P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估模型

張澤　周南　樊江偉

摘要：P2P網(wǎng)貸問(wèn)題逐漸暴露在公眾視野中，沒(méi)有統(tǒng)一的方法來(lái)有效地評(píng)估借款人的信用風(fēng)險(xiǎn)是導(dǎo)致問(wèn)題出現(xiàn)的原因之一。文章提出一種基于思維進(jìn)化算法優(yōu)化SKohonen神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估模型并進(jìn)行實(shí)驗(yàn)仿真，實(shí)驗(yàn)結(jié)果表明該模型的分類準(zhǔn)確率較高，在數(shù)據(jù)集樣本量豐富時(shí)的評(píng)估預(yù)測(cè)能力較好，應(yīng)用于評(píng)估預(yù)測(cè)P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估會(huì)有較好的效果。

關(guān)鍵詞：P2P網(wǎng)貸;SKohonen神經(jīng)網(wǎng)絡(luò);思維進(jìn)化算法;借款人信用評(píng)級(jí)

一、P2P網(wǎng)貸概述

“網(wǎng)貸之家”網(wǎng)站所提供的相關(guān)數(shù)據(jù)顯示，截至2019年12月，網(wǎng)貸平臺(tái)正常運(yùn)營(yíng)平臺(tái)數(shù)量343家，相比2018年年底減少了732家，累計(jì)停業(yè)轉(zhuǎn)型平臺(tái)數(shù)量3343家，累計(jì)問(wèn)題平臺(tái)數(shù)量2924家。據(jù)2019年中國(guó)借貸行業(yè)年報(bào)上的數(shù)據(jù)顯示，2019年全年網(wǎng)貸行業(yè)成交量達(dá)到了9649.11億元，相比2018年全年網(wǎng)貸成交量（17948.01億元）減少了46.24%，從數(shù)據(jù)可以發(fā)現(xiàn)2019年全年成交量創(chuàng)了近5年的新低。截至2019年年底，網(wǎng)貸行業(yè)總體貸款余額下降至4915.91億元，同比2018年下降了37.69%。在銀保監(jiān)會(huì)的監(jiān)督管理下， P2P網(wǎng)貸平臺(tái)進(jìn)入了平穩(wěn)發(fā)展的階段，但是從數(shù)據(jù)中可以看到，平臺(tái)依然存在網(wǎng)站關(guān)閉，延期兌付，提現(xiàn)困難和經(jīng)偵介入等問(wèn)題，大部分網(wǎng)貸平臺(tái)的抗風(fēng)險(xiǎn)能力和自我修復(fù)能力著實(shí)令人擔(dān)憂。

信用風(fēng)險(xiǎn)是金融服務(wù)中風(fēng)險(xiǎn)管控的重要指標(biāo)，在互聯(lián)網(wǎng)金融中，獲得借款人有效的身份信息并依此正確分類其信用等級(jí)，能夠有效防范風(fēng)險(xiǎn)的發(fā)生，同樣是推動(dòng)征信管理健康穩(wěn)健可持續(xù)發(fā)展的重要環(huán)節(jié)。通過(guò)參考國(guó)內(nèi)外互聯(lián)網(wǎng)金融和網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)評(píng)價(jià)的文獻(xiàn)和信用評(píng)價(jià)的方法，發(fā)現(xiàn)現(xiàn)有的許多文獻(xiàn)對(duì)借款人信用風(fēng)險(xiǎn)的預(yù)測(cè)評(píng)估研究較少，并且分析方法以傳統(tǒng)的量化分析模型居多，難以滿足當(dāng)前大數(shù)據(jù)時(shí)代下對(duì)網(wǎng)貸借款人信用風(fēng)險(xiǎn)的準(zhǔn)確評(píng)估。

二、思維進(jìn)化算法優(yōu)化的SKohonen神經(jīng)網(wǎng)絡(luò)模型及數(shù)據(jù)預(yù)處理

（一） Kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)是從競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)發(fā)展來(lái)的，網(wǎng)絡(luò)為兩層結(jié)構(gòu)，分別為輸入層和競(jìng)爭(zhēng)層，競(jìng)爭(zhēng)層神經(jīng)元多以二維或多維的結(jié)構(gòu)排列，采用無(wú)監(jiān)督學(xué)習(xí)的方式訓(xùn)練。

