基于Lasso—logistic模型的P2P網貸平臺信用風險評價研究

羅文琦

一、引言

隨著我國現代信息化的發展，“互聯網+”的出現，P2P已經成為“互聯網+金融”的主要發展模式之一。在傳統金融服務模式僵化造成投資渠道單一，個人、中小企業融資難等問題日益突出的背景下，P2P 網貸迅猛發展。門檻低、回報較高，且以互聯網為媒介實現快速買入和變現的投資交易模式，更適合于大眾創業、萬眾創新時代的個人小額借貸，且為經濟轉型升級提供了有效途徑。截止2018年3月，因經營不善、攜款跑路、黑客攻擊等原因使網站無法正常運營而停業的平臺就有151家，2017年有643家，2016年有1711家。以上數據表明，在P2P欣欣向榮發展的背后，潛在的風險日益明顯。信用風險是指平臺上的借款者因種種原因，不愿或無力履行合同條件而構成違約，致使 P2P 網貸平臺遭受損失的可能性，這是 P2P 平臺最基本的風險之一。平臺作為中介為借貸雙方提供直接的交易平臺，無抵押、無門檻、申請程序方便易懂，為小微企業融資和個人貸款提供了便捷通道。但是，對于投資者來說，其需要選擇一個平臺進行投資，在借款方的條件如此寬松的下，為保證投資者投資收益，對投資平臺風險的研究是研究投資行為擴散研究的必然前提。因此，本文通過構建Lasso-logistic模型對網貸平臺的風險進行評估的研究具有一定的研究意義。

二、P2P 網貸平臺信用風險評價實證分析

（一）數據來源及處理

網貸之家是我國首家P2P網貸理財行業門戶網站，提供全方位、權威的網貸平臺數據。目前，P2P網貸在我國發展速度非常快，從網貸之家官網公布的數據可以看出其發展趨勢與速度。本文通過從網貸之家官方網站爬取網貸之家上的從業人員資質審查機制、設立投資人資格標準、貸款審查程序合理、完整性、對借款人進行身份審核及資信評估、制定借款違約應急計劃的一些數據，截至2018年4月，共有網貸平臺6114家，正常運營的平臺有1887家，累計問題平臺4237家。本文選取正常運營的1887家平臺作為研究對象，分別從從業人員資質審查機制、設立投資人資格標準、貸款審查程序合理、完整性、對借款人進行身份審核及資信評估、制定借款違約應急計劃獲取研究數據進行研究，指標體系見表1。

（二）指標選取

根據研究對象 P2P 網貸信用風險的基本情況，本文主要選擇貸款審查程序合理性和完整性、制定貸款人違約應急計劃、設立投資人資格標準、對借款人進行身份審核及資信評估、平臺從業人員資質審查機制五個指標來評價信用風險。一般認為，貸款審查程序合理性和完整性、制定貸款人違約應急計劃、借款人的身份審核及資信評估是體現信用風險最敏感的指標，這三個指標基本可以反映 P2P 網貸企業信用風險控制水平。投資人的資格標準雖然表面看起來跟信用風險沒有太大聯系，但是在一定程度上也會對其產生影響。如果平臺對借款人進行身份審核及資信評估，那么制定借款違約應急計劃對于平臺可能發生的信用風險來說也是一種有效防范。公司內部從業人員的素質直接體現了一家 P2P 網貸企業對上述四項的審查程序的公正程度，對信用風險評價來說，平臺從業人員資質審查機制也是一項不可或缺的指標。

（三）指標取值

根據指標的性質可以對指標數據進行處理，并將指標量化。目的在于更好地和模型結合起來。數據的處理要根據指標變量化的結果按照變量要求進行處理。變量量化結果見表2。

（四）實證分析

1.模型運算過程

本文的研究是對P2P網貸平臺的信用風險評價，即風險識別與預測的研究，Logistic模型具有預測準確率高、計算方法簡單、變量解釋能力強、數據分析中擬合度高的優點，是信用風險識別和預測能力目前最強的模型。Lasso具有計算快捷、變量選擇和參數估計等特點，而且能更準確地篩選出重要的變量。為顯示 Lasso-Logistic 模型與其他 logistic 模型的優勢，在做回歸分析時特意將該模型與全變量 logistic 進行比較。

如Lasso 系數解路徑圖，橫坐標Lambda的對數，縱坐標為系數值，最上面的數字為不同 Lambda 所對應的篩選出的變量的個數。隨著 Lambda 的增大，越來越多的變量的系數趨向于0，對Lambda 的選擇可實現對變量的篩選，如圖1所示。

