P2P網絡借貸平臺風險預警研究

■譚天驕，李 亙

近年來，網貸平臺因其脆弱的風控能力及較強的借貸風險正逐漸成為金融體系內不容忽視的風險誘發源頭，因此建立風險預警機制對網貸平臺風險進行監測，促進網貸平臺行業良性發展顯得尤為重要。本文以50家P2P網貸平臺為樣本構建了P2P網絡借貸風險預警指標體系，利用主成分分析法測度風險綜合值，并以BP神經網絡為基礎建立了網絡借貸平臺的風險預警模型，通過對比分析實際輸出結果和期望輸出結果來評價利用神經網絡進行風險預警的準確率。最后有針對地提出P2P網絡借貸風險預警的對策建議。

一、引言與文獻綜述

2007年8月，中國第一家P2P網絡借貸平臺“拍拍貸”成立，成為我國第一家純線上無擔保網絡借貸平臺。隨后在金融危機時期，我國經濟下行壓力加大，經濟增長速度出現趨勢性放緩，金融市場風險日益暴露，銀行出現惜貸情緒，中小微企業以及個人通過銀行渠道獲取資金愈發困難。而與此同時隨著人們收入水平的提高，民間閑散資金較充裕，卻無理想投資渠道，導致社會資金供需矛盾愈發突出。嚴峻的宏觀經濟形式雖然加劇了中小微企業融資難融資貴的問題，但卻為網絡借貸平臺的發展提供了一個良好的發展契機。尤其是從2012年開始，網絡借貸運營平臺的數量和交易規模迅速飆長，其地區分布也由北上廣等一線城市向二三線城市迅速擴張。

隨著網絡借貸平臺的迅速發展，國內外學術界也紛紛進行了一些積極有益的探索。有關P2P網絡借貸平臺的研究主要集中于兩個方面，一是P2P網絡借貸的風險產生機制和監管體系構建，二是P2P網絡借貸行為的影響因素研究。Klafft（2008）通過對Prosper的數據進行分析證明了借款人的信用評級是影響借款利率的主要因素，借款人最高評級AA和最低評級HR之間的借款利率存在明顯差異，同時說明了平臺的信息透明度對平臺風險的影響。Herzenstein（2011）和 Barasinska（2014）對Prosper的利率拍賣機制進行分析，說明借貸雙方通過博弈形成利率，并最終影響借貸行為。彭紅楓和徐瑞峰（2018）以人人貸為研究對象，指出借款人所處行業和所從事職業是影響借貸利率和借貸行為的重要因素。李焰（2014）、汪靜（2018）等學者同樣高度重視信息披露水平對借貸行為和平臺風險的影響，并提出構建信息披露機制的監管思路。陳霄和葉德珠（2016）則詳細分析了我國網貸平臺的利率波動，指出網貸平臺的平均利率遠高于正規金融機構，并且利率波動具有集聚性。

然而由于網貸平臺存在諸如門檻較低、良莠不齊、監管的主體缺位等內在缺陷，脆弱的風控能力及較強的借貸風險使得網絡借貸行業進入了風險高發期。這引起了諸多學者的思考，如何提高網絡借貸平臺的風險監控能力？Kevin E.Davis&Anna Gelpern（2010）對網絡借貸的監管問題進行了深入探討，對現有框架存在的問題進行了分析，最后從監管主體和行業自律角度給出了制度建議。Jack R.Magee（2011）指出P2P融資平臺的監管需要證監會與消費者金融保護局雙管齊下。何德旭和王進成（2013）認為我國網絡借貸平臺存在的風險分為6類，分別是：聲譽風險、法律風險、資金使用方的信用風險、利率管理風險、操作風險和區域集中度風險。馮慧澤（2014）對P2P網絡借貸平臺風險控制評估指標體系進行了設計，主要包括三個維度：客戶特征、貸款特征和借款機構特征，但這些指標均以定性分析為主，沒有進行定量分析。劉洪彬和鄭超丹（2015）對P2P網絡借貸的信用風險產生機制進行了理論分析，認為網絡借貸信用風險是由于交易前征信體系的構建不完善、交易中借貸雙方的信息不對稱、在整個交易過程中法律監管缺失引起的。

