P2P网贷个人信用风险评估模型的研究.docVIP

P2P网贷个人信用风险评估模型的研究 　　【摘 要】 P2P网贷在爆发式增长的同时，也面临着重大的信用风险，个人信用评估是降低信用风险的重要方法。根据P2P网贷自身的特点，对影响P2P网贷借款人信用风险的因素进行分析，引入互联网信息领域特有的风险因素，建立了P2P网贷个人信用风险评估指标体系。基于该指标体系，考虑P2P网贷中“软信息”较多、“硬信息”缺失的特点，提出了基于BP神经网络的信用评估模型。为了提高BP神经网络的收敛速度和精度，将改进的果蝇优化算法作为BP神经网络的学习算法，对神经网络的权重进行训练。通过“人人贷”平台收集的样本数据进行实验验证。结果表明：改进果蝇神经网络评估模型比传统BP神经网络模型有更强的学习能力和预测能力，是P2P网贷个人信用风险评估的有效方法。 　　【关键词】 P2P?W贷； 信用风险评估； BP神经网络； 果蝇优化算法 　　【中图分类号】 F830 【文献标识码】 A 【文章编号】 1004-5937（2017）21-0032-04 　　引 言 　　近年来，随着互联网金融的逐步发展，P2P网贷已成为中小企业和个人的一种新的融资模式。凭借着“高收益”的理财优势，各类P2P网贷平台呈现出爆发式“野蛮生长”。根据“网贷之家”的统计数据，截至2015年年底，P2P网贷平台的数量达到了2 595家，全年网贷成交量达到了9 823亿元，相比2014年底增长了1 020家，成交量增长了288.57%。然而P2P网贷行业在爆发式增长的同时，也面临着重大的信用风险。据统计，2015年全年P2P问题平台达到896家，是2014年的3.26倍。个人信用风险评估是降低P2P企业和出借人风险的有效工具。 　　目前尚未有专门针对P2P网贷的信用评估方法。在评估方法和评估指标方面，P2P网贷具有独特特点。P2P网贷的信用评估指标不同于传统金融机构的评价指标，强调如性别、年龄、照片等非标准数据的重要性。Freedman et al.[1]研究发现，相比于传统的金融机构，P2P网贷平台上的投资人普遍面临缺乏借款人的“硬信息”的问题，但是通过社交网络平台中的“软信息”能够有效地缓解这种“硬信息”缺失的情况。Lin[2]的研究证实了“软信息”在P2P网贷平台中的重要性。Lin et al.[3]研究表明交友广泛的借款人所需支付的借款利率更低，违约风险也更低。Gonzalez et al.[4]探讨了借款人的个人特征对P2P网贷投资人投资决策的影响，研究结果发现获得贷款的成功与否容易受到性别、年龄和外貌的影响。 　　在评估方法方面，P2P网贷的海量数据和快速响应要求使人工智能方法成为不二选择，并且人工智能技术日益成熟。决策树、人工神经网络、支持向量机、进化计算等方法在各类实证研究中都成功应用。Blanco et al.[5]使用多层感知器神经网络构建了小额贷款信用风险评估模型。Oreski et al.[6]提出了利用遗传算法和神经网络的混合算法来进行信用风险评估。Capotorti et al.[7]提出了基于粗糙集的信用评估方法。Bekhe et al.[8]对比了Logistic回归模型和径向基函数模型，结果表明在识别潜在的违约者方面，径向基函数模型比Logistic回归模型具有更大的优势。虽然评估方法很多，但基于果蝇优化算法与BP神经网络的评估方法尚未有研究。 　　综上所述，与统计模型相比，人工智能方法不需任何具体的先验知识，就能从过去的观测中自动提取信息，以满足日益增长的复杂数据集。本文结合国内外关于互联网信用评估指标的研究成果，构建了P2P网贷个人信用风险评估指标体系，采用BP神经网络算法建立了个人信用评估模型。为了加快BP神经网络的收敛速度和精度，将果蝇优化算法作为神经网络的学习算法，对BP神经网络进行优化。 　　一、P2P网贷个人信用风险评估指标体系 　　本文基于国内外商业银行个人信用风险评估的各项指标，结合国内外学者对互联网信用评估指标的研究成果，并且参考了网贷之家和北京大学汇丰商学院中小企业研究中心联合发布的《2013中国网络借贷行业蓝皮书》中对我国P2P网贷借款人群的统计分析。根据P2P网贷自身的特点，对影响P2P网贷借款人信用风险的因素进行分析并且加入了互联网信息领域特有的风险因素，建立了P2P网贷个人信用风险评估指标体系，并对各指标量化，具体内容如表1所示。 　　二、P2P网贷个人信用风险评估模型 　　对P2P网贷借款人进行信用评估时，普遍存在借款人“软信息”较多、“硬信息”缺失的现象，而BP神经网络具备强大的后天学习能力和推理能力，可以从大量复杂而模糊的数据中摸索出内含的规律，从而给出相对正确的推理结果。因此，BP神经网络对于P2P网贷借款人信用风险评估具有较强的适用性。但基本B