利用交叉檢驗的方法，得到最優的協調參數 λ的值（ 見圖 2） ，CV 誤差曲線圖表示的是不同的 Lambda 的值所對應的模型誤差，橫軸是 Lambda值的對數，縱軸對應的是模型誤差，最上面的數字表示不同Lambda 所篩選出的變量個數。從圖中可以看出此時λ=e-5。

Lasso-logistic模型的變量選擇，其關鍵在于調和參數λ的選取，常用方法有Boot-strap、交叉驗證、廣義交叉驗證法等，本文采用廣義交叉核實 （Generalized Cross-validation）方法確定罰參數λ的值。

其具體算法如下：

顯然，使交叉驗證值GCV達到最小的罰函數為最優的罰參數λ，則最優λ的估計值為公式6所示的表達式。

由圖2可以看出，隨著Lambda取值的逐漸增大，壓縮程度增大，所選入模型的變量個數越少。左邊的虛線表示Lambda.min 取值的位置，右側的虛線是 Lambda.lse取值的位置，對應著一倍標準誤差內更簡潔的模型。Tibshirani 認為，模型變動偏差在兩虛線之間變動較小，Lambda 應在此區間內取值，一般建議選取 Lambda.lse，使模型相對簡潔。所以，本文選取 Lambda.1se 進行變量篩選。基于Lambda的取值， 可以得到篩選出的變量參數估計值如表 3所示。

從 Lasso-logistic 模型的結果可以看出，信用風險的相關性由高到低依次為D4，D3，D5，X1，D2，這些變量分別的是：對借款人進行身份審核及資信評估、貸款審查程序合理、完整性、制定借款違約應急計劃、平臺從業人員資質審查機制、設立投資人資格標準。以上排序僅僅是關聯程度未考慮正向還是反向關系。

2.模型準確率比較

在選取的樣本中還有預測樣本沒有用到，接下來將用模型估計的結果所形成的關系模型對預測模型進行預測，同用全變量logistic進行對比其結果如表4。

表 4 中的結果表明，無論在實驗樣本還是在預測樣本中 Lasso-logistic 模型都要比全變量 logistic 模型有更高的準確率，同樣的利用網貸平臺的數據，傳統的全變量logistic 模型具有預測準確率高、計算方法簡單、變量解釋能力強、數據分析中擬合度高的優點，是信用風險識別和預測能力最強的模型，進行實驗，得出的結果是62.20結果，而我們采用Lasso-logistic模型進行計算，得出72.16的違約結果。72.16>62.20，在總體水平達到 74%左右的預測準確率在一定程度上還是比較高的，所以本文采用的Lasso-logistic模型具有較高的預測準確率。

三、結語

本文將Lasso-logistic 模型引入P2P網貸平臺的信用風險評估之中，利用網貸之家的數據對平臺的信用風險進行了實證分析。本文的主要結論有：第一，全變量Logistic模型將所有變量選入模型，然而并不是所有變量參數均能通過顯著性水平檢驗，這在一定程度上降低了模型解釋性，Lasso-logistic模型克服了全變量Logistic模型多重共線性的同時也增強了模型解釋性。第二，Lasso-logistic模型不管是對違約平臺的預測還是評估，其準確率都是最高的，并且對測試集的預測也保持了較高的準確率，說明 Lasso-logistic模型具有較高的外推性。

因此，將Lasso-logistic模型引入P2P平臺信用風險預警模型，可以更加科學地選擇評估指標體系，并構建適合我國國情且行之有效的P2P平臺信用風險評估模型，提高P2P平臺信用風險的預警效果。

參考文獻：

[1]王 丹，張洪潮.P2P網貸平臺信用風險評級模型構建[J].財會月刊，2016（9）：76-80.

[2]孫同陽，謝朝陽.基于決策樹的P2P 網貸信用風險評價[J].商業經濟研究，2015（2）：81-82.

[3]方匡南，章貴軍，張惠穎.基于Lasso-logistic模型的個人信用風險預警方法[J].數量經濟技術經濟研究，2014（2）：125-136.

[4]潘 爽，魏建國.P2P網貸平臺的信用風險及其分散機制設計——基于信號傳遞模型[J].財會月刊，2017（11）：88-91.

[5]劉峙廷.我國P2P網絡信貸風險評估研究[D].南寧：廣西大學，2013.

[6]索云騰.P2P網貸信用風險評價研究[D].重慶：重慶師范大學，2016.

[7]張志強.當前我國P2P信貸現狀及發展對策[J].華北金融，2013（7）.