随着经济和互联网的发展,网络借贷应运而生、渐具规模,它具有融资便捷、对象广泛的特点,可以为中小企业及普通群众提供便利的融资服务,是国家普惠金融道路上不可或缺的重要组成部分。正因如此,我们有必要对网贷平台加以研究,帮助其向更加健康的方向发展。在网贷的相关研究中,除了国家把控的监管方面问题,最重要的当属网贷平台自身的风险管理,其中及时掌握借款者的还款情况尤为重要。以往研究的重点主要是预测还款者的信用风险,即预测还款者到期是否违约。一旦违约,网贷平台更多地是暴力催收,这无助于平台良性发展,预测用户的信用风险也并不能帮助平台更好的发展。考虑到网贷平台的用户多为小额借贷用户,当用户数量很大、借贷金额大小不一时,对现金流的管理就容易出现困难。只有解决了网贷平台风险管理难题,才能实现借与贷的良性循环,从而真正地帮助网贷平台健康发展。本文在以往信用风险研究的基础上,进一步研究网贷平台的现金流情况,包括用户的还款日期和还款金额,进而可以帮助平台更好地进行风险管理。首先本文确定研究内容是预测用户最后一期的还款情况。由于自变量既包括不随时间变化的变量,也包括随时间变化的变量,所以分别建立了基于时序数据的模型和基于截面数据的模型,预测用户在最后一期的还款日和还款金额。以提前0-31天和未还款这33种情况代表预测的还款日,以预测的还款概率乘以应还金额代表预测的还款金额。根据33种还款日情况可以得到下面结果:基于截面数据构建的各机器学习算法模型,无论是分类效果还是预测还款金额的RMSE都差不多,而基于时序数据的LSTM神经网络得到的RMSE比前面的要低70左右。说明利用时序数据构建LSTM研究信贷情况有一定的可行性,且效果要比以往学者采用的机器学习算法效果好一些。随后,考虑到平台各方面的成本,本文为平台提供了一个更为有效的风险管理方案,将用户还款情况分为上旬、中旬、下旬和违约,构造了双层长短期记忆神经网络(P-B-LSTM)。既可以预测每一段时间内的用户还款金额,从而进行平台的风险管理;也可以对客户进行维系,如:提前提醒用户还款日期及还款金额、将用户列入白名单或者黑名单。将还款日划分阶段后得到下面预测结果:分阶段预测的效果比直接预测还款情况的效果更为可靠、有效,XGBoost和LightGBM的f1-score分别提升了46%和43%,而且LSTM的RMSE降低了110左右。另外,在分阶段预测中,P-B-LSTM的RMSE比XGBoost和LightGBM的RMSE低了50左右,表明长短期记忆神经网络在信贷问题中也有较好的应用价值。综上,解决网贷平台风险管理问题的最佳方案是利用LSTM对用户还款日进行分阶段预测,既能有效预测还款情况又能提高平台的运行效率,最终帮助平台达到借与贷的良性循环,实现健康发展。