在競(jìng)爭(zhēng)層中，每次樣本的輸入只會(huì)產(chǎn)生一個(gè)獲勝神經(jīng)元。設(shè)輸入層有m個(gè)神經(jīng)元，核心層有n個(gè)神經(jīng)元，則權(quán)值就應(yīng)該是m×n的矩陣。若輸入向量為P=[p1，p2，…，pm]，則網(wǎng)絡(luò)的輸出為Y=Pω。競(jìng)爭(zhēng)層的n個(gè)神經(jīng)元通過(guò)響應(yīng)必然會(huì)有一個(gè)神經(jīng)元成為獲勝神經(jīng)元Yk，該獲勝神經(jīng)員的權(quán)值修正方法為Δωik=η（Pi-ωik）Yk，由此可以看出，權(quán)值以速率η向樣本Pi靠近，由于獲勝神經(jīng)元Yk的權(quán)值趨近于輸入樣本Pi，因此在下一次迭代中Yk有更大的概率勝出，當(dāng)速率η的步長(zhǎng)適當(dāng)時(shí)，獲勝神經(jīng)元對(duì)應(yīng)的輸入樣本的網(wǎng)絡(luò)權(quán)值會(huì)不斷靠近輸入樣本并且差距越來(lái)越小。

對(duì)Kohonen網(wǎng)絡(luò)進(jìn)行改進(jìn)使其具有聚類的功能，在競(jìng)爭(zhēng)層后再額外增加一個(gè)輸出層，變成一個(gè)有監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)，即SKohonen網(wǎng)絡(luò)。增加的輸出層的神經(jīng)元個(gè)數(shù)與數(shù)據(jù)集的應(yīng)有類別數(shù)量相同。輸出層神經(jīng)元和競(jìng)爭(zhēng)層神經(jīng)元連接權(quán)值為ωjk，SKohonen網(wǎng)絡(luò)在權(quán)值調(diào)整時(shí)，同時(shí)調(diào)整輸入層與競(jìng)爭(zhēng)層、競(jìng)爭(zhēng)層與輸出層的兩類權(quán)值，ωjk的權(quán)值調(diào)整方式為ωjk（n+1）=ωjk（n）+η2（Yk-ωjk（ n）），其中，ωjk為核心層和輸出層之間的權(quán)值，η2為學(xué)習(xí)率，Yk為樣本的實(shí)際所屬類別。

（二）思維進(jìn)化算法

著名學(xué)者孫承意改進(jìn)傳統(tǒng)進(jìn)化算法的缺陷，提出了思維進(jìn)化算法，這種算法的全局收斂性能較好，且網(wǎng)絡(luò)優(yōu)化速度和收斂速度有較大提升。思維進(jìn)化算法的迭代過(guò)程是：在一個(gè)D維的解空間中，對(duì)若干個(gè)不同個(gè)體X賦予不同的初始得分，對(duì)所有得分進(jìn)行排序，具有較高得分的N個(gè)個(gè)體作為初始中心Ci，然后在每個(gè)初始中心周圍集合若干個(gè)個(gè)體形成N個(gè)子種群，然后執(zhí)行趨同操作，即以每個(gè)子種群的中心開(kāi)始搜索局部區(qū)域的更優(yōu)值替換原來(lái)的中心個(gè)體，直到發(fā)現(xiàn)最優(yōu)值后形成一個(gè)迭代成熟的子種群，然后子種群執(zhí)行異化操作，在解空間中不斷地移動(dòng)去更新優(yōu)勝子種群，完成種群之間的替換、廢棄和重組過(guò)程，最后重新計(jì)算每個(gè)優(yōu)勝子種群的得分，最后比較得分，得到全局最優(yōu)解，也就是勝者，算法迭代結(jié)束。

（三）數(shù)據(jù)預(yù)處理并建立思維進(jìn)化算法優(yōu)化的SKohonen神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)無(wú)法識(shí)別文本內(nèi)容，因此在訓(xùn)練仿真前對(duì)選取的8個(gè)指標(biāo)進(jìn)行數(shù)值轉(zhuǎn)換，8個(gè)指標(biāo)分別為年齡、婚姻狀況、文化程度、房產(chǎn)情況、工作時(shí)間、單位性質(zhì)、收入情況和歷史信用，將每個(gè)指標(biāo)的文本信息量化成[0，1]之間的具體數(shù)值，以方便進(jìn)行下一步的神經(jīng)網(wǎng)絡(luò)計(jì)算，根據(jù)違約風(fēng)險(xiǎn)的可能性的大小對(duì)每種指標(biāo)進(jìn)行量化，違約風(fēng)險(xiǎn)小的量化的數(shù)值高，違約風(fēng)險(xiǎn)大的量化的數(shù)值低。

本文選取使用較多的人人貸借款人數(shù)據(jù)集作為分析樣本，信用評(píng)級(jí)中AA等級(jí)為最高，HR等級(jí)為最低，信用等級(jí)越高，借款人違約的可能性越小。本文共選取選取130組借款人信息作為信用風(fēng)險(xiǎn)評(píng)估的樣本，其中無(wú)違約借款人信息有100條，違約借款人信息有30條，樣本數(shù)量及分布如表1所示。

