[发明专利]基于聚类分析的商业银行信用风险分析方法

说明书

一、技术领域：

本发明涉及风险分析方法，特别是基于聚类分析的商业银行信用风险分析方法。

二、背景技术：

商业银行面临的主要风险有信用风险、市场风险、利率风险。从20世纪60年代开始，美国与欧洲许多国家的研究者们已经开始进行信用风险分析研究。目前处理这类问题常用的非参数统计方法主要有：k最近邻判别，核密度估计和聚类分析。这三种方法都依靠定义隶属度函数和欧式距离函数的方法来对客户数据进行聚类，这就导致信用分析结果具有很大的个人主观性。并且用上述三种方法的处理时间比较长，不适用于商业银行复杂、大量的客户数据。

三、发明内容：

为了克服现行聚类分析方法在商业银行信用风险分析过程中个人主观性大，数据处理时间长的问题。本发明提供基于聚类分析的商业银行信用风险分析方法，该方法通过客户在属性上的序关系判断不同客户在属性上的相似程度对商业银行客户数据进行聚类。该方法在聚类的过程中并不用到客户具体的数值数据，仅利用序关系对其进行分析。该方法利用mathematic语言实现，具有处理时间短，方法客观，分析结果准确的特点。

本发明为实现上述目的所采用的技术方案是：基于聚类分析的商业银行信用风险分析方法，首先对客户数据按照各个属性上的序关系求出他们属于各个属性的隶属度值。然后根据得到的隶属度值计算各个客户间的相似程度，最后根据商业银行在各个时期的不同经济情况，选取在何种相似度值得情况下的聚类。

所述需要首先对客户数据在各个属性上按照由小到大的顺序排序，即使每一个属性都有一条有序链。

所述隶属度的求法利用公理模糊集理论中的隶属度公式按照客户数据在每个属性上的序关系求得。即：

μ_η(x)＝sup_i∈I{|A_i(x)|/|X|}

其中，A(x)＝{y|y∈X，y≥x}。X为客户集合。A(x)为属性A上的满足y≥x的客户y的集合。

所述在计算客户间的相似程度时，需要提取每个客户的属性描述ζ，在计算相似度时利用下式处理：

m_ij＝min{μ_ζi∧ζj(xi)，μ_ζi∧ζj(x_j)}

本发明的特点：该方法通过对商业银行客户数据利用新的聚类方法进行聚类分析，使信用客户数据能被准确地聚到一类中，方便商业银行客户数据的整体管理，并且具有处理时间短，方便客观的特点，适用于大规模的客户数据信用度分析。

四、具体实施方式：

下面结合具体实施方式对本发明作进一步详细说明，但不限于具体实施例。

按照下列方法商业银行客户数据聚类分析，具体实现过程如下：

1.对客户数据在每一个属性上的数值从小到大进行排序。即在每个属性上都有一个有序链：x_a＜x_b＜x_c＜…＜x_l。

2.利用公理模糊集理论中的隶属度公式：

μ_η(x)＝sup_i∈I{|A_i(x)|/|X|}

求得每个客户x属于属性η的隶属度。其中，A(x)＝{y|y∈X，y≥x}。X为客户集合。A(x)为属性A上的满足y≥x的客户y的集合。

3.提取每个客户的属性描述ζ。将某一客户隶属度值大于0.8的属性全部取出，并将这些属性做组合成为这一客户的属性描述ζ。

4.计算客户间的相似程度：m_ij＝min{μ_ζi∧ζj(x_i)，μ_ζi∧ζj(x_j)}

以上步骤都由mathematic软件编程实现。

5.根据商业银行的在不同阶段的实际情况，自由选择相似度的阈值α，如果m_ij≥α，则客户x_i，x_j是在信任度α下的同一个级别的可信任客户。