基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)絡(luò)借貸個人信用評價模型

王磊

摘?要：當前互聯(lián)網(wǎng)金融行業(yè)飛快發(fā)展，各種P2P網(wǎng)絡(luò)借貸公司不斷涌現(xiàn)，這種新型的借貸模式具有很多優(yōu)點，但是也存在相應(yīng)的問題，如何做好借款人的個人信用評價是保證P2P網(wǎng)貸行業(yè)健康運營的最重要一環(huán)。通過對近些年國內(nèi)外個人信用評價模型的研究，以拍拍貸網(wǎng)站的用戶數(shù)據(jù)為例，建立信用個人信用評價指標體系，利用BP神經(jīng)網(wǎng)絡(luò)算法，建立了借款人個人信用評價模型，為了達到更好的效果，采用不同的激活函數(shù)及權(quán)值調(diào)整方法進行模型優(yōu)化，最終建立基于擬牛頓算法的BP神經(jīng)網(wǎng)絡(luò)模型，能達到對用戶信命評級96.28%的準確率。

關(guān)鍵詞：P2P網(wǎng)絡(luò)借貸;信用風(fēng)險;BP神經(jīng)網(wǎng)絡(luò);指標體系

中圖分類號：TB?文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2019.03.095

1?研究背景

隨著互聯(lián)網(wǎng)科技的不斷進步，P2P網(wǎng)絡(luò)借貸應(yīng)勢而生，這種互聯(lián)網(wǎng)創(chuàng)新模式主要是為了解決中小型企業(yè)融資難的問題，P2P網(wǎng)絡(luò)借貸為中小企業(yè)和私人資金需求者提供了高效快捷的融資渠道。在行業(yè)飛速發(fā)展的同時，問題也開始不斷顯現(xiàn)，出現(xiàn)了很多平臺倒閉、跑路、提現(xiàn)困難等問題，使得建立并完善P2P自身征信體系迫在眉睫。本文結(jié)合國內(nèi)行業(yè)實際情況，剖析P2P業(yè)務(wù)的風(fēng)險特征，借助BP神經(jīng)網(wǎng)絡(luò)的方法評價借款人的信用風(fēng)險，通過不同的訓(xùn)練算法使得模型的評價結(jié)果更為準確合理，對平臺今后的信用評價起到了一定的參考作用。

2?數(shù)據(jù)準備

本文的數(shù)據(jù)取自拍拍貸，利用Python軟件，編寫爬蟲代碼，爬取1352條信用記錄。為了保證數(shù)據(jù)質(zhì)量，首先對于指標缺失值過半的信用記錄進行刪除，剔除無效樣本，最終留下974條信用記錄。拍拍貸網(wǎng)站用魔鏡等級作為信用評價的標準，主要分為AA、A、B、C、D、E、F共7個等級，經(jīng)過調(diào)研發(fā)現(xiàn)，魔鏡等級主要集中在AA、B、C三者中，其他等級的信用記錄相對較少甚至為零，所以，本文將信用等級分為三大類，具體劃分方法及信用記錄條數(shù)見表1。

3?構(gòu)建指標體系及打分表

從拍拍貸上爬取的每條信用記錄都有31各指標，通過相關(guān)性檢驗，有13個指標通過檢驗，分別為個人基本信息：年齡、性別、文化程度、借款用途、還款來源、工作信息、收入情況、網(wǎng)絡(luò)借貸平臺借款余額、認證信息。歷史信用記錄：正常還清次數(shù)、逾期筆數(shù)。負債相關(guān)：待還金額、歷史最高負債。

科學(xué)完善的評估指標體系起著衡量評估結(jié)果是否公正的作用，為了盡量客觀的對定性變量進行量化打分，本文對每個指標做出各指標與借款人信用交叉表。以性別為例，表格樣式大致如表2。

通過建立借款人信用分類及性別交叉表格，可以清楚的發(fā)現(xiàn)女性的信用評級為良好的比重更大，而男性的信用評級則傾向于較差，所以男性賦值為0，女性賦值為1。由于本文篇幅所限，其余指標量化打分表不做贅述，指標量化打分表見表3。

根據(jù)信用評級打分表，將網(wǎng)站所爬取的數(shù)據(jù)進行量化處理，然后對數(shù)據(jù)進行缺失值處理、數(shù)據(jù)規(guī)范化處理。本文采用EM算法填補缺失值，采用X-min（X）/maxX-min（X）進行數(shù)據(jù)歸一化處理，從源頭保證數(shù)據(jù)質(zhì)量。

4?模型的建立與調(diào)優(yōu)

4.1?模型簡介

BP神經(jīng)網(wǎng)絡(luò)又稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，目前廣泛應(yīng)用于分類、預(yù)測等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)可以依托不同的數(shù)學(xué)函數(shù)，而做到學(xué)習(xí)和存儲大規(guī)模輸入、輸出，并且不用事先設(shè)定某種特定對應(yīng)關(guān)系。完整的BP神經(jīng)網(wǎng)絡(luò)包含了輸入、隱含、輸出三層次網(wǎng)絡(luò)結(jié)構(gòu)。

