基于BP神經(jīng)網(wǎng)絡(luò)的中國(guó)P2P網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)評(píng)估及解決方案

鐘佳倚+葉高揚(yáng)+麥棋昌+黃珊珊+何淵迪

【摘要】近年來(lái)國(guó)內(nèi)P2P網(wǎng)貸行業(yè)良莠不齊，如何合理有效評(píng)估P2P平臺(tái)風(fēng)險(xiǎn)，一直是投資界和學(xué)術(shù)界的關(guān)注的問(wèn)題。當(dāng)前國(guó)內(nèi)P2P平臺(tái)存在的風(fēng)險(xiǎn)主要包括法律風(fēng)險(xiǎn)，操作與技術(shù)風(fēng)險(xiǎn)，市場(chǎng)風(fēng)險(xiǎn)與信用風(fēng)險(xiǎn)四類(lèi)。因此，我們建立BP神經(jīng)網(wǎng)絡(luò)模型評(píng)估風(fēng)險(xiǎn)，選取160家平臺(tái)作為樣本，并挑選出資本充足率等12個(gè)定量指標(biāo)和注冊(cè)省份和股東背景2個(gè)定性指標(biāo)。通過(guò)優(yōu)化指標(biāo)體系，模型準(zhǔn)確率由12個(gè)指標(biāo)的91.4%，提高到14個(gè)指標(biāo)的94.28%。最后根據(jù)結(jié)論，我們提出了相關(guān)建議。

【關(guān)鍵詞】金融；P2P；網(wǎng)絡(luò)借貸

1 緒論

在P2P平臺(tái)風(fēng)險(xiǎn)評(píng)估研究方面，國(guó)內(nèi)外已有較多相關(guān)資料。Byan Jankar，M Heikkil，J Mezei（2015）構(gòu)建神經(jīng)網(wǎng)絡(luò)信用評(píng)級(jí)體系，發(fā)現(xiàn)其準(zhǔn)確度比傳統(tǒng)的回歸模型更高。國(guó)內(nèi)，劉峙廷（2013）結(jié)合德國(guó)IPC風(fēng)險(xiǎn)評(píng)估，將風(fēng)險(xiǎn)量化，建立適合我國(guó)P2P網(wǎng)貸平臺(tái)的信用評(píng)價(jià)模型。曹玲燕（2014）結(jié)合模糊數(shù)學(xué)與層次分析方法對(duì)評(píng)估平臺(tái)風(fēng)險(xiǎn)進(jìn)行了評(píng)估。路晨（2015）借助風(fēng)險(xiǎn)矩陣模型，對(duì)P2P平臺(tái)不同風(fēng)險(xiǎn)進(jìn)行排序，提出了應(yīng)對(duì)不同風(fēng)險(xiǎn)的措施。上述研究主要以一間機(jī)構(gòu)為研究對(duì)象，研究的風(fēng)險(xiǎn)指標(biāo)體系有待完善，因此不存在廣泛性。在接下來(lái)的討論中，將在前人研究基礎(chǔ)上進(jìn)一步拓展和完善評(píng)估模型。

2 BP神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估模型

2.1BP神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)介

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，即方向傳播算法，在1986年由Rumelhart和McCelland提出，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它能夠?qū)W習(xí)和儲(chǔ)存大量的輸入與輸出映射關(guān)系，而無(wú)需揭示這種映射的數(shù)學(xué)方程，是一種仿真模擬運(yùn)算系統(tǒng)，能夠?qū)崿F(xiàn)自主學(xué)習(xí)，尤其擅長(zhǎng)進(jìn)行數(shù)據(jù)預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)模型有三層結(jié)構(gòu)，包括輸入層（input）、輸出層（output layer）、隱層（hidden layer）。其學(xué)習(xí)方式是通過(guò)處理大量的輸入變量和輸出變量，擬合出最貼近的映射關(guān)系，建立非線性模型。

2.2數(shù)據(jù)來(lái)源

樣本數(shù)據(jù)主要來(lái)自“網(wǎng)貸之家”與“佳璐數(shù)據(jù)”。選取160家網(wǎng)貸平臺(tái)（健康平臺(tái)及問(wèn)題平臺(tái)各80個(gè)）14個(gè)指標(biāo)，共獲得2240個(gè)數(shù)據(jù)。同時(shí)為了控制數(shù)據(jù)變動(dòng)所帶來(lái)的誤差，我們選擇了2016年6月1日的各平臺(tái)的歷史數(shù)據(jù)作為我們的參考依據(jù)。

2.3指標(biāo)體系的建立

本文借鑒國(guó)際通行的駱駝評(píng)級(jí)法，并考慮到我國(guó)P2P網(wǎng)貸行業(yè)的實(shí)際發(fā)展情況，建立了如表1的雙重指標(biāo)體系。

