P2P借貸投資者的群體智慧

廖 理，向 佳，王正位

(清華大學五道口金融學院，北京 100083)

1 引言

隨著互聯網經濟的發展，基于互聯網的投資機會日益增多。在2008年，至少有四分之一的美國人依賴社交媒體上的投資建議進行投資。相對于傳統金融投資機會，互聯網金融投資的一個重要特征是其失去了專家的指導意見。這種“去專家化(De-professionalized)”的投資凸顯了群體智慧在金融市場中的重要性。

群體是否有智慧的話題早在1852年就被Mackay討論過，他警告認為群體是瘋狂的。這可能是因為群體總體判斷被群體系統性的認識偏差所扭曲；也有可能是個體無法獨立思考而導致他們的判斷被群體觀點所影響。

但是近年來的更多的研究卻表明群體是有智慧的，群體決策要比個體決策更準確。Larrick和Soll[13]認為群體決策更準確原因在于將不同個體的意見整合，能夠抵消不同個體的判斷誤差。蘇寒和胡笑旋[20]也認為互聯網上涌現出的群體智慧成為解決復雜決策問題的寶貴資源。為了進一步優化意見整合的方法，Budescu和Chen[3]提出了貢獻度加權模型，根據每個個體的不同專業程度分配以不同的權重。當然，這樣的意見整合機制有效的前提是個體判斷產生滿足獨立性。Davis-Stober等[9]進一步指出如果個體進行判斷的獨立性增強，則群體判斷的差異系統性地增大，群體的智慧將表現地更為明顯。還有一種對于群體智慧產生的解釋是Zhang Juanjuan和Liu Peng[19]提出的，他們認為群體行為是理性的，因此每個個體都能夠使用公共信息來理性修正自己的判斷而不是簡單地模仿。

群體智慧的重要性體現在其對于市場的預測能力。李存金和王俊鵬[21]發現了群體智慧在重大航天工程設計方案形成中的重要價值。在體育比賽中，群體的智慧通常被用來預測球隊的競爭力。Herzog和Hertwig[11]利用2006年世界杯和2008年歐洲杯的數據分析發現群體預測的準確性和官方權威預測相當，且比賭球者的預測結果更準確。在經濟金融領域，利用群體智慧進行預測準確度依舊較高：Ray[16]發現群體的智慧在對于利率、匯率、通脹率、股價、商品價格以及許多其他的宏觀經濟金融變量的預測上都有驚人的準確性。從微觀層面看，Mollick和Nanda[15]利用美國眾籌平臺Kickstarter的數據研究發現群體和專家對于大多數項目的意見是比較一致的，群體智慧可以預測專家意見。Chen Hailiang等[5]則研究了美國一家股票交流社交平臺Seeking Alpha的文字性投資意見的信息含量，結果發現這些投資建議在一定程度上能夠預測股票的未來收益，由于這些投資建議是由“人民群眾”而非“專家”提供的，因此這一定程度上體現了群體的智慧。

群體的智慧不僅有預測作用，更重要的是它還有修正專家意見的作用。Baruch等[2]的研究表明，如果存在部分具有獨立觀點的市場參與者時，群體甚至能夠修正專家發布的錯誤信息，使得市場價格信號趨于正常。

但是上述研究還存在著一些不足。雖然之前的文章都提到群體的智慧確實存在，且能夠預測乃至修正專家意見，也給出了群體智慧產生的機制解釋，但是鮮有文獻提出市場參與者該如何通過觀測群體行為來發現這樣的群體智慧所傳達的新信息，并將這種新的信息作為我們決策的評判標準。

為了有效地觀測群體行為，我們首先需要找到沒有專家意見，只能觀察到群體行為的交易市場。目前快速發展的互聯網金融給我們提供了這樣研究的基本條件。在很多互聯網金融投資中，投資人看到的關于投資借款的信息都是一致的，沒有專家的投資意見可供參考，唯一可以參考的外部信息就是群體中其他投資者的行為。由于中國的征信體系不完善，信息造假成本低，而信息驗證成本較高，這種投資環境下，更需要投資者發揮智慧尋找優質借款，因此，基于中國市場研究群體的智慧更具現實意義。

