文章首先论述了数据挖掘的相关概念以及数据挖掘的基本方法,数据挖掘的任务是从数据集中发现模式,模式可以有很多种,按功能可分为两大类:预测型(Predictive)模式和描述型(Deseriptive)模式。在实际应用中,往往根据模式的实际作用细分为以下几种:分类、聚类、回归、序列、时间序列等。数据挖掘的所处理的数据类型也很丰富,包括文本数据、关系数据库、Web页面等。数据挖掘的应用领域非常广泛,比如金融、零售、体育、电信、气象、电子商务等。 文章面向银行业信用风险管理领域,阐述了西方商业银行信用风险度量的主要方法。信用风险度量的主要方法分为传统的信用风险度量方法和基于var的现代信用风险度量的方法。在此之后,引出数据挖掘方法在商业银行应用的领域分析,文章主要分为数据挖掘在银行客户关系管理、风险预测与控制、信用评估与信用决策三大领域的应用;顺着该思路,重点提出数据挖掘方法在银行信用风险管理应用中的优势分析。 更深入地,文章运用数据挖掘的聚类算法、Logistic回归、决策树方法分别建立信用卡信用评分系统和客户信用评分模型。在信用卡信用评分系统中,运用基于划分的聚类方法K means算法,试图找出使DSS函数值最小的划分,该算法的准则函数与信用评分评级的“均方差”准则相吻合。在客户信用评分模型中,运用Logistic回归可以将复杂的非线性问题转化为线性问题,选择影响客户信用情况的因素对客户信用进行评级。最后,结合我国银行业实际情况,提出了关于数据挖掘方法在信用风险运用领域的几点建议。 文章基于对数据挖掘方法优势的描述和银行业信贷部门信用评价情况的认识,结合西方商业银行信用风险评价方法的模式,运用模型分析了数据挖掘方法在商业银行信用风险管理领域的应用优势。文章对我国银行信用风险管理领域,应用数据挖掘方法和技术有很大的启发意义;尤其对银行信用评估和评级状况上应用数据挖掘方法起到很大的借鉴作用。