基于機器學習的P2P網(wǎng)絡借貸平臺風險監(jiān)測與預警

李 爽,劉婭婭,李曉彤

(西安財經(jīng)大學 統(tǒng)計學院, 陜西 西安 710100)

一、引言

我國P2P網(wǎng)絡借貸平臺借助互聯(lián)網(wǎng)技術(shù)的便利性和早期國家監(jiān)管體系的缺失,在2011—2015年呈現(xiàn)井噴式增長,但隨著2015年底“e租寶”事件的爆發(fā),正常運營平臺的數(shù)量逐年下降。截止到2019年年底,正常運營數(shù)量僅有343家,轉(zhuǎn)業(yè)平臺數(shù)量和問題平臺數(shù)量逐年增加[1]。網(wǎng)站關(guān)閉、延期兌付、提現(xiàn)困難、平臺跑路等問題層出不窮,嚴重影響了P2P網(wǎng)絡借貸行業(yè)的發(fā)展,充分暴露出行業(yè)的巨大風險[2]。究其問題產(chǎn)生的原因:一方面,與現(xiàn)階段我國宏觀經(jīng)濟從高速增長轉(zhuǎn)換為中高速增長有關(guān)[3];另一方面,主要為平臺內(nèi)部風險控制能力低下、有關(guān)部門對平臺早期的監(jiān)管體系不完善[4]。2017年4月,中共中央提出要維護國家金融安全,強調(diào)“金融活,經(jīng)濟就活;金融穩(wěn),經(jīng)濟就穩(wěn);維護國家金融安全是治國理政的一件大事”,這是中央高層首次專題研討國家金融安全與穩(wěn)定問題,反映了國家對防范金融風險的高度重視。與傳統(tǒng)商業(yè)銀行申請門檻高、審核機制嚴相比[5],P2P網(wǎng)貸具有申請門檻低、審核寬松、金額小、放貸快等特點[6],這為小微企業(yè)及個人融資難、貸款難等問題提供了很好的解決方案[7]。此外,發(fā)揮網(wǎng)絡借貸平臺的優(yōu)勢,幫助有資金困難的小微企業(yè)渡過難關(guān),提高社會福利,對促進欠發(fā)達地區(qū)的經(jīng)濟發(fā)展具有積極作用[8]。因此,為了防范風險而對P2P網(wǎng)絡借貸平臺一刀切的政策有待商榷,而運用大數(shù)據(jù)技術(shù)對P2P平臺的風險來源進行全面分析,對風險識別與預警具有一定的現(xiàn)實意義。

如何識別風險并制定監(jiān)管規(guī)則是目前監(jiān)管部門和學術(shù)界研究的熱點問題。2016年4月12日,國務院辦公廳印發(fā)并實施的《互聯(lián)網(wǎng)金融風險專項整治工作實施方案》指出,建立和完善適應互聯(lián)網(wǎng)金融發(fā)展特點的監(jiān)管長效機制,實現(xiàn)規(guī)范與發(fā)展并舉、創(chuàng)新與防范風險并重,重點指明了對P2P平臺的整治,這體現(xiàn)出監(jiān)管部門對P2P網(wǎng)絡借貸行業(yè)健康發(fā)展的重視。

對于P2P網(wǎng)絡借貸平臺的監(jiān)管,一些學者從不同角度提出了有益的監(jiān)管辦法。例如:趙建國、白昌易等人(2019)基于50家P2P網(wǎng)貸平臺經(jīng)營面板數(shù)據(jù),利用回歸分析方法,研究發(fā)現(xiàn)實施“1+3”政府監(jiān)管體系能夠使平臺成交量、投資人數(shù)增加,緩解市場失靈,保證市場有效運行,對P2P平臺的發(fā)展具有顯著的促進作用[9]。馬淑琴、鄭佳豪等人(2019)基于信用中介化和流動性風險循環(huán)視角,建立三種回歸模型進行分析,研究結(jié)果表明P2P網(wǎng)貸平臺作為信息中介是產(chǎn)生平臺風險的根源,建立第三方風險監(jiān)測預警系統(tǒng)有利于防范P2P網(wǎng)貸平臺的風險,并提出要加強平臺的信息披露、投資者金融風險教育,完善征信體系、網(wǎng)貸平臺準入機制等政策建議[10]。