此外，用互聯網金融研究群體智慧還存在以下優點：首先，多數互聯網金融中的投資沒有價格杠桿的調節，投資者的投資行為和交易價格不會像股票市場那樣交互影響，因此更容易甄別群體的智慧。以P2P網絡借貸為例，交易價格——借款利率多數是平臺在交易前即給定的。其次，相對于股票市場來說，P2P網絡借貸中的投資行為屬于單向投資行為，不需要交易的對手方，因此更容易清晰地界定目標群體。相反，二級股票市場上任何一筆股票買入都對應一筆股票賣出，因此一方群體的智慧往往會對應另一方面群體的非智慧，但是互聯網金融則可以彌補這一缺陷。第三，對于股票交易來說，要驗證群體的智慧，很難準確界定觀測窗口——因為交易缺少自然的交易終止時點，但是P2P市場對于一筆借款的投資以該借款的滿標為標志自然終結，這就克服了交易終止時點不清晰給研究帶來的困擾。

在股票市場上，羊群行為通常通過對正常狀態的偏離程度來度量。Lakonishok等[12]提出利用對某股票凈買入的基金數與總體均值的偏離程度，來衡量羊群行為的程度；Christie和Huang[7]則利用橫截面收益標準差(CSSD)計算股票收益率和市場收益率的偏離程度，來衡量投資者決策的一致性；Chang和Dong[4]使用股票的機構持股情況變化來度量羊群行為。上述度量方法的局限性在于時效性和預測力不足，對投資的指導價值有限。此外，傳統度量方法需要引入正常狀態，即均值的估計值，不僅容易產生誤差，也不便于快速計算，實用性不足。

為了構建領先性指標，我們首先需要尋找可即時觀測的數據。在人人貸上，每筆借款的即時動態投資記錄都能被觀測得到，且所有投資者在投資時都能觀測到別人對該借款的投資狀況。基于這些信息，我們構建了一個獨特的指標來反應每筆借款被投資的羊群程度。根據每筆借款的獨立數據可以形成針對該筆借款的羊群效應估計值。如果累計投資額在投資期限內總體呈加速增長，投資活動愈發積極，羊群效應的度量值為正。如果累計投資額在投資期限內總體呈減速增長，投資活動愈發消極，羊群效應的度量值為負。如果累計投資額在投資期限內勻速增長，投資活動強度不變，羊群效應的度量值為零。

為了驗證借款羊群行為所反應的群體的智慧，我們首先將樣本中的借款分為違約借款組和未違約借款組，發現未違約借款組的投資者羊群效應確實要比違約借款組更明顯。隨后，為了驗證借款的羊群效應的預測作用，我們以是否違約作為被解釋變量，以羊群效應以及一系列控制變量作為被解釋變量進行Probit回歸，結果顯示羊群效應程度越高的借款，其違約率越低。

我們接下來驗證的是，對于兩筆基本情況非常相似的借款，借款投資過程中的羊群效應程度能否作為判別其是否會違約的一個標準。我們通過傾向性得分匹配得到兩筆傾向性得分非常接近的借款，如果一筆借款的投資者羊群效應程度較高，一筆借款的投資者羊群效應程度較低，則具有羊群效應的借款違約率更低。這表明群體的智慧傳達了關于違約率的新信息。

此外，我們還引入久期分析模型，考察借款者已經按約定正常還款一段時間之后，投資者的羊群效應對其下一期發生違約風險的影響。久期分析模型的結果同樣顯示：隨著羊群效應的增強，借款在其還款期間的違約風險會逐步降低。

在穩健性檢驗部分，我們考慮了若干種可能會影響本文結論成立的原因，發現本文結論依然成立。

2 數據描述及變量定義

2.1 數據樣本

本研究中，我們使用中國一個P2P網絡借貸平臺“人人貸”信用借款的交易數據研究群體的智慧。人人貸成立于2010年5月，是中國影響較大的P2P網絡借貸平臺之一。

在人人貸上，借款者需要提交包含個人基本信息在內的借款，投資人可以對他們所感興趣的借款進行投資具體來講，潛在借款人通過在人人貸上發布借款來說明他們需要的借款金額、借款利率以及借款期限。每筆投借款投資金額和準確的投資時間也可以從人人貸網站上獲得，投資人能夠隨時了解當前的投資進程。借款人還可以提供一系列信息來提升自身的可信度，而人人貸則會對借款人提供的信息進行認證，并根據自己掌握的信息對借款人信息進行信用打分和信用評級，評級包括AA、A、B、C、D、E、HR七個等級,其中AA表示信用情況最佳，HR表示信用情況最差。

