基于BP神經網絡的中國P2P網貸平臺的風險評估及解決方案

鐘佳倚+葉高揚+麥棋昌+黃珊珊+何淵迪

【摘要】近年來國內P2P網貸行業良莠不齊，如何合理有效評估P2P平臺風險，一直是投資界和學術界的關注的問題。當前國內P2P平臺存在的風險主要包括法律風險，操作與技術風險，市場風險與信用風險四類。因此，我們建立BP神經網絡模型評估風險，選取160家平臺作為樣本，并挑選出資本充足率等12個定量指標和注冊省份和股東背景2個定性指標。通過優化指標體系，模型準確率由12個指標的91.4%，提高到14個指標的94.28%。最后根據結論，我們提出了相關建議。

【關鍵詞】金融；P2P；網絡借貸

1 緒論

在P2P平臺風險評估研究方面，國內外已有較多相關資料。Byan Jankar，M Heikkil，J Mezei（2015）構建神經網絡信用評級體系，發現其準確度比傳統的回歸模型更高。國內，劉峙廷（2013）結合德國IPC風險評估，將風險量化，建立適合我國P2P網貸平臺的信用評價模型。曹玲燕（2014）結合模糊數學與層次分析方法對評估平臺風險進行了評估。路晨（2015）借助風險矩陣模型，對P2P平臺不同風險進行排序，提出了應對不同風險的措施。上述研究主要以一間機構為研究對象，研究的風險指標體系有待完善，因此不存在廣泛性。在接下來的討論中，將在前人研究基礎上進一步拓展和完善評估模型。

2 BP神經網絡風險評估模型

2.1BP神經網絡模型簡介

BP（Back Propagation）神經網絡，即方向傳播算法，在1986年由Rumelhart和McCelland提出，是目前應用最廣泛的神經網絡模型之一。它能夠學習和儲存大量的輸入與輸出映射關系，而無需揭示這種映射的數學方程，是一種仿真模擬運算系統，能夠實現自主學習，尤其擅長進行數據預測。BP神經網絡模型有三層結構，包括輸入層（input）、輸出層（output layer）、隱層（hidden layer）。其學習方式是通過處理大量的輸入變量和輸出變量，擬合出最貼近的映射關系，建立非線性模型。

2.2數據來源

樣本數據主要來自“網貸之家”與“佳璐數據”。選取160家網貸平臺（健康平臺及問題平臺各80個）14個指標，共獲得2240個數據。同時為了控制數據變動所帶來的誤差，我們選擇了2016年6月1日的各平臺的歷史數據作為我們的參考依據。

2.3指標體系的建立

本文借鑒國際通行的駱駝評級法，并考慮到我國P2P網貸行業的實際發展情況，建立了如表1的雙重指標體系。

2.3數據預處理

模型共有12個定量變量和2個定性變量，在對兩個定性變量的預處理中，股東背景為民營系時屬性編碼值為0，否則為1；而注冊省份按GDP排名進行編碼。下表為數據的描述性統計分析：

通過上表我們得出以下結論：

（1）X1營業收入問題平臺標準差（19.88）遠高于健康平臺（008），可見問題平臺的營業收入存在巨大差異。

（2）從X2前十大借款人待還金額占比：問題平臺均值（0.66）遠高于健康平臺（0.29），說明問題平臺存在嚴重的信用風險，與我們的預期相符。

（3）X3平均借款利率健康平臺（0.11）略高于問題平臺（009），這與我們預期有所出入；但問題平臺的標準差（0.33）遠高于健康平臺（0.02），這反映了不同問題平臺利率差距較大，這與我們的預期相符。

（4）X4平均借款期限：問題平臺（0.07）遠低于健康平臺（754），而標準差則相反，問題平臺僅僅為0.1，遠低于健康平臺（8.34），這說明了問題平臺為了大量籌資發行了大量短標，帶來了大量流動性風險。

（5）X5營業收入：健康平臺（3335.03）遠高于問題平臺（5.01），與預期相符。

（6）X6前十大土豪待收金額占比：問題平臺（0.12）遠高于健康平臺（0.44），說明問題平臺較大的流動性風險。

（7）X7資金凈流入：問題平臺（2171786.44）遠高于健康平臺（25765.63），X8人均借款金額（萬元）問題平臺（6637886）遠高于健康平臺（1222.76），X9人均投資金額（萬元）問題平臺（26227.76）遠高于健康平臺（14.39），這三者共同體現了問題平臺巨大的流動性風險。

（8）X12運營時間：健康平臺（33.99）約為問題平臺（14.25）的兩倍，與預期相符。

綜上，我們認為所選取的14個指標具有說服力，可納入風險評估體系。

3 模型設計與實證檢驗

3.1模型結構設計

BP神經網絡主要用于求解非線性連續函數的多層前饋神經網絡權重調整問題。在解決問題的過程中，我們按誤差梯度下降的方式修正各層權值，使權值不斷調整，直到網絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數。具體可分為以下兩步。

