数据挖掘技术和风险管理.pdfVIP

数据挖掘技术和风险管理

一、数据挖掘的定义

数据挖掘就是利用人工智能、统计分析以及其它建模方法,从大量不完全的、

随机的数据中寻找数据之间的关系和有用的信息。数据挖掘在营销、金融等行

业的重要性已经被认识,所以企业一般都建立自己的数据库即客户关系系统

(CRM),这为数据挖掘的发展提供了基础。需要指出的是:数据挖掘并不仅仅是

技术和算法的组合,它其实更像过程,这个过程的目的在于解决具体的问题或做

具体的决策。

数据挖掘的过程一般如下:(1)问题的定义以及数据准备;(2)数据分析以及模型

的建立。(3)模型的应用与检验。第一步与第三步因问题的不同而不同,第二步

具有一般性因而可以实现自动化。由于实现第二步的方法以及模型可能有多个,

最优化的模型可能会因定义的问题以及应用的领域不同而不同。模型建立包括

核心以及外部技术,自动化主要在核心之中应用。数据挖掘一般是重复的过程,

当数据与模型不再相合时,或数据已经过时了,数据挖掘就得重做。尤其在金融

部门,由于金融数据的高变动性,数据挖掘过程更加频繁。这里数据挖掘的定义

指按照某种商业目的,确定针对不同商业目的算法和技术,对大量的信息知识和

数据进行有效的知识管理的工具。

二、数据挖掘和信用风险管理

数据挖掘目前在信用风险管理上应用得相当广泛,如:信用评分、数据库市场

化、客户关系管理等等。从目前的发展情形来看,数据挖掘技术不是信用风险管

理的主流方法。但是,从该技术的特点以及信用风险管理的目的和方法来看,应

该是信用风险管理中重要的手段。主要表现在如下几个方面。首先,对贷款者进

行信用计分。信用计分是个贷业务中的重要方法,它是决定是否给予贷款的基准,

信用计分是贷款者的信用级别高低的标志。信用计分卡实际上是一种用于个人

信用风险控制的数学模型。它是利用数据挖掘技术对银行积累的大量客户历史

数据进行分析,寻找出有关客户信用风险的特征值和规律,建立相应的数学模型,

为新的贷款申请者或已有的客户评估风险。例如申请计分模型专门用于对新申

请客户的信用评估,它通过申请人填写的有关身份资料,即可以有效、快速地辨

别和划分好/坏客户。

其次,数据挖掘还可以对贷款者的行为计分,例如对信用卡持卡人的消费行为

和还款行为进行分析。信用卡的主要利润来源即应收利息已经成为一些银行的

利润点,但是利润点的增长需要从大量的个人特征和消费特征中找到特征,需要

对信用卡的收入分析、持卡人消费分析、以及循环费用进行分析,对于滞留还款

可能是潜在的损失,也可能带来潜在的利润,因此基于统计资料的估值方法不同

于以往信用风险管理方法,后者重视的是对一些数理模型的应用,如果模型本身

的假设与实际不符,则模型的结果不能取得令人满意的结果。

同时行为记分模型是通过对客户的消费行为进行监控和预测,从而达到评估

客户信用风险的目的。行为计分模型可用于信用额度的自动监控和调整、授权

以及对坏账的预测。例如,信用卡客户想增加信用卡的限额,那么这位客户的以

前的消费及信用模式,就要通过使用行为记分模型进行分析以便获得认可。

最后,在对客户信用计分和行为计分的基础上,客户对银行的贡献度和利润才

是信用风险管理的最终目标,这点和数据挖掘的目标一致,因此利润模型将是信

用风险管理的重要内容,也是数据挖掘模型的最终目的,即挖掘出有价值的客

户。信用卡消费目前的主要利润

来源是信用循环和预先借款利息,但是如何准确的找到合理的客户群就是传

统的信用风险管理不能适用,需要从大量的数据对客户群总体分析,客户群风险/

收益分析,客户群好坏分析等环节,对于单体客户应该对其效益、风险进行分析,

从大量的统计结果找到规律,从而提高利润。

目前,大多数数据挖掘技术集中讨论在信用管理的第一阶段,即对申请者的接

受与否进行分类和判断,对顾客的行为计分以及利润模型等相关研究比较少。因

此,需要开发高级模型以适应现代风险管理的需要。

三、数据挖掘方法和信用风险管理技术

1.信用计分模型

设变量x=(x1,x2,…,xp)描述申请者的特征,集合G表示好的客户全体集合,集

合B表示坏的客户全体集合。假设对每一个客户期望利润记为L,而若将坏客户

分成好客户造成的损失假设为D。pG表示申请者好客户的比例,pB表示申请者

中坏客户的比例,p(x|G)表示好客户G中具有属性x的概率,q(G|x)表示具有属性

x的客户是好客户的概率,p(x)表示申请者具有属性x的概率,因此如下关系成立

q(G|x)p(x)=P(x|G)pG,同样,