貝葉斯算法在小額信貸風(fēng)險管理中的應(yīng)用研究

張宇敬+吳紅樂+安英博

摘要：文章選取貝葉斯算法對影響小額信貸風(fēng)險的因素進行挖掘分析，建立了客戶信用風(fēng)險評估模型，確定了財產(chǎn)、收入負(fù)債比、信用記錄等屬性是影響小額信貸風(fēng)險的主要因素，根據(jù)模型規(guī)則能夠比較快速準(zhǔn)確地判斷客戶信用等級，從而有效地控制和降低信貸風(fēng)險的發(fā)生。

關(guān)鍵詞：小額貸款；貝葉斯算法；風(fēng)險管理

一、引言

現(xiàn)代互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，標(biāo)志著人類社會繼農(nóng)業(yè)革命、工業(yè)革命之后的“第三次革命”的到來。時代在改變，舊的生產(chǎn)關(guān)系和生活方式必將被歷史的車輪碾過，成為人類社會發(fā)展道路上的塵埃，新的生產(chǎn)關(guān)系和產(chǎn)業(yè)生態(tài)正在蓬勃發(fā)展。在今天這個大數(shù)據(jù)的時代，借助現(xiàn)代信息技術(shù)和互聯(lián)網(wǎng)，人類可以收集、整理和分析海量的信息和數(shù)據(jù)，在這些紛繁復(fù)雜的數(shù)據(jù)背后探尋人類行為和社會發(fā)展的軌跡。面對新的行業(yè)生態(tài)和環(huán)境，金融行業(yè)必然要尋求改變，才能順應(yīng)時代。數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中，抽取出潛在的、有價值的知識（模型或規(guī)則）的過程，將數(shù)據(jù)挖掘技術(shù)有效地應(yīng)用于銀行業(yè)是技術(shù)發(fā)展的熱點，也是銀行業(yè)自身競爭發(fā)展的迫切需要。

小額貸款從貸款額度上講，屬于小金額。它從貧困人口的實際出發(fā)，絕大多數(shù)人從事的是種養(yǎng)業(yè)或是一些風(fēng)險小、易操作、見效快的小型項目。從貸款對象上看，主要是微型企業(yè)和低收入的家庭和個人。貸款用途一般是小規(guī)模農(nóng)業(yè)生產(chǎn)，主要用作生產(chǎn)資本，也有一小部分用于教育、醫(yī)療等非生產(chǎn)性目的。與傳統(tǒng)銀行業(yè)務(wù)面臨的風(fēng)險相比，小額貸款的風(fēng)險具有一定的獨特性，一般按參與活動的主體，將風(fēng)險分為：環(huán)境風(fēng)險、信用風(fēng)險和管理風(fēng)險三大類，其中主要還是信用風(fēng)險。信用風(fēng)險是指借款人不能及時還本付息的風(fēng)險。小額貸款活動的借方，一般是缺乏完整和正規(guī)教育的農(nóng)民，他們往往缺少經(jīng)濟體系中的“欠債還錢”和“按照合同辦事”的信用觀念，會導(dǎo)致信用風(fēng)險的產(chǎn)生，使得信貸資金存在嚴(yán)重的風(fēng)險隱患，并且信貸管理中存在著諸多問題，面臨著一些難以掌控的風(fēng)險。因此，運用數(shù)據(jù)挖掘技術(shù)來控制信貸中的風(fēng)險，是信貸管理面臨的重要課題。

二、數(shù)據(jù)分析

數(shù)據(jù)分析是數(shù)據(jù)挖掘前十分重要的一個步驟，正確的數(shù)據(jù)分析有利于提高挖掘模型的準(zhǔn)確性，達(dá)到更好的模型預(yù)測效果。課題組分析的是村鎮(zhèn)銀行個人貸款數(shù)據(jù)，將一些涉及個人隱私的屬性和無關(guān)屬性剔除后，發(fā)現(xiàn)該數(shù)據(jù)既包含連續(xù)型的數(shù)據(jù)，又有離散型的數(shù)據(jù)，且連續(xù)型的數(shù)據(jù)較多。通過RStudio數(shù)據(jù)分析工具進行相關(guān)性分析后發(fā)現(xiàn)，各個屬性之間相關(guān)性較低，即各屬性之間可以近似看成是相互獨立的。綜合考慮，該數(shù)據(jù)比較適合采用貝葉斯算法建立分類模型，幫助銀行規(guī)避貸款風(fēng)險。

