论文题目:结合经济学模型的银行信用风险统计分析
摘要:长久以来,不良资产问题困扰着各个银行,成为银行业面临的主要金融风险,直接威胁着银行的生存和发展。而在银行的众多风险中,信用风险又是最容易发生的,所以信用风险管理就成为银行管理的重中之重。但是部分银行为预防信用风险会采取过于极端和消极的措施,比如对主观认为会违约的客户直接拒绝其贷款要求。这不仅不能从根本上解决问题,甚至会使银行失去很大一部分优质客户。为了加强银行的信用风险管理,在贷款业务上既能满足客户要求,又能有效降低信用风险,减少不良贷款,本文将数据挖掘中的一些方法应用到银行的信用风险研究及应用中,将其与经济学科的理论交叉结合,通过一些实验证明了整体信用评估的有效性和科学性,并在此基础上提出一些具有可操作性的建议。具体内容包括:(1)介绍了本文用到的统计方法,包括随机森林算法和主成分分析法,以及经济学中的理论模型,比如客户关系管理中的RFM(Recency、Frequency、Monetary)模型和营销中常见的STP(Segmentation、Targeting、Positioning)理论。(2)针对随机森林的优势和RFM模型的特点,将两者相结合,通过实验对比发现正确率有效提升,所用时间也有所减少。(3)利用主成分分析法的优点找出信用风险中最关键的变量,对这些变量用STP理论进行分析和应用,尤其对关键因素重点对待,为降低信用风险做决策,从而使信用风险得到最大程度的控制。
关键词:信用风险;随机森林;RFM模型;主成分分析;STP
学科专业:统计学
摘要
abstract
第一章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 本文内容及组织结构
1.4 本章小结
第二章 分类算法及特征选择
2.1 机器学习的概念
2.2 机器学习常用模型
2.2.1 支持向量机
2.2.2 人工神经网络
2.2.3 贝叶斯方法
2.2.4 决策树
2.3 特征选择
2.3.1 特征选择的概念
2.3.2 主成分分析法
2.4 模型对比及分析
2.5 本章小结
第三章 经济学理论及模型
3.1 CRM分析模式
3.2 RFM模型
3.2.1 RFM模型介绍
3.2.2 RFM模型重构
3.3 STP理论
3.4 本章小结
第四章 实证分析
4.1 银行数据预处理及特征描述
4.1.1 数据预处理
4.1.2 特征交叉分析
4.2 基于随机森林的银行信用风险分析
4.3 主成分对银行信用风险的分析
4.4 基于主成分的STP理论对信用风险的建议
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
附录:读研期间科研情况