基于ES的P2P平臺風(fēng)險測度方法

方國斌 李萍

摘?要：提出基于ES的P2P平臺風(fēng)險測度方法.選取260個平臺的收益率數(shù)值進行風(fēng)險觀測與度量，探究借貸平臺存在的風(fēng)險及問題，提出利用ES模型進行P2P平臺風(fēng)險預(yù)警與管理方案，使投資者在自己所能承受的風(fēng)險范圍內(nèi)進行投資并得到滿意的回報，為參與者經(jīng)營決策和資金管理行為提供參考.

關(guān)鍵詞：借貸平臺;ES模型;風(fēng)險預(yù)警;預(yù)測度量

[中圖分類號]F830.59???[文獻標(biāo)志碼]A

Risk Measurement Method of P2P Platform based on ES

FANG Guobing ， LI Ping

（School of Statistics and Applied Mathematics， Anhui University of Finance and Economics， ?BengBu 233000， China）

Abstract：Putting forward methods of risk measurement for P2P platform based on ES. Select 260 yield value of platforms for risk observation and measurement， to explore the existing risks and problems of lending platforms. Proposing schemes of risk early warning and management for P2P platform based on ES model， which enables investors to invest in the range of risks they can bear and obtain satisfactory returns， and provides reference for participants' decision-making and capital management behavior.

Key words：lending platform;ES model;risk warning;prediction and measurement

P2P平臺匯總來自各方人群投入的小額資金，將其借給對資金有需求的一方，在借貸雙方直接發(fā)生借貸關(guān)系業(yè)務(wù)，彌補了銀行繁雜手續(xù)所造成的融資缺口，但隨之而來的就是經(jīng)營風(fēng)險.風(fēng)險預(yù)警與風(fēng)險度量是風(fēng)險管理發(fā)展的一個新階段，是順應(yīng)時代發(fā)展的結(jié)果.目前，國內(nèi)外的研究或是傾向于對風(fēng)險做理論上的分析，給出的是政策性建議;或是仍然采用傳統(tǒng)的靜態(tài)分析風(fēng)險度量，缺乏對態(tài)數(shù)據(jù)的研究，與當(dāng)今市場需要存在一定的差距.ES模型可以簡單明了表示市場風(fēng)險的大小，可以對風(fēng)險進行事先預(yù)計，投資者可以動態(tài)地評估和計量其所持有資產(chǎn)的風(fēng)險，做到對風(fēng)險的測度和預(yù)警，使得資產(chǎn)收益最大化.筆者結(jié)合網(wǎng)貸行業(yè)數(shù)據(jù)，對P2P平臺的發(fā)展現(xiàn)狀進行分析.根據(jù)2016年1月到2018年11月的平臺收益率，驗證期望損失下計算的VaR對P2P平臺風(fēng)險預(yù)警的效果，通過計算得出最大損失數(shù)值.將平臺風(fēng)險與ES模型結(jié)合起來，規(guī)避大額平臺資產(chǎn)可能對財富產(chǎn)生的巨大負(fù)面影響，提出風(fēng)險預(yù)警與管理方案，使投資者在自己所能承受的風(fēng)險范圍內(nèi)進行投資并得到滿意的回報，為參與者經(jīng)營決策和資金管理行為提供參考.本文的ES模型是在VaR基礎(chǔ)上的改進版，對于數(shù)據(jù)的分布函數(shù)連續(xù)或者不連續(xù)的情況都能保持一致性風(fēng)險度量.

1?模型介紹

VaR的淺層解釋是“在險值”，指事先確定一個置信水平，某一時期某一資產(chǎn)可能發(fā)生的最大損失值.其表達式為：

P（p<VaR）=1-α.

VaR將損失與概率聯(lián)系起來，對風(fēng)險作出精確的度量，在同類研究中應(yīng)用廣泛，該模型可以將風(fēng)險用簡單的數(shù)值表示.簡單來說，ES反應(yīng)的是持有期內(nèi)的變量 X的期望值.設(shè) X的分布函數(shù)為F（x），密度函數(shù)為F（x），給定出一個概率P，令VaR是 X的風(fēng)險估計值，ES的定義為：

ES1-p=E（X/X>VaR）=∫∞VaRxf（x）dxP（X>VaR）.

由上述定義可以得知，ES是在X超出VaR時X的期望損失.

假設(shè) X是連續(xù)變量，且u=F（x），其中VaR<x<∞，那么可以得到du=f（x）dx，F(xiàn)（VaR）=1-P，F(xiàn)（∞）=1，且x=F-1（u）=VaRu，則上式可以簡化為：ES1-P=∫∞1-pVaRudup.因此，對于1-P≤u≤1， ES就是所有的VaRu均值， ES的這一特點可以比VaR更好的描述變量 X.

