引入互联网搜索量P2P网络借贷成交额预测研究.docVIP

引入互联网搜索量P2P网络借贷成交额预测研究 　　【摘 要】?S着近几年互联网金融的快速发展，具有操作便捷、收益率高等优点的P2P网络借贷成为投融资关注的重点。伴随着众多优点，P2P网络借贷也因其存在的风险和监管问题让投融资者望而却步。本研究引入百度指数，通过建立不含P2P网络搜索量和含P2P网络搜索量的ARIMA对比模型预测P2P网络借贷的交易规模。对比研究发现，包含P2P关键词搜索量数据的预测模型比不包含P2P关键词搜索量数据的预测模型预测结果更好，该变量的引入有利于提高模型的预测准确度。 　　【关键词】互联网搜索量；百度指数；P2P网络借贷交易额；ARIMA模型 　　一、引言 　　国外网络借贷平台模式引入中国以来，让很多敢于尝试互联网投资的投资者认识了P2P网络借贷模式。P2P网络借贷作为互联网金融的重要组成部分，发展迅速。但由于我国P2P发展的年限较短，监管和制度法规还在逐步完善，仍存在很多风险和隐患，使得部分用户因为看不到其未来的发展，所以面对操作简单，收益可观的P2P网络借贷望而却步。许多学者研究发现互联网搜索量与实际的市场需求之间具有显著的相关关系，并且在预测模型中引入互联网搜索量有助于提高预测模型的精度。为帮助用户合理预估借贷风险与P2P网络借贷市场的发展趋势，本文引入百度指数，通过预测P2P网络交易规模给用户提供决策参考。 　　二、研究理论与模型建立 　　随着谷歌公司谷歌趋势和百度公司百度指数的推出，对于某一关键字的互联网搜索量数据不再难于获取，两类产品的推出为互联网环境下预测模型研究的发展奠定了基础。 　　Yan Carrière-Swallow ，Felipe Labbé（2010）[1]在智利运用谷歌指数构建一个谷歌汽车趋势指数，以普通自回归移动平均模型为基准，建立了加入谷歌汽车指数的对比模型，通过对模型的研究得出ARMA3b（2，2）模型最优，带有Google参数的拟合度更好。 　　在宏观经济预测方面，Simeon Vosen ，Torsten Schmidt（2011）[2]在预测私人消费时引入了互联网搜索变量谷歌指数。学者以自回归模型为基准模型，以加入了谷歌指数的模型作为对比模型，比较两类模型的拟合优度。通过对比两类模型，发现在0.01置信水平下，加入谷歌指数的模型较基本模型拟合优度（R2）提高了0.03。 　　（一）不含互联网搜索量的预测模型建立 　　本文选取的数据是以月为跨度的P2P网络借贷成交额数据，也称P2P网络借贷成交额的时间序列数据。所谓时间序列就是按照时间的顺序记录的一系列有序数据，通过对时间序列进行观察、研究，寻找其变化发展的规律，预测未来走势[3]。在时间序列的预测中，对于存在波动的时间序列的预测方法有自回归模型，移动平均模型和自回归移动平均模型等。以自回归模型为例，本文构建的基本模型如下： 　　其中： 　　y为产品或服务的市场需求量； 　　t为时间； 　　表示随机变量； 　　（二）引入互联网搜索量的预测模型建立 　　时间序列除了在模型上扩展外，在模型的变量上也有所拓展。在一些研究中，学者们在基本模型中引入外生变量，通过探讨变量之间的相关性，提高预测的准确度。谢蒙萌（2013）[4]在研究多元线性回归模型在ETC客户发展的预测中，引入了本地区ETC网点数量、本地区高速公路入口流量、本地区GDP和本地区机动车新增车辆数等解释变量，研究结果发现结合引入变量能够更好的实现预测效果。随着互联网的不断发展，互联网中蕴含的信息越来越得到学者们的重视。在2006年，谷歌公司推出谷歌趋势后，一些学者的注意力开始转向了互联网搜索量，分析互联网中某个关键词的搜索量与现实社会行为之间的关系。研究发现互联网中用户的相关关键词搜索量数据与客流量、股票价格等存在显著的相关关系[5]。 　　基于以上学者的研究成果，本文将探索互联网搜索量与P2P网贷成交额之间的关系，并在预测模型（1）式中引入互联网搜索量，比较其与基本模型的预测效果，建立对比模型如下： 　　其中： 　　y为产品或服务的市场需求量； 　　t为时间； 　　s为该产品或服务的搜索量数据； 　　表示随机变量； 　　三、实证研究 　　（一）样本数据 　　1.P2P网贷成交额 　　（二）P2P网贷成交额数据分析 　　根据图1的散点图，可以发现P2P的百度搜索量越高，其实际网贷成交额越大，说明二者之间相关性较强，所以本文我们选用百度指数来预测P2P网贷成交规模。 　　1.平稳性分析 　　根据图1的散点图可以看出，P2P网贷成交额没有稳定的均值和方差，大体呈现上升趋势，说明该时间序列不具有平稳性，需要对其进行差分变换。 　　2.自相关与偏自相关分析 　　运用SPSS对P2P网络借贷成交额进行一阶差