■譚天驕，李 亙

近年來，網(wǎng)貸平臺(tái)因其脆弱的風(fēng)控能力及較強(qiáng)的借貸風(fēng)險(xiǎn)正逐漸成為金融體系內(nèi)不容忽視的風(fēng)險(xiǎn)誘發(fā)源頭，因此建立風(fēng)險(xiǎn)預(yù)警機(jī)制對(duì)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)進(jìn)行監(jiān)測(cè)，促進(jìn)網(wǎng)貸平臺(tái)行業(yè)良性發(fā)展顯得尤為重要。本文以50家P2P網(wǎng)貸平臺(tái)為樣本構(gòu)建了P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，利用主成分分析法測(cè)度風(fēng)險(xiǎn)綜合值，并以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)建立了網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)預(yù)警模型，通過對(duì)比分析實(shí)際輸出結(jié)果和期望輸出結(jié)果來評(píng)價(jià)利用神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確率。最后有針對(duì)地提出P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)預(yù)警的對(duì)策建議。

一、引言與文獻(xiàn)綜述

2007年8月，中國第一家P2P網(wǎng)絡(luò)借貸平臺(tái)“拍拍貸”成立，成為我國第一家純線上無擔(dān)保網(wǎng)絡(luò)借貸平臺(tái)。隨后在金融危機(jī)時(shí)期，我國經(jīng)濟(jì)下行壓力加大，經(jīng)濟(jì)增長(zhǎng)速度出現(xiàn)趨勢(shì)性放緩，金融市場(chǎng)風(fēng)險(xiǎn)日益暴露，銀行出現(xiàn)惜貸情緒，中小微企業(yè)以及個(gè)人通過銀行渠道獲取資金愈發(fā)困難。而與此同時(shí)隨著人們收入水平的提高，民間閑散資金較充裕，卻無理想投資渠道，導(dǎo)致社會(huì)資金供需矛盾愈發(fā)突出。嚴(yán)峻的宏觀經(jīng)濟(jì)形式雖然加劇了中小微企業(yè)融資難融資貴的問題，但卻為網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展提供了一個(gè)良好的發(fā)展契機(jī)。尤其是從2012年開始，網(wǎng)絡(luò)借貸運(yùn)營平臺(tái)的數(shù)量和交易規(guī)模迅速飆長(zhǎng)，其地區(qū)分布也由北上廣等一線城市向二三線城市迅速擴(kuò)張。

隨著網(wǎng)絡(luò)借貸平臺(tái)的迅速發(fā)展，國內(nèi)外學(xué)術(shù)界也紛紛進(jìn)行了一些積極有益的探索。有關(guān)P2P網(wǎng)絡(luò)借貸平臺(tái)的研究主要集中于兩個(gè)方面，一是P2P網(wǎng)絡(luò)借貸的風(fēng)險(xiǎn)產(chǎn)生機(jī)制和監(jiān)管體系構(gòu)建，二是P2P網(wǎng)絡(luò)借貸行為的影響因素研究。Klafft（2008）通過對(duì)Prosper的數(shù)據(jù)進(jìn)行分析證明了借款人的信用評(píng)級(jí)是影響借款利率的主要因素，借款人最高評(píng)級(jí)AA和最低評(píng)級(jí)HR之間的借款利率存在明顯差異，同時(shí)說明了平臺(tái)的信息透明度對(duì)平臺(tái)風(fēng)險(xiǎn)的影響。Herzenstein（2011）和 Barasinska（2014）對(duì)Prosper的利率拍賣機(jī)制進(jìn)行分析，說明借貸雙方通過博弈形成利率，并最終影響借貸行為。彭紅楓和徐瑞峰（2018）以人人貸為研究對(duì)象，指出借款人所處行業(yè)和所從事職業(yè)是影響借貸利率和借貸行為的重要因素。李焰（2014）、汪靜（2018）等學(xué)者同樣高度重視信息披露水平對(duì)借貸行為和平臺(tái)風(fēng)險(xiǎn)的影響，并提出構(gòu)建信息披露機(jī)制的監(jiān)管思路。陳霄和葉德珠（2016）則詳細(xì)分析了我國網(wǎng)貸平臺(tái)的利率波動(dòng)，指出網(wǎng)貸平臺(tái)的平均利率遠(yuǎn)高于正規(guī)金融機(jī)構(gòu)，并且利率波動(dòng)具有集聚性。

