羅文琦

一、引言

隨著我國現(xiàn)代信息化的發(fā)展，“互聯(lián)網(wǎng)+”的出現(xiàn)，P2P已經(jīng)成為“互聯(lián)網(wǎng)+金融”的主要發(fā)展模式之一。在傳統(tǒng)金融服務模式僵化造成投資渠道單一，個人、中小企業(yè)融資難等問題日益突出的背景下，P2P 網(wǎng)貸迅猛發(fā)展。門檻低、回報較高，且以互聯(lián)網(wǎng)為媒介實現(xiàn)快速買入和變現(xiàn)的投資交易模式，更適合于大眾創(chuàng)業(yè)、萬眾創(chuàng)新時代的個人小額借貸，且為經(jīng)濟轉(zhuǎn)型升級提供了有效途徑。截止2018年3月，因經(jīng)營不善、攜款跑路、黑客攻擊等原因使網(wǎng)站無法正常運營而停業(yè)的平臺就有151家，2017年有643家，2016年有1711家。以上數(shù)據(jù)表明，在P2P欣欣向榮發(fā)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(gòu)成違約，致使 P2P 網(wǎng)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(yè)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(gòu)建Lasso-logistic模型對網(wǎng)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(wǎng)貸平臺信用風險評價實證分析

（一）數(shù)據(jù)來源及處理

網(wǎng)貸之家是我國首家P2P網(wǎng)貸理財行業(yè)門戶網(wǎng)站，提供全方位、權(quán)威的網(wǎng)貸平臺數(shù)據(jù)。目前，P2P網(wǎng)貸在我國發(fā)展速度非?？?，從網(wǎng)貸之家官網(wǎng)公布的數(shù)據(jù)可以看出其發(fā)展趨勢與速度。本文通過從網(wǎng)貸之家官方網(wǎng)站爬取網(wǎng)貸之家上的從業(yè)人員資質(zhì)審查機制、設(shè)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(shù)據(jù)，截至2018年4月，共有網(wǎng)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(yè)人員資質(zhì)審查機制、設(shè)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(shù)據(jù)進行研究，指標體系見表1。

（二）指標選取

根據(jù)研究對象 P2P 網(wǎng)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(shè)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(yè)人員資質(zhì)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(xiàn)信用風險最敏感的指標，這三個指標基本可以反映 P2P 網(wǎng)貸企業(yè)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(lián)系，但是在一定程度上也會對其產(chǎn)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(fā)生的信用風險來說也是一種有效防范。公司內(nèi)部從業(yè)人員的素質(zhì)直接體現(xiàn)了一家 P2P 網(wǎng)貸企業(yè)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(yè)人員資質(zhì)審查機制也是一項不可或缺的指標。

（三）指標取值

根據(jù)指標的性質(zhì)可以對指標數(shù)據(jù)進行處理，并將指標量化。目的在于更好地和模型結(jié)合起來。數(shù)據(jù)的處理要根據(jù)指標變量化的結(jié)果按照變量要求進行處理。變量量化結(jié)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(wǎng)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(shù)據(jù)分析中擬合度高的優(yōu)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(shù)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(yōu)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(shù)解路徑圖，橫坐標Lambda的對數(shù)，縱坐標為系數(shù)值，最上面的數(shù)字為不同 Lambda 所對應的篩選出的變量的個數(shù)。隨著 Lambda 的增大，越來越多的變量的系數(shù)趨向于0，對Lambda 的選擇可實現(xiàn)對變量的篩選，如圖1所示。

利用交叉檢驗的方法，得到最優(yōu)的協(xié)調(diào)參數(shù) 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(shù)，縱軸對應的是模型誤差，最上面的數(shù)字表示不同Lambda 所篩選出的變量個數(shù)。從圖中可以看出此時λ=e-5。

Lasso-logistic模型的變量選擇，其關(guān)鍵在于調(diào)和參數(shù)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(shù)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(shù)為最優(yōu)的罰參數(shù)λ，則最優(yōu)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(shù)越少。左邊的虛線表示Lambda.min 取值的位置，右側(cè)的虛線是 Lambda.lse取值的位置，對應著一倍標準誤差內(nèi)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(qū)間內(nèi)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?；贚ambda的取值， 可以得到篩選出的變量參數(shù)估計值如表 3所示。

從 Lasso-logistic 模型的結(jié)果可以看出，信用風險的相關(guān)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(yè)人員資質(zhì)審查機制、設(shè)立投資人資格標準。以上排序僅僅是關(guān)聯(lián)程度未考慮正向還是反向關(guān)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(jié)果所形成的關(guān)系模型對預測模型進行預測，同用全變量logistic進行對比其結(jié)果如表4。

表 4 中的結(jié)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(wǎng)貸平臺的數(shù)據(jù)，傳統(tǒng)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(shù)據(jù)分析中擬合度高的優(yōu)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(jié)果是62.20結(jié)果，而我們采用Lasso-logistic模型進行計算，得出72.16的違約結(jié)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(jié)語

本文將Lasso-logistic 模型引入P2P網(wǎng)貸平臺的信用風險評估之中，利用網(wǎng)貸之家的數(shù)據(jù)對平臺的信用風險進行了實證分析。本文的主要結(jié)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(shù)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(gòu)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(wǎng)貸平臺信用風險評級模型構(gòu)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(wǎng)貸信用風險評價[J].商業(yè)經(jīng)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(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2014（2）：125-136.

[4]潘 爽，魏建國.P2P網(wǎng)貸平臺的信用風險及其分散機制設(shè)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(wǎng)絡(luò)信貸風險評估研究[D].南寧：廣西大學，2013.

[6]索云騰.P2P網(wǎng)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(xiàn)狀及發(fā)展對策[J].華北金融，2013（7）.