摘要：信用風(fēng)險(xiǎn)是金融市場(chǎng)中最古老，也是最重要的風(fēng)險(xiǎn)形式之一，它是現(xiàn)代經(jīng)濟(jì)體（特別是金融機(jī)構(gòu)）所面臨的主要風(fēng)險(xiǎn)。對(duì)于微觀層次的信用風(fēng)險(xiǎn)評(píng)估來說，一個(gè)非常重要的問題就是指標(biāo)的選擇。指標(biāo)選擇的好壞直接影響到風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性，為此文章提出使用數(shù)據(jù)挖掘技術(shù)選擇信用風(fēng)險(xiǎn)評(píng)估相關(guān)指標(biāo)，給出了指標(biāo)選擇算法，最后使用銀行數(shù)據(jù)做了實(shí)證分析，驗(yàn)證了算法的有效性。

關(guān)鍵詞：信用風(fēng)險(xiǎn)；數(shù)據(jù)挖掘；指標(biāo)選擇

一、 問題的提出

信用風(fēng)險(xiǎn)是金融市場(chǎng)中最古老，也是最重要的風(fēng)險(xiǎn)形式之一，它是現(xiàn)代經(jīng)濟(jì)體（特別是金融機(jī)構(gòu)）所面臨的主要風(fēng)險(xiǎn)。信用風(fēng)險(xiǎn)直接影響到現(xiàn)代社會(huì)經(jīng)濟(jì)生活的各個(gè)方面，也影響到一個(gè)國家的宏觀經(jīng)濟(jì)決策和經(jīng)濟(jì)發(fā)展，甚至影響整個(gè)全球經(jīng)濟(jì)的穩(wěn)定與協(xié)調(diào)發(fā)展。

我國已正式加入WTO，加入WTO不僅是我國經(jīng)濟(jì)融入世界，參與全球化競(jìng)爭(zhēng)的標(biāo)志，更重要的是要求我們?cè)诮?jīng)濟(jì)活動(dòng)的意識(shí)和做法上要與國際接軌，要完全按國際慣例行事。對(duì)銀行業(yè)來說，按國際慣例行事就是要遵守巴塞爾新資本協(xié)議的規(guī)定，公平競(jìng)爭(zhēng)。由于國外企業(yè)和金融機(jī)構(gòu)已經(jīng)發(fā)展并采用了一系列的技術(shù)來度量和管理信用風(fēng)險(xiǎn)，我國企業(yè)和金融機(jī)構(gòu)就必須在學(xué)習(xí)國外先進(jìn)的、科學(xué)的度量和管理方法同時(shí)，結(jié)合我國實(shí)際情況，發(fā)展適合我國企業(yè)和金融機(jī)構(gòu)的信用風(fēng)險(xiǎn)度量和管理技術(shù)，只有這樣才能在與國外同行的競(jìng)爭(zhēng)中立于不敗之地。因此，對(duì)于我國來說，對(duì)信用風(fēng)險(xiǎn)度量和管理的研究具有重要的現(xiàn)實(shí)意義。

二、 數(shù)據(jù)挖掘技術(shù)應(yīng)用在信用風(fēng)險(xiǎn)分析中可行性分析

數(shù)據(jù)挖掘出現(xiàn)于20世紀(jì)80年代后期，20世紀(jì)90年代有了突飛猛進(jìn)的發(fā)展。數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取和“挖掘”知識(shí)。

