P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)度量模型的對比研究
——以“Prosper”和“拍拍貸”為例

西南財(cái)經(jīng)大學(xué)法學(xué)院 鄧春生

1 引言

自2007年拍拍貸在上海成立以來，P2P網(wǎng)絡(luò)借貸在我國取得了迅猛發(fā)展。與此同時(shí)，P2P平臺(tái)在信用風(fēng)險(xiǎn)、技術(shù)風(fēng)險(xiǎn)、政策風(fēng)險(xiǎn)等因素的作用下，給P2P行業(yè)乃至整個(gè)金融行業(yè)的健康穩(wěn)定發(fā)展帶來了巨大的壓力。為此，政府部門密集出臺(tái)了一系列P2P行業(yè)相關(guān)的監(jiān)管制度，意圖讓P2P行業(yè)的發(fā)展回歸理性和健康。密集的監(jiān)管制度出臺(tái)必然會(huì)給行業(yè)發(fā)展帶來一些波動(dòng)，例如2018年全年我國P2P網(wǎng)貸行業(yè)的成交量達(dá)到17948.01億元，相比2017年下降36.01%。

目前，國內(nèi)外眾多學(xué)者對P2P網(wǎng)絡(luò)借貸借款人的信用風(fēng)險(xiǎn)度量進(jìn)行了廣泛且深入的研究。針對P2P網(wǎng)絡(luò)借貸借款人信用風(fēng)險(xiǎn)度量模型，主要分為以下兩種：(1)統(tǒng)計(jì)回歸模型。Lin &Li et al(2016)應(yīng)用二元邏輯斯回歸方法建立了一個(gè)綜合的信用風(fēng)險(xiǎn)評估模型，以便量化每筆貸款的違約風(fēng)險(xiǎn)。Serrano-Cinca &Gutiérrez-Nieto(2016)以預(yù)期盈利能力為著眼點(diǎn)，使用多元回歸建立利潤評分系統(tǒng)，進(jìn)而選擇最優(yōu)的借款人。Lee &Lee(2012)首先分析了影響信用風(fēng)險(xiǎn)的相關(guān)變量，然后利用多項(xiàng)式邏輯市場份額模型對信用風(fēng)險(xiǎn)進(jìn)行評估。(2)機(jī)器學(xué)習(xí)模型。涂艷等(2018)基于拍拍貸的交易數(shù)據(jù)，基于機(jī)器學(xué)習(xí)建立的借款人信用風(fēng)險(xiǎn)度量模型，其準(zhǔn)確率要高于傳統(tǒng)回歸模型。Xia,Liu &Liu(2017)通過結(jié)合成本敏感學(xué)習(xí)和極端梯度增強(qiáng)方法，提出了一種新的成本敏感提升樹模型，用以提高區(qū)分潛在違約借款人的能力。Ma&Sha et al(2018)針對Lending Club的數(shù)據(jù)，應(yīng)用現(xiàn)代機(jī)器學(xué)習(xí)算法LightGBM和XGboost進(jìn)行了信用風(fēng)險(xiǎn)度量風(fēng)險(xiǎn)。Ma,Zhao &Zhou(2018)針對信息不對稱前提下的P2P平臺(tái)貸款決策問題，通過借款人的手機(jī)/電話通訊數(shù)據(jù)，利用自適應(yīng)增強(qiáng)算法(AdaBoost)建立了違約風(fēng)險(xiǎn)預(yù)測模型。Kim &Cho(2019)針對Lending Club中的無標(biāo)簽數(shù)據(jù)，結(jié)合Dempster-Shafer理論和轉(zhuǎn)導(dǎo)支持向量機(jī)(TSVM)方法對違約風(fēng)險(xiǎn)進(jìn)行了準(zhǔn)確預(yù)測。Wang &Jiang et al(2017) 針對發(fā)生率分量，應(yīng)用隨機(jī)森林來預(yù)測是否違約；針對延時(shí)風(fēng)量，應(yīng)用隨機(jī)生存林來預(yù)測何時(shí)違約。Malekipirbazari &Aksakalli(2015)針對Lending Club數(shù)據(jù)，提出了一種基于隨機(jī)森林的分類方法用于預(yù)測借款人的信用風(fēng)險(xiǎn)狀 態(tài)。

