P2P網貸借款人信用風險評估模型

張澤　周南　樊江偉

摘要：P2P網貸問題逐漸暴露在公眾視野中，沒有統一的方法來有效地評估借款人的信用風險是導致問題出現的原因之一。文章提出一種基于思維進化算法優化SKohonen神經網絡的P2P網貸借款人信用風險評估模型并進行實驗仿真，實驗結果表明該模型的分類準確率較高，在數據集樣本量豐富時的評估預測能力較好，應用于評估預測P2P網貸借款人信用風險評估會有較好的效果。

關鍵詞：P2P網貸;SKohonen神經網絡;思維進化算法;借款人信用評級

一、P2P網貸概述

“網貸之家”網站所提供的相關數據顯示，截至2019年12月，網貸平臺正常運營平臺數量343家，相比2018年年底減少了732家，累計停業轉型平臺數量3343家，累計問題平臺數量2924家。據2019年中國借貸行業年報上的數據顯示，2019年全年網貸行業成交量達到了9649.11億元，相比2018年全年網貸成交量（17948.01億元）減少了46.24%，從數據可以發現2019年全年成交量創了近5年的新低。截至2019年年底，網貸行業總體貸款余額下降至4915.91億元，同比2018年下降了37.69%。在銀保監會的監督管理下， P2P網貸平臺進入了平穩發展的階段，但是從數據中可以看到，平臺依然存在網站關閉，延期兌付，提現困難和經偵介入等問題，大部分網貸平臺的抗風險能力和自我修復能力著實令人擔憂。

信用風險是金融服務中風險管控的重要指標，在互聯網金融中，獲得借款人有效的身份信息并依此正確分類其信用等級，能夠有效防范風險的發生，同樣是推動征信管理健康穩健可持續發展的重要環節。通過參考國內外互聯網金融和網貸平臺風險評價的文獻和信用評價的方法，發現現有的許多文獻對借款人信用風險的預測評估研究較少，并且分析方法以傳統的量化分析模型居多，難以滿足當前大數據時代下對網貸借款人信用風險的準確評估。

二、思維進化算法優化的SKohonen神經網絡模型及數據預處理

（一） Kohonen神經網絡

Kohonen神經網絡是從競爭神經網絡發展來的，網絡為兩層結構，分別為輸入層和競爭層，競爭層神經元多以二維或多維的結構排列，采用無監督學習的方式訓練。

在競爭層中，每次樣本的輸入只會產生一個獲勝神經元。設輸入層有m個神經元，核心層有n個神經元，則權值就應該是m×n的矩陣。若輸入向量為P=[p1，p2，…，pm]，則網絡的輸出為Y=Pω。競爭層的n個神經元通過響應必然會有一個神經元成為獲勝神經元Yk，該獲勝神經員的權值修正方法為Δωik=η（Pi-ωik）Yk，由此可以看出，權值以速率η向樣本Pi靠近，由于獲勝神經元Yk的權值趨近于輸入樣本Pi，因此在下一次迭代中Yk有更大的概率勝出，當速率η的步長適當時，獲勝神經元對應的輸入樣本的網絡權值會不斷靠近輸入樣本并且差距越來越小。

對Kohonen網絡進行改進使其具有聚類的功能，在競爭層后再額外增加一個輸出層，變成一個有監督學習的網絡，即SKohonen網絡。增加的輸出層的神經元個數與數據集的應有類別數量相同。輸出層神經元和競爭層神經元連接權值為ωjk，SKohonen網絡在權值調整時，同時調整輸入層與競爭層、競爭層與輸出層的兩類權值，ωjk的權值調整方式為ωjk（n+1）=ωjk（n）+η2（Yk-ωjk（ n）），其中，ωjk為核心層和輸出層之間的權值，η2為學習率，Yk為樣本的實際所屬類別。

（二）思維進化算法

著名學者孫承意改進傳統進化算法的缺陷，提出了思維進化算法，這種算法的全局收斂性能較好，且網絡優化速度和收斂速度有較大提升。思維進化算法的迭代過程是：在一個D維的解空間中，對若干個不同個體X賦予不同的初始得分，對所有得分進行排序，具有較高得分的N個個體作為初始中心Ci，然后在每個初始中心周圍集合若干個個體形成N個子種群，然后執行趨同操作，即以每個子種群的中心開始搜索局部區域的更優值替換原來的中心個體，直到發現最優值后形成一個迭代成熟的子種群，然后子種群執行異化操作，在解空間中不斷地移動去更新優勝子種群，完成種群之間的替換、廢棄和重組過程，最后重新計算每個優勝子種群的得分，最后比較得分，得到全局最優解，也就是勝者，算法迭代結束。

（三）數據預處理并建立思維進化算法優化的SKohonen神經網絡模型

神經網絡無法識別文本內容，因此在訓練仿真前對選取的8個指標進行數值轉換，8個指標分別為年齡、婚姻狀況、文化程度、房產情況、工作時間、單位性質、收入情況和歷史信用，將每個指標的文本信息量化成[0，1]之間的具體數值，以方便進行下一步的神經網絡計算，根據違約風險的可能性的大小對每種指標進行量化，違約風險小的量化的數值高，違約風險大的量化的數值低。

本文選取使用較多的人人貸借款人數據集作為分析樣本，信用評級中AA等級為最高，HR等級為最低，信用等級越高，借款人違約的可能性越小。本文共選取選取130組借款人信息作為信用風險評估的樣本，其中無違約借款人信息有100條，違約借款人信息有30條，樣本數量及分布如表1所示。