2.3數(shù)據(jù)預(yù)處理

模型共有12個(gè)定量變量和2個(gè)定性變量，在對(duì)兩個(gè)定性變量的預(yù)處理中，股東背景為民營(yíng)系時(shí)屬性編碼值為0，否則為1；而注冊(cè)省份按GDP排名進(jìn)行編碼。下表為數(shù)據(jù)的描述性統(tǒng)計(jì)分析：

通過(guò)上表我們得出以下結(jié)論：

（1）X1營(yíng)業(yè)收入問(wèn)題平臺(tái)標(biāo)準(zhǔn)差（19.88）遠(yuǎn)高于健康平臺(tái)（008），可見(jiàn)問(wèn)題平臺(tái)的營(yíng)業(yè)收入存在巨大差異。

（2）從X2前十大借款人待還金額占比：?jiǎn)栴}平臺(tái)均值（0.66）遠(yuǎn)高于健康平臺(tái)（0.29），說(shuō)明問(wèn)題平臺(tái)存在嚴(yán)重的信用風(fēng)險(xiǎn)，與我們的預(yù)期相符。

（3）X3平均借款利率健康平臺(tái)（0.11）略高于問(wèn)題平臺(tái)（009），這與我們預(yù)期有所出入；但問(wèn)題平臺(tái)的標(biāo)準(zhǔn)差（0.33）遠(yuǎn)高于健康平臺(tái)（0.02），這反映了不同問(wèn)題平臺(tái)利率差距較大，這與我們的預(yù)期相符。

（4）X4平均借款期限：?jiǎn)栴}平臺(tái)（0.07）遠(yuǎn)低于健康平臺(tái)（754），而標(biāo)準(zhǔn)差則相反，問(wèn)題平臺(tái)僅僅為0.1，遠(yuǎn)低于健康平臺(tái)（8.34），這說(shuō)明了問(wèn)題平臺(tái)為了大量籌資發(fā)行了大量短標(biāo)，帶來(lái)了大量流動(dòng)性風(fēng)險(xiǎn)。

（5）X5營(yíng)業(yè)收入：健康平臺(tái)（3335.03）遠(yuǎn)高于問(wèn)題平臺(tái)（5.01），與預(yù)期相符。

（6）X6前十大土豪待收金額占比：?jiǎn)栴}平臺(tái)（0.12）遠(yuǎn)高于健康平臺(tái)（0.44），說(shuō)明問(wèn)題平臺(tái)較大的流動(dòng)性風(fēng)險(xiǎn)。

（7）X7資金凈流入：?jiǎn)栴}平臺(tái)（2171786.44）遠(yuǎn)高于健康平臺(tái)（25765.63），X8人均借款金額（萬(wàn)元）問(wèn)題平臺(tái)（6637886）遠(yuǎn)高于健康平臺(tái)（1222.76），X9人均投資金額（萬(wàn)元）問(wèn)題平臺(tái)（26227.76）遠(yuǎn)高于健康平臺(tái)（14.39），這三者共同體現(xiàn)了問(wèn)題平臺(tái)巨大的流動(dòng)性風(fēng)險(xiǎn)。

（8）X12運(yùn)營(yíng)時(shí)間：健康平臺(tái)（33.99）約為問(wèn)題平臺(tái)（14.25）的兩倍，與預(yù)期相符。

綜上，我們認(rèn)為所選取的14個(gè)指標(biāo)具有說(shuō)服力，可納入風(fēng)險(xiǎn)評(píng)估體系。

3 模型設(shè)計(jì)與實(shí)證檢驗(yàn)

3.1模型結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)主要用于求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重調(diào)整問(wèn)題。在解決問(wèn)題的過(guò)程中，我們按誤差梯度下降的方式修正各層權(quán)值，使權(quán)值不斷調(diào)整，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)。具體可分為以下兩步。

步驟1：結(jié)構(gòu)參數(shù)的設(shè)置，包括網(wǎng)絡(luò)層數(shù)及各層節(jié)點(diǎn)數(shù)的設(shè)置。本文采用包括輸入層、單個(gè)隱含層和輸出層的三層BP神經(jīng)網(wǎng)絡(luò)作為評(píng)估模型。

（1）輸入層節(jié)點(diǎn)數(shù)量

在我們的對(duì)比模型中，駱駝評(píng)級(jí)法共采用了12個(gè)指標(biāo)，因此輸入層神經(jīng)元數(shù)量為12，而我們的改進(jìn)模型中，增加了兩個(gè)綜合實(shí)力指標(biāo)，因此改進(jìn)模型的輸入層節(jié)點(diǎn)數(shù)量為14。

