数据挖掘在操作风险的量化和管理中的应用
根据《新巴塞尔资本协议》（）给出的定义，“操作风险是指由于不正确的内部操作流程、人员、系统或外部事件所导致的直接或间接损失的风险。

”这一定义侧重于从操作风险的成因包括法律方面的风险，但将策略风险和声誉风险排除在外。

随着世界经济和银行业的发展，多种可供分析的操作风险管理方法正在逐渐的形成，商业银行多年来一直试图对它进行一定程度的控制，定性并尝试测量这一风险，作为非金融机构的财务公司也不例外。

在量化模型技术的推动下，操作风险量化测评和管理的技术获得了相当大的发展。

操作风险管理能通过减少风险、改善服务质量和降低经营成本，从而形成一种竞争优势并在股东价值中得到相应体现。

本文拟从数据分析与挖掘角度入手，对财务公司操作风险的量化测评和管理进行初步探讨和简要分析。

一、解决问题的整体思路
财务公司要实现科学且合理的对操作风险进行量化测评与管理，一般要进行以下几个步骤的工作：数据挖掘→数据分析→模型构建→模型检验。

其具体思路如下图所示：
图：操作风险量化测评和管理的整体思路
分类梳理，明确其业务流程，找出关键节点，并在关键节点处科学设置风险监测指标，通过对风险监测指标的观测来纵向监控各业务模块的操作风险。

需要注意的是，依据对操作风险模型构建的要求，财务公司在设置风险检测指标时，将这些指标划分为操作风险事件发生频率指标（以下简称为“频率指标”）和操作风险事件损失指标（以下简称为“损失指标”）。

在完成风险指标设置的工作后，财务公司对上述指标进行横向分类，即按照人员、系统、流程和外部事件所引发的四类风险，将上述风险监测指标分别归类于七种表现形式：内部欺诈，外部欺诈，聘用员工做法和工作场所安全性，客户、产品及业务做法，实物资产损坏，业务中断和系统失灵，交割及流程管理。

财务公司通。