然而由于網(wǎng)貸平臺(tái)存在諸如門檻較低、良莠不齊、監(jiān)管的主體缺位等內(nèi)在缺陷，脆弱的風(fēng)控能力及較強(qiáng)的借貸風(fēng)險(xiǎn)使得網(wǎng)絡(luò)借貸行業(yè)進(jìn)入了風(fēng)險(xiǎn)高發(fā)期。這引起了諸多學(xué)者的思考，如何提高網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)監(jiān)控能力？Kevin E.Davis&Anna Gelpern（2010）對(duì)網(wǎng)絡(luò)借貸的監(jiān)管問題進(jìn)行了深入探討，對(duì)現(xiàn)有框架存在的問題進(jìn)行了分析，最后從監(jiān)管主體和行業(yè)自律角度給出了制度建議。Jack R.Magee（2011）指出P2P融資平臺(tái)的監(jiān)管需要證監(jiān)會(huì)與消費(fèi)者金融保護(hù)局雙管齊下。何德旭和王進(jìn)成（2013）認(rèn)為我國網(wǎng)絡(luò)借貸平臺(tái)存在的風(fēng)險(xiǎn)分為6類，分別是：聲譽(yù)風(fēng)險(xiǎn)、法律風(fēng)險(xiǎn)、資金使用方的信用風(fēng)險(xiǎn)、利率管理風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)和區(qū)域集中度風(fēng)險(xiǎn)。馮慧澤（2014）對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)風(fēng)險(xiǎn)控制評(píng)估指標(biāo)體系進(jìn)行了設(shè)計(jì)，主要包括三個(gè)維度：客戶特征、貸款特征和借款機(jī)構(gòu)特征，但這些指標(biāo)均以定性分析為主，沒有進(jìn)行定量分析。劉洪彬和鄭超丹（2015）對(duì)P2P網(wǎng)絡(luò)借貸的信用風(fēng)險(xiǎn)產(chǎn)生機(jī)制進(jìn)行了理論分析，認(rèn)為網(wǎng)絡(luò)借貸信用風(fēng)險(xiǎn)是由于交易前征信體系的構(gòu)建不完善、交易中借貸雙方的信息不對(duì)稱、在整個(gè)交易過程中法律監(jiān)管缺失引起的。

通過研究國內(nèi)外相關(guān)文獻(xiàn)，本文發(fā)現(xiàn)現(xiàn)有的文獻(xiàn)側(cè)重點(diǎn)都在網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)險(xiǎn)和監(jiān)管理論研究，僅是指出平臺(tái)存在種種風(fēng)險(xiǎn)以及監(jiān)管部門要對(duì)網(wǎng)絡(luò)平臺(tái)進(jìn)行監(jiān)管，卻很少涉及到如何量化平臺(tái)風(fēng)險(xiǎn)、如何監(jiān)控以及如何預(yù)防平臺(tái)各種風(fēng)險(xiǎn)的發(fā)生。本文通過構(gòu)建網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)預(yù)警體系來對(duì)借貸風(fēng)險(xiǎn)實(shí)施動(dòng)態(tài)監(jiān)控和預(yù)警，不僅可以提高網(wǎng)絡(luò)借貸平臺(tái)的風(fēng)控能力，更好的發(fā)揮網(wǎng)絡(luò)借貸平臺(tái)金融信息中介服務(wù)職能，而且能為監(jiān)管者提供監(jiān)管依據(jù)，防止因個(gè)別平臺(tái)風(fēng)險(xiǎn)問題而引發(fā)整個(gè)行業(yè)的生存危機(jī)，把風(fēng)險(xiǎn)扼殺于搖籃之中，促進(jìn)網(wǎng)絡(luò)借貸行業(yè)的健康有序地發(fā)展。本文的創(chuàng)新點(diǎn)有兩點(diǎn)，一是在研究?jī)?nèi)容上，不同與只建立在一家或者幾家P2P平臺(tái)上進(jìn)行研究，本文以50家P2P網(wǎng)貸平臺(tái)建立預(yù)警體系。相比來說，更具有實(shí)用上的廣泛性和預(yù)警上的準(zhǔn)確度。二是在研究方法上，將計(jì)算機(jī)中的BP神經(jīng)網(wǎng)絡(luò)算法運(yùn)用到風(fēng)險(xiǎn)預(yù)警系統(tǒng)的建設(shè)中，定量分析能夠更加清晰地看到的P2P網(wǎng)貸風(fēng)險(xiǎn)問題。

