论文部分内容阅读
伴随着信用经济在我国的飞速发展,消费信贷、个人贷款业务在金融机构中的业务占比也大幅提高。得益于信息技术的进步,P2P网络借贷自2006年在我国出现以来,历经十二年的快速发展,已成为我国普惠金融战略的一个重要推动力。据网贷之家数据统计,截止2017年12月底,累计有5970家P2P网络借贷平台在我国上线运营。在这12年里,P2P网络借贷行业的累计借贷金额达到了6.01万亿元,仅2017年一年,整个P2P网络借贷行业就成交了2.8244万亿元。借助于互联网、大数据技术,P2P网络借贷这一新型借贷模式打破了传统借贷关系地域性的局限,有效降低了借款人的融资成本,提升社会资金的融资效率,极大地补充和丰富了我国现有的金融体系。然而由于互联网信息的虚拟性,信息不对称现象在P2P网贷中仍然存在;另外,相较于西方发达国家,我国信用体系建设还比较落后,如何有效防范网络借贷中借款人的信用风险仍然十分困难,这也成为制约我国P2P网络借贷行业健康发展的一个重要因素。因此,如何对借款人的信用风险进行科学合理的定量化评估,并建立一套行之有效的借款人信用风险评估模型,对促进我国P2P网络借贷行业健康发展具有重要的研究意义和应用价值。本文首先对P2P网络借贷的概念、借款流程和信用风险特征进行详细介绍;然后从借款人、投资人和担保人三个角度切入,对P2P网络借贷中的信用风险成因进行理论分析,从而为构建借款人信用风险的定量化评估模型奠定了理论基础。其次,在构建借款人信用风险评估指标体系的过程中,本文通过对国内外关于信用风险评估方面的研究文献进行梳理,参考国内外金融机构的信用评估指标体系,并充分考虑了我国P2P网贷的借款人信用风险特征,从借款人基础信息、借款信息、历史信用信息以及借款人相关认证信息四个方面构建了适用于我国P2P网络借贷行业的借款人信用风险评估指标体系。再次,在对P2P网贷借款人信用数据样本的处理、借款人信用风险评估模型的构建和模型性能评价指标的选取上,本文首先按照所构建的借款人信用风险评估指标体系,对借款人信用数据样本中的各个变量进行赋值定义;然后利用SMOTE算法来对原始的不平衡的信用数据集样本进行过采样处理;本文选取BP神经网络作为信用风险评估模型的基分类器,采用粒子群(PSO)优化算法对BP神经网络的初始权值阈值进行优化,最后利用AdaBoost算法对优化后的基分类器进行集成,从而完成了P2P网贷借款人信用风险评估模型的构建。在模型性能评价指标的选取上,除了传统的正确率指标外,本文还选取了适用于非平衡数据集下模型分类性能的评价指标G-Mean、F-Measure、ROC/AUC等。最后,本文以人人贷平台上的借款人信用数据样本为例进行实证研究。通过将本文所构建的集成模型和其他几种常用分类模型在实证样本上进行训练和仿真,发现本文所构建的基于BP-PSO-AdaBoost算法的信用风险评估模型明显优于其他传统的分类模型。本文所构建的信用风险评估模型可以更为准确的对P2P网络借贷中借款人信用风险进行评估。针对如何有效促进我国P2P网络借贷行业的持续健康发展问题,本文有针对性的提出了一些具体的政策建议。