基于GBDT模型的P2P網(wǎng)貸平臺運(yùn)營風(fēng)險預(yù)警研究*

王小俐，魏建國，梁方瑞

(武漢理工大學(xué) 經(jīng)濟(jì)學(xué)院，湖北 武漢430070)

一、引 言

圖1 P2P網(wǎng)貸平臺成交量和資金凈流入的變化趨勢圖

近年來，我國大量P2P網(wǎng)貸平臺倒閉和跑路，由此嚴(yán)重?fù)p害了投資者利益，妨礙了網(wǎng)貸行業(yè)的健康發(fā)展。據(jù)“網(wǎng)貸之家”統(tǒng)計①，截至2019年12月底，P2P網(wǎng)貸行業(yè)累計成交量為8.99萬億元；P2P網(wǎng)貸行業(yè)正常運(yùn)營平臺的合計貸款余額總量為4915.91億元，環(huán)比下降9.10%，同比下降37.69%；P2P網(wǎng)貸平臺的數(shù)量累計達(dá)6613家，但正常運(yùn)營平臺數(shù)量僅343家，僅占比5.19%。隨著大量不合規(guī)平臺相繼退出市場，平臺交易受到嚴(yán)重影響。圖1顯示近5年P(guān)2P網(wǎng)貸平臺的成交量和資金凈流入情況。由圖1可以看出，兩項指標(biāo)的數(shù)值從2014年12月到2016年12月均處于上升期，均在2016年12月達(dá)到最大值，即成交量和資金凈流入分別為2443.26億元和375.34億元，隨后均逐年下降。資金凈流入在2018年12月降為負(fù)值，這與大量不合規(guī)平臺退出市場密切相關(guān)；而成交量在2019年底保持在428.89億元，反映了P2P網(wǎng)貸平臺在滿足社會資本的融資需求方面仍然發(fā)揮著重要作用。

大量P2P網(wǎng)貸平臺倒閉或跑路有多方面的原因，其中一個重要原因是許多平臺的運(yùn)營管理能力低下，抗風(fēng)險能力弱。對網(wǎng)貸平臺運(yùn)營風(fēng)險進(jìn)行評價和做預(yù)警研究，有助于投資者和借款人正確選擇平臺，識別平臺風(fēng)險，減少損失，也有利于促進(jìn)平臺提高運(yùn)營管理能力，降低風(fēng)險發(fā)生概率。

二、相關(guān)文獻(xiàn)綜述

關(guān)于P2P網(wǎng)貸平臺運(yùn)營風(fēng)險表現(xiàn)與成因的研究。有學(xué)者指出，P2P網(wǎng)貸平臺運(yùn)營風(fēng)險主要表現(xiàn)為擠兌風(fēng)險、涉嫌違法犯罪、提現(xiàn)困難、停業(yè)、跑路和破產(chǎn)等[1-2]。學(xué)者們從不同角度探討了P2P網(wǎng)貸平臺發(fā)生運(yùn)營風(fēng)險的影響因素，如：平臺背景和資本實力、平臺自我監(jiān)管和風(fēng)控水平、行業(yè)競爭影響平臺生存和運(yùn)營狀況[3]；平臺的信息透明度、品牌影響力、承諾收益率與運(yùn)營模式[4-5]；聲譽(yù)、高管背景、有無債權(quán)轉(zhuǎn)讓和有無銀行存管[6]。

關(guān)于P2P網(wǎng)貸平臺風(fēng)險評價指標(biāo)的研究。有學(xué)者用注冊資本、平臺背景、注冊地點、是否有資金托管等12個指標(biāo)變量反映平臺的風(fēng)險特征[7]；或用平臺熱度、借款情況、生存能力和投融資集中度四個指標(biāo)描述平臺的風(fēng)險特征[8]。經(jīng)實證研究發(fā)現(xiàn)，違約風(fēng)險集中度、資金凈流入和發(fā)展速度等指標(biāo)對平臺正常營運(yùn)有積極作用[9]，資金存管、ICP經(jīng)營許可證、等保三級和信息披露這些指標(biāo)可以反映平臺的合規(guī)化情況[10]。