三、貝葉斯算法

樸素貝葉斯法是基于貝葉斯定理與特征條件獨立假設(shè)的分類方法，它是一種簡單有效的常用分類算法。樸素貝葉斯分類的定義如下：

四、構(gòu)建貸款風(fēng)險分析模型

在建立貝葉斯分類模型前，首先應(yīng)完成數(shù)據(jù)預(yù)處理工作，它是建立科學(xué)合理的挖掘模型的基礎(chǔ)。貝葉斯分類模型要求數(shù)據(jù)必須是離散的，因此課題組將原始數(shù)據(jù)中年齡、健康狀況、個人品質(zhì)、銀行信用記錄等屬性離散化，建立貸款風(fēng)險評價指標(biāo)，并據(jù)此對樣本數(shù)據(jù)進行數(shù)字化處理。應(yīng)用貝葉斯分類模型時，還應(yīng)注意零概率事件的處理，如果存在零概率事件，將直接影響預(yù)測結(jié)果。因此，進行挖掘之前，需要對零概率事件進行檢驗，一般采用Laplace-估計進行處理。具體處理方法如下：P（Xi|Xi）=nc+mpn+m。通過查詢發(fā)現(xiàn)以下屬性的屬性值存在零概率事件，通過SQL語句（select 屬性 from shuju order by 屬性）查詢并利用屬性的中位數(shù)來填補缺失值。

將處理好的數(shù)據(jù)導(dǎo)入到SQL Server數(shù)據(jù)庫后，即可商業(yè)智能分析工具進行數(shù)據(jù)挖掘。課題組隨機抽取80%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，剩下的20%作為測試數(shù)據(jù)集，通過商業(yè)智能分析工具獲得各個屬性與風(fēng)險等級之間的依賴關(guān)系由弱到強依次是：身體<借款用途<生產(chǎn)經(jīng)營<家庭收入<個人品質(zhì)<信用記錄<收入負(fù)債比<財產(chǎn)。由此可見，當(dāng)貸款人財產(chǎn)屬性值越高，即收入越高，其貸款風(fēng)險越低。同理可得，當(dāng)貸款人的年齡越小，收入越高，家庭成員身體越健康，信用越好，負(fù)債越少，生產(chǎn)經(jīng)營越穩(wěn)定等，貸款的風(fēng)險越低，反之，產(chǎn)生不良貸款的可能性越高。

五、模型評價

由測試數(shù)據(jù)預(yù)測的分類矩陣可知，該模型判別的正確率為80/92≈86.96%，具有較高的準(zhǔn)確率和預(yù)測能力，能夠滿足農(nóng)戶小額信貸風(fēng)險評估的實際需求，為小額信貸公司、村鎮(zhèn)銀行信貸部門防范風(fēng)險提供科學(xué)的決策依據(jù)。（作者單位：河北金融學(xué)院）

基金項目：2015年保定市哲學(xué)社會科學(xué)規(guī)劃課題（201505052）；保定市科學(xué)技術(shù)研究與發(fā)展指導(dǎo)計劃項目（15ZG003）；河北省教育廳科技重點課題（ZD20131083）

參考文獻：

[1]安英博 張宇敬 張建男.基于樸素貝葉斯的村鎮(zhèn)銀行信用風(fēng)險預(yù)警研究[J].無線互聯(lián)科技，2015（22）.

[2]龐利.貝葉斯法則在銀行信貸風(fēng)險中的分析[J].赤峰學(xué)院學(xué)報（自然科學(xué)版），2015（07）.

[3]丁東洋 周麗莉 劉樂平. 貝葉斯方法在信用風(fēng)險度量中的應(yīng)用研究綜述[J].數(shù)理統(tǒng)計與管理，2013（01）.