步驟1：結構參數的設置，包括網絡層數及各層節點數的設置。本文采用包括輸入層、單個隱含層和輸出層的三層BP神經網絡作為評估模型。

（1）輸入層節點數量

在我們的對比模型中，駱駝評級法共采用了12個指標，因此輸入層神經元數量為12，而我們的改進模型中，增加了兩個綜合實力指標，因此改進模型的輸入層節點數量為14。

（2）隱含層節點數量

在原模型和改進模型中，我們默認隱含層節點數量為10。

（3）輸出層節點數量

在兩個對比模型中，我們的目標都輸出為健康平臺1和問題平臺0，因為我們的輸出節點數量為1。

步驟2：訓練參數的設置，主要選擇神經網絡的學習函數和訓練函數等。

在兩個對比模型中，我們的學習函數和訓練函數分別設定為learngdmi函數和trainlm函數。顯示出來的誤差變化為均方誤差值mse，誤差精度均設置為le一10。設定的網絡精度為0.0001，訓練次數為1000。

3.2結果分析及對比

首先我們對12個定量指標（X1-X12）進行實證分析結果如下：網絡為12-10-1-1結構，經過42次迭代循環完成訓練，達到設定的網絡精度0.0001時，誤差下降梯度為0.00976。BP算法在實際應用中很可能會陷入到局部極小值中，可通過改變初始值的方式獲得全局最優值。我們通過反復改變初始值，最終得到較為理想的訓練結果：總判別準確率為0.91429。

我們在駱駝評級法指標的基礎上，在12個定量指標的基礎上添加2個定性指標（X13，X14）對模型進行改進。結果如下：網絡為14-10-1-1結構，經過22次迭代循環完成訓練，達到設定的網絡精度0.0001的時，誤差下降梯度為0.00900。經測試，最終取得了較理想的識別正確率為：0.94286，與原模型采用駱駝評級法對比，準確率由0.91429提升到0.94286。由此可知，該BP網絡具有較好的泛化能力和預測精度，可用于對P2P網貸市場信用風險的評估。

3.3模型創新點和不足

3.3.1創新點

其一：數據的質量較高。數據來源于權威行業統計網站，可信度較高。且樣本數量多（80家健康平臺和80家問題平臺），在一定程度上降低了偶然性。

其二：風險評估體系完善。我們使用國際通行的駱駝評級法進行評測，準確率高達0.91429。我們還通過分析整個經濟模型中各因素間的內在聯系以及P2P網絡借貸的特殊性，加入注冊省份和股東背景兩個定性指標，進一步提升準確率。

其三：BP神經網絡模型的自身優勢。BP神經網絡擅長預測和處理非線性關系。即便在輸入變量的權重、內在關系不明確的情況下，該模型仍能夠自主學習和模擬訓練。由此推斷，我們可以對任意平臺的信用風險進行預測。

3.3.2不足

其一：參數設定較為困難。BP網絡的參數較多，設定缺乏簡單有效的方法，只能根據經驗設定其取值范圍，從而導致算法很不穩定。

其二：容易陷入局部最優。BP網絡在實際應用中很可能陷入局部極小值，可以通過改變初始值，多次運行的方式，獲得全局最優值。

其三：結果不可重現。BP神經網絡對初始權較為敏感。但是其初始權值是隨機的，又影響到訓練結果，因此，結果具有不可重現性。

其四：數據不夠充足。BP神經網絡的學習與訓練都需要足夠的數據支持。160個平臺的數據只能避免一定的偶然性，并不能保證結果的確切性。

4 建議

4.1對P2P平臺的建議

（1）平臺應做到信息公開透明，提供足夠而準確的運營指標以供參考

平臺應披露真實的企業信息，注冊省份，股東背景，企業背景以及其他運營指標，從而提升可信度，吸引更多的投資者。

（2）定期對平臺的相關運營指標進行監測，確認平臺運行良好

平臺可以通過以上BP神經模型，定期對運營情況進行監測，對比同行業其他指標，確保運行良好。

（3）依法運營，防范相關法律風險

目前我國P2P領域在存在很多法律漏洞和空白，平臺應依法規范自身行為，能最大程度降低法律風險。

（4）定期維護升級平臺，防范操作與技術風險

平臺應對網站進行加密處理，定期維護升級平臺，填補相關漏洞，以降低平臺操作與技術風險，保障資金運行的安全性。

4.2對投資者的建議

（1）關注平臺的各項基本運營指標是否正常

根據駱駝評級法，我們應該關注12個定量指標的具體情況。資本充足率8%左右，越多平臺流動性越強；前十大借款人待還金額占比29%左右，越小越好；資金凈流入（萬元），越大越好；人均借款金額（萬元）越小，平臺流動性越好；人均投資金額（萬元）越大，平臺資金越充足；借款集中度越低，流動性越好；運營時間（月）越長越好。

（2）在關注定量指標的基礎上，增加對定性指標的關注

在研究中我們發現加入定性指標可進一步優化模型。具體來說，定性指標分為注冊省份和股東背景。要密切關注注冊省份的相關政策，經濟發展情況等。例如從股東背景上看，民營系風險程度要大于上市公司系大于國企系。

參考文獻：

[1]薛飛.P2P網貸的風險分析與風控模式探究[J].時代金融，2015（1）：226-229

[2]周慧.P2P網絡借貸：履約機制、運作模式與風險控制[J].西部金融，2014（12）：19-24

[3]李從剛，童中文.互聯網金融市場信用風險評估——以P2P網貸為例[J].征信，2015（7）：61-67

[4]李從剛，童中文，曹筱玨.基于BP神經網絡的P2P網貸市場信用風險評估[J].管理現代化，2015（4）：94-96