引入互聯(lián)網(wǎng)搜索量的P2P網(wǎng)絡(luò)借貸成交額預(yù)測研究

彭若弘+宋佳

【摘 要】隨著近幾年互聯(lián)網(wǎng)金融的快速發(fā)展，具有操作便捷、收益率高等優(yōu)點的P2P網(wǎng)絡(luò)借貸成為投融資關(guān)注的重點。伴隨著眾多優(yōu)點，P2P網(wǎng)絡(luò)借貸也因其存在的風(fēng)險和監(jiān)管問題讓投融資者望而卻步。本研究引入百度指數(shù)，通過建立不含P2P網(wǎng)絡(luò)搜索量和含P2P網(wǎng)絡(luò)搜索量的ARIMA對比模型預(yù)測P2P網(wǎng)絡(luò)借貸的交易規(guī)模。對比研究發(fā)現(xiàn)，包含P2P關(guān)鍵詞搜索量數(shù)據(jù)的預(yù)測模型比不包含P2P關(guān)鍵詞搜索量數(shù)據(jù)的預(yù)測模型預(yù)測結(jié)果更好，該變量的引入有利于提高模型的預(yù)測準(zhǔn)確度。

【關(guān)鍵詞】互聯(lián)網(wǎng)搜索量；百度指數(shù)；P2P網(wǎng)絡(luò)借貸交易額；ARIMA模型

一、引言

國外網(wǎng)絡(luò)借貸平臺模式引入中國以來，讓很多敢于嘗試互聯(lián)網(wǎng)投資的投資者認(rèn)識了P2P網(wǎng)絡(luò)借貸模式。P2P網(wǎng)絡(luò)借貸作為互聯(lián)網(wǎng)金融的重要組成部分，發(fā)展迅速。但由于我國P2P發(fā)展的年限較短，監(jiān)管和制度法規(guī)還在逐步完善，仍存在很多風(fēng)險和隱患，使得部分用戶因為看不到其未來的發(fā)展，所以面對操作簡單，收益可觀的P2P網(wǎng)絡(luò)借貸望而卻步。許多學(xué)者研究發(fā)現(xiàn)互聯(lián)網(wǎng)搜索量與實際的市場需求之間具有顯著的相關(guān)關(guān)系，并且在預(yù)測模型中引入互聯(lián)網(wǎng)搜索量有助于提高預(yù)測模型的精度。為幫助用戶合理預(yù)估借貸風(fēng)險與P2P網(wǎng)絡(luò)借貸市場的發(fā)展趨勢，本文引入百度指數(shù)，通過預(yù)測P2P網(wǎng)絡(luò)交易規(guī)模給用戶提供決策參考。

二、研究理論與模型建立

隨著谷歌公司谷歌趨勢和百度公司百度指數(shù)的推出，對于某一關(guān)鍵字的互聯(lián)網(wǎng)搜索量數(shù)據(jù)不再難于獲取，兩類產(chǎn)品的推出為互聯(lián)網(wǎng)環(huán)境下預(yù)測模型研究的發(fā)展奠定了基礎(chǔ)。

Yan Carrière-Swallow ，F(xiàn)elipe Labbé（2010）[1]在智利運用谷歌指數(shù)構(gòu)建一個谷歌汽車趨勢指數(shù)，以普通自回歸移動平均模型為基準(zhǔn)，建立了加入谷歌汽車指數(shù)的對比模型，通過對模型的研究得出ARMA3b（2，2）模型最優(yōu)，帶有Google參數(shù)的擬合度更好。

在宏觀經(jīng)濟預(yù)測方面，Simeon Vosen ，Torsten Schmidt（2011）[2]在預(yù)測私人消費時引入了互聯(lián)網(wǎng)搜索變量谷歌指數(shù)。學(xué)者以自回歸模型為基準(zhǔn)模型，以加入了谷歌指數(shù)的模型作為對比模型，比較兩類模型的擬合優(yōu)度。通過對比兩類模型，發(fā)現(xiàn)在0.01置信水平下，加入谷歌指數(shù)的模型較基本模型擬合優(yōu)度（R2）提高了0.03。

（一）不含互聯(lián)網(wǎng)搜索量的預(yù)測模型建立

本文選取的數(shù)據(jù)是以月為跨度的P2P網(wǎng)絡(luò)借貸成交額數(shù)據(jù)，也稱P2P網(wǎng)絡(luò)借貸成交額的時間序列數(shù)據(jù)。所謂時間序列就是按照時間的順序記錄的一系列有序數(shù)據(jù)，通過對時間序列進(jìn)行觀察、研究，尋找其變化發(fā)展的規(guī)律，預(yù)測未來走勢[3]。在時間序列的預(yù)測中，對于存在波動的時間序列的預(yù)測方法有自回歸模型，移動平均模型和自回歸移動平均模型等。以自回歸模型為例，本文構(gòu)建的基本模型如下：