商業(yè)銀行進(jìn)行信用風(fēng)險(xiǎn)分析最重要的兩個(gè)因素是高質(zhì)量的風(fēng)險(xiǎn)分析及管理信息系統(tǒng)和高素質(zhì)的風(fēng)險(xiǎn)分析人員。從某種意義上說，高質(zhì)量的風(fēng)險(xiǎn)分析及管理信息系統(tǒng)比高素質(zhì)的風(fēng)險(xiǎn)分析人員更為重要。國內(nèi)銀行界對(duì)這一點(diǎn)有充分地認(rèn)識(shí)。制約商業(yè)銀行風(fēng)險(xiǎn)分析及管理水平提高的“瓶頸”首先在于數(shù)據(jù)基礎(chǔ)，而數(shù)據(jù)基礎(chǔ)建設(shè)又是銀行整個(gè)信息系統(tǒng)建設(shè)的有機(jī)組成部分。國內(nèi)商業(yè)銀行在這方面有過不少教訓(xùn)。隨著信息時(shí)代的來臨，信息技術(shù)在銀行的應(yīng)用取得了長(zhǎng)足進(jìn)展，國內(nèi)商業(yè)銀行在信息科技開發(fā)上投入力度都很大，但成效卻不如想象中那么大，甚至可以說成本和收益比失調(diào)。這其中一個(gè)主要的問題就是系統(tǒng)開發(fā)缺乏前瞻性和連續(xù)性。比如許多銀行在過去開發(fā)過程中，為了滿足不同階段、不同任務(wù)陸續(xù)開發(fā)不同的信息管理系統(tǒng)，而這些系統(tǒng)之間彼此信息冗余，且數(shù)據(jù)一致性很差，統(tǒng)計(jì)人員在不同口徑數(shù)據(jù)如何統(tǒng)一問題上疲于奔命，不僅沒有提高工作效率，反而增加了許多工作量，工作量的增加反過來又使統(tǒng)計(jì)數(shù)據(jù)質(zhì)量難以切實(shí)保障，而基礎(chǔ)數(shù)據(jù)的不統(tǒng)一和準(zhǔn)確性差造成的嚴(yán)重錯(cuò)誤是不僅高層次的風(fēng)險(xiǎn)分析（信貸資產(chǎn)組合分析）根本無法展開，即使是簡(jiǎn)單的分析工具也因?yàn)閿?shù)據(jù)質(zhì)量差而使分析結(jié)果缺乏可信度。因此國內(nèi)商業(yè)銀行風(fēng)險(xiǎn)分析及管理能力不高的根本原因之一在于缺乏高質(zhì)量風(fēng)險(xiǎn)分析及管理信息系統(tǒng)。系統(tǒng)制約風(fēng)險(xiǎn)分析是一個(gè)普遍問題。

根據(jù)西方商業(yè)銀行的經(jīng)驗(yàn)，風(fēng)險(xiǎn)分析及管理信息系統(tǒng)的結(jié)構(gòu)基本由三部分組成：數(shù)據(jù)倉庫、中間數(shù)據(jù)處理器和數(shù)據(jù)分析層。就信用風(fēng)險(xiǎn)管理而言，前臺(tái)采集數(shù)據(jù)，將數(shù)據(jù)結(jié)果匯總到數(shù)據(jù)倉庫之中，以備后臺(tái)分析。數(shù)據(jù)倉庫至少要容納以下幾類信息：與行業(yè)相關(guān)的宏觀因素指標(biāo)信息、客戶基本信息、授信合同信息、信貸賬務(wù)信息、擔(dān)保品信息、清償數(shù)據(jù)信息、企業(yè)財(cái)務(wù)信息等。中間數(shù)據(jù)處理器主要將前臺(tái)收集到的原始數(shù)據(jù)信息進(jìn)行分類識(shí)別和處理，并抽取其內(nèi)在特征，按照不同的結(jié)構(gòu)和類型將其分別存儲(chǔ)到數(shù)據(jù)倉庫相應(yīng)位置。數(shù)據(jù)分析層是數(shù)據(jù)處理的最高階段，它要根據(jù)風(fēng)險(xiǎn)分析及管理的不同需要從數(shù)據(jù)倉庫中提取信息進(jìn)行分析。

