| 【中文题名】 | 决策树模型在银行风险预警系统中的应用 |
| 【英文题名】 | |
| 【学科专业】 | 计算机科学与技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-9 |
| 【中关键词】 | 风险预警系统,决策树,分类,ID3算法,, |
| 【英关键词】 | decision tree,classification,ID3 algorith, |
| 【分类导航】 | 经济>财政、金融>金融、银行>金融、银行理论>银行业务>现代化管理 |
| 【论文摘要】 |
随着中国加入WTO，我国金融银行业的竞争也日趋激烈，银行风险预警系统作为银行风险系统的重要分支，对于提高银行自身的核心竞争力具有重要地位。在目前的银行风险系统中，尤其是银行同业业务中，关于客户，下级机构以及同业新业务预警的分类还停留在以人工手动完成的阶段，为了降低人为因素的影响，更加科学准确的得到分类结果，本文在分析了决策树技术在银行风险预警系统中应用的可行性之后，提出了一种以提高预警质量为根本目标的应用决策树分类技术在银行风险预警系统的实施方案。
分类是数据挖掘的重要组成部分，它根据类标号己知的数据建立模型，进而使用该模型来预测类标号未知的数据所属的类。常用的分类方法有决策树分类、贝叶斯分类、神经网络分类等，其中决策树方法在可理解度、易训练性、易实施性和通用性等方面优于其他的分类方法。本文选择将决策树分类法应用到银行风险预警系统中。
根据所提出的实施方案，本文以同业客户分析为例，完整地实现了决策树分类的全过程，包括：确定对象及目标；采集数据；采用数据集成、数据清理、数据转换、数据消减等数据预处理技术；使用ID3算法生成决策树，并利用事后修剪法对决策树进行修剪；然后由决策树产生分类规... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-11 |
|
.1 研究背景 |
9-11 |
|
.1.1 决策树分类方法 |
9 |
|
.1.2 银行风险预警系统 |
9-10 |
|
.1.3 在风险预警中应用决策树模型的必要性 |
10-11 |
|
.2 本文结构 |
11 |
|
第二章 综述 |
11-32 |
|
.1 决策树分类技术 |
11-24 |
|
.1.1 决策树概述 |
11-12 |
|
.1.2 决策树算法的基本思想 |
12-16 |
|
.1.2.1 决策树的生成 |
12-13 |
|
.1.2.2 决策属性的选择方法 |
13-15 |
|
.1.2.3 数值型属性的离散化 |
15 |
|
.1.2.4 决策树的修剪 |
15-16 |
|
.1.3 几种典型的决策树算法 |
16-23 |
|
.1.3.1 ID3算法 |
16-17 |
|
.1.3.2 C4.5算法 |
17-19 |
|
.1.3.3 CART算法 |
19-20 |
|
.1.3.4 SLIQ算法 |
20-22 |
|
.1.3.5 SPRINT算法 |
22-23 |
|
.1.4 决策树分类算法的比较 |
23-24 |
|
.2 银行风险预警系统 |
24-30 |
|
.2.1 业务预警模块 |
24-27 |
|
.2.1.1 预警信息 |
25-26 |
|
.2.1.2 预警统计 |
26 |
|
.2.1.3 预警类型查询 |
26-27 |
|
.2.2 综合查询模块 |
27-28 |
|
.2.3 分析与统计模块 |
28-29 |
|
.2.4 参数设定模块 |
29-30 |
|
.2.5 衍生产品模块 |
30 |
|
.3 决策树分类技术在银行风险预警系统中的应用 |
30-32 |
|
.3.1 客户授信额度分类 |
30-31 |
|
.3.2 下级机构授权额度分类 |
31 |
|
.3.3 新业务预警等级分类 |
31-32 |
|
第三章 风险预警决策树模型设计 |
32-55 |
|
.1 概述 |
32 |
|
.2 同业客户授信额度决策树模型设计 |
32-43 |
|
.2.1 数据准备 |
32-35 |
|
.2.2 数据预处理 |
35-38 |
|
.2.2.1 预处理方法 |
35-36 |
|
.2.2.2 数据清理及集成 |
36-37 |
|
.2.2.3 数据变换 |
37 |
|
.2.2.4 离散化处理 |
37-38 |
|
.2.3 构建决策树 |
38-42 |
|
.2.4 决策树模型结果与评估 |
42-43 |
|
.3 下级机构授权额度决策树模型设计 |
43-49 |
|
.3.1 数据准备 |
43-44 |
|
.3.2 数据预处理 |
44-47 |
|
.3.2.1 数据清理及集成 |
44 |
|
.3.2.2 数据变换 |
44-45 |
|
.3.2.3 增加统计字段 |
45-46 |
|
.3.2.4 离散化处理 |
46-47 |
|
.3.3 构建决策树 |
47-49 |
|
.3.4 决策树模型结果与评估 |
49 |
|
.4 新业务预警等级决策树模型设计 |
49-55 |
|
.4.1 数据准备 |
49-50 |
|
.4.2 数据预处理 |
50-53 |
|
.4.2.1 数据清理及集成 |
50-51 |
|
.4.2.2 数据变换 |
51 |
|
.4.2.3 离散化处理 |
51-53 |
|
.4.3 构建决策树 |
53-55 |
|
.4.4 决策树模型结果与评估 |
55 |
|
第四章 风险预警系统决策树模块实现 |
55-58 |
|
.1 增加决策树分类模块 |
55-56 |
|
.2 决策树分类结果展示 |
56-58 |
|
.2.1.1 授权分类 |
56-57 |
|
.2.1.2 授信分类 |
57 |
|
.2.1.3 新业务预警等级分类 |
57-58 |
|
.3 系统结果 |
58 |
|
第五章 总结与展望 |
58-60 |
|
.1 论文主要工作概述 |
58-59 |
|
.2 未来工作展望 |
59-60 |
|
参考文献 |
60-62 |
|
致谢 |
62 |
|
| 【DOI】 | LunWen.ID:2.2008.389076 |