其中：

y為產(chǎn)品或服務(wù)的市場需求量；

t為時間；

表示隨機變量；

（二）引入互聯(lián)網(wǎng)搜索量的預(yù)測模型建立

時間序列除了在模型上擴展外，在模型的變量上也有所拓展。在一些研究中，學(xué)者們在基本模型中引入外生變量，通過探討變量之間的相關(guān)性，提高預(yù)測的準(zhǔn)確度。謝蒙萌（2013）[4]在研究多元線性回歸模型在ETC客戶發(fā)展的預(yù)測中，引入了本地區(qū)ETC網(wǎng)點數(shù)量、本地區(qū)高速公路入口流量、本地區(qū)GDP和本地區(qū)機動車新增車輛數(shù)等解釋變量，研究結(jié)果發(fā)現(xiàn)結(jié)合引入變量能夠更好的實現(xiàn)預(yù)測效果。隨著互聯(lián)網(wǎng)的不斷發(fā)展，互聯(lián)網(wǎng)中蘊含的信息越來越得到學(xué)者們的重視。在2006年，谷歌公司推出谷歌趨勢后，一些學(xué)者的注意力開始轉(zhuǎn)向了互聯(lián)網(wǎng)搜索量，分析互聯(lián)網(wǎng)中某個關(guān)鍵詞的搜索量與現(xiàn)實社會行為之間的關(guān)系。研究發(fā)現(xiàn)互聯(lián)網(wǎng)中用戶的相關(guān)關(guān)鍵詞搜索量數(shù)據(jù)與客流量、股票價格等存在顯著的相關(guān)關(guān)系[5]。

基于以上學(xué)者的研究成果，本文將探索互聯(lián)網(wǎng)搜索量與P2P網(wǎng)貸成交額之間的關(guān)系，并在預(yù)測模型（1）式中引入互聯(lián)網(wǎng)搜索量，比較其與基本模型的預(yù)測效果，建立對比模型如下：

其中：

y為產(chǎn)品或服務(wù)的市場需求量；

t為時間；

s為該產(chǎn)品或服務(wù)的搜索量數(shù)據(jù)；

表示隨機變量；

三、實證研究

（一）樣本數(shù)據(jù)

1.P2P網(wǎng)貸成交額

（二）P2P網(wǎng)貸成交額數(shù)據(jù)分析

根據(jù)圖1的散點圖，可以發(fā)現(xiàn)P2P的百度搜索量越高，其實際網(wǎng)貸成交額越大，說明二者之間相關(guān)性較強，所以本文我們選用百度指數(shù)來預(yù)測P2P網(wǎng)貸成交規(guī)模。

1.平穩(wěn)性分析

根據(jù)圖1的散點圖可以看出，P2P網(wǎng)貸成交額沒有穩(wěn)定的均值和方差，大體呈現(xiàn)上升趨勢，說明該時間序列不具有平穩(wěn)性，需要對其進(jìn)行差分變換。

2.自相關(guān)與偏自相關(guān)分析

運用SPSS對P2P網(wǎng)絡(luò)借貸成交額進(jìn)行一階差分自相關(guān)和偏自相關(guān)分析后可發(fā)現(xiàn)，自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的值都比較小，沒有超過±0.5的置信上限和置信下限，說明一節(jié)差分后的數(shù)據(jù)具有平穩(wěn)性，可以在此基礎(chǔ)上建立預(yù)測模型。

（三）時間序列預(yù)測模型分析

1.不含互聯(lián)網(wǎng)搜索量的預(yù)測模型擬合

根據(jù)擬合結(jié)果表2可以看出，R方的值為0.722，說明ARIMA（1，1，0）模型用于預(yù)測P2P網(wǎng)貸成交額的擬合結(jié)果較好，可以解釋實際數(shù)據(jù)的72.2%。預(yù)測模型的均方根誤差RMSE為128.570，說明該模型的觀測值和真值之間有一定偏差，模型擬合的準(zhǔn)確度有待提升。

根據(jù)表3中的參數(shù)可以得出不含互聯(lián)網(wǎng)搜索量的預(yù)測模型如下：

根據(jù)P2P網(wǎng)貸成交額數(shù)據(jù)預(yù)測得出的擬合曲線如下：

2.引入互聯(lián)網(wǎng)搜索量的預(yù)測模型擬合

從擬合結(jié)果表4可以看出，加入互聯(lián)網(wǎng)搜索量的P2P網(wǎng)貸預(yù)測模型R方值為0.794，高出不含互聯(lián)網(wǎng)搜索量的R方值0.722，說明加入互聯(lián)網(wǎng)搜索量的預(yù)測模型比不加互聯(lián)網(wǎng)搜索量的預(yù)測模型的擬合效果更好，解釋度更優(yōu)。MAPE為5.333，說明原始數(shù)據(jù)中的誤差占比低，從誤差角度說明P2P預(yù)測模型擬合效果較好。

