數(shù)據(jù)挖掘技術(shù)在銀行信貸風(fēng)險管理中的運用

黃嘉斌

（中國建設(shè)銀行股份有限公司義烏分行，浙江 金華 322000）

當(dāng)前，我國很多銀行小型網(wǎng)點受到硬件設(shè)施、數(shù)據(jù)處理技術(shù)的等方面限制，無法有效的把握貸款相關(guān)信息，進而無法準(zhǔn)確、有效地評估信貸風(fēng)險，容易出現(xiàn)決策失誤現(xiàn)象，因此對銀行信貸風(fēng)險管理期間數(shù)據(jù)挖掘技術(shù)的應(yīng)用開展深入研究，對于降低信貸風(fēng)險、維護金融市場穩(wěn)定有著重要的指導(dǎo)意義。

一、數(shù)據(jù)挖掘與銀行信貸風(fēng)險概述

（一）數(shù)據(jù)挖掘概述

數(shù)據(jù)挖掘是指在海量數(shù)據(jù)中將一些隱藏，卻又具有價值的數(shù)據(jù)進行發(fā)現(xiàn)、提取的方法，具體是指將一些不為人知的、具有未知性、規(guī)律性、隱蔽性的信息進行發(fā)現(xiàn)，提取的整個過程。

（二）銀行信貸風(fēng)險概述

信貸風(fēng)險可以劃分為市場性風(fēng)險、非市場性風(fēng)險，其中市場性風(fēng)險多數(shù)來自于借款企業(yè)、借款人的生產(chǎn)以及銷售風(fēng)險，主要是指借款放在生產(chǎn)、銷售自身產(chǎn)品期間，由于市場條件、生產(chǎn)技術(shù)的變動的所引起的風(fēng)險。非市場風(fēng)險包括社會風(fēng)險、自然風(fēng)險，自然風(fēng)險是指因自然因素造成借款人的經(jīng)濟遭受損失，無法償還信貸本息風(fēng)險；社會風(fēng)險表示由組織、個人在社會上的某些行為所引起的風(fēng)險。

二、數(shù)據(jù)挖掘在銀行信貸風(fēng)險管理中的運用

（一）應(yīng)用原理

利用數(shù)據(jù)挖掘，可利用不同類別貸款特征建立貸款管理模型，一旦有新貸款申請，當(dāng)即利用模型來判斷貸款類別，銀行可依據(jù)模型的類別，對貸款申請采取針對性措施，同時，在應(yīng)用數(shù)據(jù)挖掘期間，會每隔一段時間，就對每一筆貸款開展重新分類，進而有效提高信貸風(fēng)險管理力度。

（二）數(shù)據(jù)挖掘具體應(yīng)用

1.銀行信貸原始數(shù)據(jù)描述。我國一些銀行網(wǎng)點設(shè)立于縣級，乃至是縣級以下的地域，這些小型銀行所開展的貸款業(yè)務(wù)主要面對來自于農(nóng)村地區(qū)的客戶，例如某商業(yè)銀行開展的小額貸款業(yè)務(wù)，分為農(nóng)戶、商戶兩種，本次研究以商戶小額貸款為研究對象。商戶小額度貸款可分為商戶聯(lián)保貸款、商戶保證貸款，在對此類小型某商業(yè)銀行的商業(yè)信貸風(fēng)險管理開展數(shù)據(jù)挖掘期間，為了不會侵犯到貸款客戶的隱私，避免客戶信息的泄露，在數(shù)據(jù)提取階段，將商戶的姓名、居住地址、店鋪位置、企業(yè)名稱、聯(lián)系方式、營業(yè)執(zhí)照編號等數(shù)據(jù)信息進行過濾，經(jīng)過對海量客戶相關(guān)數(shù)據(jù)分析之后，將數(shù)據(jù)提取確認(rèn)為如下字段：（1）客戶代碼；（2）婚姻狀況；（3）教育程度；（4）主營業(yè)務(wù)；（5）經(jīng)營年限；（6）年齡；（7）貸款種類；（8）貸款額度；（9）貸款期限；（10）客戶流動總資產(chǎn)；（11）固定總資產(chǎn)；（12）客戶負(fù)載；（13）客戶還款方式；（14）客戶月凈收入；（15）客戶月投入；（16）客戶信用信息[1]。

2.數(shù)據(jù)預(yù)處理。數(shù)據(jù)采集的第二步，就是對錯誤、空值數(shù)據(jù)進行預(yù)處理，數(shù)據(jù)預(yù)處理的過程為數(shù)據(jù)收集——數(shù)據(jù)選擇——數(shù)據(jù)清理——數(shù)據(jù)轉(zhuǎn)換，在上一部分，針對某某商業(yè)銀行信貸管理業(yè)務(wù)，進行了17個屬性字段的數(shù)據(jù)收集，隨后，以隨機的方式在數(shù)據(jù)庫中對100條貸款用戶信息記錄進行收集、整理，整理過后經(jīng)過處理，去除無參考價值的數(shù)據(jù)，對剩余的屬性字段進行概化，如表1：

表1 屬性字段概化結(jié)果表

在本次開展分類抽取整理的客戶資料當(dāng)中，有52個為已經(jīng)分類的案例，其中關(guān)注類9例，次級類6例，可疑類5例、損失類2例、正常類30例，此外，一般損失類借款人的相關(guān)財務(wù)資料都難以獲取，因此只有其他4類參與，即：正常類=30，關(guān)注類=9；次級類=6，可疑類=5，損失類=2。

3.構(gòu)造決策樹。將上表中過濾后的數(shù)據(jù)，轉(zhuǎn)換成CSC Data Files格式時WEKA可以讀取，隨后使用WEKA建造模型，選擇建立決策樹方法建立決策樹，采用準(zhǔn)確率最高的J48分類器。

4.評估模型。以分類模型和樣本數(shù)據(jù)作為依據(jù)，利用測試樣本的百分比來表示模型預(yù)測的準(zhǔn)確率，假設(shè)正確率可接受，那么就可以用于指導(dǎo)對客戶群的分流，J48分類器通過默認(rèn)粉分層10折較差驗證，準(zhǔn)確率高達82%，為可以接受范圍，此刻，當(dāng)銀行收到新的貸款申請，就可以利用模型得出估計的類別，進而對不同的類別采取針對性的措施，如果貸款類型為正常范圍，直接審批通過，弱勢關(guān)注范圍，就需要對其加強審查、加強貸后檢查或是對其進行拒絕，進一步提高信貸資產(chǎn)安全性，有效控制銀行信貸風(fēng)險[2]。

三、結(jié)語

本次研究，針對銀行信貸風(fēng)險管理中數(shù)據(jù)挖掘的應(yīng)用進行了深入研究，在分析數(shù)據(jù)挖掘、銀行信貸風(fēng)險的基礎(chǔ)上，分別對數(shù)據(jù)挖掘中的原始數(shù)據(jù)描述，、數(shù)據(jù)預(yù)處理、決策樹構(gòu)造、評估模型開展深入的研究，通過本次研究，可以明確數(shù)據(jù)挖掘的每個步驟經(jīng)過，相關(guān)行業(yè)可以借鑒本次研究，將數(shù)據(jù)挖掘應(yīng)用到銀行的信貸風(fēng)險管理中，以確保信貸資產(chǎn)的安全性，降低信貸風(fēng)險。