數(shù)據(jù)挖掘技術(shù)在住房信貸風(fēng)險(xiǎn)防范中的應(yīng)用

[摘要]本文研究的是數(shù)據(jù)挖掘在住房信貸風(fēng)險(xiǎn)中的應(yīng)用，隨著信息技術(shù)的發(fā)展，大量的數(shù)據(jù)充斥在人們的生活中，只靠人工挑選數(shù)據(jù)中的大量有用知識已經(jīng)成為了不可能，數(shù)據(jù)挖掘技術(shù)由此應(yīng)運(yùn)而生，用以提煉隱含在其中的、不為人知的、但又是潛在有用的信息和知識。住房貸款已經(jīng)成為我國銀行貸款業(yè)務(wù)的一個(gè)重要組成部分，而住房貸款的風(fēng)險(xiǎn)問題也日益加重。本文先是對數(shù)據(jù)挖掘技術(shù)產(chǎn)生的背景、定義以及數(shù)據(jù)挖掘的方法加以簡單介紹，然后分析了我國住房信貸業(yè)務(wù)風(fēng)險(xiǎn)的現(xiàn)狀，然后分別運(yùn)用數(shù)據(jù)挖掘的統(tǒng)計(jì)方法中的分類分析預(yù)測、時(shí)序模式分析、孤立點(diǎn)挖掘幾個(gè)技術(shù)對住房貸款的不同時(shí)期、不同方面進(jìn)行風(fēng)險(xiǎn)防范處理，達(dá)到減少信貸風(fēng)險(xiǎn)，防止騙貸行為產(chǎn)生，保障銀行信貸資產(chǎn)安全的目的。

[關(guān)鍵詞]數(shù)據(jù)挖掘 分類預(yù)測 時(shí)序模式 孤立點(diǎn)挖掘

一、數(shù)據(jù)挖掘的概述

1.數(shù)據(jù)挖掘產(chǎn)生的定義和特點(diǎn)

數(shù)據(jù)挖掘顧名思義就是從大量的數(shù)據(jù)中挖掘出有用的信息。從技術(shù)角度看，數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實(shí)際數(shù)據(jù)中。提煉隱含在其中的、不為人知道的、但又是潛在有用的信息和知識的過程。一般認(rèn)為數(shù)據(jù)挖掘只是知識發(fā)現(xiàn)(KDD)中的一個(gè)過程，整個(gè)KDD過程包括了數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)挖掘及結(jié)果的解釋和評估。

數(shù)據(jù)挖掘與傳統(tǒng)的數(shù)據(jù)分析的本質(zhì)區(qū)別是，數(shù)據(jù)挖掘是在沒有明確假設(shè)的前提下挖掘信息、發(fā)現(xiàn)知識。數(shù)據(jù)挖掘所得到的信息應(yīng)具有先前未知、有效的和實(shí)用的三個(gè)特征。先前未知的信息是指該信息是預(yù)先未曾預(yù)料到的，即數(shù)據(jù)挖掘是要發(fā)現(xiàn)那些不能靠直覺發(fā)現(xiàn)的信息，甚至是違背直覺的信息或知識，挖掘出的信息有可能是很出乎人的意料的。

2.數(shù)據(jù)挖掘的對象過程和方法技術(shù)

數(shù)據(jù)挖掘方法是由人工智能、機(jī)器學(xué)習(xí)的方法發(fā)展而來，結(jié)合傳統(tǒng)的統(tǒng)計(jì)分析方法、模糊數(shù)學(xué)方法以及科學(xué)計(jì)算可視化技術(shù)，以數(shù)據(jù)庫為研究對象，形成了數(shù)據(jù)挖掘方法和技術(shù)。

本文著重運(yùn)用了統(tǒng)計(jì)分析方法進(jìn)行數(shù)據(jù)挖掘的應(yīng)用，針對用到的幾種技術(shù)進(jìn)行簡單介紹。

(1)分類。分類是數(shù)據(jù)挖掘中應(yīng)用最多的決策支持技術(shù)，分類是找出一個(gè)類別的概念描述，它代表了這類數(shù)據(jù)的整體信息，即該類的內(nèi)涵描述。一般用決策樹模式表示。該模式能把數(shù)據(jù)庫中的元組影射到給定分類中的某一個(gè)。分類技術(shù)能鑒別和預(yù)測新事物的類別和種類。