通過研究國內外相關文獻，本文發現現有的文獻側重點都在網絡借貸平臺的風險和監管理論研究，僅是指出平臺存在種種風險以及監管部門要對網絡平臺進行監管，卻很少涉及到如何量化平臺風險、如何監控以及如何預防平臺各種風險的發生。本文通過構建網貸平臺的風險預警體系來對借貸風險實施動態監控和預警，不僅可以提高網絡借貸平臺的風控能力，更好的發揮網絡借貸平臺金融信息中介服務職能，而且能為監管者提供監管依據，防止因個別平臺風險問題而引發整個行業的生存危機，把風險扼殺于搖籃之中，促進網絡借貸行業的健康有序地發展。本文的創新點有兩點，一是在研究內容上，不同與只建立在一家或者幾家P2P平臺上進行研究，本文以50家P2P網貸平臺建立預警體系。相比來說，更具有實用上的廣泛性和預警上的準確度。二是在研究方法上，將計算機中的BP神經網絡算法運用到風險預警系統的建設中，定量分析能夠更加清晰地看到的P2P網貸風險問題。

二、指標體系的構建與風險綜合值度量

（一）P2P網絡借貸風險預警指標體系的構建

本文選擇網貸之家排名前50名的網絡借貸平臺在2016年1～6月的月度數據，一是為了保持樣本的連續性。二是通過選擇前50名的網貸平臺，一定程度上能夠代表我國P2P網貸平臺發展的前沿，做出的預警模型能夠在最高要求上體現安全性與風險性，具有較好的借鑒意義。在指標選取上，本文認為指標的選取一定要有代表性和可靠性。為了最大化反映網貸平臺的風險程度，本文參考了何德旭和王進成（2013）對我國網絡借貸平臺風險的劃分為法律風險、借款人的信用風險、平臺的流動性風險、平臺的操作風險和監管風險。

1.法律風險

以前存在于地下的民間借貸資金得到了部分釋放即進入網貸渠道，從而使得平臺資金價格年息動輒高達20%以上。而根據最高人民法院《關于人民法院審理借貸案件的若干意見》的有關規定：民間借貸的利率可以適當高于銀行的利率，但最高不得超過銀行同類貸款利率的四倍。因此，本文參照網貸之家，以P2P平臺月借貸平均利率為指標來衡量法率風險。

2.信用風險

借款標數指平臺月借款成功筆數；平均借款期限指借款人從借到款到還款的時間差。一般來說，期限越長，資金流動性容易變差，因此信用風險越高；資金杠桿指平臺自身資金撬動的資金倍數，杠桿=平臺待收/注冊資金，杠桿越小的平臺墊付能力越強，越安全。杠桿中的分母除了注冊資金外還包含平臺的風險準備金、合作機構注冊資金、其他自有資金等。

3.操作風險

分散度：分散度可分為行業分散、地區分散、貸款分散和投資分散。當資金能夠較為分散，平臺越不容易受個別違約或者行業性風險波及，平臺也就相對安全。

4.流動性風險

資金凈流入指平臺當月的所有投標金額與所有還款金額之差；成交量指平臺當月時間加權成交量。成交量越高，平臺越活躍；注冊資本指平臺總體注冊資本。注冊資本越多，相應流動性風險便會減少；投資人數指平臺當月投資人數。投資人數越多，平臺越活躍；借款人數指平臺當月借款人數。借款人數越多，平臺交易量越高；前十大投資人待收金額占比指一定時間內，待收金額排名前十的投資人待收金額占所有投資人待收金額的比例；人均投資金額指平臺月人均投資金額；前十大借款人待還金額占比指一定時間內，待還金額排名前十的投資人待還金額占所有借款人待還金額的比例；人均借款金額指平臺月人均借款金額；流動性分子是對于金融機構來說，不良貸款或者壞賬是流動性管理的重點。但是目前來說，很難得到各網貸平臺的不良貸款率和壞賬率。因此本文參考網貸之家的流動性分子指標，該指標是網貸之家通過對各個網貸平臺的資金充足率、資金周轉狀況、不良貸款率、壞賬率等計算出來的積分，一定程度上能反映網貸平臺的流動性。積分越高，代表平臺資金回收本息越快，即流動性較高。

5.監管風險

由于我國網貸平臺長期以來監管體系的缺失，因此網貸平臺的透明度主要體現在信息公開程度上，但各平臺的信息公開程度不一，且沒有統一的標準衡量。因此本文選擇網貸之家的透明度積分來表示，該積分是根據平臺的借款資料、抵押力度、逾期數據、平臺網站公布的信息頻數來計算。透明度積分越高，代表平臺披露信息越多，透明度越高。

