P2P网贷个人信用风险评估模型研究基于混合果蝇神经网络的方法.docxVIP

P2P网贷个人信用风险评估模型研究 ——基于混合果蝇神经网络的方法 南京工业大学经济与管理学院 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网贷;信用风险评估;BP神经网络;果蝇优化算法; 作者简介：吴斌(1979—),男，河南郑州人，博士，南京工业大学经济与管理 学院教授，研究方向：系统建模与优化，智能优化算法； 作者简介：叶菁菁(1990—),女，安徽宣城人，南京工业大学经济与管理学院 硕士研究生，研究方向：互联网金融； 作者简介：董敬(1968-),女，四川眉山人，南京工业大学经济与管理学院副 教授，研究方向:物流供应链管理 基金：国家自然科学基金面上项目 引言 近年來，随着互联网金融的逐步发展，P2P网贷己成为屮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而，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 etal.Ul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“便信 息”的问题，但是通过社交网络平台屮的“软信息”能够有效地缓解这种“硬 信息”缺失的情况。Lin￡21的研究证实了 “软信息”在P2P网贷平台中的重要 性。Lin et al.￡31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.回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耍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. ￡51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.￡61提出了利用遗传算 法和神经网络的混合算法來进行信用风险评估。Capotorti et al. ￡71?出了基 丁?粗糙集的信用评估方法。Bekhe et al.⑻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 [Hl 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H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。 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