《基于企业级数据仓库的建设银行信贷风险管理研究-new》由会员分享，可在线阅读，更多相关《基于企业级数据仓库的建设银行信贷风险管理研究-new（58页珍藏版）》请在金锄头文库上搜索。
1、工商管理硕士学位论文 1第 1 章 绪论 1.1 研究背景与意义 在中国金融体制以市场化为导向的改革中，大型国有专业银行向商业银行转化，城市商业银行、农信等中小银行的发展如雨后春笋，国家进出口银行等政策性银行加快向商业银行转型。四大国有商业银行纷纷引进国外战略投资者，进行股份制改造，并且积极寻求在国内外上市。因此，效益及运营、风险控制成为银行工作的重点。 资产业务是商业银行收入和盈利的主要来源，也是商业银行支持和促进国民经济发展的主要实现形式，目前建设银行的资产业务主要是由五大部分构成：贷款、 投资、 现金与央行存款、 同业往来、 固定资产和其他资产等。 以建设银行 2001年数据为例，其中贷
2、款的比重约占 54.5%，投资约占 24.6%，现金与央行存款占11.5%， 后两项合计占 9%多一点。 而在同期的利息收入总额中， 贷款收入占 72.9%，投资证券收入占 16.5%，央行存款收入占 5.1%，其它收入占 5.5%。然而，我国信贷风险管理水平的落后，商业银行的信贷资产存在着很大的风险隐患，其直接表现就是银行体系中(特别是四大国有银行)积累了大量的不良资产，积压下来的大量不良信贷资产给银行盈利带来了压力，甚至已经成为影响我国金融体制正常运转的主要障碍1。因此，信贷管理是商业银行的核心业务之一。近年来，国家成立了资产管理公司，处理商业银行的不良贷款，提高商业银行资产的流动性，改善
3、银行资产结构，增强业务能力，从而为提高金融机构运作效率、防范与化解金融风险、确保金融秩序稳定创造条件。大量的不良资产剥离给资产管理公司后，四大国有银行如何控制新的不良贷款的出现，加强金融管理，防范金融风险，成为四大国有商业银行的工作核心。 通常，风险管理主要包括如下几个阶段：风险识别、风险测量、选择风险管理工具、效果评价。全过程涉及到的信息包括相关商品市场状况、行业现状、行业发展、企业管理、人事、财务状况等等一系列内容，信息的庞杂造成手工评估、管理的难度大大增加。而现有的银行信贷系统一般都是业务运营系统，并非为决策分析应用而建立，其数据的集成性、完整性、可访问性、可分析性都难以满足信贷风险分析
4、的需求2。 随着数据仓库、决策支持技术及解决方案的日益成熟，中国建设银行决定采用数据仓库技术来解决这个问题。 自 1997 年 4 月开始， 中国建设银行开始开发和建立全国范围的信贷管理系统。 信贷系统覆盖中国建设银行全行的信贷部、 计财基于企业级数据仓库的建设银行信贷风险管理研究 2部、 统计部门和计算中心等部门， 从总行到所辖 38 个一级分行到全国 300 多个二级分行。 信贷系统总体实现目标是针对建设银行信贷管理的多级模式，根据信贷义务的现行需求和可以预见的变化，本着“以客户为中心，以业务处理流程为主线，以风险管理为核心”的设计思想，基于标准的操作系统、网络、数据库、程序设计语言平台，
5、采用多级客户/服务器模式，全面实现建设银行信贷业务的电子化。同时利用数据仓库技术为建设银行提供信贷决策支持。 目前，银行信贷业务处理流程主要划分为这样几个阶段：申请受理客户评价信贷审批签定信贷合同信贷发放信贷检查信贷回收有问题信贷回收。信贷管理主要包括综合分析、客户管理、内部机构管理几部分。为此建立了独立于业务系统的数据仓库，专门解决信贷分析和风险管理的问题。事实上，该数据仓库主要针对信贷管理部门，也可称之为数据集市(Data Mart)。 整个系统体系结构采用了多层次客户/服务器结构，其中包括：由 Informix 动态服务器加决策支持和并行处理扩展的数据仓库存储中心、由 OLAP 服务器构
