论文部分内容阅读
P2P网络贷款是一种点对点的借款行为方式,它作为整个借贷环节的中介方,为借款方、投资方提供借贷服务,并以收取相应的费用作为盈利模式。该贷款方式创新性地把现代民间借贷业务的资本市场、互联网人工智能信息技术、金融服务项目和电子信息商务平台综合起来,通过互联网平台把汇聚在一起的小额资本以类似债券的形式借贷给有需求的人或者中小微型等企业。至2018年底,类似网络借贷功能的平台已经超过6000家,这些平台与传统正规的金融业务不同,他们容易获取大量资金和利润。由于个人信用问题、政策未及时落实等因素造成借款方未按期还款、平台中介“卷款跑路”等现象,使得该领域成为一个高风险行业。2018年我国存在异常的平台共4672家,占总平台数的比值高达77.4%。本文从引发网贷款信用风险的原因作为切入口,深度剖析其风险成因,结合实证分析,对我国提出政策性建议。由于国内P2P网贷的规模较小以及数据的完整性不高,因此本文针对目前全球规模最大的P2P网络贷款平台,美国Lending Club。研究中收集了2016年至2018年共三年的数据库,多达1340797个样本,其中有效样本为43041个。文章分为四个模块进行阐述。首先介绍了信用和风险的相关理论以及目前我国P2P网贷行业存在的问题和政府的整顿措施。其次分析了机器学习思想及其核心技术。针对所收集的数据样本,讨论和比较了不同机器学习模型的优劣,最终选择Logistic回归模型对P2P网络贷款风险测度进行研究。再次,为了寻找最优模型,文中还引入了L1、L2正则项对该模型进行优化。通过机器学习方法的研究,发现L1正则化Logistic回归的风险评估效能(AUC=0.838)显著优于传统Logistic回归(AUC=0.740)和L2正则化Logistic回归(AUC=0.791)。实际结果符合理论情况,说明Logistic回归模型对P2P网络贷款风险测度研究是可行和可靠的。最后总结了风险测度方向是P2P网贷行业稳步发展的必要条件等结论。与此同时,对未来P2P网络贷款业务提出政策建设建议,这对我国后期完善P2P网络贷款服务体系具有非常重要的参考价值。