随着银行业对信息化建设的重视,信息技术早已广泛渗透到银行业各个机构、各项业务和各个环节。我国大多数商业银行已经建立并逐步完善了以会计核心系统为中心,以个人信贷管理系统、对公信贷管理系统、中间业务系统、管理会计系统等为外围辅助系统的一套较为完整的信息管理体系。在此形势下,我国商业银行便累积了海量业务数据。但是,银行很多重要决策并不是基于这些海量数据,而是基于决策者的直觉。大型数据库中的海量数据变成了“数据坟墓”,甚至成为银行的负担。这归结于缺乏从海量数据中挖掘有用信息的工具,而数据挖掘技术的兴起正好可以解决这一难题。数据挖掘是一个交叉学科领域,汇集了数据库、机器学习、统计学等领域的技术和方法,它能够从大量的银行业务数据中发掘出潜在有用的信息和知识,为管理者提供有效的决策信息,进而能够更加有效地防范和管理风险。本文就银行信贷管理中的风险管理环节进行研究,采用数据挖掘技术实现贷款风险评估。首先研究主要的数据挖掘方法和技术,简单介绍我国商业银行的信贷管理体制;在此基础上提出一个基于数据挖掘的信贷管理系统的设计方案;之后,按照数据挖掘技术的行业标准—CRISP-DM(Cross-Industry Standard Process for Data Mining),即通过商业理解、数据理解、数据准备、建模、评估和结果发布六个步骤来构建贷款风险评估模型;经过对贷款数据的预处理之后,建立决策树、神经网络及Logistic回归模型。然后从建模结果、预测精度等角度评价这三种模型,得出贷款风险评估准则;最后对本文的研究工作做了总结,讨论了本研究的局限,并展望未来的研究工作。