6、成的联机分析服务器、信贷管理应用服务器、Web 服务器、以及前端通用的Internet/Intranet 浏览器。 信贷管理系统运行这么多年来， 大大提高了建设银行的贷款管理能力， 然而，在如何进行风险控制方面存在诸多不足，目前还没有建立起贷款业务处理流程的全过程风险控制体系，也没有形成信贷管理的决策支持系统。本课题研究的意义就在于利用数据仓库技术，建立各种数据分析模型，利用数据挖掘技术，为贷款业务处理流程提供全过程的风险控制支持，同时为管理层提供大量的决策分析数据，为领导决策提供支持，提升银行信贷风险的控制能力。 1.2 文献综述 数据仓库（Data Warehouse）和在线分析处理（OL
7、AP）是 90 年代初提出的概念，到 90 年代中期已经形成潮流，成为仅次于 Internet 之后的又一技术热点。数据仓库的提出以关系数据库、并行处理和分布式技术的飞速发展为基础，目的是解决在信息技术(IT)发展中存在的拥有大量数据和有用信息贫乏(Data rich-Information poor)的问题。目前，数据仓库一词尚没有一个统一的定义，比较公认的描述是由数据仓库之父 WH.Inmon 提出的，数据仓库是一个面向主题的、集成的、非易失的且随时间变化的数据集合，用来支持管理人员的决策3。数据仓库是决策支持系统(DSS)处理的基础。首先，数据仓库用于支持决策，面向分析型数据处理，它不同
8、于银行和企业现有的操作型数据库。其次，数据仓库是对多个异构的数据源有效集成，集成后按照主题进行重组，并包含历史数据，而且存工商管理硕士学位论文 3放在数据仓库中的数据一般不再修改。数据仓库的本质是一个建立在数据库系统之上的数据管理系统，其数据来自若干分布的、异构的数据源，数据仓库除了具有数据库系统的特点之外，还具有四个显著的特点： （1）数据仓库的数据是面向主题的； （2）数据仓库的数据是集成的； （3）数据仓库的数据是不可更新的； （4）数据仓库的数据是随时间不断变化的。 数据仓库按照数据的覆盖范围可以分为企业级数据仓库和部门级数据仓库(通常称为数据集市)。联机分析处理服务器对分析需要的数据
9、进行有效集成，按多维模型予以组织，以便进行多角度、多层次的分析，并发现趋势。前端工具主要包括各种报表工具、查询工具、数据分析工具、数据挖掘工具以及各种基于数据仓库或数据集市的应用开发工具。其中数据分析工具主要针对联机分析处理服务器，报表工具、数据挖掘工具主要针对数据仓库。 数据仓库通常采用三层结构即数据准备层、数据管理层和数据表现层。数据准备层实现多种数据源数据的提取、 清理、 转换和集成； 数据管理层通常是 OLAP服务器， 一般采用关系OLAP(ROLAP)模型、 多维OLAP(MOLAP )模型、 混合OLAP (HOLAP)模型或桌面 OLAP (DOLAP)；数据表现层通常利用分析、
10、查询、报告、挖掘、图形接口等前端工具向决策者提供分析的结果。数据仓库是存储数据的一种组织形式。从逻辑结构看，其中的数据可分为三至四层：最初是从传统数据库中获得原始数据，先按辅助决策的主题要求形成当前基本数据层；再按综合决策的要求形成综合数据层 （其中又可分为轻度综合层和高度综合层） ； 随着时间的推移，由时间控制机制将当前基本数据层转为历史数据层。这几个数据层均由元数据（Meta Data）组织而成，元数据是数据仓库的核心4。从物理结构看，可分为多维数据库组织形式 （空间超立方体形式） 、 基于关系数据库组织形式和虚拟存储形式。 数据仓库不是现成的单一产品，而是一个综合了多种技术的计算环境；分
11、析工具中的 OLAP 是数据仓库的用户接口部分。数据仓库根本的特点是物理地存放数据，而且这些数据不是最新的、专有的，而是来源于其他数据库的。所以它的建立不是取代数据库，而是建立在一个较全面、完善的信息应用的基础上。到目前为止，数据仓库还是用数据库管理系统管理其中的数据的。 数据仓库系统的功能主要有两个：一是从各信息源提取需要的数据，加工处理后存储到数据仓库；二是直接在数据仓库上处理用户的查询和决策分析请求，尽量避免访问信息源。由此可知，数据仓库的主要应用有两个方面：使用浏览分析工具在数据仓库中寻找有用信息和支持高层决策分析。以银行为例，通常，银行的应用系统是按业务分类的，如储蓄、信用、贷款等等