一些學者認為P2P網(wǎng)絡借貸平臺的風險主要來自借款人的信用風險和違約風險,在借款人信用風險和違約風險識別與預警方面做了大量有益的研究。例如,全穎、敬然(2019)分析借款人信用風險形成的原因,構(gòu)建了包括防范要素輸入、信用風險預警、風險防范、預警結(jié)果輸出等四個模塊的P2P網(wǎng)貸借款人信用風險預警系統(tǒng),并提出防范借款人信用風險,要加強借款人貸后風險的監(jiān)控、信用風險防范管理人才隊伍的建設、借款人信息庫的構(gòu)建等[11]。蔣先玲、張慶波等人(2020)基于人人貸平臺的歷史交易數(shù)據(jù),根據(jù)風險定價理論,對借款人的信用風險進行識別,研究結(jié)果表明,無論是P2P平臺、投資者還是監(jiān)管部門對借款人的信用風險的識別都存在偏差,由此建議打破個人征信數(shù)據(jù)壁壘、豐富個人征信產(chǎn)品[12]。涂艷、王翔宇(2018)基于拍拍貸的交易數(shù)據(jù),將交易樣本分為違約與非違約兩種狀態(tài),運用多種機器學習方法構(gòu)建借款人違約風險預警模型,對比不同機器學習方法預警準確率,該研究對實現(xiàn)借款人違約風險的科學預警具有重要意義[13]。

在平臺本身的風險識別與預警方面,也有學者從不同角度出發(fā)進行了研究。例如,姚暢燕、吳姍姍(2016)分析了P2P網(wǎng)貸行業(yè)風險的來源,認為P2P網(wǎng)貸行業(yè)的風險由宏觀經(jīng)濟環(huán)境風險和平臺內(nèi)部風險兩大部分組成,并利用主成分分析法對網(wǎng)貸市場風險進行綜合評估,依據(jù)經(jīng)驗將平臺風險等級分為四個等級,將平臺風險的四個等級作為BP神經(jīng)網(wǎng)絡的輸出,構(gòu)建了包含宏觀經(jīng)濟變量的P2P網(wǎng)貸行業(yè)風險預警BP神經(jīng)網(wǎng)絡預警模型[3]。范超、王磊等人(2017)在2016年6月13日國泰安數(shù)據(jù)庫444家中國P2P平臺內(nèi)部基本數(shù)據(jù)與交易數(shù)據(jù)的基礎(chǔ)上,引入平臺外部評論數(shù)據(jù)和新聞數(shù)據(jù),將平臺分為問題平臺和正常平臺,綜合使用11種機器學習方法選擇重要的風險預警指標并分析各個指標的意義,研究結(jié)果表明外部信息和交易信息對平臺風險的甄別具有重要作用,且SVM和樹類模型對P2P平臺的風險預警更加有效[14]。崔炎炎、劉立新(2020)將網(wǎng)絡輿情信息和第三方資訊網(wǎng)站信息加入到傳統(tǒng)的P2P網(wǎng)貸風險評價指標體系中,將網(wǎng)貸平臺分為問題平臺和正常平臺,運用四種機器學習模型對網(wǎng)貸平臺進行風險評價,得出隨機森林和SVM的分類準確率更高[15]。張璇(2020)基于投資者權(quán)益保護視角,構(gòu)建P2P平臺風險預警指標體系,利用主成分分析法對平臺風險進行評估,依據(jù)經(jīng)驗將平臺風險劃分為五個等級,將風險預警指標體系作為BP神經(jīng)網(wǎng)絡的輸入,五個等級作為輸出,建立BP神經(jīng)網(wǎng)絡風險預警模型[16]。

通過對以往研究的梳理,研究者們?yōu)榫S持P2P網(wǎng)絡借貸行業(yè)的穩(wěn)定健康發(fā)展,從不同角度分析了平臺風險的來源、問題平臺產(chǎn)生的原因,并從構(gòu)建平臺監(jiān)管制度,識別借款人信用風險、違約風險以及平臺本身風險等方面做出了重要貢獻,特別是為解決P2P平臺風險預警問題提出了很多有效的方案,對本文P2P網(wǎng)貸平臺風險識別有重要的參考價值。但以往研究仍存在一些需要完善的地方:一方面,不管是對借款人信用風險、違約風險的識別,還是對P2P網(wǎng)絡借貸平臺風險的識別,已有的風險預警系統(tǒng)只考慮已經(jīng)發(fā)生的和未發(fā)生的兩種類型(即借款成功和未成功,未違約和已經(jīng)違約,正常平臺和問題平臺),這種事后預警具有很強的滯后性,對平臺的管理者、監(jiān)管部門、投資者實時掌握平臺的風險狀況造成了困難。本文將對正常運營的P2P網(wǎng)絡借貸平臺的風險進行評估,并對風險進行等級的劃分,利用四種機器學習方法實現(xiàn)平臺的風險預警,對比四種機器學習模型的效果,選出最有效的方法作為最終的風險預警模型。另一方面,在少有的對平臺風險進行綜合評估和風險等級劃分的研究中,只是通過經(jīng)驗的劃分方式對平臺的風險等級進行了較為簡單的劃分,科學客觀劃分的研究較少。本文將利用高斯混合模型對平臺的風險等級進行科學劃分,劃分結(jié)果將與風險預警指標一起作為機器學習模型輸入,訓練風險預警模型。