關(guān)于P2P網(wǎng)貸平臺運(yùn)營風(fēng)險預(yù)警模型的研究。有學(xué)者認(rèn)為，基于隨機(jī)森林、貝葉斯網(wǎng)絡(luò)模型的信用評價模型在預(yù)警P2P網(wǎng)貸行業(yè)風(fēng)險方面效果顯著[11-12]；嚴(yán)武[13]將平臺風(fēng)險作為切入點，對比以邏輯回歸和決策樹為代表的傳統(tǒng)模型與以隨機(jī)森林和XGBoost為代表的前沿模型在P2P網(wǎng)貸平臺風(fēng)險預(yù)警方面的效果，發(fā)現(xiàn)前沿模型的預(yù)警準(zhǔn)確率更高。

綜上，學(xué)者們從不同角度對P2P網(wǎng)貸平臺運(yùn)營風(fēng)險問題作了研究，但是學(xué)者們提出的運(yùn)營指標(biāo)往往依據(jù)不足或不夠全面，難以準(zhǔn)確反映平臺運(yùn)營特征，還沒有從運(yùn)營風(fēng)險成因的角度構(gòu)建指標(biāo)體系，提出的風(fēng)險預(yù)警模型的有效性和準(zhǔn)確性高低有別，還有改進(jìn)的空間。本文運(yùn)用委托代理理論分析P2P網(wǎng)貸平臺運(yùn)營風(fēng)險的成因，從平臺運(yùn)營管理能力角度建立P2P網(wǎng)貸平臺運(yùn)營風(fēng)險預(yù)警指標(biāo)體系，構(gòu)建平臺運(yùn)營風(fēng)險GBDT預(yù)警模型，使用交叉驗證方法處理樣本數(shù)據(jù)中正負(fù)樣本比例不均衡的問題，以提高模型的預(yù)測性能。

三、P2P網(wǎng)貸平臺運(yùn)營風(fēng)險及其預(yù)警指標(biāo)體系

P2P網(wǎng)貸平臺運(yùn)營風(fēng)險是指平臺在運(yùn)營過程中由于平臺自身實力不強(qiáng)，運(yùn)營管理不善，借款標(biāo)的物選擇不當(dāng)?shù)仍?，給平臺帶來經(jīng)濟(jì)損失的一種可能性。相對于P2P網(wǎng)貸平臺而言，借款人是委托人，委托平臺發(fā)布借款信息；平臺作為代理人，負(fù)責(zé)審核借款人的信用信息、評估借款人風(fēng)險等級。相對于P2P網(wǎng)貸平臺而言，投資人作為委托人，委托平臺發(fā)布貸款信息；平臺作為代理人，負(fù)責(zé)向社會發(fā)布貸款信息，向投資人提供借款人和項目的信息。通過撮合借款人和投資人成交，平臺賺取中介費作為盈利。由于平臺主要根據(jù)借款人在網(wǎng)上提供的相關(guān)信息進(jìn)行信用評價，平臺與借款人之間存在著嚴(yán)重的信息不對稱。借款人往往會刻意隱瞞借款的真實用途，夸大自身的信用等級，獲得貸款后有可能將資金挪作他用。若平臺的運(yùn)營管理能力差，則平臺難以對借款人信息的真實性和風(fēng)險等級進(jìn)行有效評估。當(dāng)大量借款人發(fā)生逾期或違約行為時，平臺就可能會產(chǎn)生運(yùn)營風(fēng)險。隨著平臺財務(wù)狀況惡化或者同業(yè)競爭壓力增大，平臺會刻意隱瞞不良信息，向借款人收取更高的利息來彌補(bǔ)損失，由此會進(jìn)一步加重平臺的運(yùn)營風(fēng)險。

基于數(shù)據(jù)的可獲得性，同時為了對不同網(wǎng)貸平臺進(jìn)行對比分析，本文對市場環(huán)境風(fēng)險和法律風(fēng)險等平臺外部因素不予考慮，只是從平臺運(yùn)營管理角度出發(fā)，從平臺實力、平臺風(fēng)控能力、平臺運(yùn)營能力、平臺治理水平、平臺合規(guī)性、標(biāo)的特性與收益率等六個維度構(gòu)建平臺運(yùn)營風(fēng)險預(yù)警指標(biāo)體系。

1.平臺實力：反映平臺應(yīng)對風(fēng)險的能力，用注冊資本和平臺背景來衡量。注冊資本是平臺在登記機(jī)關(guān)登記注冊的資本數(shù)值，注冊資本越高則平臺實力越強(qiáng)；若平臺具有國資、上市公司、銀行系或風(fēng)投系背景，表明平臺實力較為雄厚，否則實力較為薄弱。平臺實力越強(qiáng)，則運(yùn)營越穩(wěn)健，出現(xiàn)運(yùn)營風(fēng)險的可能性越低。

