基于分類優(yōu)先AHP方法的商業(yè)銀行個人客戶分類信用評分模型研究.pdf

1、商業(yè)銀行面臨的風(fēng)險問題，可分成三個最基本的方面：信貸方面的風(fēng)險；流動性的風(fēng)險；另外還要應(yīng)對操作的風(fēng)險。列于首位的信貸風(fēng)險中就包括了信用風(fēng)險，商業(yè)銀行的信用風(fēng)險是當(dāng)前以信貸業(yè)務(wù)為主的商業(yè)銀行所面臨的最大風(fēng)險。它是指借款人不能履行合同按時足額償還銀行貸款本息而使銀行資產(chǎn)遭受損失的可能性。隨著銀行業(yè)務(wù)的多樣化，與貸款類似的信用業(yè)務(wù)，如貼現(xiàn)、透支、信用證、擔(dān)保等業(yè)務(wù)所涉及的風(fēng)險也成為信用風(fēng)險的控制范圍。對信用風(fēng)險的管理是商業(yè)銀行信貸工作的首要和

2、關(guān)鍵環(huán)節(jié)，事關(guān)銀行的生存和社會的穩(wěn)定。 針對信用風(fēng)險的管理，國內(nèi)外都進行了大量的研究，一直以來國內(nèi)大多數(shù)銀行特別是國有銀行仍然是按照行政區(qū)域來設(shè)置分支機構(gòu)，由總行、省市分行、地市行、區(qū)縣支行、分理處以及儲蓄所，繁沓的組織架構(gòu)加大了信用風(fēng)險的管理難度。不過，近年來國內(nèi)一些銀行成功引進了國外銀行作為戰(zhàn)略合作伙伴，增強了信用風(fēng)險管理體系。 然而，大多數(shù)的信用風(fēng)險管理都采用比較原始的方法，而現(xiàn)在逐步地將科學(xué)的定性定量的方法運用到

3、了信用風(fēng)險管理中來，例如數(shù)據(jù)挖掘技術(shù)。數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，使得這些激增的數(shù)據(jù)成為了分析的關(guān)鍵。數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先所不知道的，又是潛在有用的信息和知識的過程。利用數(shù)據(jù)挖掘技術(shù)可以使銀行及時、全面、準(zhǔn)確的掌握自己客戶的各種情況，并可以根據(jù)客戶為銀行創(chuàng)造的利潤多少對客戶進行分類，是銀行掌握同業(yè)經(jīng)營狀況和國內(nèi)、國際經(jīng)濟發(fā)展趨勢，為銀行的資源配置提供最佳方案的手段。利

4、用數(shù)據(jù)挖掘技術(shù)，商業(yè)銀行的信用風(fēng)險管理逐漸從定性化走向了定量化，評價更為科學(xué)、標(biāo)準(zhǔn)，有效的防范了不良信用所產(chǎn)生的不良后果。從此，數(shù)據(jù)挖掘技術(shù)成為了信用風(fēng)險管理的新寵。 本文旨在利用數(shù)據(jù)挖掘相關(guān)知識與技術(shù)，借助數(shù)據(jù)處理軟件，對真實的銀行數(shù)據(jù)源進行處理分析，采用數(shù)據(jù)挖掘的分類和聚類技術(shù)發(fā)掘出對信用管理有用的信息，并使用改良的基于分類優(yōu)先的AHP方法對客戶進行信用評級，確定各種指標(biāo)權(quán)重來幫助銀行決策。 本文在對商業(yè)銀行個人客戶

5、信用評分的過程中，綜合的運用到了數(shù)據(jù)挖掘技術(shù)中的決策樹分類技術(shù)、k均值聚類技術(shù)和AHP層次分析法。并利用了數(shù)據(jù)挖掘軟件WEKA對數(shù)據(jù)進行了各種分析，并利用MATLAB對論文中需要繁雜計算的部分做了處理，使得結(jié)果更加準(zhǔn)確，同時也提高了論文的寫作效率。首先，在分析了銀行業(yè)所面臨的風(fēng)險的前提下確定了以商業(yè)銀行的個人客戶信用評分為研究對象。其次，對商業(yè)銀行個人客戶的信用評分概況進行了深入了解，在已有的研究基礎(chǔ)之上，對評分的方法進行了一定的改進。

6、接著，根據(jù)對數(shù)據(jù)挖掘技術(shù)的了解，將定性和定量分析相結(jié)合，將數(shù)據(jù)進行分類和聚類，采用了數(shù)據(jù)挖掘技術(shù)中的決策樹分類和k均值聚類的方法綜合數(shù)據(jù)的各屬性表現(xiàn)，將數(shù)據(jù)進行初步處理，利用WEKA數(shù)據(jù)挖掘軟件對數(shù)據(jù)源進行科學(xué)的分析，并利用MATLAB簡化和精確化分析過程。然后，利用層次分析法將數(shù)據(jù)的屬性進行權(quán)重確定，并確定各屬性分值比例，建立評分表。最后，以一個真實的銀行客戶數(shù)據(jù)為例，利用建立好的評分模型對隨機客戶進行信用評分，再根據(jù)評分結(jié)果與原方法

