基于数据仓库的银行信用评级模型的构建.pdf

万方数据
基于数据仓库的银行信用评级模型的构建口朱云邱菀华【摘要】基于数据仓库,利用窬纾⒘艘行庞媚诓科兰断低常岢隽似笠敌庞弥魈馐菽P秃头缦掌拦滥P的训练过程。实证结果表明,该模型对银行信用评估可取得较好的效果。【关键词】数据仓库;神经网络;商业银行;信用评级【文献标识码】【基金项目】国家自然科学基金及高校博士点专项科研基金餐手钅【作者简介】朱云,北京航空航天大学经济管理学院博士生,研究方向为信用风险、科学决策;邱菀华,北京航空航天大学经济管理学院教授,博士生导师,研究方向为管理工程。本近年来,商业银行的风险管理成为国际国内金融界关注的焦点。商业银行在运营过程中面俚慕鹑诜缦罩饕S行庞梅缦铡⒗史缦铡⒒懵史缦铡⒘鞫苑缦蘸筒僮鞣缦盏龋渲信用风险占有特殊的地位。信用风险指的是借款人由于种种原因,不愿或无力偿还银行贷款本息,使银行贷款无法收回,形成果账损失的可能性。在现代商业银行经营中,信用风险是影响其安全高效运营的主要原因。风险管理是一种主动的事前行为,而不是事后的补救。应通过分析现有的数据,大量运用数理统计模型识别、衡量和检测风险,利用大量历史数据建立数据仓库,依靠数据挖掘手段了对数据仓库中数据信息进行深度加工和利用,挖掘出数据模型来预测和防范未来的风险,进行风险量化管理。数据挖掘是通过自动或半自动的工具对大量的历史数据进行探索和分析的过程,其目的是发现其中有意义的模式和规律。数据挖掘不是一种现成的产品,而是一门技能。数据挖掘的建模方法分为线形回归、逻辑回归、神经网络、遗传算法和分类树等。由于我国商业银行目前在处在转轨阶段,一方面由于信息残缺不全,另一方面由于传统的统计方法假定条件的局限性,使我国信用风险评估难以达到满意的效果。虺艫兰甏代以来发展起来的一种处理复杂非线性问题十分有效的手段,目前已在模式识别等领域得到广泛的应用。现有数十种神经网络方法,实际工作中大都采用网络,一些文献将其应用于银行信用风险评估取得了较好的效果。但同时网络也存在局限性:由于网络用于函数逼近时,权值的调整是用梯度下降法,存在局部极小和收敛速度慢的问题;已学习好的网络的推广夯问题;网络的隐含节点个数的选取尚缺少统一而完整的理论指导等。而缭诒平芰Α⒎掷嗄芰脱八俣鹊确矫婢庞网络。利用缋赐瓿珊平挝瘢⑶医ń峁隑缫约安捎酶慕鳥法的前向网络的训练结果作比较,发现缢玫氖奔渥疃獭本文将结合数据仓库与窬绻菇ㄒ行庞媚诓科兰断低场【中图分类号】.【文章编号】—一—一、引言人工神经网络
万方数据
匿口:掣琲’疉,。南,。跎飞◆基于数据仓库的银行信用评级模型的构建数据仓库并非是一个仅仅存储数据的简单信息库,因为这实际上与传统数据库没有两样。数据仓库实际上是一个“以大型数据管理信息系统为基础的,附加在这个数据库系统之上的,存储了从企业所有业务数据库中获取的综合数据,并能利用这些综合数据为用户提供经过处理后的有用信息的应用系统”。如果说传统数据库系统的重点与要求是快速、准确、安全、可靠地将数据存进数据库中的话,那么数据仓库的重点与要求就是能够准确、安全、可靠地从数据库中取出数据,经过加工转换成为有规律的信息之后,再供管理人员进行分析使用。数据仓库必须随时问变化而不断增加新的内容,进行新的分析和综合。一方面,数据仓库中需要不断捕捉信息系统中变化的数据,将它们追加到数据仓库中;另一方面,数据仓库中包含大量的综合