原创《基于数据挖掘持卡人信用风险管理》：本论文为您写信用风险管理毕业论文范文和职称论文提供相关论文参考文献，可免费下载。
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,银行的信贷和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].迟国泰等构建了信用卡信用风险评价指标体系,并确定了划分信用等级的阈值,将根据申请人资料计算出的个人信用综合得分和阈值比较,把客户分为三类：“授予金卡”、“授予普通卡”、“拒绝授予信用卡”[11].针对持卡人的信用风险的管理,Hsieh提出了集成数据挖掘模型,把客户分成不同类型,并用关联规则挖掘客户特征和所属类型的关系,为决策提供帮助[12].
由于银行信用卡信用数据的异质性和信用卡数据本身的高度非线性,建立准确率高、鲁棒性强的信用评分模型是一个有挑战性的任务.本文针对信用卡信用数据的特点,提出了两阶段混合数据挖掘方法.该方法在聚类阶段把信用数据聚成同质的类,删去孤立点,不一致点重置标签；在分类阶段用支持向量机进行训练,建立多类支持向量机分类器,把客户分为多组.聚类过程使样本数据的代表性更强,为建立高准确率的分类器奠定基础；分类阶段采用支持向量机方法,这是目前适合小样本数据的最有效方法之一.该方法既可以用于判断是否接受客户的申请,也可以用于信用卡客户的风险管理.判断是否接受客户的申请时,根据事先设定的阈值,把申请人分为相应的类（如授予金卡、授予普通卡和拒绝申请）；对已接受申请的信用卡客户,设定阈值把客户分为几类,实行不同的风险管理措施.二、相关理论基础（一） 自组织神经网络
自组织特征映射（Self—Organizing Map, SOM）神经网络是无教师学习网络,具有自组织功能.SOM中竞争层神经元通过竞争激活,最终仅有一个神经元作为竞争的胜利者被激活,和该神经元的连接都向对其竞争有利的方向调整.这样,SOM可以很好地模拟大脑的功能区域和神经元兴奋的刺激规律,具有神经元自调节结构和自稳定能力、实现实时学习识别向量空间中最有意义的特征、抗噪音能力强等特点,被广泛地应用于分类、聚类模式识别等.
1. SOM 网络的结构.SOM将任意维度的输入转换成一维或二维的离散映射,以拓扑有序的方式实现这个变换.自组织神经网络的输入层和输出层之间全部互连,没有中间层.若输入层有n个神经元,输出层有m2个神经元,输出层的m2个神经元安排在二维网格中.对给定的输入,通过竞争以若干神经元输出,获胜的神经元g的邻域Ng内的所有神经元都有不同程度的兴奋,而邻域之外的神经元被抑制.这里的邻域一般是对称图形,形状可以任意,但是随时间增大而减小.输入神经元应经历足够的输入次数,确保自组织过程能够实现.
财经理论和实践（双月刊） 2012年第5期
2012年第5期（总第179期） 陈为民,张小勇等：基于数据挖掘的持卡人信用风险管理研究
2. SOM 学习过程.对输入向量U,SOM计算它和每个权重向量W的距离（如Euclid距离）,最接近输入向量的神经元mc称为最佳匹配单元（bestmatching unit,BMU）,即获胜神经元：
‖U—mc‖等于min i‖U—mi‖
（1）
确定获胜神经元后,权重向量更新,获胜神经元向输入向量移动.
如果SOM的输入为Uk等于（uk1,uk2,等ukn）T,k等于1,2,等,N, 竞争层神经元j的输出为Vj,j等于1,2,等,M,连接权重Wj等于（w1j,w2j,等wnj）T,第t次迭代获胜的节点R的邻域节点构成集合Ng（t）,则SOM学习过程如下：
步骤1 初始化
对wij,学习率η（0）、Nk（0）和学习次数T赋值,wij∈[0,1],η（0）∈（0,1）
步骤2 归一化处理
输入归一化k等于Uk/‖Uk‖等于（k1,k2,等,kn）T ,‖Uk‖等于（UTk/Uk）1/2
权重归一化,计算同输入归一化相同
步骤3 确定获胜神经元
计算权重向量Wj和输入向量之间的Euclid距离dj等于‖k—j‖,j等于1,2,等M,若dg等于min j{dj},则神经元g获胜.
步骤4 调节权重并归一化
wj（t+1）等于
j（t）+η（t）（k—j（t）） j∈Ng（t）
j（t） 否则
j（t+1）等于j（t+1）/‖j（t+1）‖
步骤5 返回步骤2处理下一个输入模式,直到第N个
步骤6 更新η（t）和Ng（t）：η（t）等于（1—t/T）η（0）,Ng（t）等于int [Ng（0）exp （—t/T）]
信用风险管理论文参考资料：
结论：基于数据挖掘持卡人信用风险管理为关于本文可作为信用风险管理方面的大学硕士与本科毕业论文银行信用风险管理论文开题报告范文和职称论文论文写作参考文献下载。
