商业银行信用风险研究是金融领域一个重要研究课题。本文以数据挖掘在商业银行信用风险管理中的应用为研究对象,采用理论研究与实证研究相结合的研究思路。理论研究主要通过获取国内外最新的金融风险管理、商业银行信用风险管理与数据挖掘的应用研究成果和对相关文献资料的整理和挖掘,形成关于金融风险管理、商业银行信用风险与数据挖掘的应用研究的基本观点和模型,并紧密结合实证重点研究信用违约模型。实证研究结合某行山西省分行的信用卡系统数据,采用了量化研究和比较研究两种方式。以信用数据为基础进行定量研究,以训练样本与预测样本、正常客户与违约客户、四种预测模型为对比进行比较研究。理论研究方面,本文形成了如下观点:1)金融风险是社会生活中最集中、最具潜在破坏力的风险;金融风险不可消灭,但可控制而且必需加以控制。2)信用风险是我国国有商业银行所面临的最重要的风险;国外已有较为成熟的现代信用风险管理模型和工具,国内则处在积极探索的起步阶段。3)数据挖掘技术有着广阔的应用前景,在信用风险管理中能发挥重要的作用,但目前国内基于数据挖掘的信用风险管理应用条件尚不成熟,但前景令人振奋。4)不同信用违约模型与工具各有千秋,要成功应用,有待于研究的深入、坚实的数据基础、良好的信用机制和专业化人才队伍的建设。实证研究方面,本文对数据挖掘在信用风险中的客户违约进行了深入的研究,取得如下成果:1)信用数据特征提取和转换阶段本文用到主成分分析、均值检验、微软DTS,Excel等数据挖掘理论和技术。通过对14 个解释变量进行研究,经检定结果发现持卡户证件类别、学历、工作单位类别、本行代发工资、持卡情况5 个变量为信用风险特征因素。2)对信用违约模型,本文提出采用多元判别分析模型、Logistic 回归模型、决策树模型、BP 神经网络模型四种模型分别对信用违约进行预测。比较四种方法,发现BP 神经网络的预测能力最强,决策树模型次之,Logistic 回归模型的预测能力第三,多元判别分析的预测效果最弱。3)对信用违约分析结果的评价,本