本研究的樣本包括人人貸上自2010年10月16日至2014年12月31日的所有成功募集資金的信用標，在此期間共有17,334個借款成功募集資金，剔除1,167個尚在還款中的借款，研究共包含了16,167個樣本。

2.2 群體智慧的度量

為了研究的進行，我們需要首先衡量P2P投資中群體的智慧。衡量群體智慧的一種方式是把群體的行為和行為的結果結合起來，在沒有專家意見指導的情況下，如果群體的行為仍有“趨利避害”的特征，那么我們就可以推斷群體是有智慧的——根據這種思想，Zhang Juanjuan和Liu Peng[19]關于P2P中羊群行為的研究能帶給我們一些啟發。Zhang Juanjuan和Liu Peng[19]認為P2P網絡借款的投資者存在理性的羊群行為，具體表現為借款下一期的投資量會受到之前累計募集資金量的影響，而從結果來看，這種反饋機制是理性的。基于P2P市場的特殊性，本文提出了一個新的方法來度量每個借款的羊群程度：既然投資額在投資期限內的分布能在一定程度上衡量羊群行為，那么我們就可以通過捕捉投資額在投資期限內分布的不均勻程度來衡量一個具體借款的羊群程度——該方法和統計中廣泛應用的“基尼系數”思想類似。具體地，我們通過每一筆投借款信息來刻畫借款隨時間的完成速度，圖1展示了兩種典型的借款完成速度。

Herding的取值范圍是-1到1。當Herding取值在0在1之間時，表示總體而言，投資者的投資活動在該時間范圍內時逐漸增強的，投資者的羊群效應較強。當Herding取值在-1在0之間時，表示總體而言，投資者的投資活動在該時間范圍內時逐漸減弱的，投資者的羊群效應較弱。

圖1 投資者羊群效應模式說明

本文通過t檢驗發現違約借款的Herding值顯著低于未違約借款，即投資者對于違約借款會呈現出更弱的羊群效應，這意味著羊群效應是有信息量的，符合預期。

2.3 主要變量定義

本文后續分析中涉及的變量定義如下：

表1 主要變量描述性統計

3 實證結果

3.1 回歸模型

雖然相關系數的結果一定程度上說明了投資者羊群行為程度與借款是否違約之間的相關關系，但是這些結果尚未控制其它因素的影響。為此，我們以投資者羊群行為程度(Herding) 作為核心解釋變量，以借款是否發生違約(Default)作為被解釋變量，進行回歸分析。由于Default是0-1變量，本文選擇用Probit模型，構建回歸方程如下：

Pr(Defaulti=1)=F(α+β*Herdingi+γ*Characteristici+εi)

其中i表示的是借款i，Characteristici表示借款i的其他特征變量。為了控制借款發布的時間(例如上班時間與下班時間、工作日與周末、春節期間等)可能會對投資者的羊群效應程度造成一定的影響，我們在表2的回歸中逐一加上Hour-of-Day 固定效應、Day-of-Week 固定效應和Month-of-Year 固定效應。

表2 羊群效應對借款是否違約的回歸結果(控制時間固定效應)

續表2 羊群效應對借款是否違約的回歸結果(控制時間固定效應)

如果群體擁有智慧，那么我們猜測投資者的羊群效應程度本身就反映了投資者群體對借款質量的判斷，投資者的的羊群效應程度越高，表示該借款越受投資者群體的追捧，其違約可能性應該越低。因此我們預期Herding的系數符號將為負且顯著。從表2的結果可以看到，Herding的系數依然為負且在1%水平下顯著。在同時控制了三組的固定效應之后，我們計算了各解釋變量在均值處的邊際效應，Herding值每增大1，能使得違約概率下降1.7%。