用數(shù)學(xué)的方式將BP神經(jīng)網(wǎng)絡(luò)模型可以表示為：

其中Y代表輸出向量，X是輸入向量，W是輸入層和隱含層間連接權(quán)向量，B1、B2分別為隱含層和輸出層的閾值向量，V為隱含層與輸出層間連接權(quán)向量，g為傳遞函數(shù)。

4.2?模型參數(shù)選擇

就本文而言，輸入指標有13個，所以輸入層節(jié)點個數(shù)為13，輸出層的指標為信用分類，只有1個，輸出節(jié)點數(shù)為1。對于隱含層的個數(shù)設(shè)置是設(shè)計的重要環(huán)節(jié)，它確定會密切影響到最后輸出結(jié)果的準確性，目前關(guān)于隱層節(jié)點的設(shè)定并沒有一個唯一的準則，公認的經(jīng)驗公式有以下4種：

根據(jù)以往經(jīng)驗及本文的背景，選擇第三種作為隱層節(jié)點數(shù)的確認方法，隱層節(jié)點數(shù)的范圍為[4，13]。

4.3?模型的建立

將規(guī)范化處理后的數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)建模，隨機抽取80%的信用記錄進行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，剩余20%的信用記錄對模型的結(jié)果進行檢驗。根據(jù)以往經(jīng)驗，設(shè)置神經(jīng)網(wǎng)絡(luò)模型的最大迭代次數(shù)為2000次，目標誤差值為0.0001，輸入節(jié)點數(shù)為13，輸出節(jié)點數(shù)為1，隱層節(jié)點數(shù)根據(jù)經(jīng)驗公式，取值在[4，13]之間，目前不做決定，帶入不同神經(jīng)網(wǎng)絡(luò)探索后取得。BP神經(jīng)網(wǎng)絡(luò)具有不同的激活函數(shù)和優(yōu)化訓(xùn)練算法，常見的激活函數(shù)有空操作的激活函數(shù)（identity）、邏輯斯蒂函數(shù)（logistic）、雙曲正切函數(shù)（tanh）、線性整流函數(shù)（relu），常見的訓(xùn)練算法有很多，結(jié)合本文的具體問題及算法特點，決定采用擬牛頓算法（lbfgs）、隨機梯度下降算法（sgd）、自適應(yīng)時刻估計方法（adam）進行訓(xùn)練，為了得到更好的預(yù)測分類效果，本文對以上四種激活函數(shù)、三種訓(xùn)練方法進行遍歷組合。

經(jīng)過綜合考慮，最終決定采用relu激活函數(shù)，13-9-1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，此種網(wǎng)絡(luò)結(jié)構(gòu)的模型10次平均迭代次數(shù)為226.9次，平均誤差為0.011206，判斷準確率為97.50%。

其余兩種方法確定過程類似，篇幅所限，不再贅述，sgd方法下選取tanh激活函數(shù)，節(jié)點數(shù)為8時模型效果最優(yōu)。adam方法下選取tanh激活函數(shù)，節(jié)點數(shù)為11時模型效果最優(yōu)，接下來將剩余20%數(shù)據(jù)帶入三種最優(yōu)模型進行驗證。

我們選取20%的數(shù)據(jù)195條信用記錄，帶入三種最優(yōu)的模型，結(jié)果如表4，列舉5位。

表5列出了所有驗證數(shù)據(jù)集的平均準確率、絕對誤差及相對誤差，可以清楚顯示基于lbfsg方法建立的BP神經(jīng)網(wǎng)絡(luò)模型可以達到最優(yōu)的模型評價效果，對數(shù)據(jù)預(yù)測的準確率能達到96.28%。

5?結(jié)論

本文通過搭建P2P個人信用評級密切相關(guān)指標體系并創(chuàng)建各指標交叉信用表進行更加客觀合理的打分，建立了基于lbfsg方法的BP神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了對借款人信用評級96.28%的準確預(yù)測。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型具有良好的特征抽取和知識發(fā)現(xiàn)能力，具有一定的推廣性。

參考文獻

[1]李昕，戴一成.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人的信用風(fēng)險評估研究[J].武漢金融，2018，（2）：33-37.

[2]鄧逸，徐曉敏.基于互聯(lián)網(wǎng)行為信息的P2P個人信用評價模型[J].背景信息科技大學(xué)學(xué)報，2017，32（2）：90-94.

[3]涂艷，王翔宇.基于機器學(xué)習(xí)的P2P網(wǎng)絡(luò)借貸違約風(fēng)險預(yù)警研究—來自“拍拍貸”借貸交易證據(jù)[J].統(tǒng)計與信息論壇，2018，33（6）：69-76.