基于BP神經網絡的網貸借款人信用評級研究

1.引言

P2P網貸(Peer-to-Peer Lending)是指從事點對點服務的網貸平臺，不依靠傳統的銀行服務而直接通過網絡平臺來完成貸款業務的模式[6]。這種模式便捷高效，打造了更為直接透明的交易平臺，是實現普惠金融的有效手段。P2P網貸興起于英國發展于美國，逐漸在世界范圍內得到認可和發展。2005至2007年間成立的四家P2P網貸平臺(Zopa、Kiva、Prosper、Lending Club)普遍面向居民和中小企業，創造出多種資信評級方式，成為全球P2P借貸行業的引導。2007年6月，我國第一家P2P網貸公司——拍拍貸在上海成立，該模式提高了社會閑散資金的利用率，解決了借款人小額貸款的繁瑣，引領我國P2P網貸事業的發展。近年來我國P2P網貸行業經歷了“野蠻生長”的過程后逐步進入正軌，在政府干預市場后走向規范化。由于社會信用體系不夠完善等原因，平臺仍普遍存在征信問題，中國人民銀行已開放個人信用查詢，但全國范圍內仍在試行階段，易形成信息不對稱，易造成損失。在不斷的探索中，當前形成了借款人主動提供個人信息和貸款平臺開展驗證式調查的方式，部分情況下還會實地勘探。造成諸多人力浪費，資信評級的準確和流通也有諸多欠缺。

因此需要對借款人的信用情況進行一個合理的評估，各界學者對P2P網貸平臺及其信用評級進行了廣泛研究。王會娟(2014)從信息不對稱的理論框架出發，發現信用評級越高，借款成功率越高且借款成本越低；楊龍光(2016)針對國內信用評級研究面臨的違約率數據缺失的問題，提出了一種綜合回歸思路與聚類的算法[17]他們提出的方法不會因為考察對象和考察時間的變化而變化，為信用評級方法提供參考唐國雷(2016)構建了logistic模型和BP神經網絡模型，進行對比分析，發現BP神經網絡模型能夠更好的應用于評估P2P 網絡借貸中借款人的信用風險[10]。

本文通過構建BP神經網絡模型來實現對借款人的信用評級，該模型可以對平臺的風險管理起到一定作用，綜合國內外的研究分析影響平臺借款人信用優良程度的評級指標與主要因素，從信用風險的角度出發，結合我國發展較為成熟的商業銀行借貸評級信用模式與我國P2P網貸平臺已有的借款人信用評級指標選取合適的指標作為建模的基礎，選取國內較有代表性的拍拍貸數據，采用動量項的方法進行算法優化，對于豐富和完善我國現有的信用評級方法也起到了促進的作用。

2.信用指標體系

構建P2P網貸平臺的借款人信用評級是一個嚴謹的過程。以往P2P網貸平臺使用的借款人信用評級方法大多為專家分析法，即專家通過分析借款人的財務分析、經營信息、經濟環境等因素，來對借款人的資信、品質等進行評判，以確定評級結果，目前得到了世界上大多數國家的認可和采納。在選取指標的過程中主要考慮到全面性、代表性、相對穩定性、可行性和穩定性。比如經典的年齡，性別，居住地，婚姻狀況，文化水平、職業性質，行業收益，發展前景、經濟實力等指標。隨著P2P網貸方式和互聯網的普及。部分平臺開始加入歷史紀錄等直接可靠的指標，避免了一些信息滯留造成的重復損失。

我國運營良好的P2P網貸平臺要求借款人提供的信息大致包括借款人的基本信息、資產信息和工作信息三大類，每個平臺可以自行制定借款人需上傳的指標數據，以能夠證明借款人有能力償還債務為目的填寫相關信息，再由網貸平臺使用自身的信用評價機制對其進行信用評級，將結果公布到平臺上以供投資者進行放貸參考。我國傳統銀行要求借款人提供的個人信息相差不大，有相對較完整的指標體系。

本文通過對國內部分網貸平臺進行研究和對比，根據P2P網貸線上評估，直接融資，中介把關的特點，參考中國建設銀行的個人貸款信用評價指標體系，結合以前的個人信用評價指標體系的研究成果和方法，得出P2P網貸借款人的信用評價指標體系。選取六個指標作為后續建模的基礎，分別為：年齡、文化程度、婚姻狀況、年收入、現居地以及歷史信用，并將各個指標進行科學量化。

3.基于BP神經網絡的信用評級算法

3.1 BP神經網絡

BP神經網絡是指誤差逆傳播算法訓練的多層前饋網絡，該模型的特點是信息向前傳遞，誤差反向傳遞，即每一層的神經元只會影響下一層神經元的輸出狀態，一般為三層感知器，所謂三層包括了輸入層、隱藏層和輸出層。正向傳播時，輸入樣本從輸入層傳入，經各隱藏層處理后，傳向輸出層，如果輸出層沒有得到預期的輸出，則進行誤差反向傳遞，誤差反傳是將輸出誤差以某種形式通過隱藏層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。這一過程反復進行，直到輸出值與期望值相等后訓練結束，得出模型。