12、，一个客户的信息就被分割在不同的应用系统之中，要想得到一个客户的全面状况非常困难。银行通过建立数据仓库，可以将分散在各个业务系统的数据集中成一个全面的视图，这样基于企业级数据仓库的建设银行信贷风险管理研究 4就可以看到客户各项活动的全貌，而且可以从历史的角度对客户档案进行分析，以便向客户提供进一步的服务。而企业数据仓库，则包括种类繁多的信息，以满足各种不同用户的不同要求。 数据挖掘(DM, Data Mining)，又称数据库中的知识发现(KDD, Knowledge Discovery in Database)， 是一门新兴的边缘交叉学科， 涉及到机器学习、 模式识别、数据库、数理统计、数据
13、可视化、高性能计算、神经网络和空间数据分析等多门学科，被认为是目前具有广泛应用的一个重要的研究课题5。 数据挖掘（Data Mining）和数据仓库是作为两种独立的信息技术出现的。数据仓库是从数据库技术发展而来、为决策服务的数据组织和存储的技术；数据挖掘是通过对数据库、 数据仓库中的数据进行分析而获得知识的一系列方法和技术，具体的是通过建立模型来发现隐藏在组织机构数据库中的模式和关系。它们都可以完成对决策过程的支持，并且相互间有一定的内在联系，因此集成到一个系统中将更有效地提高系统的决策支持能力。数据挖掘的根本目的在于从大量数据记录中挖掘出有用的信息和知识，但这是建立在对企业和企业数据深刻理解
14、的基础上的，否则无论什么最优的模型都无法提供可信赖的结果，决策者也无法确定要解决的问题，甚至无从准备可供挖掘的数据，更无法正确解释数据挖掘的结果。所以，数据挖掘是一个严谨的系统过程，可概括为四个步骤：确定问题或目标、准备数据、建立模型、使用和监控模型。 我国银行业在发展过程中，已逐步实现了绝大多数核心业务的计算机处理，而且逐步实行了全国的数据大集中，积累了海量的客户数据和经营数据，这些数据是银行的宝贵财富6。如何利用这些数据，发掘有价值的信息，是今天我国银行业非常关心的。业内专家普遍认为，解决这一问题的关键是建立银行企业级的数据仓库，实现对银行所有经营信息和客户信息的有效存储，并针对银行不同部
15、门的管理决策需要，进行多层次的数据加工处理，以多种方式呈现真正有价值的信息，满足银行管理决策和客户分析的需要。 发达国家银行业非常重视数据仓库的建设，全球前 100 家大银行中，目前几乎全部建有自己的数据仓库，并且基于数据仓库的应用也呈加速增长趋势。数据仓库之所以受到银行业的重视，发展如此之快，原因在于银行业已经认识到建立数据仓库是其发展的内在需要，没有数据仓库的支持，银行就不能很好地利用自己的信息优势， 难以及时把握整个银行范围的经营管理动态， 难以对市场的变化、客户需求的变化及时做出相应的策略调整，从而丧失市场竞争的优势;更可怕的是，不能对商业银行的资金风险和经营风险做出准确的预测，不能从
16、全局的角度稳健地管理和控制银行的发展方向。现在，各国的银行界纷纷大力发展数据仓库技术，同时，科技的进步，信息技术的高速发展，也为银行业更快、更好地建立数据仓库应用系统提供了客观的便利条件7。 工商管理硕士学位论文 52001 年巴塞尔新资本协议提出了以最低资本要求、 监督检查和市场纪律为三大支柱的新框架，并对信用风险、市场风险和操作风险提出了明确的最低资本要求8。计算银行信用风险有三种方法：一是标准法，二是内部评级法，三是信用模型法。根据标准法的要求，商业银行将采用外部信用评级机构的评级结果来确定各项资产的信用风险权重。内部评级法有两个版本，一是初级方法，只要求商业银行估计违约概率值 PD，而特定违约损失值 LGD 则由监管当局确定；二是高级方法，允许商业银行自行估计 PD 值和 LGD 值。巴塞尔委员会认为目前大部分商业银行将采用标准法，只有满足特定条件的银行才可以采用内部评级法。信用模型法目前还不可能实施，巴塞尔新资本协议信用风险处理的方式无论是标准法还是采用 IRB 法都引进了评级的概念和基本做法，如评级的方法论、压力试验违约率和
