陈为民　张小勇　马超群

摘 要：目前的信用卡信用风险研究主要是如何提高模型的预测准确率。针对银行信用卡数据的异质性和信用数据的高度非线性，本文提出了对持卡人信用风险管理的混合数据挖掘方法。该方法包含两个阶段，在聚类阶段，样本数据被聚成同质的类，删除孤立点，不一致样本点重置标签，使样本更具有代表性；在分类阶段，基于样本进行训练生成支持向量机分类器法，对待分样本分类。基于实际数据进行了数值实验，并根据各类样本的特点提出了相应的风险管理策略。

关键词： 信用风险；风险管理；数据挖掘；聚类；支持向量机

中图分类号：F832.479；TP391文献标识码： A 文章编号：1003—7217（2012）05—0036—05

一、 引 言

面对国际金融机构的竞争，国内企业和个人的信用有效评估，银行的信贷与项目融资和投资等正面临着巨大的挑战，对信用风险的有效监控和管理已十分迫切。信用评估是政府、金融机构、企业界以及学术界都高度关注的问题。

目前的研究都集中于提高信用评分模型的准确率，对持卡人的信用风险管理很少涉及。一般的信用评分模型的出发点是是否接受申请人的申请，把申请人分为“信用好”和“信用差”两类：把能及时还款的客户归为“信用好”的客户；可能拖欠或违约的归为“信用差”，这些客户的申请将被拒绝[1]。对于信用评分，已有很多研究，如文献[2—7]。

Thomas[8]和Crook等[9]分别对各种模型进行了总结。由于信用数据的高度非线性和经济形势的影响，分类错误不可避免，信用评分模型准确率的提高空间十分有限[8—10]。……