论文部分内容阅读
在经济全球化的背景下，金融业开放程度及市场化程度的正在不断加大，如何防范金融风险已成为银行业面临的重大课题。目前，我国商业银行经营利润的主体仍主要来自信贷业务，信用风险仍是其所面临的最主要风险。研究如何利用银行现有的主要数据资料——海量客户金融交易数据，对信用风险的量化管理与预警，具有重要的理论意义和应用价值。
本文将针对某商业银行业务系统中的核心业务数据—具有海量且分布异构的金融交易数据进行研究，设计并实现一套具有实用价值的客户金融数据综合分析系统(Customer Transaction Comprehensive Analysis System，CTCAS)。然后利用该系统，选取一些时段的基本交易数据，进行分析统计----分客户分机构统计出一些不合常规的交易类型（笔数和金额）;在此基础上，利用数据统计、数据挖据和其他智能信息处理技术，归纳贷款客户不合常规的交易模式特征，并进行建模预测。论文主要工作和贡献如下:
1.研究银行贷款相关的业务及管理办法，重点研究了商业银行贷款客户的金融交易行为特点。
2.研究了基于SPSS的多元统计分析技术，以及基于机器学习理论的神经网络、SVM等建模预测技术;然后将上述方法理论引入到信贷风险管理领域，构建了一个可预测客户还贷是否出现违约的信用风险模型，并用实际数据进行了测试和验证。
3.参与了课题组“客户交易资料综合管理平台”项目的研发工作。具体负责其中“客户基本信息查询模块”、“客户交易查询模块”、“客户违规交易统计查询模块”、“数据挖掘分析模块”等几个主要模块的设计与实现。这些模块现都已实现，并已投入业务使用。