基于大数据分析银行不良信贷风险预警系统设计.docVIP

基于大数据分析银行不良信贷风险预警系统设计 　　本文主要阐述了基于大数据分析银行不良信贷风险预警系统设计方案，同时，提出了基于层次分析法的银行不良信贷风险预警系统模型设计，通过分析实验结果，能够为相关设计人员提供一些参考。 　　【关键词】大数据分析 不良信贷风险 银行预警系统 　　随着大数据时代的到来，金融领域是国家重点发展的领域。银行作为金融领域中的主体地位，在管控风险功能上受到大数据的影响。通过对大数据进行分析，建立对银行不良信贷风险的预警系统，能够解决银行和客户信息不对称的问题，从而提高银行风险管控能力和经营水平。 　　1 基于大数据分析下的银行不良信贷风险预警系统设计方案 　　在进行大数据下的银行不良信贷预警系统设计中，需要对海量数据中的不准确数据进行集中处理，建立对应的数据关系算法，进而优化银行不良信贷风险问题。在RS理论中，设计一个不具名的银行不良信贷信息系统为R=（T，Y，U，I），系统的域为O，，同时，，A为银行不良信贷的属性集，D为银行不良信贷的决策集，U为信贷信息的属性集合。利用函数，可以表述出银行不良信贷的映射情况，当，。当银行的不良信贷信息不确定时，可以用表示。上述方法，在对银行不良信贷模糊信息优化时，能够排除冗余信息，得到可利用的信息。 　　在进行大数据下的银行不良信贷风险预警系统设计中，建立BP神经网络模式，架构信息的输入层、输出层以及拓展层，能够起到连接预警系统和信贷信息系统的作用。BP神经网络模式应用的是集合训练法，它能够将RS理论和BP模型相结合，具体架构步骤如下： 　　（1）通过RS结构系统，提出风险预警机制中的冗余信息，利用函数数据离散化处理，确定影响银行不良信贷风险的因素之间的关系。 　　（2）将RS理论应用到BP模型中，建立初步的风险预警系统模型。将剔除冗余信息后进行集合，输送到RS理论的输入层，传递给RS-BP神经网络，然后对隐含层、输出层进行集合训练，达到模型的最优化状态。 　　（3）如果在优化状态下，仍旧存在信息冗余，可以多次重复上述的步骤，经过迭代运算，能够完成训练精度的要求。根据上述的结构设计，所产生的银行不良信贷风险数据，可以形成预警系统。 　　2 基于层次分析法的银行不良信贷风险预警系统模型设计 　　由于传统的算法在面对现如今的大数据信息时，准确性较低，从而影响风险预警系统评估风险的准确性，因此，本文提出一种基于层次分析法的银行不良信贷风险预警系统的架构方法。首先，设计银行不良信贷风险预警系统的结构。在进行风险预警中，要将层次分析法和RS-BP算法相结合，将其分为上下两层，即银行信息的准则层和目标层，准则层主要由银行的财务、客户、内部业务、创新等方面，分为A、B、C、D，依次包含银行贷款收益率、银行市场占有率和顾客情感、银行贷款业务平均成本和出错率、银行的创新能力等。再者，约束条件确定权重指标。通过德尔菲法对银行的不良信贷风险预警系统的权重进行优化，过程如下： 　　（1）设置第i项的银行不良信贷业务存在着风险分别为，相对的权重即为，因此，不良信贷的风险指标i对银行的影响公式： 　　（2）根据银行的不良信贷业务的风险指标建立预警系统的准则层，可以计算该层所具有的向量平均值，公式为： 　　其中，n=1，2，3，4。 　　（3）在进行检验时候，如果检验的结果小于0.1，就表示银行不良信贷风险预警系统具有很高的准确性。 　　最后，完善银行不良信贷发风险的预警系统。完善风险预警系统，需要得到风险评估的权重，具体步骤如下： 　　（1）计算出此层系统的权重和上层权重的积。如果上层权重仍有延续层，将相乘得到的结果与延续层相乘，可以得到第二层的权重。 　　（2）按照银行不良信贷的指标和权重作为原始数据，建立银行不良信贷风险预警模型，模型的公式数据为： 　　银行不良信贷风险指数=（第一指标*权重）/系统权重之和 　　为了进一步简化系统工作过程，可以将银行不良信贷的风险预警指标转换为公式，如下： 　　通?^这样的方法，在架设大数据下的银行不良信贷风险预警系统过程中，如果风险指数越低，银行的不良信贷管理能力越高；当指数过高，说明银行的不良信贷管理能力低。 　　3 实验结果及分析 　　为了保证系统算法的有效性，需要进行不断改进，在某银行的不良信贷风险预警系统中，从银行报表随机选取200组数据，每组数据显示一天中的不良信贷数据，然后利用上述两种算法进行风险预警，从而得出数据，通过与银行数据的报表的对比，能够得出传统算法和改进算法的误差比。 　　通过实验，能够显示出传统算法和改进算法之后的误差对比：改进前的算法误差在1.18%-2.98%，而预警系统在改进后，误差在0.01%-0.12%，说明在进行银行不良信贷预警过程中，改进算法可以降低系统信息的冗余