基于DBT分类算法的银行贷款风险评估.pdf

《基于DBT分类算法的银行贷款风险评估.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2014年6月广西师范学院学报：自然科学版Jun．2014第31卷第2期JournalofGuangxiTeachersEducationUniversity：NaturalScienceEditionV0I．31NO．2文章编号：1002—8743(2014)02—0062—05基于DBT分类算法的银行贷款风险评估邱骏达，闭应洲，王仁民，兰军明(广西师范学院计算机与信息工程学院，广西南宁530023)摘要：银行贷款风险评估一直是金融界高度关注的主要问题，现有方法主要包括K—means聚类、BP神

2、经网络、简单决策树、VAR方法等多种风险评估算法。但对于客户属性值缺失的案例，上述方法就很难达到良好的效果。为了解决属性值缺失的风险评估问题。提出了一种基于贝叶斯决策树算法的贷款风险评估算法(DBT)，实验结果证明了该算法的有效性关键词：银行贷款风险评估；贝叶斯决策树算法(DBT)；属性值缺失中圈分类号：TP312文献标识码：A0引言近年来，骗贷行为越来越多，贷款形势越来越严峻。许多银行因为贷款人无力还贷而只能通过拍卖廉价的抵押品来收回资金。骗贷的行为已经给国家经济造成了巨大的损失，也破坏了银行与

3、贷款者之间的互相信任，使得贷款的难度越来越大，许多继续贷款的人无法从银行获得相应的贷款。在这样的形势下，许多学者对银行贷款风险的评估分析做了大量的工作。文献[1]通过使用K—means聚类算法来对银行贷款风险进行分类，通过对样本信息的不断归并得出不同的风险预测结果，由于K—means方法简单精确，所以此方法在一定程度上推动了银行贷款风险评估的发展；文献Ez]通过构造一个简单的决策树来对申请贷款的客户进行分类，通过两个类标号来完成贷款风险的评估；文献1-3]提出了一种基于BP神经网络的贷款担保风险模

4、糊评价，由于神经网络方法本身就是一种稳健、非参数的方法，具有很强的非线性映射能力，学习经验的能力非常强，所以使用这种方法可以大大提高风险评估的准确性；文献[4]中通过运用VaR方法来对贷款风险进行评估，通过收集经验数据来计算VaR值，从而通过对VaR值的分析进行贷款风险的评估。以上各种评估方法都得到了不错的效果，然而四种方法都需要完整准确的客户信息和丰富的历史经验，对于客户信息残缺或者没有先例的案例就很难达到良好的效果。本文提出一种贝叶斯决策树分类方法(DBT方法)来解决客户信息不完整、贷款案例没

5、有早期经验的情况。通过结合贝叶斯方法对于属性后验概率的算法与决策树的分类方法来构造一个混合分类器，利用贝叶斯算法在样本分类前对样本进行相应的预处理，解决缺失属性值的样本无法经过普通单一分类器进行分类的问题从而达到对银行贷款风险准确高效评估的目的。1DBT分类算法贝叶斯决策树算法是结合贝叶斯算法的先验信息和决策树算法的信息增益信息而构造出的一个能够进行较为准确分类的分类器。1．1简单贝叶斯分类法贝叶斯分类方法是用来预测类隶属关系概率的一种分类方法，它基于贝叶斯定理，它假定一个属性收稿日期：2013—

6、03—2O*基金项目：广西科技开发项目资助(桂科攻1348015-4)；广西教育厅科研项目资助(2011022DO20)第一作者：邱骏达(1990一)，男，硕士生，研究：智能计算通讯作者：闭应洲(1967一)，男，教授，硕导，博士，CCF会员，主要研究：智能计算、智能信息处理第2期邱骏达，等：基于DBT分类算法的银行贷款风险评估·63·值在给定类上的影响独立于其他属性的值。贝叶斯定理的表述式：P(HIx：茎!里丝f1、⋯一P(X)⋯其中X表示一个数据元组，H表示某种假设，例如：X表示一个三十岁刚刚

7、大学毕业有一份2000元月薪的稳定工作的年轻人，而H表示贷款给他这一假设。P(HIX)表示后验概率，也就是说知道了这个年轻人的具体情况并且贷款给他的概率。P(IxfH)也表示一种后验概率，即贷款关系已经建立，而贷款人是一个三十岁刚刚大学毕业有一份2000元月薪的稳定工作的年轻人的概率，P(H)表示先验概率，也就是说无论是谁，只要他向银行申请贷款，银行批准申请的概率。P(X)也是一个先验概率，表示申请贷款人群中三十岁刚刚大学毕业有一份2000元月薪的稳定工作的年轻人所出现的概率。基于贝叶斯定理，就可

8、以简单地制造出贝叶斯分类器，设有个类C，C。，⋯，C，有一个，2维的属性向量X一{，z。，⋯，)，贝叶斯分类法将预测X属于具有最高后验概率的类，式(2)。P(cIx)>P(cJlx)(2)当且仅当其中1≤≤，≠i时，朴素贝叶斯分类法预测X属于类C。对于非连续值属性，根据概率统计的原理，只需要保证P(xIH)的最大化即可，所以贝叶斯分类器是一个简单实用的分类方法，但由于对各属性值影响考虑的不够全面并且对概率的依赖过于严重，所以分类结果可能不够准确。1．2决策树分类器决策树(Decis