由上面分析可知，隨著信息技術(shù)的發(fā)展及我國商業(yè)銀行對(duì)高質(zhì)量信用風(fēng)險(xiǎn)分析及管理信息系統(tǒng)建設(shè)認(rèn)識(shí)上的提高，我國的高質(zhì)量信用風(fēng)險(xiǎn)分析及管理信息系統(tǒng)必將會(huì)科學(xué)合理地建立起來，而且會(huì)不斷地得到完善和發(fā)展。這樣就為解決現(xiàn)代信用風(fēng)險(xiǎn)分析中一些還沒有解決的問題提供了必要的條件和一種新的思路。信用風(fēng)險(xiǎn)分析及管理信息系統(tǒng)的數(shù)據(jù)倉庫中存有大量的事實(shí)數(shù)據(jù)，這些數(shù)據(jù)包括：信貸客戶的基本信息、企業(yè)主要管理人員及主要家屬基本情況、客戶重大事項(xiàng)、企業(yè)大事登記、企業(yè)所屬行業(yè)、破產(chǎn)日期、違約類別、債務(wù)結(jié)構(gòu)等諸多數(shù)據(jù)信息，這些信息對(duì)信用風(fēng)險(xiǎn)分析來說是十分必要和珍貴的，那么這些數(shù)據(jù)如何被應(yīng)用，如何從中尋找對(duì)信用風(fēng)險(xiǎn)分析有用的知識(shí)（規(guī)則），來解決數(shù)據(jù)豐富但信息貧乏的問題呢？我們自然想到了數(shù)據(jù)挖掘技術(shù)，在這樣存有大量信息的數(shù)據(jù)倉庫中挖掘隱含的知識(shí)正是數(shù)據(jù)挖掘技術(shù)的專長(zhǎng)。這里舉一個(gè)例子來說明數(shù)據(jù)挖掘技術(shù)可以怎樣用在信用風(fēng)險(xiǎn)分析中（當(dāng)然這只是它應(yīng)用的一部分）。比如我們使用專家系統(tǒng)來進(jìn)行信用風(fēng)險(xiǎn)的定性分析，專家系統(tǒng)進(jìn)行定性分析的依據(jù)是抽象為規(guī)則的專家知識(shí)，也就是說系統(tǒng)依賴用戶和領(lǐng)域?qū)＜胰斯さ貙⒅R(shí)輸入知識(shí)庫，因此這一過程常常會(huì)有偏差和錯(cuò)誤，并且耗時(shí)，另外值得一提的是信用風(fēng)險(xiǎn)分析的專家知識(shí)或多或少都會(huì)有一定的主觀性在里面，這樣對(duì)評(píng)估結(jié)果的準(zhǔn)確性是有影響的。而數(shù)據(jù)挖掘技術(shù)可以利用信用風(fēng)險(xiǎn)分析及管理信息系統(tǒng)的存有大量事實(shí)數(shù)據(jù)的數(shù)據(jù)倉庫，從中客觀地挖掘評(píng)估規(guī)則，然后將這些規(guī)則存入專家系統(tǒng)的知識(shí)庫，從而為決策提供依據(jù)，而且這樣的過程是自動(dòng)的。根據(jù)這些規(guī)則產(chǎn)生的評(píng)估結(jié)果會(huì)更客觀，更準(zhǔn)確。

由此可見，隨著信息技術(shù)的發(fā)展，信用風(fēng)險(xiǎn)分析及管理系統(tǒng)的不斷完善，數(shù)據(jù)倉庫中數(shù)據(jù)的不斷豐富，數(shù)據(jù)挖掘技術(shù)在信用風(fēng)險(xiǎn)分析領(lǐng)域的應(yīng)用會(huì)有廣闊的前景。

