基于公開信息的網絡借貸平臺預警機制研究

劉震海 楊克明

摘要：近年來P2P行業迎來井噴式發展，它對于我國金融體系的完善，中微企業資金缺口的彌補，以及個人現金流的補充具有重要的意義。但隨著行業競爭的白熱化，P2P行業的各種風險也在不斷顯露。自2016年開始，我國P2P開始頻繁爆出龐氏騙局、跑路等事件，且涉案金額巨大，社會影響極其惡劣。我國目前金融監管從業者人數遠遠少于金融機構，且職權不清晰導致很難發揮真正職能。基于該背景，力圖建立一個利用最易獲得公開數據進行有效預警的模型，以幫助監管者對海量金融機構完成低成本有效篩查。

關鍵詞：公開信息;網絡借貸平臺;預警

中圖分類號：D9文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2019.01.069

1引言

國務院總理李克強2014年9月在夏季達沃斯論壇上公開發出“大眾創業、萬眾創新”的號召，伴隨著“雙創”一詞開始走入大眾視野的，還有“互聯網金融”。在第十二屆全國人民代表大會第三次會議上，國務院總理李克強首次公開提及互聯網金融，這是國家政府部門首次公開提及互聯網金融行業。自此之后，P2P網貸行業在我國進入了野蠻生長的時期。自2012年以來每月新增的P2P平臺數量逐步上升，在2014-2015年達到了巔峰，最高一個月新增平臺數量達到256家，隨后新增平臺數量逐步減少，網貸平臺總數也從2017年開始逐步走向穩定。

巴菲特說過：“只有退潮后，才知道誰在裸泳”，隨著互聯網金融熱的退潮，中國經濟將呈L型走勢的主基調的確定，熱錢開始逐步退出網貸市場，國家扶持相關扶持政策也開始收緊，問題網貸平臺的數量開始逐步攀升。在最嚴重的2015年7月，一個月爆出的問題平臺就有171家之多，隨后問題平臺的數量開始逐步減少，但自2017年12月以來問題平臺的數量大有抬頭之勢，2018年7月被爆出來的問題平臺就多達131家。在冰冷的數據背后，是無數個因為平臺跑路而支離破碎的家庭以及國家公安經偵部門極大的破案壓力。

本文基于網絡公開信息選取13個指標作為P2P網絡平臺的風險預警指標體系，建立包括輸入層、隱含層和輸出層三豐的BP神經網絡預警模型。運用Python軟件對建立的神經網絡進行訓練，在期望輸出值和樣本輸出值之家誤差縮小到標準范圍后，預警模型建立成立。

2建立基于公開信息的風險預警模型的必要性

信息技術的高速發展和應用，已經讓人們的生活方式發生了巨大的改變。金融本就是利用海量信息實現對資金最有效的分配，伴隨著對互聯網信息的使用，金融產業本身必然迎來巨大的變革。在這場變革之中，金融不再僅僅屬于紐交所里西裝革履的券商們，信息技術打破了金融參與的門檻，如今人人都能參與到這一場資金的饕餮盛宴中。就如同現在大家已經接受了使用支付寶消費一般，網貸平臺也必將逐步逐步褪去“騙子”、“賭博”、“薅羊毛”等反面標簽，逐步成為人們理財的一個選擇。面對網貸平臺風險的復雜多變，建立起有效的網貸平臺風險預警模型是非常必要的。

2.1實時監測的必要

網貸平臺的風險并不是靜止不變的，然而人為對大量網貸平臺的檢測不但低效而且是被是對公共資源的極大浪費。只有運用網絡預警模型，才能實現網貸平臺的實時監控，以最小的人力物力完成對平臺風險的初步排查。

2.2個人使用的必要

網貸平臺歸根結底要對接到個人，大量的投資者在選擇網貸平臺時，都會下意識的自主判斷網絡平臺的風險程度。但是由于專業知識的缺乏，大部分人只能通過在貼吧論壇發帖或者網絡搜索等方式來征詢意見做出判斷。而基于公開信息的預警模型可以幫助廣大缺乏專業知識的投資者們在投資時做出更為準確的判斷。

2.3快速預警的必要

隨著我國網貸行業市場出清的加快，一些網貸平臺多有趁火打劫之勢。和典型的網貸暴雷公司持續時間較長，金額特別巨大不同。在杭州的網貸平臺跑路潮中很明顯可以看到很多公司上線時間不過幾個月，這些公司就是趁著當前經偵部門壓力大精力不夠的空隙，大有打一槍換一炮騙了一筆就跑的趨勢，由于金額相對來說不是很大反而增加了被騙投資者的維權難度。因此本模型的使用可以迅速對還沒有太多歷史記錄的新公司進行預警，把這種“詐騙游擊戰”的不良勢頭扼殺在萌芽狀態。