2.平臺風(fēng)控能力：反映平臺對風(fēng)險甄別和防控的能力，用高管經(jīng)驗和高管學(xué)歷來衡量。高管經(jīng)驗用具有金融從業(yè)經(jīng)驗的高管人數(shù)來衡量，高管人數(shù)越多，表明平臺高管經(jīng)驗越豐富，對復(fù)雜的金融市場和金融環(huán)境了解越透徹，分析處理問題的能力越強(qiáng)；高管學(xué)歷用具有碩士以上學(xué)歷的高管人數(shù)來衡量，這類人數(shù)越多，反映高管學(xué)歷越高，他們具備的金融理論知識更豐富，行業(yè)認(rèn)知能力和戰(zhàn)略決策能力越強(qiáng)。平臺風(fēng)控能力越強(qiáng)，表明平臺抵御風(fēng)險的能力也越強(qiáng)，出現(xiàn)運(yùn)營風(fēng)險的概率越低。

3.平臺運(yùn)營能力：反映平臺內(nèi)部管理、資金運(yùn)轉(zhuǎn)和對抗風(fēng)險的能力，用平臺運(yùn)營時間來衡量。平臺運(yùn)營時間越長，反映其管理模式越完善，抗風(fēng)險的經(jīng)驗越豐富，長期抗風(fēng)險能力越強(qiáng)，出現(xiàn)運(yùn)營風(fēng)險的概率越低。

4.平臺治理水平：反映平臺保障投資者利益和維持平臺穩(wěn)健運(yùn)行的能力，用平臺是否進(jìn)行資金托管、是否進(jìn)行投標(biāo)保障和是否進(jìn)行充分的信息披露來衡量。資金托管是指平臺將投資人的資金委托第三方賬戶管理；投標(biāo)保障是指平臺對投資人的資金采取的通過風(fēng)險準(zhǔn)備金進(jìn)行補(bǔ)償或者第三方擔(dān)保公司提供擔(dān)保的一種保障措施；信息披露是指平臺對借款人和項目的信息披露情況。平臺若進(jìn)行資金托管、投標(biāo)保障和充分的信息披露，則其治理水平越強(qiáng)，出現(xiàn)運(yùn)營風(fēng)險的概率越低。

5.平臺合規(guī)性：反映平臺運(yùn)行是否符合監(jiān)管標(biāo)準(zhǔn)，用平臺是否加入監(jiān)管協(xié)會、是否具有ICP經(jīng)營許可證、是否加入第三方征信來衡量。若平臺加入了監(jiān)管協(xié)會、具有ICP經(jīng)營許可證、加入了第三方征信，表明平臺接受外部監(jiān)管的力度越大，運(yùn)營將更加合規(guī)，平臺出現(xiàn)運(yùn)營風(fēng)險的可能性越低。

6.標(biāo)的特性與收益率：反映平臺對借款用途的評價能力，借款標(biāo)的好壞直接影響平臺收益水平，用標(biāo)的期限長短、標(biāo)的類型多少、平臺收益率高低和風(fēng)險項的數(shù)值來衡量。標(biāo)的期限越短，平臺越容易出現(xiàn)短期兌付危機(jī)，進(jìn)而引發(fā)平臺風(fēng)險；標(biāo)的類型越多樣，越能夠分散不同類型借款人的違約風(fēng)險，從而降低平臺風(fēng)險；平臺收益率超過一定范圍后的數(shù)值越高，越能反映平臺處于資金短缺狀態(tài)，即平臺可能存在誘導(dǎo)投資人投資的資金詐騙行為；平臺風(fēng)險項的數(shù)值越高，則平臺在運(yùn)營過程中暴露的風(fēng)險越高。平臺標(biāo)的期限越短、標(biāo)的類型越單一、收益率越高、風(fēng)險項數(shù)值越高，則平臺的運(yùn)營風(fēng)險也越高。

表1 平臺運(yùn)營風(fēng)險預(yù)警指標(biāo)體系

在這六個維度下，根據(jù)P2P網(wǎng)貸平臺的可觀測數(shù)據(jù)，本文將這些指標(biāo)進(jìn)一步細(xì)分為注冊資本、后臺背景和高管經(jīng)驗等15個二級指標(biāo)，構(gòu)建如表1所示的平臺運(yùn)營風(fēng)險預(yù)警指標(biāo)體系。將正常運(yùn)營平臺定義為正常平臺，賦值為1；將倒閉跑路等平臺定義為出險平臺，賦值為0。將不同變量用符號Xi(i=1,…,15)表示。

