基于聚類分析解決銀行申請貸款問題研究

閆華竹

[摘要]為了解決申請貸款問題，需要對客戶的審貸信用進(jìn)行評級，此評級過程主要使用了數(shù)據(jù)挖掘中的聚類分析的方法。通過對客戶基本信息的挖掘和聚類分析，可以得出客戶申貸的信用級別，從而對客戶的審貸問題進(jìn)行分級處理。

[關(guān)鍵詞]信貸風(fēng)險(xiǎn) 聚類分析 數(shù)據(jù)挖掘

一、方法介紹：聚類分析

聚類分析能夠?qū)⒁慌鷺颖緮?shù)據(jù)，在沒有先驗(yàn)知識的前提下，根據(jù)數(shù)據(jù)的諸多特征，按照其在性質(zhì)上的親疏程度進(jìn)行自動分組，且使組內(nèi)個體的結(jié)構(gòu)特征具有較大相似性，組間個體的特征相似性較小。

K-Means聚類也稱作快速聚類，屬于覆蓋型數(shù)值劃分聚類算法。它得到的聚類結(jié)果，每個樣本點(diǎn)都唯一屬于一個類，而且聚類變量為數(shù)值型，并采用劃分原理進(jìn)行聚類。

二、數(shù)據(jù)挖掘——K-Means模型

搜集數(shù)據(jù)階段主要是對某銀行的客戶信息數(shù)據(jù)進(jìn)行整理和匯總，重點(diǎn)選取那些影響客戶申貸評級的那些指標(biāo)，例如客戶的年齡、收入、資產(chǎn)、債務(wù)、貸款量、風(fēng)險(xiǎn)、信用等級，按時還貸習(xí)慣等等。這些指標(biāo)都是筆者通過訪談銀行相關(guān)部門的工作人員，通過獲取相關(guān)經(jīng)驗(yàn)得出的指標(biāo)，此外這也是國際通用的對客戶信用評級的常用指標(biāo)。通過對某銀行客戶信息進(jìn)行整理和匯總，得出20個典型客戶的申請貸款信息資料。

數(shù)據(jù)挖掘的過程中，首先需要構(gòu)建k-means模型，這就需要相關(guān)clementine軟件操作，對數(shù)據(jù)集進(jìn)行模型導(dǎo)入。經(jīng)過k-means模型分析后，這組數(shù)據(jù)被分為四組，數(shù)據(jù)集按組別重新排列。分析結(jié)果顯示了四類所包括的樣本數(shù)分別為6、1、7、6個樣本，以及各變量的均值和標(biāo)準(zhǔn)差。如果聚類變量是分類型的，則顯示各類別的百分比。對各類特征的描述是聚類分析結(jié)果中不可或缺部分，viewer卡以圖形矩陣的形式直觀顯示了各類各變量的特征。

在這些評判指標(biāo)中，重要指標(biāo)有五個，分別是信用等級、年齡、結(jié)果、資產(chǎn)和風(fēng)險(xiǎn)。對重要指標(biāo)分別進(jìn)行分析，可以得出各組的重要客戶特征。

通過對各組“信用等級”情況比較分析中，我們發(fā)現(xiàn)cluster-3樣本的信用等級都是綠，cluster-1中5個樣本的信用等級是綠、1個是黃，cluster-4中3個樣本信用等級是紅、1個是綠、2個是黃，cluster-2樣本的信用等級都是黃，如圖2-5。同樣地，對各組“年齡”情況進(jìn)行比較分析，cluster-3樣本的4個中年3個老年人，cluster-1中6個樣本都是年輕人，cluster-4中6個樣本都是年輕人，cluster-2樣本的年齡是中年；再對各組 “結(jié)果”進(jìn)行比較分析，cluster-3和cluster-1的樣本都按時還款，cluster-4樣本中1個不履行還款、3個延時還款、2個按時還款，cluster-2的樣本都延時還款；對各組“資產(chǎn)”情況進(jìn)行比較分析，cluster-3樣本的資產(chǎn)平均值是513929.35，cluster-1樣本的資產(chǎn)平均值是25256.85，cluster-4樣本的資產(chǎn)平均值是37474.30，cluster-2樣本的資產(chǎn)平均值是91111.30。

針對四組樣本的情況，憑借以上五個重要指標(biāo)，筆者對四組提出批貸建議，如表。對于cluster-3批準(zhǔn)貸款，對于cluster-4不批準(zhǔn)貸款，而對于cluster-1和cluster-2，銀行需要限額批準(zhǔn)貸款，以防控風(fēng)險(xiǎn)事件的發(fā)生。

三、 結(jié)論

通過聚類分析研究，把某銀行20個典型客戶情況進(jìn)行分類，分成了四組。然后針對五個重要指標(biāo)信用等級、年齡、結(jié)果、資產(chǎn)、風(fēng)險(xiǎn)，對四組情況進(jìn)行比較分析。我們發(fā)現(xiàn)第三組的信用等級為綠、結(jié)果按時、風(fēng)險(xiǎn)低、資產(chǎn)量最大，對于這樣的客戶銀行可以放心的批準(zhǔn)其貸款；第四組的客戶風(fēng)險(xiǎn)高、年齡小、存在不履行還款現(xiàn)象、信用等級存在紅50%，對于這樣的高風(fēng)險(xiǎn)客戶銀行應(yīng)不予批準(zhǔn)貸款；對于第一、二組的客戶，他們存在延時還款現(xiàn)象、信用等級存在黃色，風(fēng)險(xiǎn)中、高現(xiàn)象，對其可以批準(zhǔn)貸款，但是貸款額度需要設(shè)定一定限制。

參考文獻(xiàn)：

[1]《Clementine數(shù)據(jù)挖掘方法及應(yīng)用》，電子工業(yè)出版社.薛薇，陳歡歌.2012，9

[2] 聚類分析技術(shù)在中國移動客戶消費(fèi)模式中的應(yīng)用研究.李穎慧.2010，3

[3] 高世光，基于模糊聚類的數(shù)據(jù)挖掘技術(shù)研究.國防科技大學(xué).2002，1