信用风险是我国商业银行当前所面临的最主要风险,而构成信用风险的主体是公司授信风险。违约概率(Probability of Default, PD)是借款人未来一段时间内不能按合同约定的要求偿还贷款本息或履行相关义务的可能性,它是商业银行量化信用风险、实施巴塞尔新资本协议、采用内部评级法(internal ratings-based, IRB)核算监管资本的基础。同时,违约概率也是商业银行计算受险价值(Value at Rist, VaR),进而估算银行资产整体受险价值,以及实施其他高级信贷组合量化模型的基础。研究公司授信违约概率的预测模型、方法和技术,是商业银行实现风险量化管理的核心内容,选题具有重要的理论意义和应用价值。文章在对国内外现有信用风险量化、违约概率预测相关理论、方法与技术系统梳理的基础上,从目前我国商业银行“授信客户资金流向监控”业务管理模式的实践出发,提出了一种“可直接基于客户信贷资金交易行为来预测违约概率”的新方法。论文的主要工作、贡献和创新点如下：(1)系统阐释了客户资金异常流动行为的形成机理。深入剖析了目前我国商业银行客户资金流向监控管理业务模式的整体流程和关键控制点。界定了客户资金异常流动的概念内涵与分类,从资金趋利和规避风险两方面剖析了信贷资金异常流动的动机,并从主客观两个方面分析了客户资金异常流动行为的成因。提出了基于客户资金交易数据库,自动分析监控客户违规交易事件,统计归纳客户不合规资金交易的特征模式,为银行信贷管理监控“客户信贷资金使用”,及早发现授信风险,提供相对全面、客观且准实时的信息支持。(2)提出了一种基于客户资金交易数据记录库,直接准实时预测违约概率的新方法。首先从客户资金交易数据库中,统计获取一组表征客户异常资金交易行为的特征因子,并基于SPSS的单因子显著性分析,以及主成分分析等多元统计分析技术,从选取的合理性、有效性和组合必要性等维度,对备选原始属性因子进行遴选。遴选的结果表明,文章所选取的A1～A6六个表示客户资金异常交易行为的指标与客户违约之间存在显著的相关性,表明了文章基于客户资金异常交易行为的违约概率预测指标的确定是有效的。相比较于现有的其他违约概率预测方法,文章所提出的预测建模方法所依赖的基础数据,具有可靠性高、客观性好且可准实时获取等特点,对违约概率的预测更加准确和及时。(3)基于客户资金交易数据,提出了一种XDT-SVM的违约概率建模预测方法。上述基于客户资金交易行为的违约概率预测方法,需要实时或准实时处理商业银行的海量级账户资金交易数据库,常规SVM建模工具难以适应。文章在深入研究可适应海量数据的SVM建模技术基础上,结合银行针对客户资金交易行为监管的实践,提出了一种改进的DT-SVM算法(简称XDT-SVM算法),以解决文章所提出的基于客户资金交易行为的违约概率预测方法的实际应用问题。XDT-SVM算法通过弱化DT树,即只用DT树粗分样本的策略,不仅可有效降低DT树构建阶段的时间代价,还更便于充分利用机器的并发/并行处理能力；同时,通过验证精度制导的DT树修剪与SVM的算法参数联合寻优策略,保证了算法的精度。(4)将XDT-SVM分类算法与基于客户资金异常交易行为的违约概率预测模型相结合,并应用到具有海量数据的实际场合。选择某商业银行2011年的实际公司贷款业务数据及贷款客户资金交易数据,应用XDT-SVM算法建模预测逐笔贷款出现违约的概率,研究结果表明,文章所构建的基于客户资金交易行为的违约概率预测模型具有较高的预测精度。