如圖1所示,本文構(gòu)建的P2P網(wǎng)絡借貸平臺風險預警系統(tǒng)分為風險定性分析、風險定量識別、風險預警及結(jié)果處理三個階段。第一階段深入分析平臺風險產(chǎn)生的原因、特點和主要的風險來源,并構(gòu)建風險預警指標體系;第二階段根據(jù)建立的風險預警指標體系搜集數(shù)據(jù)并對數(shù)據(jù)進行清洗,對P2P平臺風險進行綜合評價即風險定量賦值,將風險綜合評價結(jié)果輸入高斯混合模型,以劃分P2P網(wǎng)絡借貸平臺風險等級;第三階段將風險定量指標輸入四種機器學習模型并輸出風險預警結(jié)果,平臺管理者、投資人以及監(jiān)管部門可根據(jù)該P2P網(wǎng)絡借貸平臺風險預警結(jié)果做出相應的反應。

圖1 P2P網(wǎng)絡借貸平臺風險預警系統(tǒng)構(gòu)建過程

二、P2P網(wǎng)絡借貸平臺風險定量識別

(一)P2P網(wǎng)絡借貸平臺風險評價指標體系的構(gòu)建

何德旭、王進成(2013)認為網(wǎng)絡借貸平臺應借鑒商業(yè)銀行的資本管理辦法,以防止平臺風險的積累[17]。方云龍、于博(2019)運用灰色關(guān)聯(lián)分析法對P2P網(wǎng)絡借貸平臺風險進行了測度,認為經(jīng)營風險和流動性風險是P2P平臺的主要風險,其中流動性風險是制約P2P網(wǎng)貸平臺穩(wěn)定發(fā)展的重要因素[18]。王立勇,石穎(2016)全面分析了P2P網(wǎng)絡借貸平臺的風險作用機理,提出應當類比傳統(tǒng)金融機構(gòu)對風險的評價,將P2P平臺風險分為流動性風險、市場風險、信用風險和操作風險四個維度,并指出信用風險是金融風險的重要來源[19]。張文、崔楊波等人(2018)認為運營風險是P2P網(wǎng)貸平臺系統(tǒng)風險的重要風險來源[6]。劉進一(2020)基于6488家P2P網(wǎng)貸平臺數(shù)據(jù),將平臺分為正常平臺和問題平臺、逃避型平臺和非逃避型平臺,對四類平臺分別進行回歸分析并對比,并指出應當將傳統(tǒng)金融機構(gòu)的準入指標納入P2P網(wǎng)絡借貸平臺[20]。通過梳理已有對P2P網(wǎng)絡借貸平臺風險測度的研究成果,可以看出大多數(shù)學者認為P2P網(wǎng)絡借貸平臺的風險引發(fā)機制與傳統(tǒng)金融機構(gòu)有很多相似之處,對P2P網(wǎng)絡借貸平臺風險測度應該類比傳統(tǒng)金融機構(gòu)的測度指標,因此借鑒我國商業(yè)銀行對風險評價的“三性”原則和LAPP法,從流動性、活動性、盈利性三個角度,分析P2P網(wǎng)絡借貸平臺的風險,構(gòu)建P2P網(wǎng)絡借貸平臺風險預警指標體系對平臺風險進行量化評估(表1)。

