基于BP神经网络P2P信贷个人信用评价模型研究.docVIP

基于BP神经网络P2P信贷个人信用评价模型研究 　　摘 要 　　P2P信贷在中国处于起步阶段，该信贷模式拥有众多的优点，但还面临许多问题，尤其是巨大的信贷安全隐患，本文以人人贷网站的用户数据为例，运用BP神经网络来创建个人信用评价模型。在本实验中，针对P2P信贷的特点，运用本文提出的新权值调整方法来提高BP神经网络的训练效率，实验结果表明比传统算法具有更快的收敛速度和更高的识别率。 　　【关键词】BP神经网络 P2P信贷 个人信用评价模型 　　P2P信贷最早在2005年起源于英国，很快传入到中国，2006年在中国诞生了第一家P2P信贷公司。在中国P2P信贷公司数量增长迅猛，并快速地建立了网络平台。但由于监管和法律法规的滞后性，会给出借人带来极大的经济风险，因此，对P2P信贷的个人信用评估模型的研究是极其重要的。P2P信贷个人信用评估模型可以帮助出借方衡量贷款方的信用等级，得出的评估等级可以作为是否出借的重要指标之一。 　　2011年面向银行业机构，中国银行业监督管理委员会发布“人人贷”风险提示，提示中说明P2P信贷服务存在大量的潜在风险，对银行业、金融机构提出要求，需要采取有效措施，做好风险预警。因此，在P2P实践中，对贷款人的信用做出真实、客观的评价具有极为重要的现实意义。 　　1 研究综述 　　在我国，P2P信贷处于起步阶段，对P2P个人信用评价问题的研究为数不多，还没有引起国内学者的足够关注。从现有的文献来看，在传统金融领域，姜明辉、袁旭川在神经网络个人信用评估模型的训练过程中使用粒子群（PSO）算法进行模型的性能优化，实证结果表明，基于PSO算法的神经网络模型较单一BP神经网络模型对于检测样本的分类预测精度更高，且优化后的神经网络模型稳健性与适用性都更好。向晖、杨胜刚提出一种基于多分类器组合的个人信用评估模型，模型综合利用了多元判别分析、logistic回归、神经网络、支持向量机等多种评估模型的结果，采用加权投票的方法进行组合输出结果。该组合模型的测试结果表明，其能有效提高预测精度。 　　经过研读传统金融个人信用评估相关文献后发现，传统金融领域比较注重预测精度的提升，而在新兴的P2P信贷领域，每日新增用户量巨大，显然只注重精度的BP神经网络模型已经不适合P2P信贷领域，在P2P信贷迅猛发展的环境下，对P2P信贷网站的个人信用进行精确高效地评价是势在必行的。 　　为此，本文采用BP神经网络模型，力求通过应用该模型的原理和方法建立个人信用评价模型，针对P2P信贷的特点，对个人用户的信用做出高效的评价。 　　2 基于BP神经网络的评价模型 　　2.1 BP神经网络模型的基本原理 　　BP神经网络模型是一种用来模拟人们如何接收信息，并对接收的信息进行处理得到输出结果的系统模型。它用“神经元”作为信息处理的最小单元，全部接收到的信息，都经过若干这样的神经元进行处理。一个神经元处理后得到的输出，又作为另外一些神经元的输入以对这些信息进行处理。经过这样的处理机制对信息进行处理后，最终产生输出结果。 　　BP神经网络模型引入了信号的正向传播和误差的反向传播机制。在正向传播中，输入层传入的数据，逐一在各隐含层处理，经过多个隐含层的处理后，最终到达输出层，综合得到一个输出结果；如果结果不符合预期，则通过反向传播机制，将得到的结果与期望结果之间的误差作为调整信号进行反向传播，从而对所得到的输入信息的权值进行调整。这样根据误差信号来调整各个隐含层的处理结果，最终得到符合预期的输出结果。这一过程也叫做学习过程。 　　2.2 个人信用评价模型 　　根据BP神经网络的基本原理，利用BP神经网络模型来进行P2P信贷个人信用评价，其过程可用如下简单的例子来描述。 　　假如仅对A、B两名贷款客户进行评价，在最简单的情况下，若仅考虑其工作状况，如果认为“有工作”的客户，其信用为“好”，否则则认为其信用为“坏”。利用人工神经网络模型对其进行评价，输入为客户有无工作两种简单的情形。在这种情形下，神经网络模型产生输出原理极为简单：无论输入客户的工作状况如何，随机输出其信用为“好”或者“坏”；但如果输出结果与实际相应用户的信用好坏有出入，则系统调整产生该输出结果的权值。对大量的训练数据集，经如此学习训练后，如果输出结果的错误率达到可接受的程度，训练过程结束，就可利用训练结果来对未知的客户的信用进行评价。 　　BP算法有很多的优点，如推导过程严谨、通用性较强等，这使其在现实中得到广泛应用，但它也存在自身的限制与不足，归纳起来主要有下列问题：收敛速度慢，需要较长的训练时间等等。这些问题，严重制约着BP神经网络模型的实际应用。如何针对实际问题，克服上述缺陷，成为研究中的一个重要问题。因此，本文针对P2P信贷的特点，提出一种新的权值调整