基于SVMP2P网贷平台风险评价体系构建.docVIP

基于SVMP2P网贷平台风险评价体系构建 　　摘要：本文以支持向量机（SVM）作为学习器，运用机器学习技术，构建基于支持向量分类机的评估模型来识别P2P网贷平台借款人的违约风险。构建模型时采用因子分析法进行特征抽取，选择公共因子。通过人人贷的交易数据进行的实证研究结果表明：SUM法对借款人违约状况的预测结果具有较高的准确性，适用于P2P网贷借款人违约风险识别。同时还发现，SVM方法的分类效率受到学习样本中正常样本与违约样本的构成比例影响。与比例失衡的样本相比，比例均衡的样本具有更高的分类精度。本研究对P2P网贷的违约风险评判具有应用参考意义。 　　关键词：P2P网贷；支持向量机；信用风险；机器学习 　　0 引言 　　P2P网络借贷，自2005年在英国出现后迅速向全球蔓延。P2P网络平台迅猛发展要归因于其拥有传统金融平台无法比拟的优点：为融资者提供了更简便、快捷的融资服务；为投资者开辟了一条新的投资渠道；有效消解中小企业以及个人贷款难题。 　　但是，在P2P网贷平台迅速发展的同时，也面临多种风险，诸如政策风险、操作风险、监管风险、网络风险和信用风险等（卢馨和李慧敏，2015），其中信用风险尤为突出，也是导致“跑路”、倒闭频频出现的主要原因。 　　具体来说，P2P网贷平台信用风险可分为两部分：平台信用风险与借款人信用风险。本文侧重于研究借款人信用风险。借款人信用风险源自于借贷双方信息不对称。在进行借贷活动之前，平台负责对借款者信用进行评估。但平台无法对借款者提供的所有信息进行全部核实，难以保证借款者信息的真实性，也就难以保证信用评估的有效性。在借贷交易完成之后，投资者与平台都无法对借款人的行为有效监督，借款人有可能从事高风险活动或者恶意逾期，最终导致贷款无法偿还。同时，P2P网贷借款门槛低，且无需抵押，这就使借款人的违约风险问题更加严重（沈良辉和陈莹，2014）。因此，在当前形势下，针对P2P网贷平台信用风险建立更准确的风险识别模型，对网贷行业健康稳定发展具有十分重要的现实意义。 　　本文针对于P2P网贷平台的借款人信用风险，运用机器学习方法构建基于SVM的P2P网贷平台信用风险识别模型。文章第二部分对相关的研究成果进行回顾与评述，第三部分简述SVM原理，第四部分运用人人贷的数据进行实证研究，最后一部分则是结论与建议。 　　1 文献回顾 　　1.1 国外信用风险评估方法 　　传统统计学方法在线性、正态性等方面有严格的假设。而现实数据往往不满足这些假设，限制了统计学方法在实践中的应用。目前，有很多风险识别方面的研究都开始运用突破这些严格的假设的方法。Hunt等人于1966年首次提出决策树的概念，后来的学者在此概念的基础上加以改进。ChitraSubashini（2013）对学习过程有无监督进行了区分，指出可以将SVM方法应用在识别银行的信用欺诈领域，但并未得到严格的最优算法。在统计学习理论的基础上，Vapnik提出了支持向量机机器学习方法。SVM可以完美地解决线性可分间题，针对线性不可分的样本，SVM的解决思路是将原始样本空间映射到更高维的特征空间中，使其变成线性可分间题。而高维空间的运算可以通过原始样本空间的内积运算进行，免去了高维空间运算的复杂性。正是由于SVM在处理非线性问题上的优越性，使得SVM算法越来越受到重视。 　　1.2 国内信用风险评估方法 　　国内学者对P2P网贷平台信用风险识别的研究大部分仍然基于?魍惩臣蒲Х椒āＰぢ?君等（2015）通过构建排序选择模型甄别影响平台信用风险的因素，研究发现信用变量、历史记录、借款信息、借款人信息都是网贷信用风险的显著因素。廖理等（2014）通过回归分析得出投资者可以依据借款人的公开信息识别违约风险的结论。将机器学习应用到P2P网贷平台信用识别的研究成果比较少。 　　1.3 现有文献评述 　　可以看出，国外的信用风险识别运用的方法较为多样，而国内依然沿袭了传统商业银行风险识别方法。而为数不多的运用机器学习研究P2P网贷平台风险的研究成果中，仍有一部分学者沿用着商业银行的风险识别指标。 　　2 支持向量机原理 　　SVM的原理可以看作是寻找一个满足相应分类条件的超平面，要求该超平面在实现样本类分离的同时满足距离超平面最近的样本点到超平面的距离最大，即在约束下最大化样本与超平面间距的条件。 　　最优分类超平面可以将不同类的样本数据准确分开意味着经验风险最小，而最大化分类间隔距离则意味着最小化推广性的界的置信范围，以此可求得最优分类平面。 　　在二分类线性可分间题中，分类器是一个超平面f（x）=ωx+b，若f（x）0则该点属于1类，f（x）0，则该点属于-1类。SVM构造的最优分割超平面是使得1类中的点到超平面的最短距离和-1类中的点到超平面的最短距