基于决策树的供应链金融模式信用风险评估.pptVIP

* 基于决策树的供应链金融模式信用风险评估 何宗超 东南大学系统工程研究所 2010.11.06 目录 1.基本概念 2.基于决策树的供应链金融模式信用风险评估备选指标集的构建 3.基于决策树的供应链金融模式信用风险评估模型的构建 4.总结 1.基本概念 供应链金融（SCF） 决策树方法 数据挖掘 决策树 供应链金融（SCF）：是银行面向物流行业的运营过程，围绕核心企业，管理上下游中小企业的资金流和物流，变把握单个企业的不可控风险为供应链企业整体的可控风险，通过立体获取各类信息的方法，将风险控制在最低的金融服务。简单地说，就是银行将核心企业和上下游企业联系在一起提供灵活运用的金融产品和服务的一种融资模式。 决策树方法：是数据挖掘及数据分析中广泛应用的技术，是一种对海量数据集进行分类的非常有效的方法，具有清晰直观、易于解释的优点。 数据挖掘：又称为数据库中的知识发现（Knowledge Discovery in Database,KDD）,就是从大量、不完全、有噪声、模糊、随机的数据中获取有效、新颖、潜在有用、最终可理解的模式的非平凡过程。即从大量数据中提取或“挖掘”隐含在其中的潜在有用的信息和知识的过程。在商业上，特指按照既定的业务目标对大量的企业数据进行探索，揭示其中的规律性并进一步将之模型化的先进的、有效的方法。 2.基于决策树的供应链金融模式信用风险评估备选指标集的构建 （1）备选指标的选取原则 突出供应链模式本身的特点 弱化对财务指标的依赖 增加对中小企业经营主责任人的考察 （2）备选指标集的构建 3.基于决策树的供应链金融模式信用风险评估模型的构建 基本思路：根据已知的样本与原始信用评价状态，运用决策树发现贷款人信用状态与其某些特征属性之间的关系，进而通过对小企业这些属性的具体观察值，对其行用状态进行预测。 步骤： （1）信息增益的计算 （2）基于决策树的信用风险预测评估模型 信息增益的计算 信息增益（information gain）是指期望信息或者信息熵的有效减少量（通常用“字节”衡量），根据它能够确定在什么样的层次上选择什么样的变量来分类。 在实际情况中一般规定： 预期天数90天——高风险贷款 60天预期天数=90天——中等风险贷款 30天预期天数=60天——较低风险贷款 预期天数=30天——低风险贷款 相应把中小客户的信用划分为4个类｛C1=“高风险”， C2=“中等风险”， C3=“较低风险”， C4=“低风险” ｝，抽取预处理后的4000份原始记录，4个类记录分别有213，457，2478，852 选取“核心企业信用等级”为例， 属性的信息增益代表该属性对分类的贡献大小，其含义是从每个属性“获得的信息量”，各个属性重要程度可以通过信息增益得到。 通过建立一个函数，能够得到各个属性的影响决策权重。 基于决策树的信用风险预测评估模型 选取根节点后，根据根节点属性的取值，将整体样本分为不同组，对于每个组，再循环上述信息增益值计算过程，选取决策树第二层的节点，如此循环，依次计算各层剩余属性的信息增益，获得决策树各层的结点。 第一个步骤计算的是各个属性影响决策的程度值，描述的是该属性在决策中的重要程度，也就是得到了第一层次的属性对决策的影响权重。第二层次的影响权重就是计算属性的各个取值对决策的影响权重。 4.总结 本文针对供应链金融自身特点，构建出基于决策树的供应链金融模式下中小企业信用评级模型。一方面有效解决中小企业融资难和供应链失衡问题的同时，促进商业银行的核心竞争力的提升；另一方面也为银行评价中小企业的信用风险提供了有效解决方法，真正地做到对供应链上小企业客户进行客观的评价，从而达到加强信贷能力减少不良贷款产生的目的。 * * * *