基于logit 模型的p2p 公司的个人信贷风险评估

《基于logit 模型的p2p 公司的个人信贷风险评估》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于logit模型的P2P公司的个人信贷风险评估-经济基于logit模型的P2P公司的个人信贷风险评估陈鹿婧杨青骥孙超凡汪小燕摘要：以违约的概率作为信用评估风险衡量标准，构建P2P机构的借款人信贷风险的logit模型，并对模型进行实证分析。结果表明，贷款金额，贷款期限，已还金额比，近期还款额这四个指标对借款人信贷违约风险的影响最为明显。通过进一步验证，证明借款人信贷风险的logit模型在对P2P机构的借款者信贷评估上具有较高的准确性，可以作为P2P企业内部风险控制的根据。关键词：P2P公司信用评估风险控制logit模型创新项目：上海金融学院推荐2015度年上海市大

2、学生创新活动计划。一、引言“P2P”是英文peertopeer的简写形式。P2P的基本定义是一种依附于互联网信息平台和个体电子设备的新型金融中介服务模式。这种借贷模式起源于英国，2005年之后迅速在全世界范围内推广.在中国，从2007年首家P2P公司拍拍贷成立，到2010年全国仅10家，再到现在全中国共有2595家P2P网络贷款公司。随着我国P2P市场的不断壮大，问题平台的比重也随之逐步上升。根据2015年的数据显示，全国的2595家网贷公司中有896家属于问题平台，占总数的34.5%，较2014年翻了一倍。金融秩序也由此受到的不同程度上负面的影响，所以P2P公司

3、内部的风险控制显得至关重要。我国P2P公司的内部风险主要分为以下三种：由于借款者道德缺失而引发的信用风险、由于网络技术失控引发的操作风险、由于交易的局限性而导致的流动性风险。而对内部风险影响最大的当属信用风险，信用危机的爆发与否将直接影响到P2P公司能否正常运作。在识别和防治信用风险的过程当中，P2P企业如何对借款人进行筛选成为了重要的控制节点。当前的P2P企业使用的借款人评估系统还很大程度上借鉴传统金融机构如银行的评估方法。这就导致了对风险的误判，因为两者的目标客户群的信用特征存在较大差异。比如银行的借款人普遍贷款金额大，信用数据充分，且对银行有抵押物。而P2P

4、公司的借款金额小而分散，信用信息不全面等。所以，仅照搬银行等大型金融机构的信用评估体系是无法有效控制P2P公司此类风险。那么利用借款人提供的信息，构建风险评估模型，准确地预测借款人的还款能力，对控制和化解P2P企业的风险，提高P2P企业风险管理水平具有重要的现实意义。目前风险评估模型主要有线性概率模型、多元判断分析模型和logit模型。本文以违约的概率作为信用评估风险的衡量标准，构建信用评估的logit模型，以美国著名P2P公司LendingClub的客户借款信息为样本进行实证分析，结果表明Logit模型具有非常可信的识别、预测和推广性，是P2P公司个人信贷风险评

5、估的有效工具。二、模型建立1.数据来源本文通过对LendingClub公开在网上的客户借款相关个人信息数据以及还款与否的最终结果进行调研，掌握最新的公开数据资料，并选取2015年的30万份数据中里的3.5万份作为样本，剔除了一些信息缺失的样本，最终用30412样本个作为实证分析的数据材料。2.模型的建立运用Logit模型的基本思路是：以借款人个人信用信息作为不同的自变量，违约事件发生的情况作为因变量（违约取值为1，履约取值为0），变量之间呈现非线性的关系。通过将数据代入SPSS软件中，进行logit回归分析，来测量出自变量和因变量之间的关系，从而得到预测个人违约率

6、的重要指标，最终实现对P2P平台中借款人信用风险的识别。3.信贷评价指标的构建本文结合中国P2P市场的实际情况，根据借款人信息对投资人决策的影响程度[1-2]，将借款人的信贷指标分为以下三大类（借款情况，个人特征值，信用相关记录），共14个指标。（见表1）4.Logit模型的应用及分析因为每位借贷的客户状态可以分为如期归还借贷即履约与无法如期归还借贷即违约两种，下面具体研究每位客户履约与违约的概率。设变量y表示每位借贷的客户状态，当y=1时，违约；当y=0时，履约；我们所要研究的是。logit回归方法建立信用评估模型如下[3]：结合各参数的Wald检验的p值可知，

7、贷款金额，贷款期限，已还金额比，近期还款额是影响还贷与否的重要指标。由表2得到回归系数对应的P值均小于0.005，故该系数可信度高。6.模型的准确性根据还款和未还款者相关数据，以上述模型计算违约概率（四舍五入保留两位小数），设定0.05为违约临界点，当违约概率大于0.05时，可判断该借款人为高风险违约客户。反之，当违约概率小于等于0.05时，可判断该借款人为履约客户。以样本数据代入模型得出预测值与实际结果的比较如表3。从表3可观察得知，对于履约（y=0），预测的正确率为96.6%，对于违约（y=1），预测的正确率为96.1%，整个预测模型的正确率为96.5%。所以

8、该模型能够