然后隨機選取100組數據（80條無違約和20條違約）作為訓練數據，30組數據（20條無違約和10條違約）作為測試數據。由表1可以看出，所選取的數據集中缺失信用評級為AA和B的樣本，可能會導致神經網絡模型無法學習到這兩種樣本的特征，因此本文所建立的神經網絡模型智能評估5種類型的借款人信用評級，其中信用評級為E和HR的樣本在無違約借款人和違約借款人中均存在，其中E類型共有8個樣本，占比6.16%，HR類型共有33個樣本，占比25.38%。

在建立的SKohonen網絡中，以選取的8個指標為輸入，即輸入向量共有8維，故設置輸入層神經元個數為8，設置距離函數為dist函數，即求歐式距離，網絡的拓撲結構為8×8，即競爭層共有64個神經元，網絡學習次數為10000次，最大鄰域為1.5，最小鄰域為0.3，最大學習率為0.1，最小學習率為0.01。本文選取的數據集中信用評級共有五個層級：A、C、D、E、HR，共有5種不同的輸出，因此數據集共有5中type類型，所以額外增加的輸出層神經元個數為5。在思維進化算法中，經過多次實驗測試，設置種群大小為200，優勝子種群個數為5，臨時子種群個數為5，即一個子種群中個體的個數為20，網絡迭代次數為200。

三、仿真結果

本文仿真實驗基于MATLAB R2014b平臺，實驗仿真結果如表2所示。

由表1和表2可知，數據集中樣本A和HR的數據量充足，占比較大，所以MEA-SKohonen神經網絡模型對這兩種類型的樣本學習充分，幾乎能夠掌握這兩種樣的特征并正確歸類，所以經過測試集的仿真，樣本A的分類準確率為94.12%，樣本HR在無違約借款人和違約借款人中的分類準確率較高，分別為50%和100%，樣本HR的分類準確率合并共計90.90%。樣本C、D和E的數據量過小，導致思維進化算法優化的SKohonen神經網絡模型對這兩種信用評級的樣本的特征學習不足，在測試集中樣本D和E均分類錯誤，說明神經網絡模型需要充足的數據量才可以較好地學習到樣本的特征，當數據集中樣本分布不均衡時，極有可能導致神經網絡對數據量少的樣本學習不充分，導致欠擬合現象，因此仿真結果中對樣本D和E的分類準率不高。

本文所建立的基于思維進化算法優化SKohonen神經網絡的P2P網貸借款人信用風險評估模型，整體分類準確率較高，尤其對于信用評級為A和HR的樣本，分類準確率均高于90%，其余樣本分類準確率低是由于數據集樣本分布不均衡導致，在日后充分收集數據量較少的樣本并擴充到整個數據集中，使七種不同信用評級的數據量充分且均衡，就可以明顯彌補現有數據集的缺陷，使神經網絡模型充分學習到每種樣本的特性。

四、結論及相關建議

（一）實驗結論

總體看來，基于思維進化算法優化SKohonen神經網絡的P2P網貸借款人信用風險評估模型的評估預測能力較強，當數據量充足時可以很好地評估P2P網貸借款人信用評級，對于網貸平臺更為主動地評估控借款人的信用風險狀況有一定的指導作用，對信用評級較低的借款人予以借款限制，可以有效降低因借款人個人原因違約欠款的可能性，保護平臺和投資人利益不受損失。

（二）相關建議

目前我國經濟發展狀況穩中有進，互聯網金融的相關政策法規在不斷完善，P2P網絡借貸的發展也在逐步規范，根據現在的發展狀況和存在的風險，本文最后提出促進P2P網貸平臺健康發展的相關建議：

1. 完善行業征信體系

目前網貸平臺的借款人信用評級信息還沒有得到中國人民銀行征信系統的支持，所以在借款人信用風險評估方面還存在有很多的不確定性，應該在金融大數據的支持下，逐步建立共享機制、成熟的征信體系和規范的服務機制，快速準確審核網貸業務并評估借款人信用風險，建立完善的借貸信用評級體系，使網貸平臺健康發展。

2. 完善信息共享制度

P2P網貸平臺不能只公布平臺自身的信息，還應在法律允許的范圍內及時向投資人公布借款人的風險評估狀況，融資項目及款項使用進度等信息，同時網貸平臺之間還應該加強信息數據交流，建立一個統一的黑名單平臺，逐步建立網貸平臺內部的信息共享制度。

3. 完善相關制度規范

政府應當加強巡查，監督平臺運行的合法性，徹底杜絕龐氏騙局、平臺自融和巧設資金池等欺騙投資者的行為，對平臺的信用風險進行評估并公示，不斷完善法律并規范平臺運營，整合各方監管的合力，樹立網貸平臺的良好公眾形象，為投資人和借款人提供有益參考。

4. 加強借款人信息審核

開發優質的借款人信用風險評估應用APP，采用大數據的方式深度挖掘借款人的相關信息，盡可能從多維度進行信用評級，降低因惡意違約造成的壞賬率，同時采取線上和線下相結合的審核機制，實地走訪了解借款人信息，盡可能減少借款人提供的虛假信息對信用評級產生的消極影響。

參考文獻：

[1]李昕，戴一成.基于BP神經網絡的P2P網貸借款人信用風險評估研究[J].武漢金融，2018（02）：33-37.

[2]Kohonen T. Self-organization and associative memory：3rd edition[J].2006，8（01）：3406-3409.

[3]Sun C， Sun Y， Xie K. Mind-evolution-based machine learning： an efficient approach of evolution computation[C]// World Congress on Intelligent Control & Automation，2000.

[4]肖會敏，侯宇，崔春生.基于BP神經網絡的P2P網貸借款人信用評估[J].運籌與管理，2018，27（09）：116-122.

（作者單位：張澤、樊江偉，中國人民銀行蘭州中心支行;周南，中國人民銀行東鄉縣支行，蘭州大學管理學院。張澤為通訊作者）