互聯網金融信用風險預警機制模型探討

劉可卉 邵宏偉

河北金融學院

互聯網金融信用風險預警機制模型探討

劉可卉 邵宏偉

河北金融學院

本文作者首先介紹了我國互聯網金融模式的發展現狀，其次對我國的互聯網金融模式信用風險進行了分析，最后作者探究了三種信用風險預警機制的模型。本文對我國建立起互聯網金融信用風險預警機制具有積極的指導意義。

互聯網金融；信用風險；預警機制

一、互聯網金融的定義和特征

互聯網金融，顧名思義是傳統金融行業與互聯網相結合的新興領域。從廣義上講，具備互聯網精神的金融業態統稱為互聯網金融。理論上任何涉及到廣義金融的互聯網應用，都應該是互聯網金融，包括但不限于第三方支付、在線理財產品銷售、信用評價審核、金融中介、金融電子商務等模式。從狹義的金融角度來看，互聯網金融則應該定義在貨幣的信用流通相關層面，也就是資金融通依托互聯網來實現的方式方法都可以稱為互聯網金融。

二、我國互聯網金融模式的發展現狀

(一)第三方支付

傳統的第三方支付，買賣雙方在網上達成交易協議后，買方通過信譽度良好的第三方中介機構提供的賬戶和通道完成交易款項的支付，支付完成后，貨款先由第三方代管，待買方收到貨物驗收無誤后，再通知第三方機構支付，貨款劃到賣方賬戶，一筆交易至此完成。新興的第三方支付逐漸演變為移動支付、預付卡、POS收單等線下支付，因此實質上是一種信用中介服務。

(二)網絡貸款平臺

網絡貸款平臺借鑒電子商務，把放貸方與借貸方通過網絡連結起來，在債權債務屬性關系中脫離了傳統的資金媒介，如P2P信貸。P2P網絡小額借貸主要是指個人通過第三方平臺對需要借貸的個人提供小額貸款的金融方式，平臺在其中只作為中介機構且收取一定的手續費。

(三)眾籌

眾籌是指一種向群眾募資，以支持發起的個人或組織的行為。一般而言是透過網絡上的平臺連結起贊助者與提案者。群眾募資被用來支持各種活動，包含災害重建、民間集資、競選活動、創業募資、藝術創作、自由軟件、設計發明、科學研究以及公共專案等。

三、互聯網金融模式信用風險分析

(一)信用風險

信用風險這個范疇是指借貸行為。這種經濟行為的形式特征是以收回為條件的付出，或以歸還為義務的取得，而且貸者之所以貸出，是因為有權獲得利息，借者之所以可能借人，是因為承擔了支付利息的義務。這種交易過程由于在空間時間上的分離，天然導致了風險的出現，即信用風險。

(二)互聯網金融模式信用風險的成因

信用風險存在于互聯網金融的多種模式，比如第三方支付、網絡借貸、眾籌等。對于其產生的原因歸納為以下幾點：1.互聯網金融公司的信貸行為不需要實物抵押或者擔保。2.互聯網金融公司的征信體系不完善。

四、信用風險預警機制模型探討比較

(一)KMV模型

KMV模型是美國著名的風險管理公司KMV公司于1993年基于公司理財和期權理論，利用布萊克-斯科爾斯-莫頓模型(BSM， Black-Scholes-Merton Model)開發出來的一種資產組合風險管理模型。該模型利用企業股權的市場價值及其波動率、企業負債的到期時間、賬面價值和無風險利率等數據，以期權定價理論為基礎，對企業資產的市場價值、資產價值的波動性進行估計，并據此算出企業的預期違約率。

KMV模型在國外上市公司信用風險評估中得到了廣泛的應用，并且已經取得良好的效果。與同類模型比較，KMV在中國的應用主要有三大優勢：不要求有效市場假設，在我國這樣的弱有效市場預測效果較好；數據獲取相對容易；KMV模型對財務指標的依賴僅限于債務的賬面價值，從而在一定程度上緩解了我國普遍存在會計信息失真的影響。

(二)Logistic回歸模型

Logistic模型最早是由Martin(1977)用來預測公司的破產及違約概率。他從1970-1977年間大約5700家美聯儲成員銀行中界定出58家困境銀行，并從25個財務指標中選取總資產凈利潤率等8個財務比率，用來預測公司的破產及違約概率，建立了Logistic回歸模型(Logistic regression model)，根據銀行、投資者的風險偏好設定風險警界線，以此對分析對象進行風險定位和決策。他還將Z-Score模型，ZETA模型和Logistic模型的預測能力進行了比較，結果發現Logistic回歸模型優于Z-Score模型和ZETA模型。Ohlson(1980)也將Logistic模型應用于信用風險分析。Madalla (1983)則采用Logistic模型區別違約與非違約貸款申請人。其研究結果表明，當違約概率p＞0.551時是風險貸款，當p＜0.551時是非風險貸款。

(三)BP神經網絡模型

人工神經網絡簡稱神經網絡(BP neutral network model)，是用大量簡單的處理單元廣泛連接組成的復雜網絡，是在現代生物學研究人腦組織所取得的成果基礎上提出的，用以模擬人腦大腦神經網絡結構和行為。BP網絡的學習由四個過程做成，即：輸入模式由輸入層經中間層(隱含層)向輸出層的“模式順傳播”過程，網絡的希望輸出與網絡實際輸出之間的誤差信號由輸出層經中間層向輸入層逐層修正連接權的“誤差逆傳播”過程；由“模式順傳播”與“誤差逆傳播”的反復交替進行過程。

從模式識別的角度看，商業銀行信用風險預警是個模式分類的過程：從警兆指標--警情指標--警度之間的映射關系來看， 經濟預警是一個函數逼近的過程：從警兆指標--警情指標--警度之間的噪聲與報警準確處理方式來看，經濟預警又是一個最優化過程。模式識別、函數逼近、最優化處理正是BP網絡最擅長的應用領域。

[1]袁翠，互聯網金融模式信用風險研究[J].消費導刊，2014(3)

[2]沈沛龍，任若恩.現代信用風險管理模型和方法的比較研究[J].經濟科學，2002(3)

[3]袁羽.人基于Logistic回歸的P2P網絡貸款信用風險度量[D].上海：上海社會科學院，2014

[4]胡玉平，王宇東.人工神經網絡在電子商務中的應用[J].微型機與應用2003(4)

[5]王歡歡，基于BP神經網絡和專家系統的商業銀行信用風險預警系統研究[D]，遼寧：東北財經大學，2005

河北金融學院大學生科研項目 項目編號：DXSKYY2015026