（2）隱含層節(jié)點(diǎn)數(shù)量

在原模型和改進(jìn)模型中，我們默認(rèn)隱含層節(jié)點(diǎn)數(shù)量為10。

（3）輸出層節(jié)點(diǎn)數(shù)量

在兩個(gè)對(duì)比模型中，我們的目標(biāo)都輸出為健康平臺(tái)1和問(wèn)題平臺(tái)0，因?yàn)槲覀兊妮敵龉?jié)點(diǎn)數(shù)量為1。

步驟2：訓(xùn)練參數(shù)的設(shè)置，主要選擇神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)等。

在兩個(gè)對(duì)比模型中，我們的學(xué)習(xí)函數(shù)和訓(xùn)練函數(shù)分別設(shè)定為learngdmi函數(shù)和trainlm函數(shù)。顯示出來(lái)的誤差變化為均方誤差值mse，誤差精度均設(shè)置為le一10。設(shè)定的網(wǎng)絡(luò)精度為0.0001，訓(xùn)練次數(shù)為1000。

3.2結(jié)果分析及對(duì)比

首先我們對(duì)12個(gè)定量指標(biāo)（X1-X12）進(jìn)行實(shí)證分析結(jié)果如下：網(wǎng)絡(luò)為12-10-1-1結(jié)構(gòu)，經(jīng)過(guò)42次迭代循環(huán)完成訓(xùn)練，達(dá)到設(shè)定的網(wǎng)絡(luò)精度0.0001時(shí)，誤差下降梯度為0.00976。BP算法在實(shí)際應(yīng)用中很可能會(huì)陷入到局部極小值中，可通過(guò)改變初始值的方式獲得全局最優(yōu)值。我們通過(guò)反復(fù)改變初始值，最終得到較為理想的訓(xùn)練結(jié)果：總判別準(zhǔn)確率為0.91429。

我們?cè)隈橊勗u(píng)級(jí)法指標(biāo)的基礎(chǔ)上，在12個(gè)定量指標(biāo)的基礎(chǔ)上添加2個(gè)定性指標(biāo)（X13，X14）對(duì)模型進(jìn)行改進(jìn)。結(jié)果如下：網(wǎng)絡(luò)為14-10-1-1結(jié)構(gòu)，經(jīng)過(guò)22次迭代循環(huán)完成訓(xùn)練，達(dá)到設(shè)定的網(wǎng)絡(luò)精度0.0001的時(shí)，誤差下降梯度為0.00900。經(jīng)測(cè)試，最終取得了較理想的識(shí)別正確率為：0.94286，與原模型采用駱駝評(píng)級(jí)法對(duì)比，準(zhǔn)確率由0.91429提升到0.94286。由此可知，該BP網(wǎng)絡(luò)具有較好的泛化能力和預(yù)測(cè)精度，可用于對(duì)P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)的評(píng)估。

3.3模型創(chuàng)新點(diǎn)和不足

3.3.1創(chuàng)新點(diǎn)

其一：數(shù)據(jù)的質(zhì)量較高。數(shù)據(jù)來(lái)源于權(quán)威行業(yè)統(tǒng)計(jì)網(wǎng)站，可信度較高。且樣本數(shù)量多（80家健康平臺(tái)和80家問(wèn)題平臺(tái)），在一定程度上降低了偶然性。

其二：風(fēng)險(xiǎn)評(píng)估體系完善。我們使用國(guó)際通行的駱駝評(píng)級(jí)法進(jìn)行評(píng)測(cè)，準(zhǔn)確率高達(dá)0.91429。我們還通過(guò)分析整個(gè)經(jīng)濟(jì)模型中各因素間的內(nèi)在聯(lián)系以及P2P網(wǎng)絡(luò)借貸的特殊性，加入注冊(cè)省份和股東背景兩個(gè)定性指標(biāo)，進(jìn)一步提升準(zhǔn)確率。

其三：BP神經(jīng)網(wǎng)絡(luò)模型的自身優(yōu)勢(shì)。BP神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)預(yù)測(cè)和處理非線性關(guān)系。即便在輸入變量的權(quán)重、內(nèi)在關(guān)系不明確的情況下，該模型仍能夠自主學(xué)習(xí)和模擬訓(xùn)練。由此推斷，我們可以對(duì)任意平臺(tái)的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。

3.3.2不足

其一：參數(shù)設(shè)定較為困難。BP網(wǎng)絡(luò)的參數(shù)較多，設(shè)定缺乏簡(jiǎn)單有效的方法，只能根據(jù)經(jīng)驗(yàn)設(shè)定其取值范圍，從而導(dǎo)致算法很不穩(wěn)定。