三、 基于數(shù)據(jù)挖掘技術(shù)的指標(biāo)選擇

微觀信用風(fēng)險(xiǎn)評(píng)估的指標(biāo)包括：企業(yè)財(cái)務(wù)狀況、企業(yè)管理者素質(zhì)、企業(yè)經(jīng)營狀況等。根據(jù)企業(yè)戰(zhàn)略管理理論的外部、內(nèi)部分析的思想：外部、內(nèi)部分析并不是要列舉無窮多的所有會(huì)影響企業(yè)經(jīng)營的因素。相反，它只是要確認(rèn)那些關(guān)鍵的、值得作出反應(yīng)的變化因素。因此，我們要對(duì)影響企業(yè)信用風(fēng)險(xiǎn)水平的微觀因素進(jìn)行綜合分析，首先我們要做的就是在微觀因素的眾多指標(biāo)中找到對(duì)企業(yè)信用風(fēng)險(xiǎn)水平影響最大的指標(biāo)（也就是說，找到與企業(yè)信用風(fēng)險(xiǎn)水平關(guān)聯(lián)性最強(qiáng)的指標(biāo)）。找到這樣的指標(biāo)，可以降低分析數(shù)據(jù)的維數(shù)，而且信用風(fēng)險(xiǎn)分析結(jié)果的質(zhì)量不受影響。

為了進(jìn)行指標(biāo)選取，我們使用數(shù)據(jù)挖掘功能中的關(guān)聯(lián)分析技術(shù)。關(guān)聯(lián)分析挖掘發(fā)現(xiàn)大量數(shù)據(jù)中項(xiàng)集之間的關(guān)聯(lián)和相互聯(lián)系。關(guān)聯(lián)分析廣泛用于購物籃和事務(wù)處理的分析。它挖掘的一個(gè)典型例子是購物籃分析，該過程通過發(fā)現(xiàn)顧客放入購物籃中不同商品之間的聯(lián)系，分析顧客的購買習(xí)慣。我們這里使用的算法是Apriori算法。Apriori算法是一種最有影響的挖掘關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法，由頻繁項(xiàng)集可以直截了當(dāng)?shù)禺a(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則。算法的名字基于這樣的事實(shí)：算法使用頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)。Apirori使用一種稱作逐層搜索的迭代算法，k項(xiàng)集用于探索（k+1）項(xiàng)集。首先，找出頻繁1—項(xiàng)集的集和。該項(xiàng)集記作L1。L1用于找頻繁2—項(xiàng)集的集和L2，而L2用于尋找L3，如此下去，直到不能找到頻繁k項(xiàng)集。找每個(gè)Lk需要一次數(shù)據(jù)庫掃描。

為了驗(yàn)證Apriori算法的可行性，我們根據(jù)某商業(yè)銀行提供的數(shù)據(jù)，構(gòu)造了一個(gè)數(shù)據(jù)庫，該數(shù)據(jù)庫包含有二千多項(xiàng)事實(shí)數(shù)據(jù)，數(shù)據(jù)庫構(gòu)造過程如下：將現(xiàn)有貸款樣本的模糊化數(shù)據(jù)構(gòu)成數(shù)據(jù)庫，模糊化過程為：

1． 領(lǐng)導(dǎo)者素質(zhì)、企業(yè)經(jīng)濟(jì)實(shí)力和信譽(yù)狀況三項(xiàng)由專家打分確定。

2． 資產(chǎn)負(fù)債率、流動(dòng)比率、速動(dòng)比率、凈利潤率和銷售增長(zhǎng)值根據(jù)同行業(yè)的具體標(biāo)準(zhǔn)確定。

這樣，每項(xiàng)貸款的風(fēng)險(xiǎn)要素模糊化的表示如下：X₁=資產(chǎn)負(fù)債率={X₁₁好，X₁₂中，X₁₃差}；X₂=流動(dòng)比率={X₂₁好，X₂₂中，X₂₃差}；X₃=速動(dòng)比率={X₃₁好，X₃₂中，X₃₃差}；X₄=凈利潤率={X₄₁好，X₄₂中，X₄₃差}；X₅=銷售增長(zhǎng)值={X₅₁好，X₅₂中，X₅₄差}；X₆=領(lǐng)導(dǎo)者素質(zhì)={X₆₁好，X₆₂中，X₆₃差}；X₇=企業(yè)經(jīng)濟(jì)實(shí)力={X₇₁好，X₇₂中，X₇₃差}；X₈=信譽(yù)狀況={X₈₁好，X₈₂中，X₈₃差}；用Y₁表示貸款風(fēng)險(xiǎn)分類為“正?！?，用Y₂表示貸款的風(fēng)險(xiǎn)分類為“損失”，在此基礎(chǔ)上通過應(yīng)用Apriori算法尋找數(shù)據(jù)庫中的頻繁項(xiàng)集，來找出影響貸款風(fēng)險(xiǎn)分類的主要因素。