以上結果說明，本文所設計的借款的Herding的度量方式含有借款信息、借款人信息所不包含的信息，Herding值越高的借款其違約率越低。由于借款的羊群效應程度所反映的是群體對借款的追捧程度，因此該結果說明群體能發現那些違約概率更低的借款，并對之表現出更強的羊群行為，這說明群體總體來說是有智慧的。

3.2 傾向性得分匹配

前文的結果表明，投資者的羊群效應程度對于借款是否發生違約確實有預測作用，在一定程度上肯定了群體是有智慧的。但是以上研究還不能回答一個問題：群體的智慧有沒有產生新的信息？是否有可能是群體的智慧并不包含新的信息，僅僅是群體對相似的借款表現出了相似的投資風格。為此，我們使用傾向性得分匹配的方法，篩選出發生羊群效應可能性接近、但是一組是實際發生了羊群行為、而另一組未實際發生羊群行為的借款。這種情況下，站在投資者的視角，兩組借款的發生羊群行為的概率是相近的。如果實際發生羊群行為的借款仍然有較低的違約率，那么我們就可以判斷投資者的羊群行為帶來了新的信息。

我們將借款依照其Herding值從大到小排序，取Herding值排在前25%的借款作為投資者羊群效應程度高的借款，即實驗組；取Herding值排在后25%的借款作為投資者羊群效應程度低的借款，即對照組。我們利用Probit模型估計出每筆借款發生投資者羊群行為的概率，即傾向性得分，將傾向性得分最相近的借款進行“實驗組-對照組”的匹配，我們的匹配過程遵照無放回的匹配原則，保證每筆借款都不會被重復匹配。此外，我們還對傾向性得分的差值進行了限制，所有匹配的樣本需保證傾向性得分的差值在0.005以內。

在表3中，我們對實驗組借款和對照組借款的借款基本特征以及借款人基本特征進行了差異性比較。兩組借款的t檢驗結果顯示：匹配后的實驗組與對照組借款在基本特征上已經不存在顯著的差異。也就是說，站在投資者的視角，匹配后的實驗組和對照組兩組借款的風格是相似的，發生羊群行為的程度和概率也是相近的。但是，如前所述，從事后的角度來看，實驗組實際上發生了羊群行為，而對照組則沒有發生，因此接下來我們就可以比較兩組樣本違約率的差異——如果實驗組仍然有較低的違約率，那么我們就可以判斷羊群行為帶來了新的信息。

基于以上邏輯，我們對配對后的樣本的違約概率進行進一步的t檢驗，檢驗結果見表3的最后一行。從該結果可以看到：實驗組的違約率小于發生對照組的違約率，且在1%的統計水平上顯著。這說明羊群效應確實有識別違約率差異的功能，群體的智慧也傳達了關于違約率判定的新信息。

表3 匹配后實驗組與對照組借款特征對比

3.3 久期分析

之前的分析中，我們僅考慮了借款是否出現違約，但我們常常更關心給定借款已經按約定正常還款若干個月的條件下，其在下個月發生違約的概率。本節中，我們使用久期分析模型來考察在借款已經正常還款若干個月的條件下，投資者的羊群效應程度對于借款在下個月違約風險的影響。每筆借款正常還款的持續時間為借款從開始還款到還清或者違約之間的時間間隔，考慮到每筆借款的期限不同，我們定義AnalysisTime為其正常還款持續時長與借款期限的比值，并將AnalysisTime作為久期分析的被解釋變量。

在引入解釋變量之前，我們先進行一些初步的描述性分析。我們還畫出了兩組借款的風險函數，即借款在該時刻的瞬間違約率的對比圖。在圖2中，我們發現，Herding值最高的25%的借款的風險函數值始終高于Herding值最低的25%的借款，且它們的95%置信區間完全不重合，說明在分析時間內，投資者羊群行為程度高的借款的違約風險在任意時刻都要顯著地比投資者羊群行為程度低的借款高。