然后隨機(jī)選取100組數(shù)據(jù)（80條無(wú)違約和20條違約）作為訓(xùn)練數(shù)據(jù)，30組數(shù)據(jù)（20條無(wú)違約和10條違約）作為測(cè)試數(shù)據(jù)。由表1可以看出，所選取的數(shù)據(jù)集中缺失信用評(píng)級(jí)為AA和B的樣本，可能會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型無(wú)法學(xué)習(xí)到這兩種樣本的特征，因此本文所建立的神經(jīng)網(wǎng)絡(luò)模型智能評(píng)估5種類型的借款人信用評(píng)級(jí)，其中信用評(píng)級(jí)為E和HR的樣本在無(wú)違約借款人和違約借款人中均存在，其中E類型共有8個(gè)樣本，占比6.16%，HR類型共有33個(gè)樣本，占比25.38%。

在建立的SKohonen網(wǎng)絡(luò)中，以選取的8個(gè)指標(biāo)為輸入，即輸入向量共有8維，故設(shè)置輸入層神經(jīng)元個(gè)數(shù)為8，設(shè)置距離函數(shù)為dist函數(shù)，即求歐式距離，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為8×8，即競(jìng)爭(zhēng)層共有64個(gè)神經(jīng)元，網(wǎng)絡(luò)學(xué)習(xí)次數(shù)為10000次，最大鄰域?yàn)?.5，最小鄰域?yàn)?.3，最大學(xué)習(xí)率為0.1，最小學(xué)習(xí)率為0.01。本文選取的數(shù)據(jù)集中信用評(píng)級(jí)共有五個(gè)層級(jí)：A、C、D、E、HR，共有5種不同的輸出，因此數(shù)據(jù)集共有5中type類型，所以額外增加的輸出層神經(jīng)元個(gè)數(shù)為5。在思維進(jìn)化算法中，經(jīng)過(guò)多次實(shí)驗(yàn)測(cè)試，設(shè)置種群大小為200，優(yōu)勝子種群個(gè)數(shù)為5，臨時(shí)子種群個(gè)數(shù)為5，即一個(gè)子種群中個(gè)體的個(gè)數(shù)為20，網(wǎng)絡(luò)迭代次數(shù)為200。

三、仿真結(jié)果

本文仿真實(shí)驗(yàn)基于MATLAB R2014b平臺(tái)，實(shí)驗(yàn)仿真結(jié)果如表2所示。

由表1和表2可知，數(shù)據(jù)集中樣本A和HR的數(shù)據(jù)量充足，占比較大，所以MEA-SKohonen神經(jīng)網(wǎng)絡(luò)模型對(duì)這兩種類型的樣本學(xué)習(xí)充分，幾乎能夠掌握這兩種樣的特征并正確歸類，所以經(jīng)過(guò)測(cè)試集的仿真，樣本A的分類準(zhǔn)確率為94.12%，樣本HR在無(wú)違約借款人和違約借款人中的分類準(zhǔn)確率較高，分別為50%和100%，樣本HR的分類準(zhǔn)確率合并共計(jì)90.90%。樣本C、D和E的數(shù)據(jù)量過(guò)小，導(dǎo)致思維進(jìn)化算法優(yōu)化的SKohonen神經(jīng)網(wǎng)絡(luò)模型對(duì)這兩種信用評(píng)級(jí)的樣本的特征學(xué)習(xí)不足，在測(cè)試集中樣本D和E均分類錯(cuò)誤，說(shuō)明神經(jīng)網(wǎng)絡(luò)模型需要充足的數(shù)據(jù)量才可以較好地學(xué)習(xí)到樣本的特征，當(dāng)數(shù)據(jù)集中樣本分布不均衡時(shí)，極有可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)量少的樣本學(xué)習(xí)不充分，導(dǎo)致欠擬合現(xiàn)象，因此仿真結(jié)果中對(duì)樣本D和E的分類準(zhǔn)率不高。

本文所建立的基于思維進(jìn)化算法優(yōu)化SKohonen神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估模型，整體分類準(zhǔn)確率較高，尤其對(duì)于信用評(píng)級(jí)為A和HR的樣本，分類準(zhǔn)確率均高于90%，其余樣本分類準(zhǔn)確率低是由于數(shù)據(jù)集樣本分布不均衡導(dǎo)致，在日后充分收集數(shù)據(jù)量較少的樣本并擴(kuò)充到整個(gè)數(shù)據(jù)集中，使七種不同信用評(píng)級(jí)的數(shù)據(jù)量充分且均衡，就可以明顯彌補(bǔ)現(xiàn)有數(shù)據(jù)集的缺陷，使神經(jīng)網(wǎng)絡(luò)模型充分學(xué)習(xí)到每種樣本的特性。