眾多的學(xué)者已經(jīng)利用各式各樣的方法對P2P網(wǎng)絡(luò)借貸的風(fēng)險(xiǎn)進(jìn)行了度量分析。但是，沒有免費(fèi)的午餐定理指出，不存在某一個(gè)方法或模型在所有性能上都是最優(yōu)的。在眾多的信用評分模型中，不可能存在某一個(gè)模型在所有信用風(fēng)險(xiǎn)相關(guān)數(shù)據(jù)集上都適用，那么對決策者來說就存在最優(yōu)決策問題。因此，如何選穩(wěn)健的評價(jià)和選擇魯棒的分類方法就是一個(gè)非常重要的問題。為此，本文針對Prosper和拍拍貸兩個(gè)數(shù)據(jù)集，應(yīng)用了11種分類算法進(jìn)行對比研究，以期得到對P2P網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)度量問題最合適的方法類型，也為以后開發(fā)綜合性能更優(yōu)以及對P2P網(wǎng)貸行業(yè)符合度更高的度量方法奠定研究基礎(chǔ)。

2 信用風(fēng)險(xiǎn)度量模型簡介

信用風(fēng)險(xiǎn)的評分模式主要是一些分類方法。分類，是有監(jiān)督學(xué)習(xí)中的一種，以待分析的目標(biāo)問題為背景，采用一部分樣本數(shù)據(jù)建立一個(gè)關(guān)于類別屬性劃分的分類方法，并利用該方法對同類問題中類別標(biāo)記未知的樣本進(jìn)行學(xué)習(xí)和判斷的過程。現(xiàn)在，讓我們對一些主流的分類算法進(jìn)行簡單介紹。

2.1 決策樹類算法

決策樹類算法是一種逼近離散函數(shù)值的典型分類方法。決策樹算法通過構(gòu)造決策樹來發(fā)現(xiàn)數(shù)據(jù)中蘊(yùn)涵的分類規(guī)則。(1)C4.5算法：由于C4.5算法生成的決策樹能夠被用于分類，所以C4.5模型通常被用于統(tǒng)計(jì)分類。2011年，Witten &Frank (2011)將C4.5模型描述為“一個(gè)具有里程碑意義的決策樹算法，可能是迄今為止在實(shí)踐中最廣泛使用的機(jī)器學(xué)習(xí)方法”。(2)CART算法：CART(Classif cation and regression trees)算法是一種十分有效的非參數(shù)分類和回歸方法。CART選擇具有最小GINI系數(shù)值的屬性作為分裂屬性，并按照節(jié)點(diǎn)的分裂屬性，采用二元遞歸分割的方式把每個(gè)內(nèi)部節(jié)點(diǎn)分割成兩個(gè)子節(jié)點(diǎn)，遞歸形成一棵結(jié)構(gòu)簡潔的二叉樹。

2.2 函數(shù)類算法

(1)RBF(徑向基)神經(jīng)網(wǎng)絡(luò)模型：RBF神經(jīng)網(wǎng)絡(luò)是使用徑向基函數(shù)作為激活函數(shù)的人工神經(jīng)網(wǎng)絡(luò)，其中徑向基函數(shù)表示其取值僅僅依賴于離原點(diǎn)距離，即滿足特性的函數(shù)。RBF神經(jīng)網(wǎng)絡(luò)通常由三層組成：第一，輸入層；第二，具有非線性RBF激活函數(shù)的隱藏層；第三，線性輸出層。(2)MLP(多層感知)神經(jīng)絡(luò)模型：MLP是一類的前饋人工神經(jīng)網(wǎng)絡(luò)，可用于通過回歸分析創(chuàng)建數(shù)學(xué)模型。由于分類是響應(yīng)變量是分類時(shí)回歸的特定情況，因此MLP也是良好的分類器算法。(3)SVM(支持向量機(jī))算法：SVM(support vector machines)是一種二分類模型，它的目的是尋找一個(gè)超平面來對樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)化為一個(gè)凸二次規(guī)劃問題來求解。

2.3 貝葉斯算法

(1)NBC(樸素貝葉斯分類)算法：NBC(Native Bayes Classif er)是一種簡單但是非常強(qiáng)大的線性分類器，而且它所需估計(jì)的參數(shù)很少，對缺失數(shù)據(jù)不太敏感，方法也比較簡單。(2)BN(貝葉斯網(wǎng)絡(luò))算法：BN(Bayesian Network)也叫貝葉斯信念網(wǎng)絡(luò)，借助有向環(huán)圖來刻畫屬性之間的依賴關(guān)系，并使用條件概率表來描述屬性的聯(lián)合概率分布。(3) NBT(樸素貝葉斯決策樹)算法：該算法主要有兩個(gè)優(yōu)點(diǎn)：第一，算法過程非常清晰、直觀、可理解性很強(qiáng)；第二，在計(jì)算復(fù)雜度不高的前提下能保持較高的分類正確率，有利于在大型數(shù)據(jù)集中的利用。