圖2 Herding值最高25%與最低25%借款的風險函數對比

隨后我們引入解釋變量，并利用久期模型進行參數回歸和半參數回歸。在參數回歸部分，由于指數回歸為威布爾回歸的特例，而我們的統計檢驗拒絕了使用指數回歸的原假設，因此本文中我們使用威布爾回歸；由于參數回歸的具體分布存在不確定性，因此我們也使用了半參數Cox模型作為補充。我們在表4中展示了兩組回歸的回歸系數以及各解釋變量的風險比。在控制了借款特征、借款人特征以及時間固定效應的情況下，我們發現兩組回歸都顯示羊群程度高的借款的在下個月的違約風險會顯著降低：威布爾回歸的結果顯示，Herding值每增大1，則借款在下個月的違約風險將降為原來的83.5%左右；Cox模型的實證結果顯示，Herding值每增大1，則借款下個月的違約風險將降為原來的83.4%左右，兩組回歸方法估計出來的違約風險降低程度非常接近。此外，在其他的控制變量中，我們發現借款人的信用等級對于借款的違約風險影響最大：如果借款人的信用等級為高風險等級，則借款在下個月的違約風險將為低風險等級的10倍以上。

表4 利用久期分析模型考察羊群效應對于借款違約風險的影響

續表4 利用久期分析模型考察羊群效應對于借款違約風險的影響

3.4 穩健性檢驗

本節中我們對三種可能會影響本文結論的干擾因素進行排除，作為穩健性檢驗。

首先，我們認為最后一筆投資可能會對Herding的度量造成一定的影響：當借款投資接近尾聲時，剩余的可投資金額可能會較少，從而使得最后一筆投資金額也變小，投資者投資的強度被迫減慢，這樣就會影響到借款的羊群效應度量的準確性。我們去掉每筆借款的最后一筆投資，在此基礎上再次計算借款的Herding數值，發現微調后的羊群效應估計值仍然具有預測違約率的能力，這說明群體智慧是穩健存在的。

此外，如果一筆借款的被投資次數過少，Herding度量值也可能存在偏差，因此，我們將投資次數小于總體樣本的25%分位值，即9次的借款樣本刪去之后重新進行回歸，羊群效應估計值仍具有預測違約率的能力。

最后，由于借款是否違約是借款還款表現的一個相對粗略的衡量，我們又使用了內部收益率作為衡量投資者投資業績的另一種方式，我們發現投資者羊群效應越明顯的借款，其內部收益率也越高，這和前文的研究結論一致，即投資者投資時對于借款的羊群效應越明顯，則借款的收益表現越好。

5 結語

伴隨著互聯網經濟的發展，越來越多的投資呈現出去專家化的趨勢，因此群體的智慧就顯得越來越重要了。本文以一個P2P網貸平臺的投資參與數據為例，研究了群體在投資中是否有智慧。

本文首先構建了一個獨特的指標來反應每個投資借款羊群程度。基于Probit回歸分析的結果表明，在控制了其它因素之后，羊群效應變量的系數統計上顯著為負，這一結果十分穩健。并且，這一效應在經濟意義上也較為顯著。這說明受投資者追捧的借款其違約率更低——這在一定程度上反映了群體的智慧。

為了驗證群眾的智慧是傳達了新的信息還是僅僅反映了群眾對某些類型借款的特殊偏好，本文通過傾向性得分匹配的方法，篩選出兩組發生羊群行為概率相近的借款。其中實驗組真實發生了羊群行為，而對照組實際未發生羊群行為。匹配后的結果表明：實驗組的違約率會更低，這說明羊群效應程度可以作為識別借款違約率的有效特征，也就是說群體的羊群行為傳達了關于借款是否會違約的新信息。

此外，我們還利用了久期分析模型，考察對于已經按約定正常還款一段時間的借款而言，投資者的羊群效應程度越高，其在下個月的違約風險就越低。

在穩健性檢驗部分，我們使用了去除最后一筆投借款羊群效應度量值、去除了投資次數較少的借款樣本、利用內部收益率作為借款的收益表現的替代度量方式，發現考慮到這些可能影響文章結論的因素之后，投資者的羊群效應程度依然傳達了關于借款是否會發生違約的新信息。

本文的結論對于廣大投資者具有一定的啟示，即投資者在投資決策時，除了一些確定性的信息之外，還可以適當參考其他投資者的投資行為，從中獲取額外的信息。當其他投資者在投資過程中投資熱情逐步高漲，說明該筆借款得到了投資者的認可，則該筆借款更值得投資。反之，當其他投資者在投資過程中投資熱情逐步下降，則說明該筆借款未得到投資者的認可，該筆借款的投資價值存疑。