流動性主要衡量P2P網(wǎng)貸平臺的資產(chǎn)在不受損的情況下以合理的價格迅速轉(zhuǎn)換給對方的能力以及償還對方債務的能力,平臺的流動性受流動性風險的影響[17]。流動性風險指P2P網(wǎng)貸平臺雖然有償還債務的能力,但無法及時獲得充足資金或無法以合理成本及時獲得充足資金以應對資產(chǎn)增長或支付到期債務的風險[18]。選取本月資金凈流入總額、投資人數(shù)、1/前十大投資人待收金額占比、1/前十大借款人待還金額占比、1/滿標用時五個三級指標來衡量流動性風險,指標越大說明平臺的變現(xiàn)能力和償債能力越強,流動性風險越低?；顒有灾饕饬縋2P網(wǎng)貸平臺投入資產(chǎn)使用的經(jīng)營能力,平臺的活動性受運營風險和操作風險的影響[20]。運營風險是指P2P網(wǎng)貸平臺在實際運營過程中,由于外部經(jīng)濟社會環(huán)境的復雜性和變動性,且平臺對這些復雜多變的環(huán)境的認知能力和適應能力有限,而導致的運營失敗或使運營活動達不到預期的目標的可能性及其損失[6]?；谶\營風險的定義,本文對運營風險的衡量指標為成交額/注冊資本、1/借款標數(shù)、人均投資金額、1/借款人數(shù),指標越大說明平臺的運營能力越強,適應外界環(huán)境變化的能力越強,運營風險越低。操作風險是指由于P2P網(wǎng)貸平臺的內(nèi)部操作過程(如平臺的業(yè)務集中度)、操作系統(tǒng)(如資金的存放方式)等內(nèi)部設施不完善而導致的直接或間接損失的風險[19],本文選取1/平均借款期限水平、1/人均借款金額、平臺背景這三個指標來衡量操作風險,指標越大說明業(yè)務集中度越高,資金存放方式約合理,操作風險越低。盈利性主要衡量P2P網(wǎng)貸平臺通過經(jīng)營貨幣以獲取相應利潤的能力,平臺的盈利性受信用風險的影響。信用風險是指P2P網(wǎng)貸平臺無法履行到期債務的風險[12]。選取平臺注冊資本、平均參考收益率、運營月份、成交量、1/待還余額來衡量平臺的信用風險,指標越大表明平臺的盈利能力越強,信用風險越低。

表1 P2P網(wǎng)絡借貸平臺風險預警指標體系

(二)數(shù)據(jù)來源及有效性檢驗

1.樣本選取與數(shù)據(jù)來源

2017年8月25日,由銀監(jiān)會印發(fā)、國務院批準實施的《網(wǎng)絡借貸信息中介機構(gòu)業(yè)務活動信息披露指引》指出P2P網(wǎng)絡借貸平臺應當本著“真實、準確、完整、及時”原則,向社會披露平臺的信息。比如:“應當在每月前5個工作日內(nèi),向公眾披露截至上月末平臺的交易信息、經(jīng)營信息等”,這一信息披露指引實施后,各類型P2P網(wǎng)絡借貸平臺都通過互聯(lián)網(wǎng)媒介,在各大網(wǎng)站如網(wǎng)貸之家、網(wǎng)貸天眼等披露平臺基本信息,這為本文的數(shù)據(jù)來源提供了支撐。從數(shù)據(jù)的可獲得性、可靠性以及時效性等方面考慮,本文選擇網(wǎng)貸之家截止到2019年10月正常營業(yè)平臺的數(shù)據(jù)進行研究,包括民營系平臺76家、上市系平臺22家、國資系平臺25家、風投系平臺21家,共144家P2P網(wǎng)貸平臺的數(shù)據(jù)。

2.樣本數(shù)據(jù)集的信度和效度檢驗

由于樣本數(shù)據(jù)集各個指標是存在量綱的,考慮到各個指標之間的可比性以及數(shù)據(jù)本身的誤差,本文采用z-score標準化方法對數(shù)據(jù)集進行標準化處理,如公式(1)。

(1)

進行標準化后的指標為無量綱、均值為0、方差為1的標準化數(shù)據(jù)集,因此,可以對各個指標進行橫向和縱向的比較。利用KMO和Bartlett球形檢驗方法對標準化后樣本數(shù)據(jù)集進行信度和效度的檢驗,以判斷數(shù)

據(jù)集是否適合主成分分析。由表2可知KMO統(tǒng)計量為0.601,表明各指標之間具有良好的相關(guān)性和偏相關(guān)性,適合主成分分析方法;Bartlett球形檢驗的P值小于0.005,拒絕各指標的相關(guān)系數(shù)陣為單位陣的原假設,說明各指標間具有相關(guān)性,主成分分析綜合評價方法有效。