如果數(shù)據(jù)屬于某類參數(shù)分布，如正態(tài)分布等，記為X～N（ut，σ2t），此時 ES的計算可大大簡化，直接由均值和標(biāo)準(zhǔn)差得到并可以產(chǎn)生更加精確的VaR測量值，參數(shù)分布中ES模型公式為：

ES1-p=ut+f（z1-p）pσt.

其中，f（z）是標(biāo)準(zhǔn)正態(tài)分布隨機變量的密度函數(shù)，z1-p是f（z）的（1-p）分位數(shù)，p一個較小的概率.

2?平臺現(xiàn)狀與數(shù)據(jù)收集整理

2.1?數(shù)據(jù)來源

根據(jù)2016年1月1日到2018年11月20日網(wǎng)貸之家和網(wǎng)貸天眼披露的行業(yè)數(shù)據(jù)（共1 055個平臺收益率），隨機選取11月份260個平臺的數(shù)據(jù).

2.2?收益率時序圖

網(wǎng)貸平臺日收益率時序圖見圖1.結(jié)果顯示，P2P平臺收益率大概在9%的范圍波動，但也有好幾處收益率波動異常，特別是在2018年，數(shù)據(jù)跳躍度很大，如2018年2月6號，收益率跌至0.86.其主要原因是隨著市場的不斷發(fā)展，投資用戶以及資金流入的不斷增加，借款人利息與平臺承受的壓力也越來越大.為了后續(xù)的可持續(xù)發(fā)展，P2P理財收益率逐漸下降是大勢所趨，雖然收益更低了，但安全性卻更高了，平臺也更穩(wěn)健了.

2.3?收益率的描述性統(tǒng)計

采用統(tǒng)計軟件EVIEWS做直方圖，結(jié)果見圖2.結(jié)果顯示，平臺收益率的均值為8.891 905，最圖2?收益率描述性統(tǒng)計大值為11.59，最小值為0.86，標(biāo)準(zhǔn)差為1.363 66.

2.4?ADF檢驗數(shù)據(jù)的平穩(wěn)性

根據(jù)2010-2018年平臺收益率數(shù)據(jù)，對原始序列進行ADF單位根檢驗.結(jié)果表明，原始數(shù)據(jù)是平穩(wěn)的時間序列，結(jié)果見表1.在1%，5%和10%的置信水平下，臨界值均大于ADF值，說明該序列是平穩(wěn)的時間序列.

2.5?正態(tài)分布檢驗

序列正態(tài)分布檢驗結(jié)果見表2.結(jié)果顯示，sig（雙側(cè)）值為0，說明在5%的置信水平下，收益率序列符合正態(tài)分布檢驗.

3?實證分析

3.1?ES模型計算與分析

根據(jù)圖2計算均值和標(biāo)準(zhǔn)差.由

ES1-p=ut+f（z1-p）pσt，

即可得到平臺收益率的VaR值，見表3.失敗率等于失敗天數(shù)占總天數(shù)的比例，失敗率結(jié)果見表4.比較失敗率與置信水平，在0.01的置信水平下，時間段為2016年1月1日至2018年11月20日，共1 055天.小于VaR值的天數(shù)為14天，失敗率約為0.013，大于0.01，由此得到α小于VaR值的失敗率，說明所建的模型基本上涵蓋了可能出現(xiàn)的風(fēng)險.在0.05的置信水平下，小于VaR值的天數(shù)為24天，失敗率約為0.023，小于0.05.在0.1的置信水平下，小于VaR值的天數(shù)為44天，失敗率約為0.042，小于0.1.如果估計時選擇0.05和0.1的置信度，此時α大于VaR值的失敗率，則很有可能低估市場的實際風(fēng)險.

3.2?風(fēng)險平臺預(yù)警

對260個平臺收益率做統(tǒng)計分析，結(jié)果見圖3.平臺收益率的均值為10.14，標(biāo)準(zhǔn)差為2.157.

根據(jù)圖3計算均值和標(biāo)準(zhǔn)差.由ES1-p=ut+f（z1-p）pσt，即可得到平臺收益率的VaR值，結(jié)果見表5.每個置信度對應(yīng)的風(fēng)險平臺的個數(shù)見表6.在0.01和0.05的置信水平下，小于VaR值的平臺有一個，為福銀票號，其收益率僅為3.68.在0.1的置信水平下，小于VaR值的平臺數(shù)為3個，分別為福銀票號、車易貸和鏈鏈金融，它們的收益率分別為3.68，6和6.32.

4?結(jié)論與建議

4.1?VaR度量方法在P2P平臺上的應(yīng)用

在給定持有期間，選取不同的置信度，VaR值也就等同于計算出其可能的最大損失值.計算VaR主要考慮兩個指標(biāo)：時段，置信度.時段一般根據(jù)資產(chǎn)的流動性來選取日數(shù)據(jù)或是月數(shù)據(jù).置信水平取值一般為90%～99%.兩個指標(biāo)的選取是任意的，時間間隔越大，VaR的準(zhǔn)確性越小，因為樣本的增加會加強檢驗的精度，所以通常建議采用短間隔.置信水平越大，VaR值也隨之增大，就P2P平臺收益率來看，小于VaR值的天數(shù)就會增加.表3的結(jié)果顯示，在0.01的置信水平下，測度風(fēng)險的結(jié)果是最優(yōu)的.

