论文部分内容阅读
近年来,我国对经济增速指标进行逐步下调,新常态发展模式成为经济主旋律。随着金融改革的逐步深化,利率市场化步伐的加快,以及经济形势发展出现的不确定性,商业银行之间的竞争进入白热化。对公客户作为各家商业银行创造利润的主要来源成为必争之地,其信用风险管理能力如何得到提高,如何对其进行准确有效的防范和管理直接决定了商业银行的盈利水平与资产质量,是其在将来实现稳健经营的关键因素。而对公客户信贷业务由于单比授信额度大、较短的贷款周期、极强的业务粘性和收益回报率高的特点,是当前商业银行资产端的核心,同时也是商业银行不良率不断走高的原因之一。故以对公信贷业务为基础对对公客户进行信用风险管理成为商业银行控制信用风险的关键。本文首先以信用风险及其管理理论为切入点,对国内外关于信用风险评估模型的研究进行了介绍,评述了商业银行现有的信用风险评估模型存在的不足与缺陷。随后简要介绍了数据挖掘的相关概念,并对其重要技术方法与功能进行详尽叙述。接着对数据挖掘在商业银行的应用情况进行了概括和分析,同时对数据挖掘技术具体在银行信用风险管理中的应用进行了分析。最后从实际应用角度,选取银行对公客户信贷业务作为分析背景。采用定性和定量分析相结合的方法,分析得出影响银行对公客户信用风险的关键因素。然后引入决策树算法的概念和相关内容,以python程序为数据挖掘工具,结合得出的关键因素进行决策树建模及模型评估。通过模型的构建为商业银行的对公信贷决策提供科学的依据,有利于增强银行信用风险的管控,提高银行信贷资产质量。对于商业银行科学的完成对公客户贷款分析和信用风险管理及预警,具有一定的借鉴意义。