表2 KMO和Bartlett球形檢驗

(三)平臺風險綜合評價

主成分分析法是多元統(tǒng)計分析中的一種數(shù)據(jù)降維的方法,通過計算樣本矩陣的特征值、特征向量,綜合各指標的信息并以最小的維度來度量樣本數(shù)據(jù)的大部分信息的一種方法[21]。對樣本量為n,指標個數(shù)為p的數(shù)據(jù)集,數(shù)據(jù)集的矩陣表示為公式(2):

(2)

將樣本數(shù)據(jù)標準化(無量綱化)后,利用公式(3)計算相關(guān)系數(shù)矩陣R:

(3)

將p個指標按照公式(4)經(jīng)過降維處理變成m個主成分因子,式中(aij)為特征向量矩陣,X為樣本數(shù)據(jù)集。并按公式(5)和公式(6)分別計算方差貢獻率和累計方差貢獻率,其中λm為第m個指標所對應的特征值。該過程通常稱之為因子的提取與旋轉(zhuǎn)。

(4)

(5)

(6)

按照因子的提取原則,本文提取因子特征值大于1且累計方差貢獻率大于75%的前7個主成分因子,如表3?？梢钥闯?提取前7個主成分因子就可以有效提取原來16個指標78.4%的信息,說明主成分分析能夠達到有效提取信息和降維的效果。然后利用表4的前7個主成分因子的載荷矩陣進行因子旋轉(zhuǎn),用矩陣F=[F1,F2,…,F7]表示7個主成分因子。

表3 主成分的特征值及方差貢獻率

利用公式(7)計算各網(wǎng)絡借貸平臺的綜合得分。綜合得分高的P2P網(wǎng)貸平臺表明其流動性、活動性、盈利性綜合能力強,平臺的總體風險低;反之綜合能力弱,平臺總體風險高。因此將主成分因子綜合得分當作平臺的風險值,得分越高的平臺說明其風險防控能力強,反之風險防控能力弱。

(7)

表4 前7個主成分的載荷矩陣

(四)平臺風險等級識別

高斯混合模型是一種統(tǒng)計混合模型,它利用不同總體的分布信息對樣本進行聚類,避免了一般的距離聚類方法無法對不同總體進行聚類的缺陷,利用數(shù)據(jù)的整體信息,得到的是每個樣本屬于某一類的概率[22]。高斯混合模型如公式(8)所示:

(8)

由于無法判斷各個P2P網(wǎng)絡借貸平臺的風險得分是否屬于同一個總體,故更適合用高斯混合模型進行聚類,進而達到對P2P網(wǎng)絡借貸平臺風險進行分級的目的。在本文中假設所有平臺風險可分為5個等級即高斯混合模型中J=5,對于第i個平臺風險得分Ci,把該風險得分Ci帶入高斯混合模型中求出屬于第j個等級的概率:P(θj|Ci),其中j=1,2,3,4,5;i=1,2,…,n。然后選擇概率值最大的那個等級作為第i個平臺的最終風險等級。這樣就完成了對P2P網(wǎng)絡借貸平臺風險等級的劃分。借助張璇(2020)對P2P網(wǎng)絡借貸平臺風險等級的命名方式[24],將這五個風險等級由高到低命名為重警、中警、輕警、微警和無警,記為Y=[y1,y2,y3,y4,y5]=[重警,中警,輕警,微警,無警],對應的預警顏色分別為紅色、橙色、黃色、綠色、藍色(表5)。若平臺處于紅色、橙色狀態(tài),表明該網(wǎng)絡借貸平臺的風險防控能力處于極其弱的狀態(tài),急需調(diào)整平臺的運營體系;處于黃色狀態(tài)則警示網(wǎng)絡借貸平臺需要檢查其運營狀況,分析風險來源,及時做出調(diào)整,以應對金融風險使平臺處于不利地位;處于綠色或藍色狀態(tài)表明平臺風控能力較強,平臺運行正常。