4.2?建議

P2P作為我國經(jīng)濟發(fā)展的強勁動力之一，預(yù)警和控制該平臺的風(fēng)險至關(guān)重要.筆者認(rèn)為，在對P2P平臺進行風(fēng)險測度與管控時需要關(guān)注以下幾點：

一是平臺以及各參與方都需要實時關(guān)注市場收益率的變動趨勢.國家制定的一系列調(diào)控政策會對借貸平臺產(chǎn)生影響，所以，數(shù)據(jù)只有及時做出調(diào)整，才能制定合理合適的應(yīng)對方法.

二是各大平臺需要選取適合自身經(jīng)營情況的間隔時段和置信水平.考慮到我國現(xiàn)有P2P平臺的現(xiàn)狀，應(yīng)選擇99%的置信水平下，收益率間隔為一個交易日，這樣可以保持模型和結(jié)論的實時性和有效性.

三是提高各參與方的風(fēng)險管理意識.投資有風(fēng)險，投資需謹(jǐn)慎.有關(guān)部門應(yīng)加強對風(fēng)險的監(jiān)管，加強人力資源的建設(shè)，加大對風(fēng)險管理的投入，這樣才能有效地應(yīng)對突發(fā)狀況.平臺自身也要建立健全風(fēng)控系統(tǒng)，要結(jié)合自身的特征和運營體系創(chuàng)新實施管控政策.

四是專業(yè)人士應(yīng)充分利用自己的專業(yè)知識和專業(yè)技能，不斷創(chuàng)新，找到更為穩(wěn)妥有效的風(fēng)險度量方案，實現(xiàn)市場高能高效率管理.

參考文獻

[1]克萊爾. 貝利斯 .精算管理控制系統(tǒng)[M].王曉軍，吳嵐，趙桂芹，譯.北京： 中國人民大學(xué)出版社， 2006：75-86.

[2]Herrero-Lopez S. Social interactions in P2P lending[C]// The Workshop on Social Network Mining & Analysis. DBLP， 2009， 54（33）： 1-8.

[3]Lin， M.F. ?Peer-to-Peer lending： An empirical study[J].Proceedings of the AMCIS Doctoral Consortium， ?2009：1-7.

[4]Dorfleitner G， Priberny C， Schuster S， et al. .Description-text Related Soft Information in Peer-to-Peer Lending-Evidence from Two Lending European Platforms[J].Journal of Banking & Finance， 2016， 64（3）： 169-187.

[5]Zu Selhausen H M. Exploring and Controlling a Bank’s Interest Risk： Sensitivity Analysis of an Asset and Liability Co-ordination Model[J]. European journal of Operational research， 1987， 28（3）： 261-278.

[6]喬曉娜. P2P平臺發(fā)展創(chuàng)新中的風(fēng)險與監(jiān)管對策——以人人貸公司為例[J]. 現(xiàn)代企業(yè)， 2017（4）： 52-53.

[7]孫龍龍. 基于因子分析法的P2P平臺風(fēng)險評估研究[D].濟南：山東大學(xué)， 2018.

[8]徐陳新. P2P網(wǎng)絡(luò)借貸平臺車抵貸業(yè)務(wù)違約率的風(fēng)險識別研究[D]. 上海：上海師范大學(xué)， 2018.

[9]黃貞. 基于Logistic回歸的P2P平臺財務(wù)危機預(yù)警研究[D]. 南寧：廣西大學(xué)， 2017.

[10]劉宇飛. VaR模型及其在金融監(jiān)管中的應(yīng)用[J]. 經(jīng)濟科學(xué)， 1999（1）： 40-51.

[11]安騰飛. 大額股票資產(chǎn)的市場風(fēng)險管理——基于私人財富管理的VaR視角[J]. 時代金融， 2018（24）： 126-127+134.

[12]賈振方. 基于VaR模型與ES模型風(fēng)險度量分析[J]. 合作經(jīng)濟與科技， 2018（17）： 79-81.

[13]張超， 甘夢群. 市場結(jié)構(gòu)理論視角下保險業(yè)監(jiān)管模式創(chuàng)新研究[J]. 牡丹江師范學(xué)院學(xué)報：哲學(xué)社會科學(xué)版， 2017（1）： 33-37.

[14]張超， 胡乃婷. 中國P2P網(wǎng)貸可持續(xù)發(fā)展博弈分析[J]. 牡丹江師范學(xué)院學(xué)報：哲學(xué)社會科學(xué)版， 2016（5）： 46-50.

編輯：琳莉