二、指標(biāo)體系的構(gòu)建與風(fēng)險(xiǎn)綜合值度量

（一）P2P網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的構(gòu)建

本文選擇網(wǎng)貸之家排名前50名的網(wǎng)絡(luò)借貸平臺(tái)在2016年1～6月的月度數(shù)據(jù)，一是為了保持樣本的連續(xù)性。二是通過選擇前50名的網(wǎng)貸平臺(tái)，一定程度上能夠代表我國P2P網(wǎng)貸平臺(tái)發(fā)展的前沿，做出的預(yù)警模型能夠在最高要求上體現(xiàn)安全性與風(fēng)險(xiǎn)性，具有較好的借鑒意義。在指標(biāo)選取上，本文認(rèn)為指標(biāo)的選取一定要有代表性和可靠性。為了最大化反映網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)程度，本文參考了何德旭和王進(jìn)成（2013）對(duì)我國網(wǎng)絡(luò)借貸平臺(tái)風(fēng)險(xiǎn)的劃分為法律風(fēng)險(xiǎn)、借款人的信用風(fēng)險(xiǎn)、平臺(tái)的流動(dòng)性風(fēng)險(xiǎn)、平臺(tái)的操作風(fēng)險(xiǎn)和監(jiān)管風(fēng)險(xiǎn)。

1.法律風(fēng)險(xiǎn)

以前存在于地下的民間借貸資金得到了部分釋放即進(jìn)入網(wǎng)貸渠道，從而使得平臺(tái)資金價(jià)格年息動(dòng)輒高達(dá)20%以上。而根據(jù)最高人民法院《關(guān)于人民法院審理借貸案件的若干意見》的有關(guān)規(guī)定：民間借貸的利率可以適當(dāng)高于銀行的利率，但最高不得超過銀行同類貸款利率的四倍。因此，本文參照網(wǎng)貸之家，以P2P平臺(tái)月借貸平均利率為指標(biāo)來衡量法率風(fēng)險(xiǎn)。

2.信用風(fēng)險(xiǎn)

借款標(biāo)數(shù)指平臺(tái)月借款成功筆數(shù)；平均借款期限指借款人從借到款到還款的時(shí)間差。一般來說，期限越長(zhǎng)，資金流動(dòng)性容易變差，因此信用風(fēng)險(xiǎn)越高；資金杠桿指平臺(tái)自身資金撬動(dòng)的資金倍數(shù)，杠桿=平臺(tái)待收/注冊(cè)資金，杠桿越小的平臺(tái)墊付能力越強(qiáng)，越安全。杠桿中的分母除了注冊(cè)資金外還包含平臺(tái)的風(fēng)險(xiǎn)準(zhǔn)備金、合作機(jī)構(gòu)注冊(cè)資金、其他自有資金等。

3.操作風(fēng)險(xiǎn)

分散度：分散度可分為行業(yè)分散、地區(qū)分散、貸款分散和投資分散。當(dāng)資金能夠較為分散，平臺(tái)越不容易受個(gè)別違約或者行業(yè)性風(fēng)險(xiǎn)波及，平臺(tái)也就相對(duì)安全。

4.流動(dòng)性風(fēng)險(xiǎn)