預(yù)測模型的均方根誤差RMSE為100.661，說明該模型的觀測值和真值之間有一定偏差，分析原因是2015年7月出臺的《關(guān)于促進(jìn)互聯(lián)網(wǎng)金融健康發(fā)展的指導(dǎo)意見》，由此才將P2P的地位合法化。同年8月，最高法出臺的《最高人民法院關(guān)于審理民間借貸案件適用法律若干問題的規(guī)定》中明確指出P2P平臺作為提供媒介服務(wù)的中介平臺，無須履行擔(dān)保責(zé)任。這類良性政策的推出致使2015年7、8月“P2P”互聯(lián)網(wǎng)搜索量大量增加，影響了預(yù)測模型的參數(shù)值。

從表5的參數(shù)估計表中得到預(yù)測模型的系數(shù)為-0.014，P2P網(wǎng)貸月關(guān)注度系數(shù)為0.001，檢驗顯著性值為0.032，小于0.05，模型系數(shù)顯著。

引入互聯(lián)網(wǎng)搜索量的P2P網(wǎng)貸成交額預(yù)測模型如下：

引入互聯(lián)網(wǎng)搜索量的預(yù)測模型的擬合曲線如下：

3.模型擬合效果分析

根據(jù)表6，我們可以發(fā)現(xiàn)：

在模型擬合優(yōu)度（R方），平均絕對誤差百分比（MAPE），平均絕對誤差（MAE）的對比中，包含互聯(lián)網(wǎng)搜索量的預(yù)測模型的統(tǒng)計量都比不包含互聯(lián)網(wǎng)搜索量的預(yù)測模型的統(tǒng)計量小，因此包含互聯(lián)網(wǎng)搜索量的預(yù)測模型擬合效果更優(yōu)。在貝葉斯信息準(zhǔn)則（BIC）檢驗中，包含互聯(lián)網(wǎng)搜索量的預(yù)測模型比不包含互聯(lián)網(wǎng)搜索量的預(yù)測模型小0.272，這說明變量的引入并不影響模型的有效性。

根據(jù)上述對比分析結(jié)果，可以得出加入互聯(lián)網(wǎng)搜索量（百度指數(shù)）的P2P網(wǎng)貸成交額預(yù)測模型比不含互聯(lián)網(wǎng)搜索量（百度指數(shù)）的P2P網(wǎng)貸成交額預(yù)測模型擬合效果好，預(yù)測的有效性高。

四、研究結(jié)論

本研究以國內(nèi)搜索引擎百度搜索提供的百度指數(shù)為基礎(chǔ)，以P2P網(wǎng)絡(luò)借貸成交額為研究對象，探索互聯(lián)網(wǎng)搜索量與市場需求之間的關(guān)系。研究發(fā)現(xiàn)：

1.互聯(lián)網(wǎng)搜索量與產(chǎn)品的市場需求之間存在顯著相關(guān)關(guān)系。在對P2P網(wǎng)絡(luò)借貸成交額的研究中，其與互聯(lián)網(wǎng)搜索量之間的相關(guān)系數(shù)為0.769，關(guān)系顯著。投融資者很可能在有相關(guān)投融資需求之前先上網(wǎng)了解P2P網(wǎng)絡(luò)借貸的平臺、產(chǎn)品和政策等信息，形成一種潛在需求，以確保在信息對等的條件下作出決策。

2.包含百度指數(shù)數(shù)據(jù)的預(yù)測模型比不包含百度指數(shù)數(shù)據(jù)的預(yù)測模型預(yù)測準(zhǔn)確度更高。通過對P2P網(wǎng)絡(luò)借貸交易額的數(shù)據(jù)分析，我們發(fā)現(xiàn)包含百度指數(shù)預(yù)測模型的平均百分比誤差（MAPE）、平均絕對誤差（MAE）都顯著低于不包含百度指數(shù)的預(yù)測模型，這說明傳統(tǒng)的預(yù)測存在的干擾因素及誤差，有一部分可以被包含互聯(lián)網(wǎng)搜索量數(shù)據(jù)的預(yù)測剔除，因此該變量的引入有利于提高模型的預(yù)測準(zhǔn)確度，幫投融資決策者降低風(fēng)險，提供更好的決策參考。

【參考文獻(xiàn)】

[1]Yan Carriere-Swallow， Felipe Labbe Central Bank of Chile， Santiago， Chile.Nowcasting with Google Trends in an Emerging Market[J]. Journal of Forecasting， J. Forecast， 2013， （32）： 289–298.

[2]Simeon Vosen， Torsten Schmidt Rwi， Essen. Forecasting Private Consumption： Survey-Based Indicators vs. Google Trends[J]. Journal of Forecasting J. Forecast， 2011， （30）： 565–578.

[3]張金艷， 郭鵬江. 確定性時間序列模型及ARIMA模型的應(yīng)用[J]. 西安郵電學(xué)院學(xué)報， 2009， （3）： 128-132.

[4]謝蒙萌. 多元線性回歸模型在ETC 客戶發(fā)展預(yù)測中的應(yīng)用研究[J]. 公路交通科技， 2013， （11）： 405-408.

[5]劉穎， 呂本富， 彭賡. 網(wǎng)絡(luò)搜索對股票市場的預(yù)測能力： 理論分析與實證檢驗[J]. 經(jīng)濟管理， 2011， （1）： 172-180.