3網貸風險預警指標體系的設置

3.1國內外網貸機構差異

在英美等西方發達國家，P2P平臺只是一個單純的信息中介，不參與任何借貸的資金交易，對投資人的損失也沒有任何賠付的責任。因為英美等發達國家擁有較為完整的個人征信體系，投資人可以根據借款人的信用狀況及擁有財產等自由競價，確定合適的資金回報率。此外，英國等國擁有較為完善的監管政策和規范，擁有專門的部門對P2P進行監管，全責分明。例如美國的證券交易委員會，英國的錦市場行為管理局和P2P金融協會，規范的政策和完善的監管有效控制了P2P在上述國家的風險。

在國內雖然征信體系在逐步普及，凡事總體并不健全，且P2P目前并無權限和國家征信體系對接，借款者風險很難得到充分客觀的暴露，因此投資者往往開始尋求P2P平臺的“靠譜”、“有保障”。這也使得P2P平臺不得不通過宣揚自己的“有保障”、“國資背景”、“自有保障金”等來增加自身的信用。這使得P2P平臺不過是成為了另一種銀行，形成了當出現一筆小業務違約時，為了平臺本身的聲譽P2P公司會選擇掩蓋過去，日積月累最終走向不得不跑路的惡性循環。我國目前的資管新規已經明確表示要打破剛信兌付，但是借款人接受投資可能會虧本這一點還需要一定的時間。

3.2網貸平臺風險因素

網貸平臺的風險可以從系統風險和非系統風險兩個層面進行分析，結合網貸平臺自身特點，篩選出最能代表性的風險因素。

網貸平臺的系統性風險主要有政策風險、法律風險和經濟周期風險。猶豫政策上的寬松法規的不健全等，導致平臺數量瘋長并引發惡性競爭，甚至會出現劣幣驅逐良幣的情況。另外經濟周期的影響也是無法忽視的，隨著全球經濟的轉冷反全球化趨勢的越發嚴重，很多大型金融機構都無法支撐何況新興的網貸平臺。但本文目標更多是從微觀角度檢測企業風險，因此暫不考慮經濟周期。

網貸平臺的非系統風險有信用風險、品牌風險、技術風險等。為了盡可能爭取客戶很多平臺會有意放寬放款條件，這導致了大批老賴的進入以及部分投機分子的薅羊毛行為。有證據顯示，現在很多從平臺拿到貸款的人有意在網上制造平臺負面信息，以期待平臺倒閉后自己也不用還清貸款，這些行為無疑大大增長了平臺自身的風險。如果出現了技術性問題導致官網無法打開或資金無法提現等情況很容易觸及投資者敏感的神經，造成擠兌現象。

3.3預警模型指標設立

但是值得注意的是，在網貸相關法律法規還并不完善的當下，相關數據的獲取難度較高且真實程度也值得懷疑，因此本文利用大數據思維，主要利用在互聯網上公開的人人都可以輕松得到的信息作為預警模型的輸入指標，通過指標內部的非線性邏輯來反應一家平臺的風險程度。一個惡性非法的網絡借貸平臺必然會盡可能的擴大自身的影響力、同時做好反調查準備，在監管單位有所反應之前圈到足夠的錢，這種行為很難不在網絡上留下痕跡。因此，社會公開信息指標的引入可以有效彌補官方觀數據的不足及真實性問題，增強預警模型的可信度和有效性。

綜上所述，網貸平臺風險評估體系如表1所示，各指標的原始數據如表2所示。

4BP神經網絡的設計

4.1BP神經網絡概述

BP神經網絡中BP是back propagation的縮寫，譯為反向傳播，因此BP神經網絡又稱誤差反向傳播神經網路，是1986年由Rumelhart和McClelland為首的科學家提出的概念。BP神經網絡通過采用誤差逆向傳播算法，由程序自動學習演算使得誤差降至最小值，以得到最接近真實情況的權值。

BP神經網絡屬于多層感知機，是由多個感知機層全連接組成的前饋神經網絡，全連接是指層上任一神經元與鄰近層上的任意神經元之間都存在連接，該模型擁有出色的處理非線性問題的能力。 BP神經網絡具有輸入層，隱含層和輸出層，理論上已經證明一個隱含層的BP神經網絡可以實現任意非線性映射，可以滿足絕大部分場合的需要。

