珠联璧合:基于机器学习的网络借贷信用评分卡模型研究

近年来,P2P网络平台"爆雷"事件频发,除平台恶意"携款跑路"外,绝大多数平台倒闭的原因在于部分借款人违约而导致平台现金流不足,进而出现提现困难、严重挤兑。本文借助人人贷网络借贷平台的数据,利用广义交叉验证、随机森林等机器学习算法对借贷客户特征变量进行筛选,并建立融入证据权重的Logistic信用评分卡模型,根据客户贷前所提交的个人信息对客户进行信用评分,进而预测客户借款到期时的违约情况。实证结果表明,该模型的预测准确率明显高于样本期间的平台评级,且模型通过了稳定性检验。这一研究结论对P2P网络借贷行业的健康发展与个人信用体系的构建具有重要意义,同时对第三方评级机构的个人信用评估也有一定的参考价值。     

P2P网贷借款人违约行为影响因素的实证研究

准确评估借款人信用风险是提高P2P网贷平台风控能力、降低网贷行业问题平台数量的重要措施。本文基于"人人贷"平台交易数据,综合考察借款人"硬信息"和"软信息"与其违约行为之间的关系。二元Logit回归模型的实证结果表明:在借款人"硬信息"指标中,借款人年龄、借款金额、借款利率、逾期次数对违约行为有显著正向影响,学历、信用等级对违约行为有显著负向影响,而是否拥有房产、是否已购车、工作时间对违约行为没有显著影响;借款人"软信息"指标即描述性文本中的"拼写错误"对违约行为有显著正向影响。研究结果表明借款人"软信息"虽然不可直接证实,但同样具有价值,网贷平台应该多维度地量化借款人的信用评价。     

P2P网贷平台借款人信用风险的影响因素分析——以拍拍贷平台为例

参考商业银行评估个人信用风险的指标,采用多元线性回归模型对拍拍贷平台上的借款人信用风险进行分析,并对所选指标进行回归得出借款人信用风险的主要影响因素.基于我国P2P网贷平台发展现状,提出如下对策建议:加强征信管理和服务,建立统一规范的信用评分系统,建立资金保证池保障客户安全,加大网贷平台信用信息保护力度等.     

基于非线性组合模型的P2P网贷平台危机预警研究

针对P2P网贷平台现金流较大、利润率较低和财务数据获取困难的特点,构建基于平台交易真实数据的危机预警评价指标体系和组合预测模型.将传统的财务评价指标转换成网贷平台交易数据指标,运用邻域粗糙集属性约简的方法对采集的数据指标进行降噪和约减处理,再基于机器学习理论引入神经网络、支持向量机和Logit回归等模型对数据进行训练.通过分组进行单模型和组合模拟预测,提高了新的破产指标下各模型预测的准确率.     

基于BP神经网络的P2P网贷借款人信用风险评估研究

近年来我国P2P网络借贷业务快速发展,然而行业内的信用风险也日益凸显,持续性的平台倒闭以及借款人违约等事件屡见不鲜,因而对网贷信用风险的事前有效评估将直接关乎我国网贷行业的未来可持续发展。本文根据网贷业务特点,筛选出对网贷借款人行为具有影响的特征指标,建立网贷借款人信用风险评估指标体系,构建基于BP神经网络的信用风险评估模型,选取拍拍贷和人人贷的借款人交易数据进行训练仿真。实证结果表明BP神经网络模型能较好拟合网络信用环境下对网贷借款人信用风险的评估,模型具备较高的预测准确率,适用于平台和投资者甄选优质借款人。基于实证分析结果,文章进一步提出了规范网贷平台健康可持续发展的对策建议。     

P2P网络借贷平台的羊群行为研究*--基于Logistic模型的实证分析

随着我国民间借贷日趋活跃,P2P网络借贷平台发展方兴未艾。对P2P网络借贷平台的羊群行为进行系统的实证研究具有现实意义。本文将影响P2P网络借贷平台后续投标的所有变量划分为4个维度,包括标的特征、信用特征、个人特征和往期借款,从这四个维度中选取了17个自变量构建Logistic回归模型,然后基于“拍拍贷”的1642条不同借款者的当前借款项目数据,利用Logistic回归方法分析了当前投标次数对获得后续投标可能性的影响。研究发现,当前投标次数能够对获得后续投标的可能性产生显著的正向影响,由此证明P2P网络借贷平台存在羊群行为。因此,需要从完善征信体系建设入手,降低P2P网络借贷平台的信息不对称性,避免羊群行为的盲目性给网络借贷平台资金安全带来的危害。     

