P2P网贷平台信用风险识别、评估与预警研究

With the rapid development of P2P lending platform and increasing credit risk, how to built supervision system for p2p has attracted more and more attention of government, industry and scholars. This project intends to characteristic the credit risk evaluation and early-warning mechanism for p2p platform through a different ways from previous scholars at sources feature, processes feature and investors feature. This project first selects the main factors to affect p2p credit risk via indicators; and then accesses the status of credit risk for p2p lending platform in China by using BP neural network to learn and compare a healthy platform and a problematic platform, thereby determining independent variables; finally, builds assessment and early-warning models for P2P credit risk, through logistic regression, to predict the occurrence of credit risk, and tests the prediction accuracy, sensitivity and robustness of the model. Through investigating the risk management and risk control issues for P2P lending platform, the results will enrich and improve the credit-risk management theory for P2P platform, can provide decision support for investors, and further provide a management theory and method for government, industry, etc.

随着我国P2P网贷平台的快速发展和信用风险问题的不断暴露，如何加快P2P监管机制建设已成为政府、行业和学者们高度重视的议题。本课题拟从P2P平台信用风险的来源特征、形成特征、参与者特征以及借贷产品属性特征等视角出发，研究P2P平台信用风险的评估与预警机制。结合关键风险驱动指标甄选提炼P2P网贷平台信用风险的主要影响因素；利用健康平台和问题平台的数据对BP神经网络进行训练，得到信用风险评估模型，进而评估我国P2P网贷平台信用风险现状，针对评估结果认定风险较高的平台，采用Logistic回归方法构建P2P平台信用风险预警模型，预测平台发生信用风险的概率，并对该模型的预测精度、敏感性和鲁棒性等进行实证检验。本课题通过对P2P网贷平台这一主体信用风险评估与预警的研究，进一步丰富和完善P2P平台信用风险管理理论，以期为P2P网贷投资者提供决策支持，为政府、行业等制定监管机制提供理论依据和方法参考。

P2P网贷是一个新兴业态，具有创新速度快、机构数量变化大、风险易发等特点。本课题从P2P平台行业视角对信用风险识别、评估和风险预警深入研究。本课题采用的信用风险评估方法有别于传统的静态、个体性分析评估方法，而采用横截面的同类别群体性、动态对比分析。通过平台公开数据、网络抓取数据、第三方机构公布信息和宏观统计数据进行解析和迭代，形成可用的关系数据，对数据进行预处理，依据风险评级理论探讨信用风险评估方法。在P2P网贷平台信用风险评估的指标体系基础上，借鉴企业和银行的信用风险评级方法，结合网贷平台的特点，通过爬虫软件GooSeeker和Python从第三方网站平台，爬取180家网贷平台数据进行分析。利用SPSS软件中的K-means聚类方法，结合所爬取的数据进行聚类分析。将平台分成6类，从而达到对网贷平台进行评级的目的。通过Logistic回归发现，债券是否可转让、是否有担保公司、平均收益率和平均借款期限这4个因素都对P2P平台的违约概率具有显著性影响。利用Python构建一个三层BP神经网络，将有51家数据的训练集投入到神经网络中进行训练，循环迭代训练有限次之后，然后将41家数据的测试集投入到神经网络中检验，根据仿真结果分析，BP神经网络的检验准确率高达95.45%。通过构建RBF神经网络进行验证，测试结果准确率达到93.33%；最后与BP神经网络算法对比，优化信用风险模型。本课题的研究能够合理预测平台风险状况，为借贷人提供参考，为监督机构提供决策支持。