四、基于GBDT模型的平臺運(yùn)營風(fēng)險預(yù)警

(一)數(shù)據(jù)處理

本文收集了信息披露較為完整的358家網(wǎng)貸平臺的相關(guān)數(shù)據(jù)(見表2)，其中正常平臺258家，出險平臺100家，時間截至到2019年12月底。數(shù)據(jù)來源于“網(wǎng)貸之家”、“網(wǎng)貸天眼”和企查查。下面將以注冊資本(X1)、運(yùn)營時間(X5)、信息披露(X8)和ICP經(jīng)營許可證(X10)為例對表2的變量進(jìn)行描述性統(tǒng)計說明。就注冊資本而言，正常平臺的平均值(12 978.56萬元)高于出險平臺(10615.30萬元)，但其最小值、最大值和標(biāo)準(zhǔn)差均要低于出險平臺；就運(yùn)營時間而言，正常平臺和出險平臺的平均值差額達(dá)到18個月，正常平臺的最小值和標(biāo)準(zhǔn)差低于出險平臺，但最大值高于出險平臺，表明正常平臺的運(yùn)營時間更長；就信息披露而言，正常平臺和出險平臺的數(shù)值分別為1.78和1.01，表明正常平臺的整體信息披露更多；就ICP經(jīng)營許可證而言，正常平臺和出險平臺的最小值和最大值數(shù)值相同，但正常平臺的平均值和標(biāo)準(zhǔn)差都要略低于出險平臺。

為了消除量綱不同帶來的差異，對注冊資本(X1)、運(yùn)營時間(X5)等兩個連續(xù)型變量以及高管經(jīng)驗(X3)、高管學(xué)歷(X4)和信息披露(X8)等三個離散型變量進(jìn)行Min-Max標(biāo)準(zhǔn)化處理。對正向指標(biāo)和反向指標(biāo)的處理方法如公式(1)和(2)所示：

(1)

(2)

(二)預(yù)警模型和評價指標(biāo)說明

1.GBDT模型。

GBDT模型是由Freidman提出的一種將學(xué)習(xí)到的多種模型進(jìn)行集成的機(jī)器學(xué)習(xí)算法。它由多棵決策樹組成，在訓(xùn)練的過程中可以通過降低偏差來提高最終分類器的精度，核心是累加所有樹的結(jié)果作為最終結(jié)果。其中，每棵樹學(xué)習(xí)的是之前所有樹的結(jié)論和殘差。假設(shè)x和y分別表示P2P網(wǎng)貸平臺運(yùn)營風(fēng)險的輸入指標(biāo)和輸出指標(biāo)的數(shù)值。將其算法列出如下②：

輸入：訓(xùn)練數(shù)據(jù)集T={(x1,y1),(x2,y2),…,(xN,yN)},xi∈χ=Rn,yi∈γ={-1,1}，i=1,2,...,N；

輸出：回歸樹fM(x)。

第二步：對于m=1,2,…,M，

對rmi擬合一顆回歸樹，得到第m顆樹的葉節(jié)點區(qū)域Rmj，j=1,2,…,J，即一顆由J個葉子節(jié)點組成的樹，來擬合殘差的近似值；

2.預(yù)警效果評價指標(biāo)。

作為機(jī)器學(xué)習(xí)模型中常見的評價指標(biāo)，準(zhǔn)確率、精確率、召回率和F1值將被用于評價預(yù)警模型的預(yù)測效果。這些指標(biāo)的數(shù)值越高，則模型的分類精度越高、泛化能力越強(qiáng)。其中，平臺表現(xiàn)為正常平臺或出險平臺為二分類問題，可以用數(shù)據(jù)標(biāo)簽1或0表示。將多數(shù)類定義為正，少數(shù)類定義為負(fù)，其混淆矩陣見表3。由此可以得到：

準(zhǔn)確率(用A表示)表示正常平臺和出險平臺被正確預(yù)測的樣本個數(shù)占樣本總數(shù)的比率。它的數(shù)值越高，則模型的預(yù)警效果越好。其中A=(TP+TN)/(TP+FP+TN+FN)。

