黄嘉斌

（中国建设银行股份有限公司义乌分行，浙江 金华 322000）

当前，我国很多银行小型网点受到硬件设施、数据处理技术的等方面限制，无法有效的把握贷款相关信息，进而无法准确、有效地评估信贷风险，容易出现决策失误现象，因此对银行信贷风险管理期间数据挖掘技术的应用开展深入研究，对于降低信贷风险、维护金融市场稳定有着重要的指导意义。

一、数据挖掘与银行信贷风险概述

（一）数据挖掘概述

数据挖掘是指在海量数据中将一些隐藏，却又具有价值的数据进行发现、提取的方法，具体是指将一些不为人知的、具有未知性、规律性、隐蔽性的信息进行发现，提取的整个过程。

（二）银行信贷风险概述

信贷风险可以划分为市场性风险、非市场性风险，其中市场性风险多数来自于借款企业、借款人的生产以及销售风险，主要是指借款放在生产、销售自身产品期间，由于市场条件、生产技术的变动的所引起的风险。非市场风险包括社会风险、自然风险，自然风险是指因自然因素造成借款人的经济遭受损失，无法偿还信贷本息风险；社会风险表示由组织、个人在社会上的某些行为所引起的风险。

二、数据挖掘在银行信贷风险管理中的运用

（一）应用原理

利用数据挖掘，可利用不同类别贷款特征建立贷款管理模型，一旦有新贷款申请，当即利用模型来判断贷款类别，银行可依据模型的类别，对贷款申请采取针对性措施，同时，在应用数据挖掘期间，会每隔一段时间，就对每一笔贷款开展重新分类，进而有效提高信贷风险管理力度。

（二）数据挖掘具体应用

1.银行信贷原始数据描述。我国一些银行网点设立于县级，乃至是县级以下的地域，这些小型银行所开展的贷款业务主要面对来自于农村地区的客户，例如某商业银行开展的小额贷款业务，分为农户、商户两种，本次研究以商户小额贷款为研究对象。商户小额度贷款可分为商户联保贷款、商户保证贷款，在对此类小型某商业银行的商业信贷风险管理开展数据挖掘期间，为了不会侵犯到贷款客户的隐私，避免客户信息的泄露，在数据提取阶段，将商户的姓名、居住地址、店铺位置、企业名称、联系方式、营业执照编号等数据信息进行过滤，经过对海量客户相关数据分析之后，将数据提取确认为如下字段：（1）客户代码；（2）婚姻状况；（3）教育程度；（4）主营业务；（5）经营年限；（6）年龄；（7）贷款种类；（8）贷款额度；（9）贷款期限；（10）客户流动总资产；（11）固定总资产；（12）客户负载；（13）客户还款方式；（14）客户月净收入；（15）客户月投入；（16）客户信用信息[1]。

2.数据预处理。数据采集的第二步，就是对错误、空值数据进行预处理，数据预处理的过程为数据收集——数据选择——数据清理——数据转换，在上一部分，针对某某商业银行信贷管理业务，进行了17个属性字段的数据收集，随后，以随机的方式在数据库中对100条贷款用户信息记录进行收集、整理，整理过后经过处理，去除无参考价值的数据，对剩余的属性字段进行概化，如表1：

表1 属性字段概化结果表

在本次开展分类抽取整理的客户资料当中，有52个为已经分类的案例，其中关注类9例，次级类6例，可疑类5例、损失类2例、正常类30例，此外，一般损失类借款人的相关财务资料都难以获取，因此只有其他4类参与，即：正常类=30，关注类=9；次级类=6，可疑类=5，损失类=2。

3.构造决策树。将上表中过滤后的数据，转换成CSC Data Files格式时WEKA可以读取，随后使用WEKA建造模型，选择建立决策树方法建立决策树，采用准确率最高的J48分类器。

4.评估模型。以分类模型和样本数据作为依据，利用测试样本的百分比来表示模型预测的准确率，假设正确率可接受，那么就可以用于指导对客户群的分流，J48分类器通过默认粉分层10折较差验证，准确率高达82%，为可以接受范围，此刻，当银行收到新的贷款申请，就可以利用模型得出估计的类别，进而对不同的类别采取针对性的措施，如果贷款类型为正常范围，直接审批通过，弱势关注范围，就需要对其加强审查、加强贷后检查或是对其进行拒绝，进一步提高信贷资产安全性，有效控制银行信贷风险[2]。

三、结语

本次研究，针对银行信贷风险管理中数据挖掘的应用进行了深入研究，在分析数据挖掘、银行信贷风险的基础上，分别对数据挖掘中的原始数据描述，、数据预处理、决策树构造、评估模型开展深入的研究，通过本次研究，可以明确数据挖掘的每个步骤经过，相关行业可以借鉴本次研究，将数据挖掘应用到银行的信贷风险管理中，以确保信贷资产的安全性，降低信贷风险。