,例如报表,同时还需要参与很多自身的经验,主观臆断性强。如果可以开发一套智能化的系统,能够迅速、有效地从各个数据源中提取智能化的结论,为决策者提供依据,将大大地加快信贷审批速度和增加信贷审批可信度。这对于简化信贷工作流程、降低信贷人员工作量都有着重要的意义。 　　2 数据挖掘分类方法研究 　　分类(classfication)是对一组已分类数据为对象作分析,寻得每一类的规律。以此分类规律为基础对另外的未分类数据作分类所得结果称预测(prediction)。分类分析中的关键算法(简称分类算法)很多,常用的有决策树算法、粗集算法、贝叶斯方法及人工神经网络。 　　人工神经网络(artifucial neural network,ANN)是一种由简单计算单元与它们间的连线所组成的网络,它能模拟生物神经系统的功能。它起源于对大脑神经系统的研究,并受仿生学影响,将大脑神经系统结构原理用现代电子技术及计算机技术作模拟以达到大脑的思维与推理能力。 　　反向传播(back propagation)模型是ANN最常见的一种模型,它在实际应用中使用最为广泛,又称BP模型,是一种多层、前向(multilayer feed-forward)结构的人工神经网络