P2P网络借贷平台风险识别与监管研究.doc

P2P网络借贷平台风险识别与监管研究
作者: 摘 要:互联网在各行业的广泛运用,催生出P2P 网络借贷平台,使其具有天然的“信息优势”,然而充当“信用中介”的高收益使其成为信用风险的高发地。基于 P2P 网络借贷平台运行特征,利用平台违约发生概率越高。
二、模型构建
P2P网络借贷平台共分为5种类型,其中银行系P2P平台数量较少且监管较为严格,始终坚守“金融信息中介”的定位。因此,选取的47家P2P平台包括国资系、风投系、上市系和民营系四种类型,这四种类型的平台都有不同程度的信用转换活动,故具有一定的代表性。本文基于wind数据库得到的47家P2P网络借贷平台的截面数据,采用Lasso-Logistic模型识别导致平台违约的风险指标。
(一)Lasso-Logistic模型
Lasso-Logistic本质上是将Lasso模型与Logistic模型结合起来对多维数据进行分析。Lasso模型将一部分不显著系数约束到0,从而挑选出对因变量解释程度较强的自变量;Logistic回归模型属于广义线性回归模型,该模型是建立于对因变量取某个值的概率,基于此概率建立模型可以用来识别影响P2P平台可能违约的关键性指标。
(二)模型数据的预处理
由于不同变量的维度和维度单位在每个自变量中是不同的,为了使模型参数估计系数可比,在建模之前先对原始数据进行标准化。也就是说,对于本文的9大核心变量,采用数据归一化的方法,消除每个变量的量纲,将各连续型变量数据进行中心化和标准化处理,因此在随后的模型构造中可以有效改善模型拟合优度。
(三)P2P网贷平台违约风险指标识别
本文选用R语言中的glmnet软件包构建Lasso-logistic模型,并采用广义交叉验证方法选取相应的惩罚系数λ,系数路径图走势如图1所示。
该模型惩罚系数的取值范围为[ 2321, 500 0],有关文献认为惩罚系数在此区间内取值的模型,模型的预测偏差比较小。图1反映了随着惩罚系数λ取值逐渐增加,模型的压缩程度也逐步增大,对被解释变量影响程度较大的解释变量逐步显现。 494 13。
为识别影响P2P平台违约的重要指标,本文呈现了变量筛选的动态结果。根据选定λ值,最终筛选出成交量、投资人数、平均参考收益率以及平均借款期限等4项解释变量,对其进行Lasso-Logistic模型拟合,参数估计结果系数分别为- 2、- 5、 9、- 6,相应的P值均为0。
三、结论分析
本文主要采用Lasso-Logistic模型識别导致P2P平台违约的关键指标,主要结论如下。
对P2P平台违约影响的关键因素主要包括成交量、投资人数、平均参考收益率以及平均借款期限等指标,在对P2P平台进行违约评估时,可重点关注这些指标,将其作为评估P2P平台违约的基础,以此来判断P2P平台的经营状况。
由模型结果可以看到,成交量、投资人数以及借款期限与违约呈显著负相关,成交量、投资人数以及借款期限越大,违约越低;平均参考收益率与违约呈显著正相关,平均参考收益率越高,违约越高。
具体说来,成交量每增加一个百分点,