精確率(用P表示)是指在所有預(yù)測為正常平臺的樣本中實際為正常平臺的樣本比率。它的數(shù)值越高，則模型的預(yù)警效果越好。其中P=TP/(TP+FP)。

召回率(用R表示)是指在所有實際為正常平臺的樣本中預(yù)測為正常平臺的樣本比率。它的數(shù)值越高，則模型的預(yù)警效果越好。其中R=TP/(TP+FN)。

F1值是精確率和召回率的加權(quán)平均數(shù)。它的數(shù)值越高，則模型的預(yù)警效果越好。其中F1= (2×R×P)/(R+P)。

表3 混淆矩陣

(三)實證對比分析

為了全面評估基于GBDT模型的P2P網(wǎng)貸平臺運(yùn)營風(fēng)險預(yù)測性能，下面選取邏輯回歸(簡稱LR)、決策樹(簡稱DT)、支持向量機(jī)(簡稱SVM)、隨機(jī)森林(簡稱RF)、多層感知器(簡稱MLP)等五種主要的機(jī)器學(xué)習(xí)模型，就風(fēng)險預(yù)測效果進(jìn)行對比分析。實驗的操作環(huán)境為python3.7，依賴的數(shù)據(jù)庫為sklearn和pandas。

首先基于原始數(shù)據(jù)集來對比分析不同機(jī)器學(xué)習(xí)模型的預(yù)測性能。按照70:30的比例將原始數(shù)據(jù)劃分為訓(xùn)練集和測試集，列出六種不同機(jī)器學(xué)習(xí)模型的預(yù)警結(jié)果見表4。由表4可知，與其他機(jī)器學(xué)習(xí)模型相比，GBDT模型的預(yù)測準(zhǔn)確率、精確率、召回率和F1值都處于整體最高水平，數(shù)值分別為95.37%，94.19%，100%和97.01%；DT模型的預(yù)測性能緊隨其后，準(zhǔn)確率、精確率、召回率和F1值分別為94.44%，94.12%，98.77%和96.39%，預(yù)測效果較好；而SVM模型雖然召回率值為100%，但準(zhǔn)確率、精確率和F1值分別為75%，75%和85.71%，在六個預(yù)警模型中數(shù)值為最低，表明其預(yù)測效果相對較差。由此可以看出，GBDT模型具有很好的預(yù)測性能。

表4 原始數(shù)據(jù)集中不同機(jī)器學(xué)習(xí)模型的評價結(jié)果

注：加粗值為同一評估方法下的最大值

然后采用k折交叉驗證來對比分析不同機(jī)器學(xué)習(xí)模型的預(yù)測性能。在原始數(shù)據(jù)集中正常平臺和出險平臺的數(shù)據(jù)量之比為2.58:1，樣本類別比例存在不均衡問題，可能導(dǎo)致最終的預(yù)測結(jié)果向多數(shù)類樣本傾斜。為了防止數(shù)據(jù)出現(xiàn)過擬合或者欠擬合情況，下面本文以k折交叉驗證方法為基礎(chǔ)，在不同交叉驗證折數(shù)下采用GBDT等六種機(jī)器學(xué)習(xí)模型進(jìn)行預(yù)警分析。其中，k折交叉驗證是指將樣本數(shù)據(jù)集劃分為k組，輪流將k-1組作為訓(xùn)練集，剩下1組作為測試集，將實驗重復(fù)做k次，取k次結(jié)果的平均值作為實驗結(jié)果。該方法可以降低泛化誤差，同時避免過學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生。

分別取折數(shù)k=5,10,15,20,25，可以得到這六種機(jī)器學(xué)習(xí)模型下各個預(yù)警評價指標(biāo)的數(shù)值。將折數(shù)作為橫軸、預(yù)警評價指標(biāo)值作為縱軸，繪制如圖2所示的折線圖。由圖2(a)到圖2(d)可以直觀看出，隨著交叉驗證折數(shù)的變化，各大模型的評價指標(biāo)值都呈現(xiàn)一定的波動性；GBDT模型、RF模型和DT模型的曲線走勢圖呈現(xiàn)相似的變化規(guī)律，即當(dāng)折數(shù)k由5變化到25時，它們的取值都在95%上下浮動，排名均位于前三名，而且在數(shù)值上遠(yuǎn)高于其他三個模型，其中使用GBDT模型來預(yù)警的評價指標(biāo)值在六個模型中都位于前列；而LR模型、SVM模型和MLP模型的曲線走勢圖也呈現(xiàn)相似的變化規(guī)律，即當(dāng)折數(shù)k由5變化到25時，它們的取值均在80%-95%之間波動，排名均位于后三名。綜上，在不同折數(shù)下，GBDT模型的準(zhǔn)確率、精確率、召回率和F1值基本上都取得最大值，這表明GBDT模型具有非常好的預(yù)測性能。

