[摘要]本文研究的是數(shù)據(jù)挖掘在住房信貸風險中的應用，隨著信息技術的發(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)挖掘技術由此應運而生，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)務的一個重要組成部分，而住房貸款的風險問題也日益加重。本文先是對數(shù)據(jù)挖掘技術產(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)務風險的現(xiàn)狀，然后分別運用數(shù)據(jù)挖掘的統(tǒng)計方法中的分類分析預測、時序模式分析、孤立點挖掘幾個技術對住房貸款的不同時期、不同方面進行風險防范處理，達到減少信貸風險，防止騙貸行為產(chǎn)生，保障銀行信貸資產(chǎn)安全的目的。

[關鍵詞]數(shù)據(jù)挖掘 分類預測 時序模式 孤立點挖掘

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

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、隨機的實際數(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。一般認為數(shù)據(jù)挖掘只是知識發(fā)現(xiàn)(KDD)中的一個過程，整個KDD過程包括了數(shù)據(jù)準備、數(shù)據(jù)挖掘及結果的解釋和評估。

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具有先前未知、有效的和實用的三個特征。先前未知的信息是指該信息是預先未曾預料到的，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

數(shù)據(jù)挖掘方法是由人工智能、機器學習的方法發(fā)展而來，結合傳統(tǒng)的統(tǒng)計分析方法、模糊數(shù)學方法以及科學計算可視化技術，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。

本文著重運用了統(tǒng)計分析方法進行數(shù)據(jù)挖掘的應用，針對用到的幾種技術進行簡單介紹。

(1)分類。分類是數(shù)據(jù)挖掘中應用最多的決策支持技術，分類是找出一個類別的概念描述，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。分類技術能鑒別和預測新事物的類別和種類。

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

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

(4)孤立點挖掘。 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，它們與數(shù)據(jù)的其它部分不同或不一致，孤立點可能是度量或執(zhí)行錯誤所導致的。孤立點探測和分析是一個有趣的數(shù)據(jù)挖掘任務，被稱為孤立點挖掘。

二、我國住房信貸風險的現(xiàn)狀

在當今金融機構中的商業(yè)銀行，主要依靠三大主營業(yè)務生存:存款類、貸款類和結算類，其中最主要的利潤來源就是各項貸款業(yè)務，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會，但是每個人的還貸能力不同，對于貸款人的經(jīng)濟能力情況掌握不充分使住房信貸風險日益加重。住房信貸信用風險控制的難點在于，既要鼓勵和方便客戶貸款，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)挖掘技術的出現(xiàn)，則為住房信貸風險的控制提供了一個客觀、準確的評估和控制機制。

以數(shù)據(jù)統(tǒng)計分析為基礎的數(shù)據(jù)挖掘技術，能夠通過收集和分析客戶的大量行為、信用和背景記錄，準確計算出不同屬性值的客戶群所具有的消費能力、還款概率，從而建立起有效分辨好壞的數(shù)學模型，幫助銀行樹立住房貸款風險防范的第一道防線——新客戶的信用審批。對于銀行既有的客戶，數(shù)據(jù)挖掘技術則能跟蹤和監(jiān)控每個客戶的行為、消費和還款數(shù)據(jù)，并根據(jù)相應的模型，智能化地調(diào)整客戶的信貸額度，對可能出現(xiàn)的壞賬也能提前進行預警。對已經(jīng)出現(xiàn)的壞賬，由數(shù)據(jù)挖掘技術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、收回的概率進行分析計算，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險控制體系。

三、數(shù)據(jù)挖掘在防范住房信貸中的應用實例

住房信貸業(yè)務的主要流程一般為:1.借款人申請個人住房貸款;2.貸款行對借款人提交的文件、資料的真實性進行評估審查;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)務的流程，應用數(shù)據(jù)挖掘技術防范住房信貸主要可以從以下幾個方面通過不同的數(shù)據(jù)挖掘技術進行分析:

(1)運用分類分析方法確定住房貸款信用風險等級

貸款行對借款人提交的文件、資料的真實性進行審核，同時確定借款人屬于哪種住房貸款信用風險等級，在對貸款人的信用風險等級進行分類時可利用數(shù)據(jù)挖掘分類分析方法中的決策樹方法進行分類，決策樹由以下三個基本部分組成:節(jié)點，分支，葉子。其中的每個內(nèi)部節(jié)點代表對某個屬性的一次測試，一個分支代表一個測試結果，通常對應于分析對象的屬性。葉子代表某個類或者類的分布。決策樹采用自上而下的遞歸構造方法，每個節(jié)點都會根據(jù)不同的分類屬性進行一個測試，形成不同的分支，最后到達一個葉子。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行測試，可以對住房貸款的信貸風險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足額償還。

②關注。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。

運用這個風險等級分類，以后就可以運用這個模型來對數(shù)據(jù)路的其他申請或是新的申請者做出預測。

(2)孤立點挖掘技術在防范住房貸款騙貸中的應用

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務報表和企業(yè)申貸材料數(shù)據(jù)中，粗看起來與普通銀企合作關系無法區(qū)分，但如果財務報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的檢測技術，挖掘以往信貸交易中的騙貸交易特征，然后建立預警模型，就可以及時發(fā)現(xiàn)和防范此類事件的發(fā)生，這也是未來防范金融風險的技術手段之一。

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

首先虛擬建立一個簡約數(shù)據(jù)庫，包含了銀行內(nèi)部所有業(yè)務的數(shù)據(jù)，其中我們選擇貸款數(shù)據(jù)進行聚類分析，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行孤立點的挖掘。其中平均絕對偏差是實現(xiàn)量度值標準化的方法之一，曼哈距離則直接體現(xiàn)了一個數(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)運用預測統(tǒng)計方法確定已貸出的住房貸款發(fā)生風險的概率

對于已簽訂貸款合同并貸出的住房貸款，貸款行應及時預測貸款發(fā)生風險的可能，以此盡早估計可能出現(xiàn)的壞賬，同時及早采取相應措施降低銀行損失。

①回歸分析方法

利用大量的歷史數(shù)據(jù)，以時間為變量建立線性或非線性回歸方程同時做出回歸曲線，預測時，只要輸入任意的時間值，通過回歸方程就可求出該時間的狀態(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，預測后期的還貸情況是否會出現(xiàn)風險甚至壞賬。例如如果某用戶上個月拖欠貸款，則這個月拖欠貸款的概率是55%。

②時序模式分析

采取時序模型中的“相似時序”，用“相似時序”的方法，要按時間順序查看時間事件數(shù)據(jù)庫，從中找出另外一個或多個相似的時序事件。應用倒煮住房貸款的風險預測中，貸款行在預測某個客戶是否會出現(xiàn)還貸風險情況時，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行統(tǒng)計分析預測待研究用戶是否會出現(xiàn)還貸風險情況，以此為推測依據(jù)，采取相應措施，做出不同決策。

隨著信息技術的高速發(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務之急。數(shù)據(jù)挖掘就是為順應這種需要應運而生發(fā)展起來的數(shù)據(jù)處理技術，是知識發(fā)現(xiàn)的關鍵步驟。銀行住房信貸業(yè)務的數(shù)據(jù)挖掘要引入大量的外部數(shù)據(jù)，如經(jīng)濟的發(fā)展趨勢、市場的波動、企業(yè)的經(jīng)營狀況、個人的經(jīng)濟和信用信息等等。而這些數(shù)據(jù)來源渠道不一、結構形態(tài)差異，并包括著許多虛假的、殘缺的、噪聲部分。因此需要認真做好數(shù)據(jù)的準備和預處理工作，更好的運用數(shù)據(jù)挖掘技術解決金融信貸風險問題。

參考文獻:

[1]陳文偉.《決策支持系統(tǒng)教程》 .北京 .清華大學出版社，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)銀行信貸風險量度研究》.北京.中國金融出版社，2005

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