2.4 K鄰近(KNN)分類算法

K鄰近分類算法的基本思想是：輸入沒有標(biāo)簽(標(biāo)注數(shù)據(jù)的類別)，即沒有經(jīng)過分類的新數(shù)據(jù)；首先，提取新數(shù)據(jù)的特征并與測試集中的每一個(gè)數(shù)據(jù)特征進(jìn)行比較；其次，從測試集中提取K個(gè)最鄰近(最相似)的數(shù)據(jù)特征標(biāo)簽，統(tǒng)計(jì)這K個(gè)最鄰近數(shù)據(jù)中出現(xiàn)次數(shù)最多的分類，將其作為新的數(shù)據(jù)類別；類似于生活中的“物以類聚，人以群分”。

2.5 基于規(guī)則的算法

(1)CBA(基于關(guān)聯(lián)規(guī)則的分類)算法：CBA(Classification base of A ssociation)算法，即基于關(guān)聯(lián)規(guī)則進(jìn)行分類的算法，利用了Apriori挖掘出的關(guān)聯(lián)規(guī)則，然后做分類判斷。在某種程度上說，CBA算法也可以說是一種集成挖掘算法。(2)CPAR(基于預(yù)測關(guān)聯(lián)規(guī)則的分類)算法：CPAR(Classification Based on Predictive Association Rules)模型整合了關(guān)聯(lián)規(guī)則分類算法和傳統(tǒng)的基于規(guī)則分類算法的優(yōu)點(diǎn)。CPAR算法為避免過度擬合，采用貪心算法生成規(guī)則，這一策略比產(chǎn)生所有候選項(xiàng)集的效率要高。

3 評價(jià)指標(biāo)

信用風(fēng)險(xiǎn)度量模型的評價(jià)實(shí)質(zhì)上就是對分類模型的評價(jià)。為方便說明，引入如下混淆矩陣(confusion matrix)，如表1所示。

考慮到對分類方法評估的科學(xué)性、全面性和客觀性，我們選用了八個(gè)經(jīng)典的評價(jià)指標(biāo)，定義如下。

(1)正確率(ACC)：正確率是指測試集中被正確分類的百分率，是最廣泛使用的分類評估指標(biāo)之一，即：

通常來說，ACC越高，分類器越好。

(2)真正率(TPR)：指被正確劃分的預(yù)測正樣本數(shù)的百分率，即：

TPR也稱為靈敏度指標(biāo)，用于衡量分類器對正樣本的識別能力。

(3)真負(fù)率(TNR)：指被正確劃分的預(yù)測負(fù)樣本數(shù)的百分率，即：

表1 混淆矩陣示意圖

表2 針對Prosper數(shù)據(jù)集的信用風(fēng)險(xiǎn)度量模型的評價(jià)結(jié)果

TNR也稱為特異性指標(biāo)，用于衡量分類器對負(fù)樣本的識別能力。

(4)精度(Presision)：指預(yù)測正樣本中實(shí)際為正樣本的百分率，是精確性的度量，即：

(5)F 1-measure(MFM，平均F測量)值：一個(gè)綜合評價(jià)指標(biāo)，指當(dāng)精度與真正率矛盾時(shí)，對精度與真正率的綜合考慮，即：

(6)AUC(Area under curve)：是機(jī)器學(xué)習(xí)常用的二分類評測手段，直接含義是ROC曲線下的面積。曲線下面積越大，分類器就越好。

(7)平均絕對誤差(MAE)：指分類器的預(yù)測值和實(shí)際值之間的偏離程度，即：

式中，ture(i)和predicted(i)分別表示第i個(gè)樣本的真實(shí)值和預(yù)測值。

(8)Kappa 統(tǒng)計(jì)指標(biāo)(KapS)：一種用于衡量分類精度的統(tǒng)計(jì)指標(biāo)，其計(jì)算基于混淆矩陣，即：

4 信用評分模型的 綜合評價(jià)

針對Prosp er數(shù)據(jù)集和拍拍貸數(shù)據(jù)集的11個(gè)信用評分模型在8個(gè)評價(jià)指標(biāo)下的評價(jià)結(jié)果分別列在表2和3中。注意，粗體數(shù)字表示在某一指標(biāo)下最優(yōu)的評價(jià)值。