圖2 不同折數(shù)下六種機(jī)器學(xué)習(xí)模型的評價指標(biāo)值的折線圖

接下來取不同交叉驗證折數(shù)下各預(yù)警指標(biāo)值的平均值，可以得到這六種機(jī)器學(xué)習(xí)模型的預(yù)警結(jié)果。將k=5,10,15,20,25時四大評價指標(biāo)的平均值列出如表5所示。

表5 采用交叉驗證的六種機(jī)器學(xué)習(xí)模型評價結(jié)果平均值

注：加粗值為同一評估方法下的最大值

根據(jù)表5可以看出，GBDT模型的預(yù)警準(zhǔn)確率、召回率和F1值在所有模型中均取得最大值，數(shù)值分別為95.63%，98.69%，97.16%，與同一評價指標(biāo)下預(yù)警結(jié)果的最小值之差分別為13.14%，8.27%和9%；而GBDT模型的精確率數(shù)值(96.05%)比DT模型(96.09%)略低0.04%，在六大模型的預(yù)警結(jié)果中排名第二；其中，DT模型和RF模型也都具有較好的預(yù)警效果，前者的準(zhǔn)確率、精確率、召回率和F1值分別為94.13%，96.09%，96.20%，95.96%，而后者的數(shù)值分別為93.18%，94.29%，97.31%，95.52%。總體而言，與其他預(yù)警模型相比，GBDT模型具有很好的預(yù)測性能。

最后對比表4和表5可以看出，采用k折交叉驗證方法之后，SVM模型、RF模型和GBDT模型除了召回率略低外，準(zhǔn)確率、精確率和F1值均得到提升，GBDT模型仍然具有較好的預(yù)警性能；而LR模型和MLP模型的各大評價指標(biāo)數(shù)值均有小幅度降低；DT模型的精確率獲得提高，然而其他指標(biāo)的數(shù)值有所降低?？傮w來說，采用交叉驗證方法處理數(shù)據(jù)后，六種機(jī)器學(xué)習(xí)模型預(yù)測性能都有所提高。

五、結(jié)論與建議

根據(jù)數(shù)據(jù)分析，本文得出如下結(jié)論：第一，網(wǎng)貸平臺的運(yùn)營管理能力是決定平臺運(yùn)營風(fēng)險的關(guān)鍵因素之一，可以從平臺實力、平臺風(fēng)控能力、平臺運(yùn)營能力、平臺治理水平、平臺合規(guī)性、標(biāo)的特性與收益率六個維度來衡量網(wǎng)貸平臺的運(yùn)營能力，為運(yùn)營風(fēng)險評價提供依據(jù)；第二，通過對選取的358個網(wǎng)貸平臺的樣本數(shù)據(jù)做預(yù)警實證研究發(fā)現(xiàn)，與邏輯回歸和決策樹等另外五種常用的機(jī)器學(xué)習(xí)模型相比，GBDT模型具有很好的預(yù)測性能，對P2P網(wǎng)貸平臺運(yùn)營風(fēng)險的預(yù)警準(zhǔn)確率達(dá)到95.63%，預(yù)警的精確率、召回率和F1值也顯著優(yōu)于其他模型；第三，在采用k折交叉驗證方法對樣本數(shù)據(jù)集進(jìn)行處理后，這六種機(jī)器學(xué)習(xí)模型的預(yù)測性能得到明顯提升，其中GBDT模型的準(zhǔn)確率、精確率和F1值提升顯著。