(2)預(yù)測。預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并用此模型來預(yù)測未來數(shù)據(jù)的種類、特點(diǎn)等。典型的方法是回歸分析，即利用大量的歷史數(shù)據(jù)，以時(shí)間為變量建立線性或非線性回歸方程。預(yù)測時(shí)，只要輸入任意的時(shí)間值，通過回歸方程就可以找出該時(shí)間的狀態(tài)。

(3)時(shí)序模式分析。時(shí)間序列分析是通過時(shí)間序列搜索出重復(fù)發(fā)生概率較高的模式，需要找出在某個(gè)最小時(shí)間內(nèi)出現(xiàn)比率一直高于某一最小百分比的規(guī)則;在時(shí)序模式中，一個(gè)重要影響的方法是“相似時(shí)序”，要按時(shí)間順序查看時(shí)間數(shù)據(jù)庫，從中找出另一個(gè)或多個(gè)相似的時(shí)序事件。

(4)孤立點(diǎn)挖掘。 經(jīng)常存在一些數(shù)據(jù)對象，它們不符合數(shù)據(jù)的一般模型。這樣的數(shù)據(jù)對象被稱為孤立點(diǎn)，它們與數(shù)據(jù)的其它部分不同或不一致，孤立點(diǎn)可能是度量或執(zhí)行錯(cuò)誤所導(dǎo)致的。孤立點(diǎn)探測和分析是一個(gè)有趣的數(shù)據(jù)挖掘任務(wù)，被稱為孤立點(diǎn)挖掘。

二、我國住房信貸風(fēng)險(xiǎn)的現(xiàn)狀

在當(dāng)今金融機(jī)構(gòu)中的商業(yè)銀行，主要依靠三大主營業(yè)務(wù)生存:存款類、貸款類和結(jié)算類，其中最主要的利潤來源就是各項(xiàng)貸款業(yè)務(wù)，而且在我國的貸款類中住房貸款已經(jīng)成為非常重要的一部分，隨著住房貸款的門檻變低，越來越多的人擁有了住房貸款的機(jī)會，但是每個(gè)人的還貸能力不同，對于貸款人的經(jīng)濟(jì)能力情況掌握不充分使住房信貸風(fēng)險(xiǎn)日益加重。住房信貸信用風(fēng)險(xiǎn)控制的難點(diǎn)在于，既要鼓勵(lì)和方便客戶貸款，又要避免壞賬的上升，傳統(tǒng)的人工估算已越來越不能勝任這樣的工作了，數(shù)據(jù)挖掘技術(shù)的出現(xiàn)，則為住房信貸風(fēng)險(xiǎn)的控制提供了一個(gè)客觀、準(zhǔn)確的評估和控制機(jī)制。

以數(shù)據(jù)統(tǒng)計(jì)分析為基礎(chǔ)的數(shù)據(jù)挖掘技術(shù)，能夠通過收集和分析客戶的大量行為、信用和背景記錄，準(zhǔn)確計(jì)算出不同屬性值的客戶群所具有的消費(fèi)能力、還款概率，從而建立起有效分辨好壞的數(shù)學(xué)模型，幫助銀行樹立住房貸款風(fēng)險(xiǎn)防范的第一道防線——新客戶的信用審批。對于銀行既有的客戶，數(shù)據(jù)挖掘技術(shù)則能跟蹤和監(jiān)控每個(gè)客戶的行為、消費(fèi)和還款數(shù)據(jù)，并根據(jù)相應(yīng)的模型，智能化地調(diào)整客戶的信貸額度，對可能出現(xiàn)的壞賬也能提前進(jìn)行預(yù)警。對已經(jīng)出現(xiàn)的壞賬，由數(shù)據(jù)挖掘技術(shù)建立的模型則能根據(jù)客戶的背景、信用記錄，對該筆壞賬的催收成本、收回的概率進(jìn)行分析計(jì)算，幫助銀行采取正確有效的措施。由此可見，數(shù)據(jù)挖掘技術(shù)的使用，可以使銀行有效地建立起事前、事中到事后的信用風(fēng)險(xiǎn)控制體系。

三、數(shù)據(jù)挖掘在防范住房信貸中的應(yīng)用實(shí)例

住房信貸業(yè)務(wù)的主要流程一般為:1.借款人申請個(gè)人住房貸款;2.貸款行對借款人提交的文件、資料的真實(shí)性進(jìn)行評估審查;3、貸款行同意申請貸款，雙方簽訂協(xié)議;4.經(jīng)貸款行同意發(fā)放的貸款，按照合同約定使用貸款;5.貸款人按合同約定分期償還貸款。

