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

摘要

贷款资产是商业银行的主要资产，同时也是商业银行日常经营中的一个重要利润来源。然而，不良的放贷行为将使银行蒙受巨大的经济损失，并可能导致银行经营失败，甚至妨碍社会经济稳定。所谓“不良放贷”，是指银行向其交易对手出借货币资金使用权，而交易对手未能按照贷款协议约定履行还本付息的责任，造成银行的实际贷款收益与预期贷款收益发生偏差。在银行实际运营中，这种偏差现象是否将发生的不确定性被称为银行贷款的“信用风险”，有时也称为“违约风险”。
　　 正式论文将由“导论”、“文献综述”、“数据挖掘分类技术及其优越性”、“数据挖掘分类模型的应用”和“结论”五部分组成。“第1章导论”主要讨论数据挖掘技术应用于商业银行中的研究背景、研究的意义及研究目标、以及前人所做的相关研究。“第2章文献综述”主要对信用风险评估做了回顾。“第3章数据挖掘分类技术及其优越性”讨论了数据挖掘技术的基本思想及其在应用于信用风险分类的优越性。“第4章数据挖掘分类模型的应用”是本文的重点，分析数据挖掘分类技术(包括Logistic回归、神经网络和C5.0分类树)如何应用于信用风险类别预测，并采用某银行的数据对该问题做数据实验，以验证方法的有效性和准确性，最后分析试验结果，以得到该问题的有效解决方法。
　　 最后，本文搭建并规范化了一套“‘由数据仓库导出数据’到‘数据格式转换’到‘以类别为单位的数据集融合为整集’再到‘数据录入数据挖掘系统并实施挖掘任务’”的银行数据挖掘工作流程。从结果评估部分看，我们可以准确地(超过90％的准确率)为新的贷款协议申请判别其风险类别，即区分“不良”类或“良好”类。同时，我们可以向此风险分类系统的使用者清楚地展现用以判定协议类别的分类规律。
　　 本文通过数据实验得到：数据挖掘分类模型对于商业银行贷款信用风险类别预测问题广泛适用，它能够完全解决传统违约度量技术对于分值排序居中的贷款数据在类别判定上模棱两可、难以辨识的问题。同时，没有一种唯一最优的数据挖掘技术适用于贷款风险分类问题，应用者需要根据数据的实际情况选择最优的方法。