四、結(jié)論及相關(guān)建議

（一）實(shí)驗(yàn)結(jié)論

總體看來(lái)，基于思維進(jìn)化算法優(yōu)化SKohonen神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估模型的評(píng)估預(yù)測(cè)能力較強(qiáng)，當(dāng)數(shù)據(jù)量充足時(shí)可以很好地評(píng)估P2P網(wǎng)貸借款人信用評(píng)級(jí)，對(duì)于網(wǎng)貸平臺(tái)更為主動(dòng)地評(píng)估控借款人的信用風(fēng)險(xiǎn)狀況有一定的指導(dǎo)作用，對(duì)信用評(píng)級(jí)較低的借款人予以借款限制，可以有效降低因借款人個(gè)人原因違約欠款的可能性，保護(hù)平臺(tái)和投資人利益不受損失。

（二）相關(guān)建議

目前我國(guó)經(jīng)濟(jì)發(fā)展?fàn)顩r穩(wěn)中有進(jìn)，互聯(lián)網(wǎng)金融的相關(guān)政策法規(guī)在不斷完善，P2P網(wǎng)絡(luò)借貸的發(fā)展也在逐步規(guī)范，根據(jù)現(xiàn)在的發(fā)展?fàn)顩r和存在的風(fēng)險(xiǎn)，本文最后提出促進(jìn)P2P網(wǎng)貸平臺(tái)健康發(fā)展的相關(guān)建議：

1. 完善行業(yè)征信體系

目前網(wǎng)貸平臺(tái)的借款人信用評(píng)級(jí)信息還沒(méi)有得到中國(guó)人民銀行征信系統(tǒng)的支持，所以在借款人信用風(fēng)險(xiǎn)評(píng)估方面還存在有很多的不確定性，應(yīng)該在金融大數(shù)據(jù)的支持下，逐步建立共享機(jī)制、成熟的征信體系和規(guī)范的服務(wù)機(jī)制，快速準(zhǔn)確審核網(wǎng)貸業(yè)務(wù)并評(píng)估借款人信用風(fēng)險(xiǎn)，建立完善的借貸信用評(píng)級(jí)體系，使網(wǎng)貸平臺(tái)健康發(fā)展。

2. 完善信息共享制度

P2P網(wǎng)貸平臺(tái)不能只公布平臺(tái)自身的信息，還應(yīng)在法律允許的范圍內(nèi)及時(shí)向投資人公布借款人的風(fēng)險(xiǎn)評(píng)估狀況，融資項(xiàng)目及款項(xiàng)使用進(jìn)度等信息，同時(shí)網(wǎng)貸平臺(tái)之間還應(yīng)該加強(qiáng)信息數(shù)據(jù)交流，建立一個(gè)統(tǒng)一的黑名單平臺(tái)，逐步建立網(wǎng)貸平臺(tái)內(nèi)部的信息共享制度。

3. 完善相關(guān)制度規(guī)范

政府應(yīng)當(dāng)加強(qiáng)巡查，監(jiān)督平臺(tái)運(yùn)行的合法性，徹底杜絕龐氏騙局、平臺(tái)自融和巧設(shè)資金池等欺騙投資者的行為，對(duì)平臺(tái)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估并公示，不斷完善法律并規(guī)范平臺(tái)運(yùn)營(yíng)，整合各方監(jiān)管的合力，樹(shù)立網(wǎng)貸平臺(tái)的良好公眾形象，為投資人和借款人提供有益參考。

4. 加強(qiáng)借款人信息審核

開(kāi)發(fā)優(yōu)質(zhì)的借款人信用風(fēng)險(xiǎn)評(píng)估應(yīng)用APP，采用大數(shù)據(jù)的方式深度挖掘借款人的相關(guān)信息，盡可能從多維度進(jìn)行信用評(píng)級(jí)，降低因惡意違約造成的壞賬率，同時(shí)采取線上和線下相結(jié)合的審核機(jī)制，實(shí)地走訪了解借款人信息，盡可能減少借款人提供的虛假信息對(duì)信用評(píng)級(jí)產(chǎn)生的消極影響。

參考文獻(xiàn)：

[1]李昕，戴一成.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險(xiǎn)評(píng)估研究[J].武漢金融，2018（02）：33-37.

[2]Kohonen T. Self-organization and associative memory：3rd edition[J].2006，8（01）：3406-3409.

[3]Sun C， Sun Y， Xie K. Mind-evolution-based machine learning： an efficient approach of evolution computation[C]// World Congress on Intelligent Control & Automation，2000.

[4]肖會(huì)敏，侯宇，崔春生.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評(píng)估[J].運(yùn)籌與管理，2018，27（09）：116-122.

（作者單位：張澤、樊江偉，中國(guó)人民銀行蘭州中心支行;周南，中國(guó)人民銀行東鄉(xiāng)縣支行，蘭州大學(xué)管理學(xué)院。張澤為通訊作者）