6.其他風險

在指標選擇中，本文發現有的指標不隸屬于以上風險范圍，但也可能對平臺風險狀態產生影響，如：發展指數和人氣指數。發展指數表示的是平臺的現在發展能力、綜合影響力，以及發展潛力。人氣指數指人氣積分越高，代表在平臺借貸的人越多。

為易于理解，本文將指標進一步整理，定義如表1所示。

表1 網絡借貸風險預警指標

（二）數據初步處理與分析

因建立預警模型的18個數據指標單位不一，若直接分析和建模，則結果很可能會出現偏差，影響模型的精確度。故構建預警模型前要對數據進行一些處理。首先是綱量歸一化處理，使所有數據位于[-1，1]之間。其次，進行數據同趨勢化處理。這是因為當選取指標較多時，數據的結構性方向可能不一，因此需要將數據方向進行結構性統一。本文結合各自變量實際含義，對于資金凈流入、成交量、投資人數、借款人數、借款標數、人均投資、人均借款、注冊資本、發展指數、人氣、流動性、透明度取正向趨勢，即各值越大代表P2P網貸平臺越安全。前十大投資人待收占比、前十大借款人待還占比、平均利率、平均借款期限（月）、資金杠桿則取反向趨勢。

（三）基于主成分分析的風險綜合值的度量

在建立網貸平臺風險預警模型前，需要先用主成分分析法進行判定。主成分分析的應用在本文有兩個目的：一是對數據進行降維。組合相關性或者重復性較高的指標，將原始指標變量提煉為幾個綜合性指標。二是通過主成分分析計算出月度風險綜合值，并據此判定平臺風險狀態。本文用MATLAB進行主成分分析，根據分析結果，一共提取了6個主成分。

表2 主成分分析表

對提取的6個主成分建立主成分載荷矩陣，并采用方差極大旋轉法進行旋轉，具體數據見表3。

表3 主成分載荷系數矩陣

續表3

為方便起見，本文把第一主成分取名為F1，第二主成分為F2，以此類推至F6。則主成分的原始特征向量構成如下，其中豎列的數據表示特征向量對主成分反應的系數：

其中：對于F1，X16（分散度）、X13（發展指數）、X14（人氣）的載荷系數最高，分別為0.365、0.362、0.345。說明第一主成分主要由操作風險決定；對于F2，主要由X10（注冊資本）、X11（人均投資）、X4（成交量）決定，載荷系數分別是0.465、-0.458、-0.333。說明第二主成分主要由流動性因子決定；對于F3，X2（前十大投資人待收占比）、X4（成交量）、X18（透明度）的載荷系數最高，分別為0.503、0.463、-0.332。說明第三主成分也是主要由流動性因子決定；對于F4，主要由X17（流動性）、X18（透明度）、X6（平均借款期限）決定，載荷系數分別是0.634、0.316、0.302。說明第四主成分也是主要由流動性因子決定；對于F5，主要由X2（前十大投資人待收占比）、X15（資金杠桿）、X18（透明度）決定，載荷系數分別是0.443、-0.428、0.298。說明第五主成分也是主要由流動性因子決定；對于F6，主要由X9（借款標數）、X5（平均利率）、X8（借款人數）決定，載荷系數分別是-0.447、0.476、-0.410、-0.403。說明第六主成分是主要由信用風險因子決定；從主成分的特征值與貢獻率計算可構造公司財務狀況綜合指標F，F是各綜合因子F1、F2、F3、F4、F5、F6的線性組合。即：