4.2BP模型神經節點設置

本文采用的是標準結構的BP神經網絡，包括一個輸入層、一個隱含層和一個輸出層。其中，輸入層的節點數為13，由輸入指標的數量決定;輸出層的節點數為1，其中健康平臺的平臺值為0，問題平臺值為1。

隱含層的節點數選擇和輸入層神經單元以及輸出層神經單元數量有關。但目前還沒有很好地確定依據，根據任務來確定隱含層節點的數量是比較困難的。因此，目前還是主要以過往的成功經驗為依據，一般參考的經驗公式是：L=log2n，n為輸入節點數，因此隱含層的節點數為3。

4.3BP模型參數設置

再確認了BP神經網絡模型的輸出層，隱含層和輸出層節點后，還要確定神經網絡的傳輸函數和訓練目標等參數。非線性的傳遞函數主要分為Log-sigmoid和Tan-sigmoid兩種。其中Log-sigmoid型輸入值可取任意值，輸出值范圍為（0，1），Tan-sigmoid型輸入值可以取任意值，輸出值范圍為（-1，1）;線性傳遞函數pureline的輸出和輸出可以取任意值。因為本文輸出值都為正數，因此輸入層傳播函數為Log-sigmoid函數，輸出層傳播函數選擇pureline函數，可接受的誤差標準為ε= 0.1，訓練次數為100000，學習速率為0.2，動量因子為0.1。

5面相Python的BP神經網絡的訓練和檢驗

本文綜合參考網貸之家等多個網貸平臺評級網站，綜合考慮選擇11家優質網絡平臺作為低風險樣本，同時選擇6家最近剛剛暴雷的平臺作為高風險樣本。并從中隨機抽取兩家低風險兩家高風險作為檢驗樣本，其余13家為訓練樣本。網絡的訓練和檢驗都通過Python來完成。通過整理可以得到一個17×13的矩陣，為取消各指標之間的數量級差別，從而最大程度降低預測誤差，將原始數據歸一化處理。歸一化處理后訓練模型的輸入值如表3所示，檢測模型的輸入值如表4所示。

對于已經訓練完成的BP網絡模型，訓練輸入值對建立的BP網絡進行檢測，輸出結果如表5所示。

根據檢測結果，檢驗輸出和期望輸出值非常接近，準確率達到了100%，兩者數據誤差滿足誤差要求。因此，建立的BP神經網絡模型有較好的風險評估能力，可用來對網貸行業進行監測，達到風險預警的目的。

6研究結果

構建一個科學有效的網貸平臺風險預警模型，可以快速對網貸平臺進行初步排查，盡早識別和預警高風險網貸平臺，已采取風險防范和化解措施。傳統的數理模型大多通過數理統計、邏輯回歸等方進行預測，這并不適用于網貸平臺這一新型金融模式的風險預警上。另外傳統模型也過度于依賴于歷史官方統計數據，但是網貸平臺相關法規的不完善，平臺自身可以通過調整統計端口等方法肆意修改數據，從而造成預警模型的失靈。本文大量采用網絡公開數據，這是網貸平臺無力修改的，雖然不能直觀的反應平臺風險狀況，但是數據本身的真實性反而能夠保證預警模型的科學有效。另外，由于公開數據的獲得無門檻，從而大大降低了模型使用難度。神經網絡的優點就是反應數據之間非直觀的復雜聯系，因此本文大膽使用公開數據，該模型甚至可以成為普通民眾對網貸平臺的風險監測工具，若能得到大范圍使用，必將倒逼網貸平臺主動走向規范化正規化，讓網貸平臺主動走到監管的籠子里，從而讓杜絕大面積平臺暴雷，實控人跑路，投資人上訪的不良事件。

參考文獻

[1]謝平，鄒傳偉.互聯網金融模式研究[J].金融研究，2012，（12）.

[2]王崢.我國互聯網金融的風險分析及防范措施[J].時代金融，2014，（8）.

[3]曹一.論加強P2P網絡借貸平臺的監管[J].金融監管，2011，（4）.

[4]陳朝暉，張艷芳.基于BP神經網絡的商業銀行風險預警模型研究[J].福建商業高等專科學報，2011，（2）.

[5]Tam KY. Neural Network Models and the Prediction of Bank Bankruptcy [J]. Omega，1991，（5）.

[6]楊群華.我國互聯網金融的特殊風險及防范研究 [J].金融科技時代，2013，（7） .

[7]郭瑩瑩.國內外金融危機預警模型述評[J].科學決策，2013，（10）.

[8]張玉梅.P2P 小額網絡貸款模式研究[J]. 生產力研究，2010，（12）.