前言：想要寫出一篇引人入勝的文章？我們特意為您整理了房貸信用風險評估系統設計分析范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：近年來，貸款買房成為購房的常態，銀行需要通過各種統計數據對貸款者進行信用評估，根據評估結果決定是否貸款，以此規避風險。據此，針對該問題進行調研，收集數據，利用數據挖掘原理，采用Weka軟件與貝葉斯模型，設計出房貸信用風險控制系統，為銀行的房貸信用評估業務提供參考，為其他需要信用風險評級的機構或組織提供經驗。

關鍵詞：房貸；信用風險評級；數據挖掘

1基本軟件與模型介紹

在構建該信用風險評估系統時，一是采用的是Weka軟件。該軟件能對數據進行初步處理、分類、回歸、聚類、關聯規則等，并實現可視化操作。本文對收集的數據采用了初步處理、利用Apriori關聯規則挖掘分析的方法。二是利用MSBNx貝葉斯網分類工具，采用貝葉斯信念網絡分類進行類型劃分，利用相關的算法。以此確定出因素之間的相關關系以及相應的概率，為模型的建立以及結論的產生提供參考依據。

2房貸信用風險樣本調查結果

本文選取6類最具代表性的指標，即財產狀況、年齡、婚姻狀況、有無固定電話、信用保證金額、信用等級。由于Weka軟件只識別英文，將以上6類用英文代替，分別是property、age、status、telephone、creditamount、class。調查結果如表1所示。

3數據挖掘過程

3．1數據初步處理。首先對數據進行初步處理，以保證數據挖掘的質量。依次進行數據缺失項處理；數據的標準化處理；數據的規范化處理，規范到［－1，＋1］區間。3．2Apriori關聯規則挖掘分析。使用Apriori算法獲取關聯信息并進行分析，對初步處理的數據進行關聯規則挖掘。采用支持度、置信度2個指標，分別確定數據集的頻繁程度、Y在包含X的事物出現的概率。同時將滿足最小支持度、最小置信度閾值的規則稱為強規則。首先，采用支持度閾值為25％、置信度閾值為85％，對挖掘的最佳關聯規則第1、2條進行分析。結果表明有房產與信用額度有強關聯（lift＝1．22＞1）；年齡在35～49與信用額度小關聯較小（lift＝1．07）。隨后采用置信度閾值為55％進行分析，找出：“status＝malesingle，telephone＝none＝＝＞property＝realestate”規則的置信度和提升讀。結果表明有房產單身男性與沒有電話號碼有強關聯規（lift＝1．22）。

4數據挖掘分類分析結果

通過上述過程得出的結果，運用MSBNx工具中的貝葉斯信念網絡分類方法進行分析，得出最終的結果。貝葉斯信念網絡分類：首先，將年齡與信用額度離散成3類，得到年齡與信用額度離散結果，隨后，構建貝葉斯信念網絡分類進行類型劃分，如圖1中橢圓圈及箭頭所構成的網絡。最后，可求得信用等級（class）好（Good）、壞（bad）的概率。例：求“有車、年齡超過50歲、無電話、信用額小于3000”的信貸評級。根據系統給出的結果得出good、bad概率分別為0．835443、0．164557，信用等級好的概率大，故銀行可提供貸款給借款人。

5結語

由于實際情況復雜，本文只選取6類代表性指標調查，設計出信用風險評估系統，并給出操作示范。最終決策客觀、規范，實現風險控制的目標。同時為其他需要信用風險評估的機構或組織提供了一個有效的操作方法，這是該信用風險評估系統更為深層的作用。

作者:馬楠藍 李雨芹 曹云 吳沁欣 單位:西華大學