决策树技术在物流金融信用风险中的应用.pdfVIP

决策树技术在物流金融信用风险中的应用 认识。随后又出现了物流银行、仓单质押、融通仓、金融物流等概念。 储雪俭等提出目前我国金融物流信贷风险防范中的四个主要难点，并给予了相关的对策建议。孙颖对物流金融的业务风 险、宏观环境风险和法律风险进行了分析，提出了相关的风险管理建议。王元元认为物流金融业务中进行融资的中小企业是银 行最主要的信用风险来源，其次，物流企业也是银行面临的信用风险来源。 随着定性研究的逐步深入 ，定量研究开始出现。潘永明从物流金融运营状况、第三方物流企业综合实力、中小企业综合实 力和行业状况四个方面对物流金融信用风险的影响因素进行分析，建立了物流金融信用风险评价指标体系。刘哲等利用模糊层 次综合法从企业基本特征、财务能力、货物风险、履约能力、发展潜力等五个方面构建物流金融信用评价指标体系，并对这些 指标因素进行细分 ，建立了三级四层的指标评价体系。何明珂运用 BP神经网络评估模型以及Maflab软件将某一项具体的物流 金融业区分为高、中、低三种风险。 综上所述 ，国内对物流金融的研究多集中在物流金融基本知识、风险种类及防范和信用评价指标体系建立等方面。 2 决策树技术 数据挖掘 (DataMining，DM)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们 事先不知道的、但又是潜在的有用信息和知识的过程。数据挖掘又称数据库知识发现。决策树是数据挖掘诸多技术和方法中常 见的一种 ，它的优势在于通过对 已知类别训练集的分析，可以提取出有价值的分类规则，从而对新数据的类别进行预测 ，给决 策者提供一定的参考。 ID3算法是基于决策树的挖掘算法 ，以信息增益作为属性测试，并选取具有最高增益的属性值作为分裂属性，自顶向下地 构建决策树，直到不能再划分为止。ID3算法的核心问题是如何选取决策树的每个节点要测试的属性。 设 是s个样本数据的集合 ，将样本划分为m个不同类 (1，…，m)的信息熵按式 (1)计算 (其中P．是任意样本属于 的概率)： 。，s)一∑PlogP (1) 假设属性A作为决策树的根节点，属性A具有 个不同取值，把数据集s划分成 个子集fS，．s：，…，}，根据属性A划分 成的子集熵按式 (2)计算： )-一∑斟 ×) (2) 信息增益为原来的信息需求 (基于类 比例)与新的信息需求 (对A划分之后得到的)之间的差，即式 (3)： Gain(A)=J(s1，．s2，…，s)一E(A) (3) 3 算例研究 决策树技术应用于物流金融信用风险中的基本思路是：根据已知样本和原始信用评价状态，发现贷款企业信用状态与其某 些特征属性之间的关系，进而通过对这些企业属性的具体观察值，对其信用状况进行预测。本文利用ID3算法给出某物流企业 的具有高还款风险客户的特征属性，为银行等金融机构进行风险控制提供参考依据。 3．1数据选择和预处理。假设从某物流企业的数据库中收集到的客户信息有注册方式、信用等级、企业规模、企业性质等。 需要注意的是进行相关分析的数据不是只存储在一个数据库中，还可能存在于其它数据集中，要根据实际需要进行相关的收集 整理。收集后的数据往往不能直接挖掘，需要进行一定的选择、清理、转换和归纳等预处理工作，数据预处理工作准备是否充 分 ，对于挖掘算法的效率乃至正确性都有关键性的影响。 ID3算法比较适合处理离散数值的属性 ，表 1中的注册资本和销售业绩是连续属性，可以通过分箱、直方图分析、直观划 分等离散方法将属性的值划分为几个区间，然后就可采用和离散值处理相同的方法。由于考虑的是一组具有高还款风险物流企 业的客户的特征属性，选取企业规模、企业性质、企业地点、银行资信等级和还款风险属性来进行分类预测。 3．2 信息增益的计算。决策属性为高还款风险和低还款风险，．s。(高还款风险)=8，S：(低还款风险)=12，则信息熵I(S，，S：) 一 8l。砉一l。 =0．9710。 公司规模分为大型企业、中型企业、小型企业三组，在大型企业中具有高还款风险属性的企业有0个，具有低还款风险属 性的企业有6个，i(st，Sz)一 。gz 。 在