资源描述：
《商业智能在商业银行信用风险管理中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、收稿日期:2004-03-30;修返日期:2004-06-09商业智能在商业银行信用风险管理中的应用研究苏光奎,苏彦(武汉大学计算机学院,湖北武汉430079)摘要:面对商业银行目前所面临的信用风险,参考巴塞尔银行监管委员会制定的新巴塞尔资本协议对于信用风险的有关规定,采用商业智能技术对商业银行的信用风险进行识别、度量及可视化,为银行降低风险提供有效的决策支持。关键词:商业智能;数据仓库;数据集市;数据挖掘;信用风险中图法分类号:TP311.13文献标识码:A文章编号:1001-3695(2005)05-0197-02国有商业银行的信用风险问题一直是商业银行经营中最为重
2、视的问题之一。因此,运用先进的科学和技术加强商业银行的信用风险管理,帮助管理者作出正确的决策显得尤为重要。商业智能是近十年来运用数据仓库技术发展起来的海量数据分析技术。该技术对企业内部积累的大量历史数据和可能得到的外部信息进行统计分析和数据挖掘,提取有价值的知识。它能够帮助银行管理者识别风险、度量风险、控制风险,合理制定商业计划,赢取更大的商业优势。本文依据巴塞尔银行监管委员会制定的新巴塞尔资本协议对于信用风险的有关规定,运用商业智能技术,将银行目前各个信息系统中的各种数据和外部数据整合到新的数据仓库中,并进行多维度、多层次分析和预测,从而实现减少风险,降低不良资产率的
3、目的。1.商业智能技术概述商业智能技术的出现和发展都是为了满足对历史和现在的数据进行分析和处理,为管理者提供决策依据的需要。而这是联机事务处理系统没有办法完成的。商业智能技术主要由以下几个部分组成:(1)数据抽取层。它把历史数据和某些实时数据按照规则加入到数据仓库中。这些数据是进行决策分析的基础。在银行的数据仓库中存放的数据应该是从银行现有的各个核心的应用系统、各种表格、历史遗留系统中抽取出来的干净的、有效的数据。(2)OLAP引擎。它是将数据存放在各种特定的数据立方体中,从而利于终端用户分析和查找数据。(3)报告层。它能帮助用户对于所思考的问题寻找到答案。这一层所提供
4、的是终端用户所需要的各种总结性的报告、表格和图形。(4)数据挖掘。它帮助用户找出数据的模式,从而预测未来用户的行为、市场趋势和要求及可能的欺骗行为。(5)信息概述。它是各种性能指标的指示器,对各种指标进行预警。通过对综合信息的显示,使用户持续跟踪商务发展的趋势。(6)商务分析。它提供了预先制定的可选择的不同科目的决策的模拟分析,使用户能够很清晰地从中选择不同的方法和维度作出自己的决策或商业计划。1.商业智能在商业银行信用风险中的应用2.1信用风险管理框架依据巴塞尔银行监管委员会制定的新巴塞尔资本协议对于信用风险的有关规定,信用风险管理的结构如图1所示。2.2系统结构设计
5、银行数据仓库的建立不仅为信用风险提供了数据平台,而且为银行的所有分析系统(包括收益率分析、CRM、资产负债管理和风险管理)提供数据。所以本系统将从各种数据源中获得的数据按照不同的主题加入到现有的数据仓库中去,建立不同粒度级的数据,并将数据仓库中与信用风险有关的主题进行统计分析和数据挖掘,分析和预测的结果进入风险管理部门专用的数据集市中或者直接用于决策者的分析。决策者也可以选择数据集市中的数据通过数理统计和OLAP找出自己想要的答案,并根据对于不同决策的模拟而找到最适合的商业决策。其结构框图如图2所示。这样设计的优点在于:(1)一次性建立数据仓库,多个系统共享,节省开支。
6、(2)基于传统技术的风险管理系统的数据来源是从操作型数据库中得来的。操作型数据库是为已知的任务和负载设计的。而风险管理系统涉及大量数据汇总级的计算,需要实现多维视图,在操作型数据库上进行OLAP查询,可能会大大降低操作任务的性能,这对于实时要求很高的银行系统而言,显然是不可取的。而数据仓库环境对于响应速度的要求不高,却能满足极为复杂的查询要求。这样做,会大大减轻操作性数据库的维护负担。(3)风险管理的决策支持需要历史数据,而操作型数据库一般不维护历史数据。在这种情况下,操作数据库中的数据尽管很丰富,但对于决策,常常还是远远不够的。同时,风险管理的决策支持需要将来自异种源
7、的数据集成,但操作型数据库中的数据往往是未被集成的数据。这样无法为多维分析和数据挖掘提供高质量的,纯净的数据。而数据仓库环境却为多维分析和数据挖掘提供了良好的数据源。(4)基于商业智能的信用风险管理系统可以为决策者提供一个多维度、多侧面、多层次的视角,为决策者定位风险、分析风险提供思路。而传统的决策支持系统只能给出单一的结论,忽视了人在决策时主观能动性。(5)传统的信用风险管理系统采用的统计方法,基本上都是线性模型,而实际的信用风险中有很多问题常常是非线性的,带有噪声的。对于这些问题,传统方法很难有效解决,而数据挖掘中的关联方法、决策树方