觀察表2和表3，我們有如下結(jié)論：(1)在不同的評價(jià)指標(biāo)下，不同的信用評分模型有不同的評價(jià)值，且沒有一種信用評分模型在所有的評價(jià)指標(biāo)下都是最優(yōu)的。主要原因是：不同的評價(jià)指標(biāo)，其評價(jià)側(cè)重點(diǎn)也不一樣。另外，信用風(fēng)險(xiǎn)的度量主要是一個(gè)典型的分類學(xué)習(xí)問題，那么不同的分類模型其學(xué)習(xí)的側(cè)重點(diǎn)也不一樣，所以不可能存在某一分類模型在所有評價(jià)指標(biāo)上都是最優(yōu)的。

(2)針對Prosper數(shù)據(jù)集，以SVM方法構(gòu)建的信用風(fēng)險(xiǎn)度量模型在ACC、MFM、MAE和KapS這四個(gè)指標(biāo)下是最優(yōu)的。針對拍拍貸數(shù)據(jù)集，SVM方法在ACC、Precision、MFM、MAE和KapS這5個(gè)指標(biāo)下表現(xiàn)最優(yōu)。由此可見，SVM方法具有很強(qiáng)的穩(wěn)健性。

為了全面、綜合的評價(jià)這位11個(gè)信用風(fēng)險(xiǎn)度量模型，我們引入排序均值的概念，并以排序均值的大小來對這11個(gè)模型綜合排序。表4展示了Prosper數(shù)據(jù)集和拍拍貸數(shù)據(jù)集上的排序均值和綜合排序。

從表4中可以得出：(1)性能優(yōu)越的信用風(fēng)險(xiǎn)度量模型主要是SVM方法、CBA方法和CPAR方法。(2)信用風(fēng)險(xiǎn)度量模型性能次優(yōu)的模型主要是CART方法、MLP方法、NBT方法和KNN方法。(3)信用評分性能出現(xiàn)較大差異的方法是RBF網(wǎng)絡(luò)，該方法的波動(dòng)較大；在Prosper數(shù)據(jù)集中，RBF網(wǎng)絡(luò)在指標(biāo)TPR下表現(xiàn)為最優(yōu)，但是其綜合排序卻是第10名。

表3 針對拍拍貸數(shù)據(jù)集的信用評分模型的評價(jià)結(jié)果

5 結(jié)語

(1)不同的信用度量模型在同一個(gè)數(shù)據(jù)集中有不同的表現(xiàn)，同一個(gè)信用度量模型在不同的數(shù)據(jù)集中性能表現(xiàn)也不盡相同。為了讓同一個(gè)信用度量模型對不同的數(shù)據(jù)集都能有一致的評級性能，需要讓數(shù)據(jù)集足夠的大，讓信用度量模型有充足的訓(xùn)練數(shù)據(jù)來學(xué)習(xí)出最優(yōu)的參數(shù)。為此，我們應(yīng)建立P2P網(wǎng)絡(luò)借貸行業(yè)統(tǒng)一的個(gè)人/企業(yè)信用信息共享系統(tǒng)，以便建立P2P網(wǎng)絡(luò)借貸行業(yè)統(tǒng)一的信用信息數(shù)據(jù)集，為建立客觀有效的信用度量模型奠定數(shù)據(jù)基礎(chǔ)，克服單一平臺(tái)進(jìn)行信用評級存在的數(shù)據(jù)不全、評價(jià)不準(zhǔn)等問題。

表4 信用風(fēng)險(xiǎn)度量模型綜合評價(jià)

(2)根據(jù)我們的綜合評估來說，針對所選擇的數(shù)據(jù)集，在穩(wěn)健性和魯棒性上表現(xiàn)最優(yōu)的三個(gè)信用度量模型分別是SVM方法、CBA方法和CPAR方法。另外，依據(jù)CART方法、MLP方法、NBT方法和KNN方法構(gòu)建的信用評分模型也有不俗的表現(xiàn)。最后，出現(xiàn)波動(dòng)比較大的方法是RBF網(wǎng)絡(luò)方法。針對該結(jié)論，我們應(yīng)建立P2P網(wǎng)絡(luò)借貸行業(yè)統(tǒng)一的個(gè)人/企業(yè)信用評級系統(tǒng)，克服不同的平臺(tái)使用不同的度量模型，對同一個(gè)借款人得出不同信用等級的問題。