以各主成份的方差貢獻率占累積方差貢獻率的比重作為權重計算主成份綜合得分，總因子得分函數為：

分別把F1、F2、F3、F4、F5、F6的值帶入到F中，得到F值與各個指標之間的關系式：

風險指標體系構建好后，還需要確定指標的風險臨界值。臨界值就是區分P2P網絡借貸平臺是處于風險狀態還是安全狀態的臨界值。但就目前來說，P2P網絡借貸行業在我國仍是新興產業，經驗尚不豐富，標準也未統一，因此并沒有完全可靠的區分方法，臨界值究竟如何科學合理劃分，還需在實踐中進一步探索與檢驗。本文在探索前人研究的基礎上，發現多數研究都把“0”作為臨界值。一是因為0是在[-1，1]之間的中間值，二是這樣劃分簡單且易于理解。但是這樣劃分的問題是忽略的樣本的密集度，使得以“0”為臨界值的劃分過于武斷。因此本文在綜合考慮的基礎上，取所有主成分分析綜合得分（即F得分）的平均值作為臨界值，從而劃定穩健月份與風險月份。將主成份綜合得分大于平均值的月份定義為風險月份，因變量取值為“1”。主成份綜合得分小于平均值的月份定義為穩健月份，因變量取值為“0”。經計算，本文所有P2P網貸平臺的月度主成分分析綜合得分的均值為-0.6477。按此原則測度，300個樣本的預警度分別為：110個樣本為安全狀態，190個樣本為風險狀態。通過主成分分析劃分出的預警度則稱為預測期望值，同時是BP神經網絡預警模型的期望輸出值。

三、基于BP神經網絡的風險預警模型構建

（一）模型選取

BP神經網絡是由輸入層、輸出層和若干隱含層組成的前向連接模型（如圖1）。

同層神經元之間互不聯系，前后層神經元通過權重連接。當有輸入時，要首先向前傳到隱層節點，再傳至下一隱層，通過不斷前進，且經過每一層都要由相應的特征函數進行變換，最終傳至輸出層節點。如果實際輸出模式和期望輸出模式有誤差，那么就將誤差信號沿原來的連接線路返還，并根據誤差值修改各層的連接權重，重復迭代，使誤差減小，直至滿足條件為止。當誤差達到規定的范圍內，則認為BP神經網絡已經訓練好。因此縱觀BP神經網絡的訓練過程，可以發現BP神經網絡能夠覺察錯誤、自覺修正、重復工作，如同人的大腦一樣。這也是其能夠得以廣泛運用的重要原因之一。本文用40家P2P網貸平臺240個樣本數據做預警模型訓練（包括103個安全樣本，137個風險樣本），在目標達到或者訓練次數達到后即停止學習。然后用剩下的10家網貸平臺做測試樣本（包括53個安全樣本，7個風險樣本）來衡量預警模型的準確性。

（二）模型參數設置和網絡訓練

對模型進行參數設置時首先需要對函數接口賦值，本文構建的P2P網貸平臺風險預警指標體系包括18個指標，通過主成分分析后降維為6，因此網絡的輸入節點數為6。網絡的輸出值為根據上文主成分分析法得出的風險預警度，即均是“0”“1”表示，由于只有兩個結果，因此輸出節點數為2。整個模型中最難設置的是隱含層節點數，因為隱含層數的確定需要滿足兩個條件：一是使訓練過程盡可能高效簡單；二是能較好的縮小誤差，從而達到訓練目標。而就目前來說，隱含層節點數的確定還沒有科學的定論，主要還是根據訓練的次數經驗和訓練的結果而定。而目前能僅供參考的公式為：n1=或n1=log2，其中，n為輸入節點數，m為輸出節點數，n1為隱含層節點數，a為[1，6]之間的常數。本文在多次試驗的基礎上，最終選擇的隱含層節點數為30。訓練過程在MATLAB中如圖2所示：

其次，需要對各種運行函數進行設定，來保證學習的效率性和準確性。包括學習函數、訓練函數、隱含層和輸出層的傳遞函數、訓練次數、訓練最小梯度、最小誤差等參數，如圖3所示。第一，不同于一般將誤差設為0.01、0.001，本文將其設定為10-8以確保訓練的精確度。第二，關于訓練次數，過少則容易達不到目標，過大則會使運算過程冗長繁雜，因此本文進行1000次學習訓練，一般來說都能達到目標。第三，學習速率影響權重調整的快慢，過大過小都會影響訓練，因此將其設定為10-20。

表4 神經網絡模型參數表

參數設定好之后需要進行網絡訓練。關于訓練函數，一般采用神經網絡工具箱提供的專用函數newff。本文選擇trainlm（動量梯度下降法），通過引入動量因子以保證訓練過程的收斂性（穩健性），以消除動蕩的影響。各層傳遞函數類型為[‘TF1’，‘TF2’]，即函數tansig和purelin，同時所有的傳遞函數均采用S型的對數函數，從而將神經元的輸入（整個實數集范圍）映射到區間[-1，l]中。NodeNum和TypeNum表示訓練參數的設置。如圖3，訓練達到392次時，網絡收斂至指定誤差域（10-8）內，即達到訓練目標，訓練停止，預警模型得以建立。

