数据挖掘技术在住房信贷风险防范中应用.docVIP

数据挖掘技术在住房信贷风险防范中应用 　　[摘要]本文研究的是数据挖掘在住房信贷风险中的应用,随着信息技术的发展,大量的数据充斥在人们的生活中,只靠人工挑选数据中的大量有用知识已经成为了不可能,数据挖掘技术由此应运而生,用以提炼隐含在其中的、不为人知的、但又是潜在有用的信息和知识。住房贷款已经成为我国银行贷款业务的一个重要组成部分,而住房贷款的风险问题也日益加重。本文先是对数据挖掘技术产生的背景、定义以及数据挖掘的方法加以简单介绍,然后分析了我国住房信贷业务风险的现状,然后分别运用数据挖掘的统计方法中的分类分析预测、时序模式分析、孤立点挖掘几个技术对住房贷款的不同时期、不同方面进行风险防范处理,达到减少信贷风险,防止骗贷行为产生,保障银行信贷资产安全的目的。 　　[关键词]数据挖掘 分类预测 时序模式 孤立点挖掘 　　 　　一、数据挖掘的概述 　　1.数据挖掘产生的定义和特点 　　数据挖掘顾名思义就是从大量的数据中挖掘出有用的信息。从技术角度看,数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际数据中。提炼隐含在其中的、不为人知道的、但又是潜在有用的信息和知识的过程。一般认为数据挖掘只是知识发现(KDD)中的一个过程,整个KDD过程包括了数据准备、数据挖掘及结果的解释和评估。 　　数据挖掘与传统的数据分析的本质区别是,数据挖掘是在没有明确假设的前提下挖掘信息、发现知识。数据挖掘所得到的信息应具有先前未知、有效的和实用的三个特征。先前未知的信息是指该信息是预先未曾预料到的,即数据挖掘是要发现那些不能靠直觉发现的信息,甚至是违背直觉的信息或知识,挖掘出的信息有可能是很出乎人的意料的。 　　2.数据挖掘的对象过程和方法技术 　　数据挖掘方法是由人工智能、机器学习的方法发展而来,结合传统的统计分析方法、模糊数学方法以及科学计算可视化技术,以数据库为研究对象,形成了数据挖掘方法和技术。 　　本文着重运用了统计分析方法进行数据挖掘的应用,针对用到的几种技术进行简单介绍。 　　(1)分类。分类是数据挖掘中应用最多的决策支持技术,分类是找出???个类别的概念描述,它代表了这类数据的整体信息,即该类的内涵描述。一般用决策树模式表示。该模式能把数据库中的元组影射到给定分类中的某一个。分类技术能鉴别和预测新事物的类别和种类。 　　(2)预测。预测是利用历史数据找出变化规律,建立模型,并用此模型来预测未来数据的种类、特点等。典型的方法是回归分析,即利用大量的历史数据,以时间为变量建立线性或非线性回归方程。预测时,只要输入任意的时间值,通过回归方程就可以找出该时间的状态。 　　(3)时序模式分析。时间序列分析是通过时间序列有哪些信誉好的足球投注网站出重复发生概率较高的模式,需要找出在某个最小时间内出现比率一直高于某一最小百分比的规则;在时序模式中,一个重要影响的方法是“相似时序”,要按时间顺序查看时间数据库,从中找出另一个或多个相似的时序事件。 　　(4)孤立点挖掘。 经常存在一些数据对象,它们不符合数据的一般模型。这样的数据对象被称为孤立点,它们与数据的其它部分不同或不一致,孤立点可能是度量或执行错误所导致的。孤立点探测和分析是一个有趣的数据挖掘任务,被称为孤立点挖掘。 　　二、我国住房信贷风险的现状 　　在当今金融机构中的商业银行,主要依靠三大主营业务生存:存款类、贷款类和结算类,其中最主要的利润来源就是各项贷款业务,而且在我国的贷款类中住房贷款已经成为非常重要的一部分,随着住房贷款的门槛变低,越来越多的人拥有了住房贷款的机会,但是每个人的还贷能力不同,对于贷款人的经济能力情况掌握不充分使住房信贷风险日益加重。住房信贷信用风险控制的难点在于,既要鼓励和方便客户贷款,又要避免坏账的上升,传统的人工估算已越来越不能胜任这样的工作了,数据挖掘技术的出现,则为住房信贷风险的控制提供了一个客观、准确的评估和控制机制。 　　以数据统计分析为基础的数据挖掘技术,能够通过收集和分析客户的大量行为、信用和背景记录,准确计算出不同属性值的客户群所具有的消费能力、还款概率,从而建立起有效分辨好坏的数学模型,帮助银行树立住房贷款风险防范的第一道防线――新客户的信用审批。对于银行既有的客户,数据挖掘技术则能跟踪和监控每个客户的行为、消费和还款数据,并根据相应的模型,智能化地调整客户的信贷额度,对可能出现的坏账也能提前进行预警。对已经出现的坏账,由数据挖掘技术建立的模型则能根据客户的背景、信用记录,对该笔坏账的催收成本、收回的概率进行分析计算,帮助银行采取正确有效的措施。由此可见,数据挖掘技术的使用,可以使银行有效地建立起事前、事中到事后的信用风险控制体系。 　　三、数据挖掘在防范住房信贷中的应用实例 　　住房信贷业务的主要流程一般为:1.借款人申请