資金凈流入指平臺(tái)當(dāng)月的所有投標(biāo)金額與所有還款金額之差；成交量指平臺(tái)當(dāng)月時(shí)間加權(quán)成交量。成交量越高，平臺(tái)越活躍；注冊(cè)資本指平臺(tái)總體注冊(cè)資本。注冊(cè)資本越多，相應(yīng)流動(dòng)性風(fēng)險(xiǎn)便會(huì)減少；投資人數(shù)指平臺(tái)當(dāng)月投資人數(shù)。投資人數(shù)越多，平臺(tái)越活躍；借款人數(shù)指平臺(tái)當(dāng)月借款人數(shù)。借款人數(shù)越多，平臺(tái)交易量越高；前十大投資人待收金額占比指一定時(shí)間內(nèi)，待收金額排名前十的投資人待收金額占所有投資人待收金額的比例；人均投資金額指平臺(tái)月人均投資金額；前十大借款人待還金額占比指一定時(shí)間內(nèi)，待還金額排名前十的投資人待還金額占所有借款人待還金額的比例；人均借款金額指平臺(tái)月人均借款金額；流動(dòng)性分子是對(duì)于金融機(jī)構(gòu)來說，不良貸款或者壞賬是流動(dòng)性管理的重點(diǎn)。但是目前來說，很難得到各網(wǎng)貸平臺(tái)的不良貸款率和壞賬率。因此本文參考網(wǎng)貸之家的流動(dòng)性分子指標(biāo)，該指標(biāo)是網(wǎng)貸之家通過對(duì)各個(gè)網(wǎng)貸平臺(tái)的資金充足率、資金周轉(zhuǎn)狀況、不良貸款率、壞賬率等計(jì)算出來的積分，一定程度上能反映網(wǎng)貸平臺(tái)的流動(dòng)性。積分越高，代表平臺(tái)資金回收本息越快，即流動(dòng)性較高。

5.監(jiān)管風(fēng)險(xiǎn)

由于我國網(wǎng)貸平臺(tái)長(zhǎng)期以來監(jiān)管體系的缺失，因此網(wǎng)貸平臺(tái)的透明度主要體現(xiàn)在信息公開程度上，但各平臺(tái)的信息公開程度不一，且沒有統(tǒng)一的標(biāo)準(zhǔn)衡量。因此本文選擇網(wǎng)貸之家的透明度積分來表示，該積分是根據(jù)平臺(tái)的借款資料、抵押力度、逾期數(shù)據(jù)、平臺(tái)網(wǎng)站公布的信息頻數(shù)來計(jì)算。透明度積分越高，代表平臺(tái)披露信息越多，透明度越高。

6.其他風(fēng)險(xiǎn)

在指標(biāo)選擇中，本文發(fā)現(xiàn)有的指標(biāo)不隸屬于以上風(fēng)險(xiǎn)范圍，但也可能對(duì)平臺(tái)風(fēng)險(xiǎn)狀態(tài)產(chǎn)生影響，如：發(fā)展指數(shù)和人氣指數(shù)。發(fā)展指數(shù)表示的是平臺(tái)的現(xiàn)在發(fā)展能力、綜合影響力，以及發(fā)展?jié)摿ΑＨ藲庵笖?shù)指人氣積分越高，代表在平臺(tái)借貸的人越多。

為易于理解，本文將指標(biāo)進(jìn)一步整理，定義如表1所示。

表1 網(wǎng)絡(luò)借貸風(fēng)險(xiǎn)預(yù)警指標(biāo)

（二）數(shù)據(jù)初步處理與分析

因建立預(yù)警模型的18個(gè)數(shù)據(jù)指標(biāo)單位不一，若直接分析和建模，則結(jié)果很可能會(huì)出現(xiàn)偏差，影響模型的精確度。故構(gòu)建預(yù)警模型前要對(duì)數(shù)據(jù)進(jìn)行一些處理。首先是綱量歸一化處理，使所有數(shù)據(jù)位于[-1，1]之間。其次，進(jìn)行數(shù)據(jù)同趨勢(shì)化處理。這是因?yàn)楫?dāng)選取指標(biāo)較多時(shí)，數(shù)據(jù)的結(jié)構(gòu)性方向可能不一，因此需要將數(shù)據(jù)方向進(jìn)行結(jié)構(gòu)性統(tǒng)一。本文結(jié)合各自變量實(shí)際含義，對(duì)于資金凈流入、成交量、投資人數(shù)、借款人數(shù)、借款標(biāo)數(shù)、人均投資、人均借款、注冊(cè)資本、發(fā)展指數(shù)、人氣、流動(dòng)性、透明度取正向趨勢(shì)，即各值越大代表P2P網(wǎng)貸平臺(tái)越安全。前十大投資人待收占比、前十大借款人待還占比、平均利率、平均借款期限（月）、資金杠桿則取反向趨勢(shì)。