根據(jù)住房信貸業(yè)務(wù)的流程，應(yīng)用數(shù)據(jù)挖掘技術(shù)防范住房信貸主要可以從以下幾個(gè)方面通過不同的數(shù)據(jù)挖掘技術(shù)進(jìn)行分析:

(1)運(yùn)用分類分析方法確定住房貸款信用風(fēng)險(xiǎn)等級

貸款行對借款人提交的文件、資料的真實(shí)性進(jìn)行審核，同時(shí)確定借款人屬于哪種住房貸款信用風(fēng)險(xiǎn)等級，在對貸款人的信用風(fēng)險(xiǎn)等級進(jìn)行分類時(shí)可利用數(shù)據(jù)挖掘分類分析方法中的決策樹方法進(jìn)行分類，決策樹由以下三個(gè)基本部分組成:節(jié)點(diǎn)，分支，葉子。其中的每個(gè)內(nèi)部節(jié)點(diǎn)代表對某個(gè)屬性的一次測試，一個(gè)分支代表一個(gè)測試結(jié)果，通常對應(yīng)于分析對象的屬性。葉子代表某個(gè)類或者類的分布。決策樹采用自上而下的遞歸構(gòu)造方法，每個(gè)節(jié)點(diǎn)都會根據(jù)不同的分類屬性進(jìn)行一個(gè)測試，形成不同的分支，最后到達(dá)一個(gè)葉子。圖3.1給出了本文中住房貸款的決策樹流程圖:

通過本決策樹的分類屬性進(jìn)行測試，可以對住房貸款的信貸風(fēng)險(xiǎn)等級分為一下幾部分:

①正常。借款人能夠履行合同，沒有足夠理由懷疑貸款本息不能按時(shí)足額償還。

②關(guān)注。盡管借款人目前有能力償還貸款本息，但存在一些可能對償還還產(chǎn)生不利影響的因素。

③次級。借款人的還款能力出現(xiàn)明顯問題，完全依靠其正常營業(yè)收入是無法足額償還貸款本息，即使執(zhí)行擔(dān)保，也可能會造成一定損失。

④可疑。借款人無法足額償還貸款本息，即使執(zhí)行擔(dān)保，也肯定要造成較大損失。

⑤損失。在采取所有可能的措施或一切必要的法律程序之后，本息仍然無法收回，或只能收回極少部分。

運(yùn)用這個(gè)風(fēng)險(xiǎn)等級分類，以后就可以運(yùn)用這個(gè)模型來對數(shù)據(jù)路的其他申請或是新的申請者做出預(yù)測。

(2)孤立點(diǎn)挖掘技術(shù)在防范住房貸款騙貸中的應(yīng)用

住房貸款惡意騙貸行為一般只能通過事前信貸貸前調(diào)查、事后監(jiān)督等掌握。而這些行為數(shù)據(jù)一般都被淹沒在大量的財(cái)務(wù)報(bào)表和企業(yè)申貸材料數(shù)據(jù)中，粗看起來與普通銀企合作關(guān)系無法區(qū)分，但如果財(cái)務(wù)報(bào)表的特征屬性和客戶自擬資料分析，借助聚類挖掘中對孤立點(diǎn)的檢測技術(shù)，挖掘以往信貸交易中的騙貸交易特征，然后建立預(yù)警模型，就可以及時(shí)發(fā)現(xiàn)和防范此類事件的發(fā)生，這也是未來防范金融風(fēng)險(xiǎn)的技術(shù)手段之一。

在進(jìn)行數(shù)據(jù)分析比較中，運(yùn)用聚類分析來進(jìn)行孤立點(diǎn)挖掘，解決貸款中的騙貸行為，孤立點(diǎn)挖掘和貸款相結(jié)合是根據(jù)貸款客戶提交的申請材料，通過數(shù)據(jù)挖掘技術(shù)來預(yù)測客戶未來發(fā)生風(fēng)險(xiǎn)的概率或區(qū)分便是風(fēng)險(xiǎn)客戶，為事前風(fēng)險(xiǎn)管理提供依據(jù)，同時(shí)能提高信貸員審核資料，提高審查資料質(zhì)量，達(dá)到低風(fēng)險(xiǎn)、高效率的貸款發(fā)放速度要求。