3.2 BP神經網絡的設計與訓練

拍拍貸在我國也具有代表性且口碑信譽良好。本文從拍拍貸信息平臺爬取150組借款人的信息數據作為本文 P2P網貸借款人的信用評估樣本，其中120組數據作為訓練組，剩下的30組數據作為參照組，來對模型優化的結果進行驗證，使用MATLAB進行仿真訓練。

訓練函數的選擇。選用Sigmoid作為轉移函數，其優點在于輸出范圍有限，為(0，1)，所以數據在傳遞的過程中不容易發散。并且這個函數具有連續可導和非線性的特點，計算起來相對簡單。

輸入層和輸出層的設計。輸入層單元數為特征數量，本文選取了6個指標，所以輸入層數為6。

輸出層單元數為目標數量，本文輸出層的設計為一個單元數。

隱藏層的設計。本文需要處理的數據不是很繁瑣，因此建立一個隱藏層即可。隱藏層節點數的作用是從樣本中提取并儲蓄其內在規律，每個隱節點有若干個權值，而每個權值都是增強網絡映射能力的一個參數。隱節點數目如果太少，則網絡難以收斂，數目如果過多，則容易造成網絡訓練時間變長，網絡的穩定性就會降低。本文選擇試湊法來確定最佳隱節點數目，初始化隱層單元數m滿足

其中n為輸入層節點數，在本文中n=6。進一步確定隱藏層單元數，并進行反復驗證來尋找最優隱藏單元數。在初始化隱藏層單元數的基礎上，逐漸增加隱節點數，用同一樣本集進行訓練，從中確定網絡誤差最小時對應的隱節點數。

初始權值的設計。網絡權值的初始化決定了網絡的訓練從誤差曲面的哪一點開始，因此初始化方法對縮短網絡的訓練時間至關重要。本文對隱層初始權值設定足夠小，但不全置為0，因為全置為0后每次更新權重都會是一樣的結果。

如果輸出層權值太小，會使隱層權值在訓練初期的調整量變小，因此采用使初始值為十1和一1的權值數相等的方法。按以上方法設置的初始權值可使每個神經元一開始都工作在其轉移函數變化最大的位置。

3.3 優化BP神經網絡算法

增加動量項。標準BP神經網絡算法在調整權值時，只按t時刻誤差的梯度下降調整，而沒有考慮t時刻以前的梯度方向，從而使訓練過程發生震蕩，收斂緩慢。為了提高網絡的訓練速度，可以在權值調整公式中增加一動量項。即從前一次權值調整量中取出一部分迭加到本次權值調整量中，動量項反映了以前積累的調整經驗，對于t時刻的調整起阻尼作用。當誤差曲面出現驟然起伏時，可減少震蕩趨勢，提高訓練速度。

3.4 BP神經網絡的訓練

本文利用MATLAB軟件建立BP神經網絡算法模型，進行標準BP神經網絡算法計算時發現模型正確率最高為74%，加入動量項優化后使模型可以自行修正權值和閾值，根據試湊法確定最佳隱藏層節點數目，選擇學習率為0.1的情況下，分別設置隱藏層節點數為3、4、5、6、7、8、9、10、11、12、13、14、15，對每一種不同的隱藏層節點數進行15次訓練，在確定最大訓練次數為3500次的情況下記錄損失函數值以及對應的正確率，根據結果可以看出當選擇隱藏層節點數為3時，模型正確率最高且損失值最小，因此此模型的隱層數選擇為3。由誤差分析圖可以看出此模型的擬合度較優。

用剩余30組數據作為對照組進行模型的檢驗，結果驗證表明，BP神經網絡模型具有良好的自適應性，能夠較準確地輸出期望值與實際相符，能對借款人的信用情況做出高效的評價。

4.結論

本文首先引入普惠金融的理念介紹了P2P網貸的概念，通過對國外資深網絡金融平臺的興起與運作模式深入了解整個行業的發展歷程。從國內P2P網貸行業真實數據出發了解到存在的征信問題，并通過爬蟲技術收集網貸平臺公開的真實數據，分析我國運營良好的P2P網貸平臺以及我國傳統商業銀行的評級指標，以中國建設銀行為基本，選取六個與借款人信用程度相關性強的指標。通過對BP神經網絡算法的研究，對模型的整體思路有詳細的闡述。BP神經網絡的各層結構的確定有明確的方法，由梯度下降和誤差曲面展開，通過增加動量項的方法對模型進行優化，發現可以有效減少了訓練過程的震蕩幅度，加快模型收斂速度，相對于傳統的BP神經網絡算法，有著更高效的可操作性，更適用于構建借款人的信用評級。

(中國計量大學，浙江 杭州 310018)