數據挖掘技術在銀行信貸風險管理中的運用

黃嘉斌

（中國建設銀行股份有限公司義烏分行，浙江 金華 322000）

當前，我國很多銀行小型網點受到硬件設施、數據處理技術的等方面限制，無法有效的把握貸款相關信息，進而無法準確、有效地評估信貸風險，容易出現決策失誤現象，因此對銀行信貸風險管理期間數據挖掘技術的應用開展深入研究，對于降低信貸風險、維護金融市場穩定有著重要的指導意義。

一、數據挖掘與銀行信貸風險概述

（一）數據挖掘概述

數據挖掘是指在海量數據中將一些隱藏，卻又具有價值的數據進行發現、提取的方法，具體是指將一些不為人知的、具有未知性、規律性、隱蔽性的信息進行發現，提取的整個過程。

（二）銀行信貸風險概述

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

二、數據挖掘在銀行信貸風險管理中的運用

（一）應用原理

利用數據挖掘，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，當即利用模型來判斷貸款類別，銀行可依據模型的類別，對貸款申請采取針對性措施，同時，在應用數據挖掘期間，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險管理力度。

（二）數據挖掘具體應用

1.銀行信貸原始數據描述。我國一些銀行網點設立于縣級，乃至是縣級以下的地域，這些小型銀行所開展的貸款業務主要面對來自于農村地區的客戶，例如某商業銀行開展的小額貸款業務，分為農戶、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保貸款、商戶保證貸款，在對此類小型某商業銀行的商業信貸風險管理開展數據挖掘期間，為了不會侵犯到貸款客戶的隱私，避免客戶信息的泄露，在數據提取階段，將商戶的姓名、居住地址、店鋪位置、企業名稱、聯系方式、營業執照編號等數據信息進行過濾，經過對海量客戶相關數據分析之后，將數據提取確認為如下字段：（1）客戶代碼；（2）婚姻狀況；（3）教育程度；（4）主營業務；（5）經營年限；（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；（11）固定總資產；（12）客戶負載；（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.數據預處理。數據采集的第二步，就是對錯誤、空值數據進行預處理，數據預處理的過程為數據收集——數據選擇——數據清理——數據轉換，在上一部分，針對某某商業銀行信貸管理業務，進行了17個屬性字段的數據收集，隨后，以隨機的方式在數據庫中對100條貸款用戶信息記錄進行收集、整理，整理過后經過處理，去除無參考價值的數據，對剩余的屬性字段進行概化，如表1：

表1 屬性字段概化結果表

在本次開展分類抽取整理的客戶資料當中，有52個為已經分類的案例，其中關注類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財務資料都難以獲取，因此只有其他4類參與，即：正常類=30，關注類=9；次級類=6，可疑類=5，損失類=2。

3.構造決策樹。將上表中過濾后的數據，轉換成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，采用準確率最高的J48分類器。

4.評估模型。以分類模型和樣本數據作為依據，利用測試樣本的百分比來表示模型預測的準確率，假設正確率可接受，那么就可以用于指導對客戶群的分流，J48分類器通過默認粉分層10折較差驗證，準確率高達82%，為可以接受范圍，此刻，當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安全性，有效控制銀行信貸風險[2]。

三、結語

本次研究，針對銀行信貸風險管理中數據挖掘的應用進行了深入研究，在分析數據挖掘、銀行信貸風險的基礎上，分別對數據挖掘中的原始數據描述，、數據預處理、決策樹構造、評估模型開展深入的研究，通過本次研究，可以明確數據挖掘的每個步驟經過，相關行業可以借鑒本次研究，將數據挖掘應用到銀行的信貸風險管理中，以確保信貸資產的安全性，降低信貸風險。