（三）基于主成分分析的風(fēng)險(xiǎn)綜合值的度量

在建立網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)預(yù)警模型前，需要先用主成分分析法進(jìn)行判定。主成分分析的應(yīng)用在本文有兩個(gè)目的：一是對(duì)數(shù)據(jù)進(jìn)行降維。組合相關(guān)性或者重復(fù)性較高的指標(biāo)，將原始指標(biāo)變量提煉為幾個(gè)綜合性指標(biāo)。二是通過主成分分析計(jì)算出月度風(fēng)險(xiǎn)綜合值，并據(jù)此判定平臺(tái)風(fēng)險(xiǎn)狀態(tài)。本文用MATLAB進(jìn)行主成分分析，根據(jù)分析結(jié)果，一共提取了6個(gè)主成分。

表2 主成分分析表

對(duì)提取的6個(gè)主成分建立主成分載荷矩陣，并采用方差極大旋轉(zhuǎn)法進(jìn)行旋轉(zhuǎn)，具體數(shù)據(jù)見表3。

表3 主成分載荷系數(shù)矩陣

續(xù)表3

為方便起見，本文把第一主成分取名為F1，第二主成分為F2，以此類推至F6。則主成分的原始特征向量構(gòu)成如下，其中豎列的數(shù)據(jù)表示特征向量對(duì)主成分反應(yīng)的系數(shù)：

其中：對(duì)于F1，X16（分散度）、X13（發(fā)展指數(shù)）、X14（人氣）的載荷系數(shù)最高，分別為0.365、0.362、0.345。說明第一主成分主要由操作風(fēng)險(xiǎn)決定；對(duì)于F2，主要由X10（注冊(cè)資本）、X11（人均投資）、X4（成交量）決定，載荷系數(shù)分別是0.465、-0.458、-0.333。說明第二主成分主要由流動(dòng)性因子決定；對(duì)于F3，X2（前十大投資人待收占比）、X4（成交量）、X18（透明度）的載荷系數(shù)最高，分別為0.503、0.463、-0.332。說明第三主成分也是主要由流動(dòng)性因子決定；對(duì)于F4，主要由X17（流動(dòng)性）、X18（透明度）、X6（平均借款期限）決定，載荷系數(shù)分別是0.634、0.316、0.302。說明第四主成分也是主要由流動(dòng)性因子決定；對(duì)于F5，主要由X2（前十大投資人待收占比）、X15（資金杠桿）、X18（透明度）決定，載荷系數(shù)分別是0.443、-0.428、0.298。說明第五主成分也是主要由流動(dòng)性因子決定；對(duì)于F6，主要由X9（借款標(biāo)數(shù)）、X5（平均利率）、X8（借款人數(shù)）決定，載荷系數(shù)分別是-0.447、0.476、-0.410、-0.403。說明第六主成分是主要由信用風(fēng)險(xiǎn)因子決定；從主成分的特征值與貢獻(xiàn)率計(jì)算可構(gòu)造公司財(cái)務(wù)狀況綜合指標(biāo)F，F(xiàn)是各綜合因子F1、F2、F3、F4、F5、F6的線性組合。即：

