数据挖掘在信用卡风险控制中的应用研究.pdf

中山大学

硕士学位论文

数据挖掘在信用卡风险控制中的应用研究

姓名：覃梅

申请学位级别：硕士

专业：软件工程

指导教师：张锋

20100528
摘要论文题目：专业：硕士生：指导老师：数据挖掘在信用卡风险控制中的应用研究软件工程覃梅张锋讲师随着中国的经济发展不断与世界接轨，中国居民的消费方式也在慢慢转变。消费者的现金交易越来越少，取而代之的是信用卡式的刷卡消费。信用卡在给消费者带来了便捷消费的同时，也给银行带来了高额的利润。但是高利润往往暗含着高风险，银行是信用卡的发行者，也是信用卡风险的主要承担者。如何从大量客户提交的信用卡申请资料中辨识出风险客户?如何将产生坏账的潜在风险降到最低?这是银行在信用卡审批时最关心的问题。银行最初的信用卡审批方式是由风险评估专家对客户提交的申请资料进行审查，凭借经验判断该客户是否为风险客户，是否为其办理信用卡。后来，银行开始借助统计手段在大量的历史申请资料中发现风险客户的特征，再由评估专家判断新客户提交的资料中是否具有风险客户的特征。随着信用卡的不断普及，申请人的背景越来越多样化，仅仅依靠统计方法和评估专家的审批方式已经不再适用。银行迫切需要一种高效的数据分析工具和方法能从大量新客户提交的申请资料中准确的辨识出风险客户，将产生坏账的风险降到最低。数据挖掘能够在大量数据中发现隐含的有趣知识，这为银行从数量庞大的信用卡申请资料中有效辨识风险客户提供了有力的技术支持，增加银行对信用卡业务的风险控制力度。本文在数据挖掘系统Weka中，分别用参数优化前和参数优化后的决策树和支持向量机SVM、以及朴素贝叶斯分类算法对四个不同的信用卡数据集建立分类预测模型，并通Buildstatistic和ROCArea六个统计量，分别从建模效率、模型性能和分类准确率等方面比较这三种算法在信用卡数据集上的分类效果。旨在决策树、朴素贝叶斯和SVM分类算法中找出最适合于信用卡数据集的分类算法，为银行在信用卡业务中更加有效的使用数据挖掘分类模型辨识风险客户提供了参考依据，增强银行在信用卡业务中的风险控制力度。实验数据表明，朴素贝叶斯分类算法无论在建模中山大学硕士学位论文modeltime、OverallAccuracy、TPRate、FPRate、Kappa
效率、模型性能还是分类准确率方面均优于其它两种分类算法，为银行在信用卡审批时使用朴素贝叶斯分类模型评估客户的信用风险提供了详细的实验依据。关键字：数据挖掘；分类；信用卡；风险控制；Weka中山大学硕士学位论文数据挖掘在信用卡风险控制中的应用研究U
ABSTRACTMajor：efficientlyappliers．WithMachineWeka，then中山大学硕士学位论文数据挖掘在信用卡风险控制中的应用研究Title：Name：Supervisor：MiningQinAsChina’Seconomicdevelopmentssynchronizingtheworldpace，Chineseconsumptionideaschanging．Insteadofcash，creditcardismorepreferableinnowadaysfinicaltransactions．Thecreditcardsonlymakesconvenientconsumers，butalsobringshighprofitbanks．However,highoftenaccompaniescloselywithrisk．Thathowidentifyincredibleappliersfromandminimizepotentialriskbaddebtsbecomesmostconcernedissuesbankapproval．Inearlyapproval，banksreliedassessmentexamineapplicationmaterial，andlater，banksbeganusingstatisticaltoolsfiguregrowingpopularitycards，thenumbersareincreasinglygrowing．Bankholdersurgentlyrequiredataanalysistoolwhichdebts．Theminingtechnologydiscoversomeunknownvaluableknowledgelargeamountmaterial．Itundoubtedlyprovidesbank’sbusinesspowerfulsupport．Inthisthesis，theDecisionTree，SupportVectorNaiveBayesclassificationalgorithmappliedbu