预测银行信贷风险论文范文

一、CRISP－DM过程描述

1．商业理解。这一阶段的主要任务是确定商业目标，即从商业角度确定项目的目标和所要达到的效果，然后根据这种知识确定数据挖掘的目标。在本文中，该目标就是利用银行现有的真实数据，采用最合适的任务安排和挖掘算法，为银行提供一个现成可用的，经过评估的贷款拖欠者预测模板，而不需要用户自己建立模型就可以解决实际问题。

2．数据理解。数据理解的关键是数据源的选择。本示例为了获得现有的贷款拖欠数据，需要从名为bankloan．sav的数据文件中把流bayes_bankloan．str选择出来。然后为数据源添加一个类型节点，我们可以看出，影响default的因素有:年龄、学历、最近工作的工龄、收入、信用卡债务、其他债务。

3．数据准备。在构建模型时，有些目标字段的值不完整或者是空值，如果不经过数据的处理直接进行数据的使用，可能会导致预测结果的错误，为了排除这些观测值以防止在模型评估中使用，就需要对数据进行处理。在例中，我们为类型节点添加一个选择节点，并在在“条件”框中，输入default=＇$null$＇，这样就可以达到对数据进行缺失处理的目的。

4．模型建立。Clementine提供了多种预测算法，如C5．0、神经网络、Logistic回归等，本文中我们选用贝叶斯网络节点建模，具体的操作过程如下所示。Step1:将一个类型节点添加到源节点bankloan．sav，并将default字段的方向设置为输出，其他所有字段的方向设置为输入。Step2:由于我们构建了多个不同类型的贝叶斯网络，要对它们进行比较，从而确定哪个模型具有最好的预测效果。因此我们在选择节点之后添加三个贝叶斯网络节点，将模型的名称分别设置为“TAN”“Markov”“Markov－FS”，其中第三个模型不仅具有马尔科夫覆盖结构，而且使用了特征选择预处理来选择与目标变量有重大关联的输入。Step3:通过运行上述三个贝叶斯网络节点就可以生成相应模型，在这里我们可以查看它们的详细信息，如图1所示。可以看出，左列包含节点网络图，可显示目标与其最重要预测变量之间的关系，以及各预测变量之间的关系;右侧显示变量的重要性，它表示评估模型时每个变量的相对重要性。Step4:将TAN模型块附加到选择节点，将Markov模型块附加到TAN节点，将Markov－FS模型块附加到Mark-ov节点。Step5:为了避免输入，要重新命名评估图形上的模型输出。将过滤节点附加到Markov－FS模型块。在右侧的字段栏中，将$B－default、$B1－default和$B2－de-fault分别重新命名为TAN、Markov和Markov－FS。Step6:将评估图形节点附加到过滤节点上，然后使用图形节点的默认设置来执行它。这样就可以生成一个收益图表。图2显示，每个模型类型都生成了相似的结果，但是马尔可夫模型要稍微好一些。但是要检查每个模型的预测效果，我们更倾向于使用分析节点而不是评估图形。

二、模型分析

为了从多种模型中选择最佳预测效果的模型，需要利用预测集的数据来检验模型的准确度，对数据流的执行结果进行评估。我们将分析节点附加到过滤节点上，然后使用分析节点的默认设置来执行。在完成模型实施阶段之后，数据流设计中的数据流图如图x所示。图3展示了数据挖掘流程的一个完整过程，这些步骤是在数据挖掘工具的指导下一步步自主建立的。完全符合CRISP－DM标准流程，并且将数据挖掘的流程可视化地展示在用户面前，能够让用户了解并指导数据挖掘的全过程。通过运行分析节点，我们可以得到每个模型的预测效果，具体结果如图4所示:图4显示了依据正确和不正确的预测百分比得出的准确性。就像前面的“评估图形”一样，本图显示马尔可夫模型在正确预测方面要稍微好一些，但是，Markov－FS模型仅落后马尔可夫模型几个百分点。这可能就意味着使用Markov－FS模型要更为方便一些，因为它计算结果所需的输入更少，因此节省了数据收集和输入的时间以及处理时间。

三、总结

首先，本文详细地介绍了数据挖掘工具在预测银行贷款拖欠方面的实际需求，通过一个简单、完整的实例，从商业理解、数据理解、数据准备、模型建立、模型比较到部署实施，将CRISP－DM通过可视化的方式展示出来，最后通过对实际数据的分析结果，得出最准确的预测模型，并且使用户能够很容易的掌握数据挖掘的具体操作，具有切实可操作性。其次，贝叶斯网络建模灵活性，且预测结果不会受个别损坏的历史数据的影响。这就使得该方法在流程和环境时刻变化、操作风险和损坏数据缺乏的银行业具有无可替代的优势。同时，基于贝叶斯网络强大的演算推理功能，可以精确地预测出各个变量的影响程度，使得银行在风险控制方面更具主动权。

作者：周森鑫李超吴德成单位：安徽财经大学管理科学与工程学院