银行管理论文-浅谈银行业中数据挖掘的应用.doc

银行管理论文浅谈银行业中数据挖掘的应用论文关键词论文关键词银行业数据挖掘应用论文摘要数据挖掘是近年来出现的一种信息技术，在金融业有着较为广泛的应用。本文从银行业的角度出发，归纳了数据挖掘在银行应用的主要方面，并对数据挖掘在银行具体应用的几个阶段进行了阐述。一、引言数据挖掘（DATAMINING）是一种新的商业信息处理技术，产生于20世纪80年代的美国，首先应用在金融、电信等领域，主要特点是对大量数据进行抽取、转换、分析和模型化处理，从中提取出有助于商业决策的关键性数据。银行信息化的迅速发展，产生了大量的业务数据。从海量数据中提取出有价值的信息，为银行的商业决策服务，是数据挖掘的重要应用领域。汇丰、花旗和瑞士银行是数据挖掘技术应用的先行者。如今，数据挖掘已在银行业有了广泛深入的应用。二、数据挖掘在银行业应用的主要方面现阶段，数据挖掘在银行业中的应用，主要可分为以下几个方面。（一）风险管理数据挖掘在银行业的重要应用之一是风险管理，如信用风险评估。可通过构建信用评级模型，评估贷款申请人或信用卡申请人的风险。一个进行信用风险评估的解决方案，能对银行数据库中所有的账户指定信用评级标准，用若干数据库查询就可以得出信用风险的列表。这种对于高/低风险的评级或分类，是基于每个客户的账户特征，如尚未偿还的贷款、信用调降报告历史记录、账户类型、收入水平及其他信息等。对于银行账户的信用评估，可采用直观量化的评分技术。将顾客的海量信息数据以某种权重加以衡量，针对各种目标给出量化的评分。以信用评分为例，通过由数据挖掘模型确定的权重，来给每项申请的各指标打分，加总得到该申请人的信用评分情况。银行根据信用评分来决定是否接受申请，确定信用额度。过去，信用评分的工作由银行信贷员完成，只考虑几个经过测试的变量，如就业情况、收入、年龄、资产、负债等。现在应用数据挖掘的方法，可以增加更多的变量，提高模型的精度，满足信用评价的需求。通过数据挖掘，还可以侦查异常的信用卡使用情况，确定极端客户的消费行为。根据历史统计数据，评定造成信贷风险客户的特征和背景，预防可能造成风险损失的客户。在对客户的资信调查和经营预测的基础上，运用系统的方法对信贷风险的类型和原因进行识别、估测，发现引起贷款风险的诱导因素，有效地控制和降低信贷风险的发生。通过建立信用欺诈模型，帮助银行发现具有潜在欺诈性的事件，开展欺诈侦查分析，预防和控制