使用數(shù)據(jù)庫一條記錄舉例如下，該數(shù)據(jù)庫表示如下：Y₁，X₁₁，X₂₂，X₃₁，X₄₁，X₅₃，X₆₁，X₇₂，X₈₁則意指為：

信用風(fēng)險(xiǎn)分類為“正?！保毁Y產(chǎn)負(fù)債率=好；流動(dòng)比率= 中；速動(dòng)比率=好；凈利潤率=好；銷售增長(zhǎng)值=差；領(lǐng)導(dǎo)者素質(zhì)=好；企業(yè)經(jīng)濟(jì)實(shí)力=中；信譽(yù)狀況=好；

我們使用C＋＋語言實(shí)現(xiàn)Apriori算法，通過Apriori算法掃描前面我們構(gòu)造的事實(shí)數(shù)據(jù)庫，算法找出與信用風(fēng)險(xiǎn)分類最相關(guān)的五個(gè)要素為：流動(dòng)比率，凈利潤率，銷售增長(zhǎng)值，領(lǐng)導(dǎo)者素質(zhì)和企業(yè)經(jīng)濟(jì)實(shí)力。上面的五個(gè)指標(biāo)分別體現(xiàn)了企業(yè)的流動(dòng)性、增長(zhǎng)性、盈利性等方面的情況，這五個(gè)指標(biāo)和進(jìn)行信用風(fēng)險(xiǎn)評(píng)估時(shí)所使用的經(jīng)典指標(biāo)是基本一致的。因此可以證明基于Apriori算法選擇與信用風(fēng)險(xiǎn)相關(guān)的關(guān)鍵指標(biāo)的方法是可行的。

參考文獻(xiàn)：

1．（加）Jiawei Han，Micheline Kamber著．范明，孟小峰等譯．?dāng)?shù)據(jù)挖掘概念與技術(shù)．北京：機(jī)械工業(yè)出版社，2001．

2．張維，李玉霜．商業(yè)銀行信用風(fēng)險(xiǎn)分析綜述．管理科學(xué)學(xué)報(bào)，1998，（3）：20-27．

3．朱明，楊保安．基于知識(shí)的銀行貸款分類系統(tǒng)．CJCAI，2001：231-235．

4．黃娟，馮玉強(qiáng)，王洪偉．基于聯(lián)接歸納推理的信貸風(fēng)險(xiǎn)評(píng)估集成智能系統(tǒng)．計(jì)算機(jī)應(yīng)用研究，1999，（9）：74-16．

5．王春峰，萬海暉，張維．商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估及其實(shí)證研究．管理科學(xué)學(xué)報(bào)，1998，（1）：68-72．

6．（美）約翰·B·考埃特，愛德華·I·愛特曼，保羅·納拉亞南著．石曉軍等譯．演進(jìn)著的信用風(fēng)險(xiǎn)管理．北京：機(jī)械工業(yè)出版社，2001．

7．李志輝．現(xiàn)代信用風(fēng)險(xiǎn)量化度量和管理研究．北京：中國金融出版社，2001．

作者簡(jiǎn)介：馬海英，博士（數(shù)量經(jīng)濟(jì)學(xué)），華東理工大學(xué)商學(xué)院講師；郭鈺，華東理工大學(xué)投資管理中心助教。

收稿日期：2006-10-23。