【Ryo】SPSS Modeler：贝叶斯网络在预测银行信贷风险中的应用

对银行信贷来说，如何量化客户违约的可能性，对潜在的风险进行预测是管理决策层关注的重中之重。面对复杂的信息结构和庞大的人群数据，运用贝叶斯网络能够理清相关影响因素的关联关系，是现在提高信贷违约风险预测正确率的有效方法；将能够影响贷款拖欠的因素引入到因果关联的网络结构中，计算出各类指标对拖欠的影响程度，并且对比评估、分析每个模型的预测效果，选择合适的模型进行贷款管理，能够判断是否对特定人群继续放贷，提高了风险管理的能力。

研究模型	软件	日期
贝叶斯神经网络	SPSS Modeler	2019年1月2日

△△△△△本文为个人项目练习，仅供参考，如有不足欢迎讨论 △△△△△

一、研究背景

  近年来金融业改革形成的新局面，银行借贷业的各种消费贷款规模不断扩大，不同种类的小额贷、大额贷逐渐成为优势品种。随着新常态下社会经济和经营环境等内外综合因素作用更加复杂，客户拖欠贷款的数量与日俱增、贷款违约现象层出不穷，小型银行企业遇到的风险逐渐增大。因此，预测潜在的“老赖”可能用户就可以对这些客户减少贷款额度或者是提供其他产品，这对银行加强风险管理是一个有效途径。
  贝叶斯网络(Bayesiannetwork)是一种概率推理方法，是目前大数据挖掘和人工智能领域的探索热点。因为其具有新颖性，此前的研究侧重于贝叶斯网络运在操作风险管理的运用，但是针对其本身的解读、结合案例的实操较少，如何将贝叶斯网络和具体问题进行结合，进而分析、预测银行给具体客户的贷款风险，是缺乏讨论热度的。

二、研究方法及路径

（一） 研究目标和研究方法：
  本文旨在运用贝叶斯网络方法，将无法看出表面联系、属性复杂的各种因素结合起来构建概率模型，以此预测潜在偿还贷款可能存在问题的客户，给出建议进行风险控制，以此来减少银行信贷业发放贷款风险。
  本文将通过CRISP-DM过程模型确定研究思路和研究前期准备，后期采用SPSS和SPSS Modeler 对数据进行挖掘，建立贝叶斯网络模型，分析影响客户归还贷款可能性的因素；通过实证判别对其的贷款风险，并预测将来潜在偿还贷款可能存在问题的客户。
（二） 研究路径：
  本文采用双线、双面结构。一方面通过CRISP-DM过程模型确立我们的研究思路和研究选择，另一方面通过建立贝叶斯网络模型具体实证分析、预测潜在偿还贷款可能存在问题的客户。主线是开展数据描述、判别、建模、实证分析，副线是评估贝叶斯网络模型后阐述归纳和结论。
  我绘制的研究路径图如下所示：

研究路径图

三、前期准备——通过CRISP-DM模型完成思路构建

CRISP-DM模型过程示意图


(一) 数据理解（data understanding）
  数据理解阶段开始于数据的收集工作。我们需要理解数据、对其信息进行归类和假设。任务包括收集数据、描绘数据、探索性的分析和检验质量等等。 本文选择的是美国IBM微观数据库的银行小型数据，数据描绘清晰、完整度较高，实用性和研究意义比较大，唯独的缺点是个案时间较早，存在一定的滞后性。


(二) 数据准备（data preparation）
  第三阶段数据准备包括了从原始数据筛选出有效数据并排除不合格个案形成分析数据的整个过程。其中任务主要包括：制表ÿ