據(jù)此，本文就管理和預(yù)警P2P網(wǎng)貸平臺運(yùn)營風(fēng)險提出如下建議：

第一，完善平臺信息披露機(jī)制。我國銀監(jiān)會在2016年頒布的《網(wǎng)絡(luò)借貸信息中介機(jī)構(gòu)業(yè)務(wù)活動管理暫行辦法》對平臺應(yīng)披露的指標(biāo)信息作出了明確規(guī)定，但對平臺運(yùn)營指標(biāo)的信息披露方面還存在不足，在數(shù)據(jù)的計算和處理方面沒有給出統(tǒng)一的標(biāo)準(zhǔn)?？梢越梃b我國商業(yè)銀行和上市公司的信息披露標(biāo)準(zhǔn)，在不涉及商業(yè)機(jī)密的情況下，要求平臺及時公布運(yùn)營數(shù)據(jù)，向投資人真實披露平臺風(fēng)險狀況；建立統(tǒng)一的數(shù)據(jù)采集標(biāo)準(zhǔn)，確保不同平臺的數(shù)據(jù)之間具有可比性，進(jìn)而提高預(yù)測準(zhǔn)確率。

第二，建立平臺運(yùn)營信息數(shù)據(jù)庫。準(zhǔn)確全面的平臺運(yùn)營信息是運(yùn)營風(fēng)險預(yù)警的基本保障。目前我國還沒有建立專門的P2P網(wǎng)貸平臺數(shù)據(jù)庫，有關(guān)方面獲取數(shù)據(jù)主要依賴于第三方網(wǎng)站，如“網(wǎng)貸之家”和“網(wǎng)貸天眼”。建議由政府部門或網(wǎng)貸行業(yè)協(xié)會牽頭建立平臺運(yùn)營信息數(shù)據(jù)庫，定期收集、匯總和公布平臺運(yùn)營數(shù)據(jù)，為網(wǎng)貸風(fēng)險預(yù)警管理和網(wǎng)貸行業(yè)監(jiān)管提供基礎(chǔ)條件。

第三，提高平臺運(yùn)營管理能力。規(guī)范平臺內(nèi)部管理結(jié)構(gòu)，優(yōu)化平臺股東治理結(jié)構(gòu)，加強(qiáng)股東大會、董事會、監(jiān)事會和經(jīng)理層之間的協(xié)同管理，明確平臺各部門的職責(zé)和范圍；加強(qiáng)平臺內(nèi)部的風(fēng)險控制體系建設(shè)，建設(shè)一支由具有豐富從業(yè)經(jīng)驗和專業(yè)知識的人員組成的風(fēng)險控制團(tuán)隊，加強(qiáng)風(fēng)險控制技術(shù)研發(fā)、學(xué)習(xí)和應(yīng)用，提高平臺的風(fēng)險甄別和防控能力；提高平臺從業(yè)人員的專業(yè)能力和綜合素質(zhì)，增強(qiáng)風(fēng)險意識，建立定期培訓(xùn)和考核評比淘汰制度，提高他們在復(fù)雜金融環(huán)境中的風(fēng)險分析和決策能力。

第四，加強(qiáng)對網(wǎng)貸行業(yè)的監(jiān)管創(chuàng)新。在全國性監(jiān)管部門制定的監(jiān)管標(biāo)準(zhǔn)和規(guī)范指導(dǎo)下，地方性監(jiān)管部門可結(jié)合當(dāng)?shù)貙嶋H狀況制定實施細(xì)則和具體規(guī)定，推進(jìn)監(jiān)管政策創(chuàng)新；加強(qiáng)中央與地方之間的信息溝通與共享，加強(qiáng)大數(shù)據(jù)、區(qū)塊鏈、人工智能技術(shù)在網(wǎng)貸監(jiān)管中的應(yīng)用，推進(jìn)監(jiān)管技術(shù)創(chuàng)新；健全行業(yè)自律監(jiān)管機(jī)制，要求全部網(wǎng)貸平臺參加網(wǎng)貸行業(yè)協(xié)會，納入行業(yè)監(jiān)管范疇，引導(dǎo)平臺積極響應(yīng)監(jiān)管措施；目前負(fù)責(zé)P2P網(wǎng)貸監(jiān)管的地方金融局，可以與銀監(jiān)會、第三方支付、托管商業(yè)銀行和其它社會中介機(jī)構(gòu)合作，建立P2P網(wǎng)貸監(jiān)管聯(lián)盟，對網(wǎng)貸平臺運(yùn)營過程實施全面的監(jiān)督管理。

注釋：

① 數(shù)據(jù)來源：P2P網(wǎng)貸行業(yè)2019年12月月報https://www.wdzj.com/news/yc/5533102.html。

② “機(jī)器學(xué)習(xí)筆記”GBDT原理https://blog.csdn.net/shine19930820/article/details/65633436