7、進行比較，最后得出客戶的信用分?jǐn)?shù)。 改良后的AHP方法是在采用傳統(tǒng)AHP方法前，利用數(shù)據(jù)挖掘的分類和聚類技術(shù)對數(shù)據(jù)源進行比較深入的處理，將數(shù)據(jù)源進行細(xì)分，也就是將客戶進行細(xì)分，采用數(shù)據(jù)挖掘的分類和聚類技術(shù)，將數(shù)據(jù)源分成k個簇以后，根據(jù)各簇的情況，再具體制定各簇將采用的指標(biāo)類別評分標(biāo)準(zhǔn)，適合于k個簇的k種分類歸納、指標(biāo)權(quán)重，最后建立k個信用行為評分表。這樣做保證了對數(shù)據(jù)源具體問題具體分析，例如某個簇A指標(biāo)比B指標(biāo)顯得更加重要，但由

8、這種統(tǒng)一的評分標(biāo)準(zhǔn)建立的判斷矩陣不一定是適合所有的數(shù)據(jù)的，或許另一個簇中根據(jù)各種情況綜合分析后B指標(biāo)比A指標(biāo)的重要性更加顯著的話，這樣建立的信用評分表就不能準(zhǔn)確的反映現(xiàn)實社會，只是理論上的簡單實現(xiàn)而已。而對具體的簇進行具體的分析，雖然工作量加大，計算過程更加復(fù)雜，但是最終的結(jié)果可以跟實際的狀況更加吻合，使得理論與實際聯(lián)系更加緊密。 銀行客戶的原始數(shù)據(jù)是沒有任何評價和分類的，本文采用的數(shù)據(jù)源是德意志銀行的客戶信息，本文首先采用決策

9、樹C4.5算法對數(shù)據(jù)源進行分類，此分類旨在根據(jù)各數(shù)據(jù)項的屬性來判斷信用好壞，初步給出該數(shù)據(jù)源包含的若干個數(shù)據(jù)項中的信用好壞，對于壞的信用評價這里不再細(xì)分，對于信用評價好的客戶再采用聚類的k—means算法進行細(xì)分，將具有良好信用的客戶再根據(jù)屬性所描述的情況進行聚類，擬聚類出三個簇，然后對這三個簇進行具體的分析，對各指標(biāo)進行具體的評分標(biāo)準(zhǔn)制定，建立適合于本簇的判斷矩陣，再進行各自的分類歸納，最后確定指標(biāo)權(quán)重，建立信用行為評分模型。

10、 總體來看，本文的創(chuàng)新之處主要歸結(jié)于以下幾點： (1)研究角度的創(chuàng)新，本文針對目前我國商業(yè)銀行在個人客戶方面的信用風(fēng)險的情況，從銀行的角度選擇對個人客戶進行信用評分作為研究對象，著重對我國商業(yè)銀行怎樣更有效的規(guī)避個人客戶的信用風(fēng)險進行了研究。 (2)AHP方法的創(chuàng)新，本文采用將數(shù)據(jù)挖掘技術(shù)與傳統(tǒng)的AHP層次分析法相結(jié)合的方式，對客戶數(shù)據(jù)進行多層次篩選和分析。這樣避免了對數(shù)據(jù)進行統(tǒng)一的標(biāo)準(zhǔn)確定，能讓分析結(jié)果更為準(zhǔn)確和貼近實

11、際，能更有效的幫助銀行進行更加科學(xué)合理的決策。 (3)將科學(xué)的定量方法用于銀行的決策系統(tǒng)當(dāng)中，采用數(shù)據(jù)挖掘技術(shù)將客戶的信用分析推向了更加科學(xué)更加準(zhǔn)確的高度。 (4)改良的AHP方法，又名分類優(yōu)先AHP方法，傳統(tǒng)的AHP方法是將所有數(shù)據(jù)納入一個規(guī)則考慮，分類優(yōu)先AHP方法則先將數(shù)據(jù)源進行歸類，根據(jù)不同類的簇再依據(jù)各簇的具體情況分別確定各權(quán)重標(biāo)準(zhǔn)，例如，年齡段，超過40歲的個體和未滿30歲的個體，在教育程度的權(quán)重確定上，就應(yīng)

12、該有區(qū)別，超過40歲的個體普遍教育程度比未滿30歲的個體低，但是在經(jīng)濟承受能力上卻有顯著的差異，這種情況就應(yīng)該分類考慮。這僅僅是一個舉例，在分類和聚類的算法和理論上不會這樣單一。 (5)在將數(shù)據(jù)采用數(shù)據(jù)挖掘技術(shù)進行加工以后，還采用了層次分析法對影響數(shù)據(jù)的各要素進行了分析，并對數(shù)據(jù)的各個屬性進行了明確評分，根據(jù)該評分可以對客戶進行信用評分得出具體的分值，便于銀行做出更科學(xué)化的決策。 通過本文的研究，對我國商業(yè)銀行的個人客戶