贝叶斯算法在小额信贷风险管理中的应用研究

张宇敬+吴红乐+安英博

摘要：文章选取贝叶斯算法对影响小额信贷风险的因素进行挖掘分析，建立了客户信用风险评估模型，确定了财产、收入负债比、信用记录等属性是影响小额信贷风险的主要因素，根据模型规则能够比较快速准确地判断客户信用等级，从而有效地控制和降低信贷风险的发生。

关键词：小额贷款；贝叶斯算法；风险管理

一、引言

现代互联网技术的飞速发展，标志着人类社会继农业革命、工业革命之后的“第三次革命”的到来。时代在改变，旧的生产关系和生活方式必将被历史的车轮碾过，成为人类社会发展道路上的尘埃，新的生产关系和产业生态正在蓬勃发展。在今天这个大数据的时代，借助现代信息技术和互联网，人类可以收集、整理和分析海量的信息和数据，在这些纷繁复杂的数据背后探寻人类行为和社会发展的轨迹。面对新的行业生态和环境，金融行业必然要寻求改变，才能顺应时代。数据挖掘是指从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程，将数据挖掘技术有效地应用于银行业是技术发展的热点，也是银行业自身竞争发展的迫切需要。

小额贷款从贷款额度上讲，属于小金额。它从贫困人口的实际出发，绝大多数人从事的是种养业或是一些风险小、易操作、见效快的小型项目。从贷款对象上看，主要是微型企业和低收入的家庭和个人。贷款用途一般是小规模农业生产，主要用作生产资本，也有一小部分用于教育、医疗等非生产性目的。与传统银行业务面临的风险相比，小额贷款的风险具有一定的独特性，一般按参与活动的主体，将风险分为：环境风险、信用风险和管理风险三大类，其中主要还是信用风险。信用风险是指借款人不能及时还本付息的风险。小额贷款活动的借方，一般是缺乏完整和正规教育的农民，他们往往缺少经济体系中的“欠债还钱”和“按照合同办事”的信用观念，会导致信用风险的产生，使得信贷资金存在严重的风险隐患，并且信贷管理中存在着诸多问题，面临着一些难以掌控的风险。因此，运用数据挖掘技术来控制信贷中的风险，是信贷管理面临的重要课题。

二、数据分析

数据分析是数据挖掘前十分重要的一个步骤，正确的数据分析有利于提高挖掘模型的准确性，达到更好的模型预测效果。课题组分析的是村镇银行个人贷款数据，将一些涉及个人隐私的属性和无关属性剔除后，发现该数据既包含连续型的数据，又有离散型的数据，且连续型的数据较多。通过RStudio数据分析工具进行相关性分析后发现，各个属性之间相关性较低，即各属性之间可以近似看成是相互独立的。综合考虑，该数据比较适合采用贝叶斯算法建立分类模型，帮助银行规避贷款风险。

三、贝叶斯算法

朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法，它是一种简单有效的常用分类算法。朴素贝叶斯分类的定义如下：

四、构建贷款风险分析模型

在建立贝叶斯分类模型前，首先应完成数据预处理工作，它是建立科学合理的挖掘模型的基础。贝叶斯分类模型要求数据必须是离散的，因此课题组将原始数据中年龄、健康状况、个人品质、银行信用记录等属性离散化，建立贷款风险评价指标，并据此对样本数据进行数字化处理。应用贝叶斯分类模型时，还应注意零概率事件的处理，如果存在零概率事件，将直接影响预测结果。因此，进行挖掘之前，需要对零概率事件进行检验，一般采用Laplace-估计进行处理。具体处理方法如下：P（Xi|Xi）=nc+mpn+m。通过查询发现以下属性的属性值存在零概率事件，通过SQL语句（select 属性 from shuju order by 属性）查询并利用属性的中位数来填补缺失值。

将处理好的数据导入到SQL Server数据库后，即可商业智能分析工具进行数据挖掘。课题组随机抽取80%的数据作为训练数据集，剩下的20%作为测试数据集，通过商业智能分析工具获得各个属性与风险等级之间的依赖关系由弱到强依次是：身体<借款用途<生产经营<家庭收入<个人品质<信用记录<收入负债比<财产。由此可见，当贷款人财产属性值越高，即收入越高，其贷款风险越低。同理可得，当贷款人的年龄越小，收入越高，家庭成员身体越健康，信用越好，负债越少，生产经营越稳定等，贷款的风险越低，反之，产生不良贷款的可能性越高。

五、模型评价

由测试数据预测的分类矩阵可知，该模型判别的正确率为80/92≈86.96%，具有较高的准确率和预测能力，能够满足农户小额信贷风险评估的实际需求，为小额信贷公司、村镇银行信贷部门防范风险提供科学的决策依据。（作者单位：河北金融学院）

基金项目：2015年保定市哲学社会科学规划课题（201505052）；保定市科学技术研究与发展指导计划项目（15ZG003）；河北省教育厅科技重点课题（ZD20131083）

参考文献：

[1]安英博 张宇敬 张建男.基于朴素贝叶斯的村镇银行信用风险预警研究[J].无线互联科技，2015（22）.

[2]庞利.贝叶斯法则在银行信贷风险中的分析[J].赤峰学院学报（自然科学版），2015（07）.

[3]丁东洋 周丽莉 刘乐平. 贝叶斯方法在信用风险度量中的应用研究综述[J].数理统计与管理，2013（01）.