基于BP神经网络的网贷借款人信用评级研究

为解决我国P2P网贷平台借款人的信用评级问题,分析了影响借款人信用的主要因素,参照我国商业银行借贷信用评级方法和我国主要P2P网贷平台借款人的信用评级指标,用网络爬虫爬取"拍拍贷"的数据,采用BP神经网络构建P2P网贷平台借款人的信用评级模型,并用动量项法进行算法优化。运算结果表明,该模型可以准确评估借款人的信用风险等级,提升网贷平台的风险管理管理水平。     

基于BP神经网络的P2P网贷个人信用风险评估

针对我国日益凸显的P2P网络借贷业务的信用风险控制问题,构建一个有效的P2P网贷借款人的信用风险评估模型,以促进我国P2P网贷行业的可持续发展。通过文献资料收集及分析,选取对借款人信用具有影响的指标并量化,建立P2P网贷借款人的信用评估指标体系,构建基于BP神经网络的信用风险评估模型,通过人人贷平台的相关数据进行仿真,验证模型的有效性。仿真结果表明,该模型适用于P2P网贷借款人信用风险评估。     

我国P2P平台网贷成功率影响因素的实证分析——以人人贷平台为例

以已有研究文献为基础,本文进一步定性分析了可能影响我国P2P网络借贷成功率的因素,并以人人贷平台交易数据为例,从项目因素、个人因素及其他因素三方面选取了16个变量,运用二元logistic模型进行统计分析。结果表明:标的总额、还款期限、年龄、工作阶层、借款人信用等级和借款人成功借款数量均与网络借贷成功率呈正相关,其中借款人成功借款数量对成功率的影响效果最显著。     

P2P网贷平台借款人信用风险影响因素研究

本文分析影响P2P网络借贷借款人信用风险的影响因素,并且利用"新新贷"等P2P网贷平台上的数据做实证分析,结果发现,P2P网络借贷借款人的学历、婚姻、房产、车产、工作情况和提供的材料数量对借款人的信用风险均有显著的正向影响,婚姻和工作情况的影响较大。最后,针对P2P网贷平台借款人信用风险提出对策建议。     

基于因子分析和Logistic分析的个人信用评估方法研究

随着大数据概念的提出,企业和个人越来越重视数据中隐藏的潜在价值。为准确评价P2P网络贷款平台借款人的信誉度,本文利用因子分析方法从22个自变量中浓缩出8个"共同因子",建立信用评价指标体系,并利用Logistic模型对借款人行为进行预测。这种个人信用评价指标体系的筛选保留了大量的信息量,并利用Logistic模型给出了用户违约概率。     

LendingClub上市背景下P2P网贷的效率评价及影响因素研究

本文在Lending Club成功上市的背景之下,以我国有代表性的十二家网贷平台为研究对象,以2014年10月至2015年03月的数据为研究样本。首先,运用基于DEA的Malmquist模型来评价这十二家网贷平台的运行效率,然后以效率值也就是Malmquist指数为被解释变量,引入新的解释变量,运用面板数据模型,得出回归结果,通过显著性检验,最后为我国P2P网贷平台的发展给出一些建议。     

P2P网贷借款人信用风险模糊综合评价——基于模糊数学理论的视角

依托于互联网金融的P2P网贷是推进金融创新、实现普惠金融的有效途径之一,因其便捷性、低门槛而成为时下最受欢迎的小额融资方式,但其信用风险防控面临着巨大挑战。首先提出了基于五标度法计算指标权重的层次分析法,结合模糊数学的综合评价方法,建立了P2P网贷平台借款人信用风险模糊综合评价模型。然后,依据某P2P平台的交易数据,该模型评价结果的准确性达到了83%,为P2P网贷平台精准定位借款人提供一个有价值的决策支撑参考。     

基于P2P个人借贷平台的信用风险识别

P2P网络借贷信用风险对投资人的放贷决策有明显的干扰作用,能否有效识别来自借款人的信用风险,成为P2P网络借贷平台未来发展的关键.本文以P2P网络借贷平台拍拍贷2016年2月和3月发布的借款标的数据为样本,运用Probit模型,对P2P网络借贷的信用风险进行识别.研究结果表明:投资者能够识别来自借款人的信用风险.信用等级越高,风险越低,利率越高,风险越低;男性的信用风险要高于女性,而借款人是否婚配对于识别其信用风险有很大帮助;手机认证和户口认证在识别信用风险方面有同样的功效,央行征信认证报告有助于降低风险.     

