数据挖掘在银行业务中的应用

论文摘要

本论文丰要围绕银行增值业务的课题进行设计和实现。通过对增值业务的信息进行分析，围绕客户、产品和竞争对手三个主题，我们构建银行增值业务数据仓库，侧重对分析人员和高层管理人员进行决策支持，以便他们准确和及时地掌握企业的经营状况，了解市场需求，制定正确的经营方案。本文提出了一种新的数据分析方法进行数据挖掘，其结合了粗糙集理论和概率统计学中的多元线性回归模型，在对其进行一定的改进后同充分发挥两者的优点时。运用该方法在对大量银行业务记录进行分析，不仅从中找出业务规律，并通过影响算予对其进行二次加工，从中得出直观的参数函数，进而获得分析信息和决策依据。改进后的算法在进行数据挖掘的环节中，加入频度属性这个参数，建立带有频度属性的决策表。频度属性F记录的是对象x在知识库中出现的次数，取值范围为正整数，它既不属于条件属性集，也不属于决策属性集。对特征集集合进行多步递推运算，排除其中的小特征集，并提取符合条件的大特征集[Xk]，将规则[Xk]→Y[Sup][Con]添加到规则集合中；同时对符合支持度的候选特征集进行重新组合，牛成更多元的特征集，从而生成反映决策偏好信息的决策规则。新的算法对生成的带频度属性的决策规则进行约简处理，得出最简决策规则。然后再将这些规则作为样本进行多元线性回归分析，并通过影响算予对其进行再次加工，建立相应的多元线性回归模型。然后根据样本及回归模型找到局部最优回归子集，并由此建立新的多元线性回归模型，最后采用最小二乘法对新的回归模型中的待估回归系数进行估计，求得待估回归系数，从中得出直观的参数函数A0i=β0+β1A1+β2A2+…+βpAp=fi（A1，…，Ap），i=1，2，…，p。用户将可以方便地运用这组函数来查看决策依据和获得直观地分析信息。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 银行对客户价值应用研究的需求
• 1.1.2 客户价值
• 1.2 研究现状
• 1.2.1 理论现状
• 1.2.2 应用现状
• 1.3 研究内容
• 1.4 本文的价值
• 第二章 基本算法
• 2.1 相关概念与理论
• 2.1.1 数据挖掘
• 2.1.2 粗糙集
• 2.1.3 线性回归
• 2.2 数据模型
• 2.3 基本思路
• 第三章 改进算法
• 3.1 改进思路
• 3.2 增加频度属性
• 3.3 进行约简
• 3.4 多元线性回归分析
• 3.5 算法实现
• 3.5.1 数据挖掘
• 3.5.2 约简
• 3.5.3 多元线性回归分析
• 3.6 算法分析
• 3.6.1 数据挖掘的分析
• 3.6.2 约简算法的分析
• 3.6.3 多元线性回归的分析
• 3.6.4 案例分析
• 第四章 总结与展望
• 4.1 本论文的创新与价值
• 4.2 本文的不足
• 4.3 展望
• 4.3.1 后续的研究工作
• 4.3.2 提高金融数据利用率的对策及建议
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