首先虛擬建立一個(gè)簡約數(shù)據(jù)庫，包含了銀行內(nèi)部所有業(yè)務(wù)的數(shù)據(jù)，其中我們選擇貸款數(shù)據(jù)進(jìn)行聚類分析，利用數(shù)據(jù)挖掘中聚類分析中的平均差和曼哈坦距離方法進(jìn)行孤立點(diǎn)的挖掘。其中平均絕對偏差是實(shí)現(xiàn)量度值標(biāo)準(zhǔn)化的方法之一，曼哈距離則直接體現(xiàn)了一個(gè)數(shù)據(jù)的偏差程度。具體用聚類算法分析的過程為:①從樣本集中抽取樣本②發(fā)現(xiàn)樣本間的相似性③分組聚類④分組聚類回饋循環(huán)到樣本的選取和分析樣本的相似性。

(3)運(yùn)用預(yù)測統(tǒng)計(jì)方法確定已貸出的住房貸款發(fā)生風(fēng)險(xiǎn)的概率

對于已簽訂貸款合同并貸出的住房貸款，貸款行應(yīng)及時(shí)預(yù)測貸款發(fā)生風(fēng)險(xiǎn)的可能，以此盡早估計(jì)可能出現(xiàn)的壞賬，同時(shí)及早采取相應(yīng)措施降低銀行損失。

①回歸分析方法

利用大量的歷史數(shù)據(jù)，以時(shí)間為變量建立線性或非線性回歸方程同時(shí)做出回歸曲線，預(yù)測時(shí)，只要輸入任意的時(shí)間值，通過回歸方程就可求出該時(shí)間的狀態(tài)。針對已貸出的住房貸款人的歷史還貸情況建立回歸方程和回歸曲線，找出近期還貸情況是否符合回歸方程，從而確定近期還貸情況是否出現(xiàn)問題，預(yù)測后期的還貸情況是否會出現(xiàn)風(fēng)險(xiǎn)甚至壞賬。例如如果某用戶上個(gè)月拖欠貸款，則這個(gè)月拖欠貸款的概率是55%。

②時(shí)序模式分析

采取時(shí)序模型中的“相似時(shí)序”，用“相似時(shí)序”的方法，要按時(shí)間順序查看時(shí)間事件數(shù)據(jù)庫，從中找出另外一個(gè)或多個(gè)相似的時(shí)序事件。應(yīng)用倒煮住房貸款的風(fēng)險(xiǎn)預(yù)測中，貸款行在預(yù)測某個(gè)客戶是否會出現(xiàn)還貸風(fēng)險(xiǎn)情況時(shí)，可以在原有數(shù)據(jù)庫中尋找相似的貸款客戶情況，針對此相似貸款客戶的還貸情況來進(jìn)行統(tǒng)計(jì)分析預(yù)測待研究用戶是否會出現(xiàn)還貸風(fēng)險(xiǎn)情況，以此為推測依據(jù)，采取相應(yīng)措施，做出不同決策。

隨著信息技術(shù)的高速發(fā)展，人們積累的數(shù)據(jù)量急劇增長，如何從海量的數(shù)據(jù)中提取有用的知識成為當(dāng)務(wù)之急。數(shù)據(jù)挖掘就是為順應(yīng)這種需要應(yīng)運(yùn)而生發(fā)展起來的數(shù)據(jù)處理技術(shù)，是知識發(fā)現(xiàn)的關(guān)鍵步驟。銀行住房信貸業(yè)務(wù)的數(shù)據(jù)挖掘要引入大量的外部數(shù)據(jù)，如經(jīng)濟(jì)的發(fā)展趨勢、市場的波動(dòng)、企業(yè)的經(jīng)營狀況、個(gè)人的經(jīng)濟(jì)和信用信息等等。而這些數(shù)據(jù)來源渠道不一、結(jié)構(gòu)形態(tài)差異，并包括著許多虛假的、殘缺的、噪聲部分。因此需要認(rèn)真做好數(shù)據(jù)的準(zhǔn)備和預(yù)處理工作，更好的運(yùn)用數(shù)據(jù)挖掘技術(shù)解決金融信貸風(fēng)險(xiǎn)問題。

參考文獻(xiàn):

[1]陳文偉.《決策支持系統(tǒng)教程》 .北京 .清華大學(xué)出版社，2004年11月第1版

[2]陳文偉 黃金才 .《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘》.北京.人民郵電出版社， 2004

[3]梁 琪.《商業(yè)銀行信貸風(fēng)險(xiǎn)量度研究》.北京.中國金融出版社，2005

[4]梁 循.《數(shù)據(jù)挖掘算法與運(yùn)用》.北京.北京大學(xué)出版社，2006