P2P网络借贷平台风险识别与监管研究.docxVIP

P2P网络借贷平台风险识别与监管研究 　　摘要：互联网在各行业的广泛运用，催生出p2p网络借贷平台，使其具有天然的“信息优势”，然而充当“信用中介”的高收益使其成为信用风险的高发地。基于p2p网络借贷平台运行特征，利用lasso-logistic模型建构平台违约率模型9大核心指标体系，并对导致平台违约关键指标加以识别。研究发现，平台交易量、投资者数量和平均借款期限与平台违约率呈显著负相关，平均参考收益率与平台违约率呈显著正相关，监管当局应重点关注平均参考收益率指标。为此，给出了相应的对策与建议。 　　关键词：p2p网络借贷平台;违约率;风险识别;监管 　　引言 　　近年来，p2p网络借贷行业“爆雷”现象严重，究其原因，更多在于监管机构对这一新兴行业的监管缺位。p2p网络借贷这一新兴行业的出现，是中小企业融资贵融资难这一“自发”需求的体现。目前大多数研究都是从信用中介角度分析p2p平台违约问题。本文将重点研究p2p平台作为信息中介，从p2p网络借贷平台自身核心指标进行研究，采用lasso-logistic模型识别出平台在未来可能会违约的关键性指标，并为投资者和监管者提供参考依据。 　　一、指标构建与模型假设 　　（一）指标体系 　　本文选取wind数据库中47家p2p网贷平台2018年3月份的截面数据为基础，提取p2p借贷平台运行的9大核心变量，包括成交量、借款人数、投资人数、人均投资、注册资本、平均参考收益率、平均借款期限、待还余额以及资金净流入，构建p2p借贷平台信用风险识别与测度模型。 　　（二）模型假设 　　p2p网络借贷平台定位为“金融信息中介”，根据“理性人”假设，成交量越高，基于借贷双方对平台的信任，其违约率会越低。故得出假设1：成交量越高，p2p网络借贷平台违约发生概率越低。 　　p2p网络借贷平台为借贷双方实现资金融通。根据有效市场假说中投资者“理性”假设，基于对平台的信任，投资人数会增加。故得出假设2：投资人数越多，p2p网络借贷平台违约发生概率越低。 　　在金融市场中，风险与收益是成正比的。故得出假设3：平均参考收益率越高，p2p网络借贷平台违约发生概率越高。 　　企业借款期限越短，利率越高，平台承担的风险就越大，违约率就越高。故得出假设4：平均借款期限越短，p2p网络借贷平台违约发生概率越高。 　　二、模型构建 　　p2p网络借贷平台共分为5种类型，其中银行系p2p平台数量较少且监管较为严格，始终坚守“金融信息中介”的定位。因此，选取的47家p2p平台包括国资系、风投系、上市系和民营系四种类型，这四种类型的平台都有不同程度的信用转换活动，故具有一定的代表性。本文基于wind数据库得到的47家p2p网络借贷平台的截面数据，采用lasso-logistic模型识别导致平台违约的风险指标。 　　（一）lasso-logistic模型 　　lasso-logistic本质上是将lasso模型与logistic模型结合起来对多维数据进行分析。lasso模型将一部分不显著系数约束到0，从而挑选出对因变量解释程度较强的自变量;logistic回归模型属于广义线性回归模型，该模型是建立于对因变量取某个值的概率，基于此概率建立模型可以用来识别影响p2p平台可能违约的关键性指标。 　　（二）模型数据的预处理 　　由于不同变量的维度和维度单位在每个自变量中是不同的，为了使模型参数估计系数可比，在建模之前先对原始数据进行标准化。也就是说，对于本文的9大核心变量，采用数据归一化的方法，消除每个变量的量纲，将各连续型变量数据进行中心化和标准化处理，因此在随后的模型构造中可以有效改善模型拟合优度。 　　（三）p2p网贷平台违约风险指标识别 　　本文选用r语言中的glmnet软件包构建lasso-logistic模型，并采用广义交叉验证方法选取相应的惩罚系数λ，系数路径图走势如图1所示。 　　该模型惩罚系数的取值范围为[0.0002321，0.1715000]，有关文献认为惩罚系数在此区间内取值的模型，模型的预测偏差比较小。图1反映了随着惩罚系数λ取值逐渐增加，模型的压缩程度也逐步增大，对被解释变量影响程度较大的解释变量逐步显现。根据模型结果显示使得误差最小的模型的λ为0 　　为识别影响p2p平台违约的重要指标，本文呈现了变量筛选的动态结果。根据选定λ值，最终筛选出成交量、投资人数、平均参考收益率以及平均借款期限等4项解释变量，对其进行lasso-logistic模型拟合，参数估计结果系数分别为-0.0292、-0.0095、0.1329、-0