表5 P2P網(wǎng)絡借貸平臺風險等級劃分

根據(jù)高斯混合模型劃分的144家網(wǎng)絡借貸平臺風險等級結(jié)果,計算出四個不同背景P2P網(wǎng)絡借貸平臺的風險等級分布如圖2所示。從整體來看,各類型平臺的風險情況都不好,大多數(shù)P2P網(wǎng)絡借貸平臺都處于黃色、橙色甚至紅色狀態(tài)。這可能是由于現(xiàn)階段我國宏觀經(jīng)濟從高速增長轉(zhuǎn)換為中高速增長,部分小微企業(yè)在這個過程中倒閉、小型融資減少,也與P2P網(wǎng)貸平臺經(jīng)營體系不規(guī)范、管理體制不完善、各方面的風險控制能力弱有很大關(guān)系。從各個類型的網(wǎng)貸平臺來看,50%的風投系、約9%的上市系、約21%的民營系、43%的國資系平臺處于綠色和藍色狀態(tài),約一半以上的上市系、國資系、民營系平臺都處于橙色和紅色狀態(tài),即風投系平臺風險狀況總體優(yōu)于其他三種平臺。究其原因,風投系平臺的資金來源主要是風投機構(gòu),他們?yōu)槠脚_提供了充裕且穩(wěn)定的平臺資金,這樣有利于擴大平臺規(guī)模,提高風險控制能力,且平臺運行體系較為完善,而其他三種類型的企業(yè)資金來源不穩(wěn)定,管理體系不完善,無法有效地控制風險。

圖2 不同背景P2P網(wǎng)絡借貸平臺風險等級分布

(五)風險評估模型驗證

接下來選取截止到2020年6月7日各個平臺的實際運營狀況,以驗證構(gòu)建的風險評價指標體系以及風險分級的合理性與有效性。如圖3所示,僅僅經(jīng)過8個月的發(fā)展,2019年10月正常運營的平臺中有24家轉(zhuǎn)型或停業(yè),20家出現(xiàn)因提現(xiàn)困難、延期兌付、網(wǎng)站關(guān)閉等問題而被迫關(guān)閉的問題,僅有17家平臺還在正常運營。從以上數(shù)據(jù)可以看出P2P網(wǎng)絡借貸行業(yè)確實存在很高的風險,在44家轉(zhuǎn)型、停業(yè)和問題平臺中有75%的平臺風險在輕警以上,17家正常運營平臺中有70.6%的平臺風險在微警以下,說明本文構(gòu)建的風險評價指標體系合理,風險識別方法有效。

圖3 風險評估模型驗證

三、P2P網(wǎng)貸平臺風險預警

(一)P2P網(wǎng)貸平臺風險預警模型選擇與模型評估指標

機器學習方法是處理分類問題的經(jīng)典方法,適用于處理P2P網(wǎng)絡借貸平臺風險預警問題。選擇樸素貝葉斯模型、Softmax回歸模型、隨機森林和支持向量機四種方法處理P2P網(wǎng)絡借貸平臺的風險預警問題,接下來將對這四種機器學習模型以及本文選用的模型評估指標進行簡要介紹。

1.樸素貝葉斯(NB)

樸素貝葉斯分類方法是基于貝葉斯公式的一種有監(jiān)督統(tǒng)計分類方法[23],它利用144家網(wǎng)貸平臺的16個風險評估指標所包含的統(tǒng)計信息,計算出后驗概率,將后驗概率最大的類別作為最后的分類結(jié)果,模型的具體形式如公式(9):

(9)

根據(jù)貝葉斯公式計算后驗概率如公式(10):

(10)

假設各指標Xi之間相互獨立,則公式(10)可改寫為公式(11):

(11)

根據(jù)貝葉斯分類結(jié)果得出P2P網(wǎng)貸平臺的風險等級,以起到風險預警作用。

2.Softmax回歸模型

Softmax回歸直接對分類的可能性進行建模,對數(shù)據(jù)的分布沒有要求,具有較強的適用性[24]。本文的分類對象是網(wǎng)貸平臺的風險等級,為五分類問題,故能夠選用Softmax回歸完成分類任務。Softmax回歸能夠得到平臺屬于某個風險等級的近似概率預測,將每個類別經(jīng)過對數(shù)幾率函數(shù)(logit)變換,得到Softmax函數(shù)如公式(12):

(12)

3.隨機森林(RF)

隨機森林是由多個決策樹組成的并行式集成學習方法的一個擴展變體[25],分類結(jié)果依據(jù)多個決策樹預測結(jié)果運用自助采樣法(Bootstrap)投票匯總而成,具有預測精度高,可解釋性強等優(yōu)點。本文將16個風險評估指標作為輸入,網(wǎng)貸平臺的風險等級作為分類對象,運用交叉驗證的方法對決策樹的數(shù)量和每棵決策樹的深度進行調(diào)參,訓練隨機森林分類器,并利用隨機森林模型的可解釋性挖掘平臺風險的重要指標。

4.多分類支持向量機(SVMs)

