28.txt

This complete matlab for neural network

 
反馈及信息收集Reaction
 

 



（4）        传统的决策制定中心是主观制定决策（JUDGEMENT），主观决策存在一些不
足，数据挖掘给决策技术带来了突破。数据挖掘是从广义的角度讲的，包括统计、机器学
习、神经网络等等。

（5）       预测解析（Predictive Analytics）：信用评分技术（Credit Scoring）。


n         内在理解分析（Exploratory Analysis/KDD）：模块识别和相关性分析。

n         决策建模（Decision Modeling）：通过图论方法建立模型，对于给定的一个或
多个决策建立数学关系。

n         策略优化（Strategy Optimization）：在给定的一些限制条件下，寻找改进利
润的最优策略解。

n         策略精调（Strategy Refinement）：精调最优策略解，使其稳定可靠，易理解
、易执行。

外部
 
内部
 
数据管理

Data MGMT
 
执行系统Strategy Execution
 
顾客或潜在顾客
 
作用于Action
 
反馈及信息收集Reaction
 
数据挖掘
 
预测解析
 
内在理解
 
决策建模
 
策略优化
 
策略精调
 

 



（6）       预测解析：针对不同的信用周期阶段和不同的商业目标，建立模型

n         招商：依据风险的招商模型，申请模型，价值模型和响应模型。

n         立户：风险（坏帐，破产等），离走和利润定量等。

n         用户管理：分档系统，风险预测系统，坏帐、破产预警系统，债量预测模型，
利润预测模型，欺诈预测模型等。

n         收帐：前期收帐，后期收帐等。

n         总体：损失预测，营利预测，最优组合建立，阶梯变坏率预测，等等。

（7）       内在理解分析

n         一般理解分析：变量的相互关系。工具——因子分析、主成分分析、聚类分析
、关联规则等。

n         特殊理解分析：对给定目标，寻找贡献或影响的变量。工具——FISHER显著性
检验、参数估计、线性/非线性/LOGISTIC回归、神经网络、决策树等。

（8）       决策建模：对于1个或几个决策建立图论模型。从而建立起他们之间的数学关
系。

如下图所示：假设，β、Φ、μ分别记作 利率、信用量、债务，则

R（收入）= F（X1，…，Xn，β,Φ,μ）

L（损失）= F’（X1，…，Xn，β,Φ,μ）

C（费用）= F’’（X1，…，Xn，β,Φ,μ）

最大利润 = R（收入）max(β,Φ,μ) - L（损失）min(β,Φ,μ) - C（费用）min(β,Φ
,μ)

坏帐模型
 
离走模型
 
当前债务
 
利率调整

信用量调整
 
债务转移
 
收入
 
利润
 
损失和费用
 

 

 

 

 

 

 

 



（9）        优化决策和决策精调： 

高
 
中
 
低
 
高
 
中
 
低
 
高
 
中
 
-2%

$1000.00

$2000.00
 
-2%

$2500.00

$3000.00
 
0%

$0.00

$0.00
 
2%

$-2000.00

$0.00
 
坏帐分数
 
离走分数
 
当前债务
 
利率调整

信用量调整

债务转移
 
优化决策和决策精调
 

 



（10）     信用评数技术：例子——对偶模型 


 

 



（11）     信用决策技术利益：减少坏帐；增加利润；效率提升，开销缩小；策略的公平
性和一贯性得以保障。

 

（12）      中国的可行方案

n         逐步建立完整的数据库

n         人员培训（预测建模技术，决策建模技术，策略设计技术）

n         逐步建立决策系统

 
 
 

这篇演讲是非常有价值的，所以我将其详细的整理出来。无论对于研究数据挖掘或金融模
型的学者/学生，还是从事实际项目设计的工程人员，都有非常高的参考价值。
 

 

三、             结语

在短短的三个半小时内，能够组织这样一个规模大、内容丰富、偏重应用的论坛，赛迪是
功不可没的。

一些可以探讨的概念和思路：

1.         数据挖掘的定义

在提到数据挖掘的时候，一些书或者文献都要强调它与统计和OLAP的区别。我觉得应该从
更广义的概念上来理解数据挖掘，它是一门跨越多个学科的技术，只要能够从数据发现有
意义的模式，都可以称为数据挖掘。

 

2.         数据仓库和数据挖掘的关系

很多人一讲数据挖掘，首先必须讲数据仓库。数据挖掘是从大量的数据中发现有意义的模
式。大量的数据并不一定是来源于数据仓库。因为，这样会造成一种误解，进行数据挖掘
项目，一定要先建立数据仓库。

另一方面，数据仓库的结构，其实并适合进行数据挖掘分析，因为我们都看到，大部分数
据仓库的结构采用星型或雪花型数据模型，这些数据仓库其实是为OLAP建立的，更适合进
行OLAP的多维分析，而要从事数据挖掘项目还需要将数据转换成数据挖掘算法能够识别的
数据结构。

数据仓库为数据挖掘所做的，应该从数据整合和清洗的角度来理解。也就是说，数据仓库
将不同操作源的数据存放到一个集中的环境中，并且进行适当的清洗和转换。这点上面李
峻博士所举的厨房的例子是一个贴切的比喻。数据挖掘所需要的数据，能够直接从数据仓
库获得，但是获得后还是需要进行转换，如果没有数据仓库，就需要直接从操作型数据源
中获取，并且要进行ECTL（抽取、清洗、转换、装载）的操作。

因此，没有数据仓库也是能够进行数据挖掘项目，数据仓库的结构不是为数据挖掘设计的
，它更适合OLAP操作。

 

3.         国内的数据挖掘项目现状

国内的金融行业真正从事数据挖掘项目的不多，这从论坛的国内报告能够看出。报告的内
容主要还是“看——想——说”的步骤。也就是说，看一些资料/文献/书，再从目前的情
况中展开联想，最后将这些整理的想法形成方案，并报告（说）出来。

我们非常希望，在以后的应用论坛上，能够象林博士举国外的信用决策的例子一样，来讲
国内的数据挖掘案例。从而作到“看——想——做——说”。

 

4.         金融行业如何从事数据挖掘项目

林博士的“中国信用决策的可行方案”是比较贴切的，除了信用决策，对于其他已经积累
了很多业务数据的系统，都可以参考。利用数据挖掘技术，构建决策系统，使得决策来源
于数据，而不仅仅是主观判断（JUDGEMENT）。

金融行业的数据挖掘研究，需要多方面的人员的共同参与，包括领域专家、数据管理员、
数据分析人员、业务分析人员、数据挖掘专家，形成一个团队，从某一个实际的问题出发
，摸索适合自己企业的一套研究和开发方法，逐步建立起企业的模型库。因此，这些需要
得到最高决策管理层的认可和参与，因为模型的结果需要报告给决策管理层，并且使得他
们能够理解，从而作出相应的决策。

Gartner的调查报告预计到2010年，数据挖掘在相关市场的使用将从目前的少于5%增加到超
过80%（来源：Gartner）。这在国内能否实现姑且不论，但是也从一个侧面说明了这项技
术的前景，和对它寄予的厚望。而技术的应用，需要金融行业的认可和支持。

让我们共同努力，挖掘数据价值，推进知识管理。

朱建秋    

2002年11月29日
 


--

※ 来源:．南京大学小百合站 http://bbs.nju.edu.cn [FROM: 211.138.108.171]