基于非线性组合模型的p2p网贷平台危机预警研究

《基于非线性组合模型的p2p网贷平台危机预警研究》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于非线性组合模型的P2P网贷平台危机预警研究　　　　摘要：针对P2P?W贷平台现金流较大、利润率较低和财务数据获取困难的特点，构建基于平台交易真实数据的危机预警评价指标体系和组合预测模型。将传统的财务评价指标转换成网贷平台交易数据指标，运用邻域粗糙集属性约简的方法对采集的数据指标进行降噪和约减处理，再基于机器学习理论引入神经网络、支持向量机和Logit回归等模型对数据进行训练。通过分组进行单模型和组合模拟预测，提高了新的破产指标下各模型预测的准确率。下载论文网　　关键词：P2P网贷；危机预警；组合模型；神经网络；支持向量机　　中图分类号：F83

2、2；F424文献标识码：A文章编号：10037217（2017）06002306　　一、导论　　P2P网贷平台作为一个新兴的个人对个人的投资借贷平台正处在一个快速成长阶段，现有监管大多为事后监管，对于事前预测特别是基于网贷平台外部数据的科学预测理论和应用准备不足＼[1＼]。网贷平台具有挤兑风险，贷款逾期发生时，P2P网贷平台会出现暂时的流动性不足，一旦放款人之间协调失败就会导致平台出现挤兑风险[2，3]。P2P网贷平台陷入经营困境的整个过程是动态发生的，若能在P2P平台陷入经营困境早期就发现征兆，并能预测生存状况恶化的一系列动态过程，这对于平台的

3、经营者、投资者和行业监管者，都将有着非凡的意义。　　现有文献当中，潘庄晨等梳理债权产品和产权产品的信用风险评价模型，认为互联网金融企业更加适合偏重定价功能的产权产品风险评价模型＼[4＼]；周少甫对2193家网贷平台使用Logit模型进行研究，认为网贷平台能够提供良好的资金保障、具备健全的资金托管制度和流动性较高的债权转让方式，可有效降低平台出现重大经营问题＼[5＼]。常用的风险预警模型主要有多元判别分析、Logistic回归模型、神经网络、FR模型、STV截面回归模型和KLR信号分析模型等。由于Logistic回归模型对变量的分布、变量之间的协方

4、差没有过多的假设要求，因此被广泛用在信用风险预警，且国外的许多研究都表明Logistic回归模型比较有效＼[6，7＼]。庞素林等利用Logistic回归模型构建风险预警模型，并以实证研究证明模型的高效性＼[8-10＼]。　　现有文献对P2P平台经营困境的预警研究较少，具有一定的研究价值。本文主要研究通过使用最新的前沿信息技术，构建科学的评价体系和危机预警模型，识别问题网贷平台，预测P2P网贷平台的危机风险。　　二、P2P网贷平台危机预警指标选择与约简　　本文针对P2P网贷平台的特点，提出基于真实交易数据的评价思路，以交易数据代替财务数据保证数据真

5、实性。一方面，从理论基础、国内外文献及国内主管部门监管指导意见选择能反映P2P网贷平台运营和风险的相关指标；另一方面，根据P2P网贷平台所具有的互联网大数据特性，通过业内门户网站、网贷之家、网贷天眼收集。同时，将数据指标进行科学处理，并对结果进行检验，从而尽可能的保证风险评价指标的科学性、可信性。力求用最少的可观测指标，尽量多的反映平台运营风险信息。　　（一）危机预警原始评价指标选择　　本文将能够观测到的P2P网贷平台微观指标纳入评价范围，尽量确保评价指标的完整性。使用的各项指标数据来源于P2P网贷平台第三方统计　　网站，所有数据都能够做到逐月更

6、新，其中大多数数据能够做到逐日更新，保证了经过建模处理过的风险值能够每月（每日）连续输出。在数据采集过程中，抓取的信息包括：平台每日成交量、平均利率、投资人数、平均贷款期限、借款人数、累计待还金额等指标作为破产预测的客观抓取指标，如表1所示。　　（二）单个预测及组合模型预测　　回归预测。　　根据上文的模型介绍，应用IBMSPSSStatistics中的二元Logistic回归预测进行分析，将80个选定的模拟样本录入SPSS工作表格中，10个指标属性值为协变量，问题情况（即前文提及的决策属性，问题取值为1，正常取值为0）作为因变量。用EXCEL编辑

7、函数来计算概率P，并最终计算得出Logit模型预测结果的准确率，如表5所示。　　由表5可以看出，经过测试样本的检验，所建立的Logit回归模型总体预测准确率仅为%，这个水平属于偏低的预测正确率，这个正确率还有很大的水平可以提高，因此，此Logit模型不是一个理想的预测模型。　　2.神经网络预测。　　运用SPSS软件中的BP神经网络的多层感知器预测方法来实现P2P平台问题与否的预测工作。选用样本的原则与上文一致，即选择80个样本为模拟样本，86个样本为测试样本，共166个样本。模型训练完成后，生成的神经网络模型对测试样本数据测试后与实际比较的结果正

8、确率如表6所示。　　从H表中可以看出对于P2P实际出现问题的正确率为%，而P2P实际运行正常的正确率为%，综合正确率为%，预测结果较Lo