借款人声誉与风险识别——来自P2P网络借贷的证据

P2P网络借贷和传统借贷都存在着信息不对称,借款人声誉作为一种信号缓解了信息不对称程度,提升了借贷效率。本文以借款人过往逾期次数与成功借款次数作为声誉变量,实证研究了借款人声誉对违约风险的识别效应,同时发现随着借款人还款能力的增加,这种风险识别效应也在增强,因此投资人和P2P平台可借助分析借款人声誉指标做出合理的投资和监控决策,降低P2P网络借贷风险,使得P2P网络借贷成为传统借贷的有力补充。     

翼龙贷网络借贷平台借款人信用风险评估

近年来,众多的互联网金融业务模式通过网络的力量被迅速普及和推广,在加剧了金融市场竞争的同时,也提高了资产配置的效率。随着P2P网贷平台的接连上线,虽然解决了部分小微企业融资难的问题,但随之而来的信用风险、市场风险、操作风险和政策风险等多种风险,正面临着日趋严峻考验。本研究以翼龙贷网络借贷平台为对象,研究其借款人的基本信息、借款行为、资产及信用状况等,通过信息增益技术对可能影响信用风险的相关影响因子进行筛选,然后基于Logistic回归建立借款人的信用风险评估模型,以提高平台对借款人偿债能力判别的准确度。     

机器学习算法在P2P网贷平台风险评级中的应用

P2P网贷平台的风险是巨大的,为了更好的研究平台风险,本文分两层进行:首先衡量网贷平台的风险大小;其次评估平台上借款人的信用风险。引入机器学习中的无监督学习算法二分k-means聚类,对网贷平台进行分类,分析各类平台的指标表现,确定各类别的等级,给出网贷平台风险评级结果。进一步使用有监督学习算法对网贷平台的借款人信用风险进行研究,结果显示Ada Boost算法效果最好。     

基于机器学习模型的P2P网贷平台风险预警研究

本文利用大数据网络爬虫技术收集了网贷第三方网站平台的公开数据,利用机器学习模型对网贷平台的非法集资风险进行了预警研究,比较了传统机器学习方法(以逻辑回归和决策树模型为代表)与前沿机器学习模型(以随机森林模型和XGBoost模型为代表)在多个预测指标上的静态预警效能,并在动态预警框架下研究了网贷平台全生命周期内各模型的动态预警效果。研究表明,传统与前沿机器学习模型均表现出了优良的预警效果,传统模型的准确率略低于前沿模型,但决策树模型在重要检出率指标上的表现优于其他模型。在动态预警框架下,本文发现在平台全生命周期内,所采用机器学习模型的预警效果随时间的变化呈现波动上升并在2017年后缓慢下降的趋势。虽然该趋势与我国网贷行业的发展和监管现状相符,但也表明预警模型的使用者应积极寻找表外指标,进一步挖掘网贷平台的深层次指标以稳定预警效果。     

P2P网贷平台的风险特征研究——基于多项LOGIT模型和双变量PROBIT模型

本文基于569家网贷平台、3376个观测值的非平衡面板数据,聚焦平台问题的风险研究和风险特征识别,在构建"平台热度、借款情况、生存能力、投融资集中度"四维度指标体系的基础上,根据"延期兑付、提现困难、经侦介入"三类平台问题,设定了多类别多值的问题平台因变量,进而运用二值基础模型、多项LOGIT模型和双变量PROBIT模型,对网贷平台风险发生的可能性进行探讨,对风险特征进行深入识别和分析。结果发现,平台热度、借款期限、投资集中度等是网贷平台风险发生的负向因素,预期收益率、运营时间等是网贷平台风险的正向因素;投资集中度和借款集中度在提现困难问题上的反向作用体现了投资人和借款人不同利益诉求:投资集中度上升,提现困难问题发生的概率下降;借款集中度上升,提现困难问题发生的概率则会上升。     

“P2P+保险”模式对借贷双方行为的影响——基于演化博弈论的分析

随着P2P网贷行业"去担保化"政策的出台,平台自主担保、第三方担保等模式逐渐退出该行业,保险成为P2P平台化解市场风险的管理手段之一。本文基于演化博弈理论构建了信用信息共享机制以及保险参与机制下P2P借贷双方两大群体之间博弈的复制动态模型,分析不同条件下的演化稳定状态,即保险的介入是否有效约束借款人违约行为,以及能否促进投资者投资积极性。研究表明,借款利率以及信用信息共享水平直接影响借贷双方策略选择,借款人缴纳保费的政策可有效约束借款人违约行为,保险公司风险分担比例越大越能有效激励投资者投资积极性,在满足一定参数条件下,借贷双方博弈演化稳定于(放贷,守约),从而为监管部门引入保险机制提供一定理论依据。