5.模型的評估指標

機器學習模型有很多成熟的模型評估指標,比如準確率、精確率、召回率、F1-score等,這些評估指標大多數(shù)適用于二分類機器學習模型,對于多分類機器學習模型目前使用最多的評估指標為準確率[27]。結(jié)合風險預警的目的,本文定義了預警準確率和預警有效率兩個評估指標綜合評估預警模型的優(yōu)劣。預警準確率定義為模型預測正確的P2P平臺個數(shù)與測試集總的P2P平臺個數(shù)之比,預警有效率定義為模型預測正確的P2P平臺個數(shù)和預測風險比實際風險高的P2P平臺個數(shù)之和與測試集總的P2P平臺個數(shù)之比。評估指標的值越大,表明該模型的風險預警能力越強。

(二)P2P網(wǎng)貸平臺風險預警模型實證

本文依據(jù)構(gòu)造的網(wǎng)絡借貸平臺風險評價指標體系以及對風險等級的識別,將指標體系中的17個三級指標作為每個P2P網(wǎng)絡借貸平臺的特征,將5個風險等級作為P2P網(wǎng)絡借貸平臺的5個類別,采用分層抽樣的方式抽取不同背景的平臺,按3∶1的比例劃分訓練集和測試集,即抽取55家民營系平臺、14家上市系平臺、17家國資系平臺、12家風投系平臺作為訓練集,其余平臺作為測試集。將訓練集數(shù)據(jù)輸入到風險預警模型中訓練各個分類器。將測試集的特征輸入到已經(jīng)訓練好的分類器中,并輸出預警的分類結(jié)果,借助預警準確率和預警有效率兩個評估指標對比各模型的優(yōu)劣,試驗出最好的一個風險預警模型。這樣可以將訓練好的最優(yōu)預警模型保存,從而不用每次監(jiān)測風險時都對平臺再進行風險識別,從而簡化平臺風險評估過程,提高風險監(jiān)測效率,達到對各個P2P平臺風險進行實時監(jiān)測預警的目的。

模型的分類結(jié)果如表6所示。根據(jù)表6的混淆矩陣計算四個模型的預警準確率和預警有效率如表7所示。綜合混淆矩陣和模型評估結(jié)果來看,樸素貝葉斯模型的綜合表現(xiàn)優(yōu)于其他三個模型,對P2P網(wǎng)絡借貸平臺風險預警問題具有較強的判別能力,更能夠達到P2P網(wǎng)貸平臺風險預警的目的。

表6 四個風險預警模型分類結(jié)果混淆矩陣

表7 四個風險預警模型評估結(jié)果

利用隨機森林模型的可解釋性特征,探索風險評價指標體系中各三級指標對平臺總體風險影響的重要性,從而分析P2P網(wǎng)絡借貸平臺主要的風險來源。如表8所示,可以看出平均借款期限水平是判斷平臺總體風險等級最重要的指標,表征流動性風險的指標投資人數(shù)和前十大借款人待還金額占比的重要性分別排名第二、第三。

表8 排名前10的三級指標重要性

將表征每個風險維度的三級指標重要性加總,得到四個維度風險的重要性排名如表9所示。在各個維度風險的重要性排名中,流動性風險排名第一,信用風險排名第二,操作風險的重要性最低。從表8可以看到,表征流動性風險大小的兩個指標的單個重要性排到了前三位,表明風險評價指標體系設計符合實際。信用風險也占據(jù)了相當重要的地位,這與我國P2P網(wǎng)絡借貸行業(yè)以經(jīng)營小微企業(yè)和個人的小額信貸業(yè)務為主,且個人征信系統(tǒng)不完善的事實相符。小微企業(yè)由于本身資金不雄厚,一旦創(chuàng)業(yè)失敗或者經(jīng)營虧損就難以如期還款,個人一旦失業(yè)或者由于其他因素影響很容易導致逾期還款,由此可見小微企業(yè)和個人能否如期還款的不確定性因素很多,因此信用風險在總體風險中占據(jù)相當重要的地位。運營風險和操作風險主要反應P2P網(wǎng)絡借貸平臺對借款人的管理規(guī)則、平臺本身的狀況、以及資金的運營狀況,這其中特別是平臺本身的狀況如平臺背景、注冊資金在平臺成立時就定了,幾乎不會隨著時間和交易過程的變化而變化,而風險是在動態(tài)交易過程中產(chǎn)生的,這些幾乎不變的指標對總體風險的影響不大,由表8也可以看到,只有表征操作風險的平均借款期限水平指標排名前十,所以這兩個維度風險的重要性相對較低也是合理的。平均借款期限水平單個指標對總體風險的貢獻較大,所以對操作風險的控制主要留意平均借款期限水平指標。

