数据挖掘分类技术在商业银行贷款信用风险类别预测中的应用（可编辑）.docVIP

数据挖掘分类技术在商业银行贷款信用风险类别预测中的应用 . . ’ , .’.谢Ⅱ ,.,. ,,. . .. . , ., .., %. 唱 , .. ’., , . : , , ,目录 第章导论 .研究背景 .选题意义 .研究目标 .论文新颖性及主要结构第章文献综述?.. 第章数据挖掘分类技术及其优越性.数据挖掘分类技术. ..数据挖掘技术源起 ..数据挖掘分类技术的基本思想? .数据挖掘模型的优越性第章数据挖掘分类模型的应用 .研究思路与方法.. .模型的数据来源及处理?.. .数据挖掘模型试验 .多种分类模型结果分析?.. .模型推广的可行性分析?.. 第章结论?.?.??.. 参考文献??.?.?..?. 致谢? 简历?。近年来,随着世界经济对金融依赖程度加深,商业银行作为信用中介、支付 中介、信用创造的作用越来越大。商业银行的经营情况将直接影响到经济的发展, 如果银行发展健康,对经济将产生重要的推动作用,反之,将严重阻碍经济的发 展,甚至引发社会的动荡。年金融危机就给我们了深刻的教训,美国金融 系统由于过分追求高利润而忽略了对信贷风险的控制,最终导致众多银行和企业 的倒闭,经济陷入困境,影响了世界经济的发展进程。虽已历时两年,目前仍有 许多国家仍处于金融危机后的缓慢复苏期。由此可见,国家的金融系统稳定、健 康发展将不仅关系本国经济的发展,且在经济全球化的时代还会对其他国家产生 重要影响。为避免重蹈覆辙,在金融危机后,各国都加强了对金融机构的监管, 以推动金融机构在经济增长中发挥积极作用。 商业银行面临的风险指在经济活动中商业银行由于受到各种不确定性因素 的影响而导致银行实际收益与预期收益出现偏差,收入或利润出现损失的可能 性。按照风险产生的类别,主要包括信用风险、国家及转移风险、市场风险、利 率风险、流动性风险和操作风险等风险,其中信用风险是指由于借款人不能按期 还本付息而给商业银行造成损失的风险,也称“违约风险’’,是这几类风险中最 重要的风险之一。 信用风险产生的主要原因是银行和客户的信息不对称,以至于在银行发放贷 款时并不能准确判断客户的还款意愿和未来的还本付息能力,只能依赖抵质押 物、联保以及贷后监管等手段来尽量减小客户违约带来的损失。随着现代经济和 科技的发展,银行对客户的还款意愿以及还款能力更难分辨。首先,欺诈客户, 即通过向银行提供虚假信息而恶意套取银行资金的客户,提供虚假信息的手段也 逐渐变得高明,银行越来越难准确的判断客户资料的真实性和准确性,从而影响 银行对客户还款意愿的判断,导致客户借款后发生违约。其次,虽然客户在借款 时还款意愿和还款能力都很强,但由于现代经济的复杂性,影响客户还款能力因 素众多和复杂,客户未来还款意愿和还款能力在借款后可能都会下降,但银行在 借款时并不能完整了解这些因素,因此现代经济的复杂性导致银行比以前更难识 别和管理信用风险。 年金融危机以来,我国采取了适度宽松的货币政策和积极的财政政策 等刺激经济。这些刺激政策虽然稳定了经济,但由于财政所配套资金大部分来源能把真实违约率高的客户判定为违约率低的客户。因此,在运用模型之前首先要 验证模型的假设分布是否与实际分布相符,以确定模型的适用性。然而,验证变 量的统计分布将是一项较为困难的事情。 由于传统的统计技术度量信用风险上有上述的缺点,近年来随着数据挖掘技 术的兴起和发展,运用数据挖掘技术来预测客户信用风险的研究逐渐增多。其研 究思路是把客户的信用情况抽象为一个二分问题,并用数据挖掘中的分类技术来 解决。具体来讲,银行贷款的信用状况可以分为“良好与“不良”两类。“良 好贷款是指贷款不存在信用风险,即银行的交易对手有能力并有意愿按照贷款 协议约定履行其还本付息的责任;而“不良贷款则指贷款存在信用风险,即银 行的交易对手没有能力或意愿按照贷款协议约定履行其还本付息的责任。因此, 商业银行贷款信用风险判定问题可以被抽象为一个数据挖掘二类分类问题。 从大量历史数据中选定若干良好与不良贷款协议数据样本;选择分类方法, 对给定数据样本进行学习,挖掘其潜在的可用于类别判定的分类隐藏规律;基于所挖掘出的规律或直接参照数据样本学习结果,创建分类器;使用测试 数据样本对分类器进行评估,应用并推广效果显著的分类器;通过将银行新 增贷款协议数据输入信用风险分类器,存在信用风险的贷款申请将被自动识别。 相比信用风险评分的统计模型,数据挖掘模型在理论上至少有两方面的优 点。首先,数据挖掘技术可以使用的变量数量更多,不用过多的考虑变量之间的 关系。因为对贷款信用状况产生影响的数据变量相当广泛且十分琐碎。例如,贷 款当事人的性别、年龄、学历、职务、收入情况等,贷款机构的企业规模、注册 资本、成立日期、主营业务收入、资产负债总额等,贷款自身的品