金融不但是一个国家的经济命脉,而且是经济发展的核心。风险管理是金融管理中的一个核心问题,而信用风险则是风险管理中最为重要的环节,更是银行要面对的风险。随着信用交易的扩大化,商业银行面临的信用风险越来越复杂,如何对信用风险进行管理成为商业银行持续经营的主题。本文以商业银行为视角,利用数据挖掘技术研究贷款企业的信用风险这一重要的环节,以期能够为商业银行提供技术和方法。本文以数据挖掘在商业银行信用风险管理中应用为研究对象。首先论述了信用风险管理和数据挖掘的相关理论,研究了数据挖掘技术在银行业中的应用。然后介绍了信用风险评估流程,并构建了一套包含五个方面25个财务指标的信用风险评估体系。选取2006-2008年间48家首次被ST的上市公司及按1：1配对公司为研究样本,利用其对外公布的财务数据,采用K-S检验对指标的正态性进行检验,并用T检验、非参数检验和因子分析方法对指标进行约简,以数据挖掘流程一SEMMA为框架,利用SAS中EM数据挖掘工具实现了数据挖掘技术中逻辑回归、决策树和神经网络模型在信用风险评估中应用。研究结果表明,基于数据挖掘技术构建的信用风险评估模型具有很强的实用价值。在对三个模型的评估效果比较时发现,神经网络预测的误分率最低,逻辑回归模型最高,决策树居中,而决策树模型整体效果最好。借助聚合方法将神经网络和决策树模型进行了改进和综合。结果显示,整合后模型的稳定性和准确性都有所提高,‘取得较好的评估效果。