表9 各個維度風險重要性排名

四、結(jié)論與建議

在當前我國防范化解金融風險的大背景下,P2P網(wǎng)貸平臺作為我國互聯(lián)網(wǎng)金融的重要組成部分,對化解中小企業(yè)融資難、盤活欠發(fā)達地區(qū)經(jīng)濟具有重要作用。尤其對P2P平臺風險進行識別與監(jiān)測,對風險高的平臺進行警示和過濾,能夠幫助平臺管理者、投資者和監(jiān)管部門有效識別風險,減少由于信息不對稱導致的一系列風險問題,使互聯(lián)網(wǎng)金融行業(yè)可持續(xù)發(fā)展。本文選取了正常運營的P2P網(wǎng)貸平臺作為樣本數(shù)據(jù),而忽略了問題平臺,這可能導致對平臺的風險度量和分級高于實際的風險狀況,從而夸大P2P行業(yè)的風險狀況,這樣選取樣本平臺的研究策略正好符合當前各監(jiān)管部門對高風險屬性的P2P網(wǎng)絡借貸行業(yè)的規(guī)范與引導政策。通過利用主成分綜合評分法對P2P網(wǎng)貸平臺的風險值進行度量,采用高斯混合模型對平臺風險得分劃分了五個風險等級,分別是重警、中警、輕警、微警、無警,利用機器學習方法構(gòu)建了四個P2P網(wǎng)貸平臺風險預警模型,選擇最優(yōu)模型構(gòu)建P2P平臺的風險預警系統(tǒng),結(jié)果表明:樸素貝葉斯模型對P2P網(wǎng)貸平臺風險的識別能力最強,由此可以看出基于概率統(tǒng)計思想的樸素貝葉斯模型充分利用了先驗信息和樣本的統(tǒng)計信息,樣本數(shù)量的多少對模型預警結(jié)果不會產(chǎn)生較大影響,因此在樣本量不大時其預警結(jié)果好于其他機器學習模型。隨機森林模型顯示流動性風險和信用風險在P2P網(wǎng)絡借貸平臺總體風險中起著重要作用,操作風險主要來源于平均借款期限水平。從P2P網(wǎng)絡借貸平臺的風險預警結(jié)果方面來看,較多平臺處于高風險狀態(tài),這足以說明平臺本身的風險控制能力弱,風險防范意識不強,急需政府制定有效的監(jiān)管措施來防范金融風險。因此,對防范P2P網(wǎng)貸平臺引起的互聯(lián)網(wǎng)金融風險提出以下幾點意見:

第一,針對不同類型的P2P網(wǎng)貸平臺采取不同監(jiān)管辦法,建立不同的監(jiān)管策略。如對風險等級較低的風投系平臺可以制定相對寬松的風險監(jiān)管政策,而對于其他類型的平臺則要嚴格把控、重點防范。如預警狀態(tài)達到橙色區(qū),應予以相應的處理。

第二,應從控制流動性風險和信用風險方面入手,控制P2P網(wǎng)絡借貸平臺的總體風險。如建立平臺登記制度,網(wǎng)貸平臺應到相關(guān)的政府部門辦理登記,相關(guān)機構(gòu)應及時披露平臺的登記信息,減少信息不對稱造成的風險;健全對問題平臺的處置機制,對存在非法集資、卷資金跑路、違規(guī)交易等問題的平臺要嚴厲處置;對處于中警和重警狀態(tài)的平臺要及時警示,以防范其風險問題的進一步惡化。

第三,應加強相關(guān)人才的培養(yǎng),加大資金及科研投入,建立和完善P2P網(wǎng)絡借貸平臺的數(shù)據(jù)庫,構(gòu)建長效的P2P網(wǎng)絡借貸平臺風險預警機制。

綜上,為了防范互聯(lián)網(wǎng)金融風險,政府監(jiān)管部門和平臺自身都應提升風險防范意識,保持用戶與平臺之間、監(jiān)管部門與平臺之間、平臺與平臺之間的信息暢通,對可能出現(xiàn)風險的環(huán)節(jié)重點監(jiān)控,加強P2P網(wǎng)絡借貸平臺風險防范與抵御能力,推動互聯(lián)網(wǎng)金融行業(yè)的穩(wěn)定健康發(fā)展。