圖3 預警訓練結果

（三）預警模型的檢測

訓練完畢后進行預警模型的檢測。本文將樣本內后60個樣本作為檢測樣本。以實際輸出值、輸入值以及相應的風險等級作為對比，分析模型的準確度。實際輸出值與預測輸出值越重合，則模型準確度就越高，模型就越有效，檢測效果如表5所示。通過上表的對比和統計分析，進一步得到預測的準確度，如表6。

表5 檢測樣本的實際輸出和預測輸出的對比

續表5

表6 檢測樣本的準確度

如表6所示，實際樣本有60個，其中安全樣本49個，風險樣本11個，而預測準確度高達56個。因此預警模型預測的準確率高達93.33%。充分說明本文依據BP神經網絡設置的預警模型可以有效的預測P2P貸平臺的風險，具有一定的普遍性和適用性。

四、基于預警模型構建的政策建議

在當前防范與化解重大風險的大背景下，P2P網貸平臺的風險防控顯得尤為重要，構建風險預警模型能夠幫助投資者和監管者及時識別和防范風險，通過構建成熟的網貸平臺風險預警體系不僅能在一定程度上糾正借貸雙方信息不對稱的弊端，更能從長遠上推動網貸平臺良性的淘汰機制的確立。通過對問題平臺及早的過濾和引導轉型，有助于推動網絡借貸行業的健康發展。因此，可以說預警模型的建立對于P2P平臺微觀個體、整個網貸行業乃至宏觀監管層而言都具有重要的借鑒意義。綜合全文的研究，本文主要有幾點建議：

第一，P2P網貸平臺應當在預警模型的“督促下”強化自身的風險管理和約束機制，立足自身，優化內控制度。平臺公司內部應建立全面的風險管理制度，使法人治理結構、股東大會、董事會、監事會和經理層的設置更加規范化，同時風險管理職能部門、IT建設部門、內部審計部等其他職能部門間應保持緊密的聯系，保證風險防范工作能緊密對接，幫助公司有效做出風險評估和應急處理。同時建立公司風險預警數據庫，可以在本文的預警指標基礎上緊密結合P2P網絡借貸的發展特點不斷進行改進，力求最大程度的反映P2P行業面臨的風險特點，分析其放大機制，從而有效的控制風險。

第二，明確監管機制和責任。從國外經驗來看，美國證券交易委員會（SEC）承擔了對P2P網絡借貸平臺的監管責任，在英國則是由金融行為管理局（FCA）進行監管。考慮到我國金融市場并沒有完全開放，金融體系尚不完善，P2P網絡借貸平臺的跨區域性等諸多因素，我國P2P網絡借貸平臺的監管可以嘗試向多元化、體系化的發展方向。目前P2P網絡借貸業務已經涉及了擔保、轉債權、信托理財等多種業務類型，對這些不同的新型業務類型，應采取不同于純線上業務的監管措施。應發揮央行維護金融穩定發展的作用，由央行牽頭制定互聯網金融平臺監管方案和運營規范。地方政府與金融管理部門也應緊密配合監管部門來推進互聯網金融發展良性化，并做好風險管控。

第三，對于監管層而言，應繼續推動P2P網絡借貸規范化法律法規的制定和出臺，尤其應該重視對P2P網絡借貸實行定期和定向的信息披露，和完善借貸征信系統。首先，在法律法規的引導下建立向監管機構、向行業機構、向投資人、向媒體等不同層面的信息披露制度，同時規范信息披露的內容，確保完整性和準確性，披露內容包括借款者信息、借款利率、借款用途等，從而使投資者能充分了解投資的可行性和風險程度，降低投資風險。由于網貸平臺缺乏數據積累，因此可以考慮與芝麻信用等大型權威征信機構以及銀行業開展合作，通過與征信機構和銀行實現征信數據的信息共享來獲取客戶信用記錄與評級，并與P2P網絡借貸平臺的信用系統進行數據對接，這樣可以快速有效的對客戶評級，從而降低業務風險。

第四，構建BP神經網絡建立風險預警模型關鍵在于風險指標體系的選擇和臨界值的確定。因此，監管部門技術上可以參考本文對網貸平臺風險機制的分析和指標選取，充實自身的監管數據庫，并力求實時更新，以便最大程度反映和概括出市場上網貸平臺的風險現狀。另外，從監管工作的實際情況出發，當實際數據比較龐大，出現遠超本文樣本量的情況時，可以考慮將樣本分成若干子集，采取梯度下降的算法提高運行效率。