其二：容易陷入局部最優(yōu)。BP網(wǎng)絡(luò)在實(shí)際應(yīng)用中很可能陷入局部極小值，可以通過(guò)改變初始值，多次運(yùn)行的方式，獲得全局最優(yōu)值。

其三：結(jié)果不可重現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)較為敏感。但是其初始權(quán)值是隨機(jī)的，又影響到訓(xùn)練結(jié)果，因此，結(jié)果具有不可重現(xiàn)性。

其四：數(shù)據(jù)不夠充足。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練都需要足夠的數(shù)據(jù)支持。160個(gè)平臺(tái)的數(shù)據(jù)只能避免一定的偶然性，并不能保證結(jié)果的確切性。

4 建議

4.1對(duì)P2P平臺(tái)的建議

（1）平臺(tái)應(yīng)做到信息公開(kāi)透明，提供足夠而準(zhǔn)確的運(yùn)營(yíng)指標(biāo)以供參考

平臺(tái)應(yīng)披露真實(shí)的企業(yè)信息，注冊(cè)省份，股東背景，企業(yè)背景以及其他運(yùn)營(yíng)指標(biāo)，從而提升可信度，吸引更多的投資者。

（2）定期對(duì)平臺(tái)的相關(guān)運(yùn)營(yíng)指標(biāo)進(jìn)行監(jiān)測(cè)，確認(rèn)平臺(tái)運(yùn)行良好

平臺(tái)可以通過(guò)以上BP神經(jīng)模型，定期對(duì)運(yùn)營(yíng)情況進(jìn)行監(jiān)測(cè)，對(duì)比同行業(yè)其他指標(biāo)，確保運(yùn)行良好。

（3）依法運(yùn)營(yíng)，防范相關(guān)法律風(fēng)險(xiǎn)

目前我國(guó)P2P領(lǐng)域在存在很多法律漏洞和空白，平臺(tái)應(yīng)依法規(guī)范自身行為，能最大程度降低法律風(fēng)險(xiǎn)。

（4）定期維護(hù)升級(jí)平臺(tái)，防范操作與技術(shù)風(fēng)險(xiǎn)

平臺(tái)應(yīng)對(duì)網(wǎng)站進(jìn)行加密處理，定期維護(hù)升級(jí)平臺(tái)，填補(bǔ)相關(guān)漏洞，以降低平臺(tái)操作與技術(shù)風(fēng)險(xiǎn)，保障資金運(yùn)行的安全性。

4.2對(duì)投資者的建議

（1）關(guān)注平臺(tái)的各項(xiàng)基本運(yùn)營(yíng)指標(biāo)是否正常

根據(jù)駱駝評(píng)級(jí)法，我們應(yīng)該關(guān)注12個(gè)定量指標(biāo)的具體情況。資本充足率8%左右，越多平臺(tái)流動(dòng)性越強(qiáng)；前十大借款人待還金額占比29%左右，越小越好；資金凈流入（萬(wàn)元），越大越好；人均借款金額（萬(wàn)元）越小，平臺(tái)流動(dòng)性越好；人均投資金額（萬(wàn)元）越大，平臺(tái)資金越充足；借款集中度越低，流動(dòng)性越好；運(yùn)營(yíng)時(shí)間（月）越長(zhǎng)越好。

（2）在關(guān)注定量指標(biāo)的基礎(chǔ)上，增加對(duì)定性指標(biāo)的關(guān)注

在研究中我們發(fā)現(xiàn)加入定性指標(biāo)可進(jìn)一步優(yōu)化模型。具體來(lái)說(shuō)，定性指標(biāo)分為注冊(cè)省份和股東背景。要密切關(guān)注注冊(cè)省份的相關(guān)政策，經(jīng)濟(jì)發(fā)展情況等。例如從股東背景上看，民營(yíng)系風(fēng)險(xiǎn)程度要大于上市公司系大于國(guó)企系。

參考文獻(xiàn)：

[1]薛飛.P2P網(wǎng)貸的風(fēng)險(xiǎn)分析與風(fēng)控模式探究[J].時(shí)代金融，2015（1）：226-229

[2]周慧.P2P網(wǎng)絡(luò)借貸：履約機(jī)制、運(yùn)作模式與風(fēng)險(xiǎn)控制[J].西部金融，2014（12）：19-24

[3]李從剛，童中文.互聯(lián)網(wǎng)金融市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估——以P2P網(wǎng)貸為例[J].征信，2015（7）：61-67

[4]李從剛，童中文，曹筱玨.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸市場(chǎng)信用風(fēng)險(xiǎn)評(píng)估[J].管理現(xiàn)代化，2015（4）：94-96