以各主成份的方差貢獻(xiàn)率占累積方差貢獻(xiàn)率的比重作為權(quán)重計(jì)算主成份綜合得分，總因子得分函數(shù)為：

分別把F1、F2、F3、F4、F5、F6的值帶入到F中，得到F值與各個(gè)指標(biāo)之間的關(guān)系式：

風(fēng)險(xiǎn)指標(biāo)體系構(gòu)建好后，還需要確定指標(biāo)的風(fēng)險(xiǎn)臨界值。臨界值就是區(qū)分P2P網(wǎng)絡(luò)借貸平臺(tái)是處于風(fēng)險(xiǎn)狀態(tài)還是安全狀態(tài)的臨界值。但就目前來說，P2P網(wǎng)絡(luò)借貸行業(yè)在我國仍是新興產(chǎn)業(yè)，經(jīng)驗(yàn)尚不豐富，標(biāo)準(zhǔn)也未統(tǒng)一，因此并沒有完全可靠的區(qū)分方法，臨界值究竟如何科學(xué)合理劃分，還需在實(shí)踐中進(jìn)一步探索與檢驗(yàn)。本文在探索前人研究的基礎(chǔ)上，發(fā)現(xiàn)多數(shù)研究都把“0”作為臨界值。一是因?yàn)?是在[-1，1]之間的中間值，二是這樣劃分簡(jiǎn)單且易于理解。但是這樣劃分的問題是忽略的樣本的密集度，使得以“0”為臨界值的劃分過于武斷。因此本文在綜合考慮的基礎(chǔ)上，取所有主成分分析綜合得分（即F得分）的平均值作為臨界值，從而劃定穩(wěn)健月份與風(fēng)險(xiǎn)月份。將主成份綜合得分大于平均值的月份定義為風(fēng)險(xiǎn)月份，因變量取值為“1”。主成份綜合得分小于平均值的月份定義為穩(wěn)健月份，因變量取值為“0”。經(jīng)計(jì)算，本文所有P2P網(wǎng)貸平臺(tái)的月度主成分分析綜合得分的均值為-0.6477。按此原則測(cè)度，300個(gè)樣本的預(yù)警度分別為：110個(gè)樣本為安全狀態(tài)，190個(gè)樣本為風(fēng)險(xiǎn)狀態(tài)。通過主成分分析劃分出的預(yù)警度則稱為預(yù)測(cè)期望值，同時(shí)是BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型的期望輸出值。

三、基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

（一）模型選取

BP神經(jīng)網(wǎng)絡(luò)是由輸入層、輸出層和若干隱含層組成的前向連接模型（如圖1）。

同層神經(jīng)元之間互不聯(lián)系，前后層神經(jīng)元通過權(quán)重連接。當(dāng)有輸入時(shí)，要首先向前傳到隱層節(jié)點(diǎn)，再傳至下一隱層，通過不斷前進(jìn)，且經(jīng)過每一層都要由相應(yīng)的特征函數(shù)進(jìn)行變換，最終傳至輸出層節(jié)點(diǎn)。如果實(shí)際輸出模式和期望輸出模式有誤差，那么就將誤差信號(hào)沿原來的連接線路返還，并根據(jù)誤差值修改各層的連接權(quán)重，重復(fù)迭代，使誤差減小，直至滿足條件為止。當(dāng)誤差達(dá)到規(guī)定的范圍內(nèi)，則認(rèn)為BP神經(jīng)網(wǎng)絡(luò)已經(jīng)訓(xùn)練好。因此縱觀BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，可以發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)能夠覺察錯(cuò)誤、自覺修正、重復(fù)工作，如同人的大腦一樣。這也是其能夠得以廣泛運(yùn)用的重要原因之一。本文用40家P2P網(wǎng)貸平臺(tái)240個(gè)樣本數(shù)據(jù)做預(yù)警模型訓(xùn)練（包括103個(gè)安全樣本，137個(gè)風(fēng)險(xiǎn)樣本），在目標(biāo)達(dá)到或者訓(xùn)練次數(shù)達(dá)到后即停止學(xué)習(xí)。然后用剩下的10家網(wǎng)貸平臺(tái)做測(cè)試樣本（包括53個(gè)安全樣本，7個(gè)風(fēng)險(xiǎn)樣本）來衡量預(yù)警模型的準(zhǔn)確性。

（二）模型參數(shù)設(shè)置和網(wǎng)絡(luò)訓(xùn)練

對(duì)模型進(jìn)行參數(shù)設(shè)置時(shí)首先需要對(duì)函數(shù)接口賦值，本文構(gòu)建的P2P網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系包括18個(gè)指標(biāo)，通過主成分分析后降維為6，因此網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)為6。網(wǎng)絡(luò)的輸出值為根據(jù)上文主成分分析法得出的風(fēng)險(xiǎn)預(yù)警度，即均是“0”“1”表示，由于只有兩個(gè)結(jié)果，因此輸出節(jié)點(diǎn)數(shù)為2。整個(gè)模型中最難設(shè)置的是隱含層節(jié)點(diǎn)數(shù)，因?yàn)殡[含層數(shù)的確定需要滿足兩個(gè)條件：一是使訓(xùn)練過程盡可能高效簡(jiǎn)單；二是能較好的縮小誤差，從而達(dá)到訓(xùn)練目標(biāo)。而就目前來說，隱含層節(jié)點(diǎn)數(shù)的確定還沒有科學(xué)的定論，主要還是根據(jù)訓(xùn)練的次數(shù)經(jīng)驗(yàn)和訓(xùn)練的結(jié)果而定。而目前能僅供參考的公式為：n1=或n1=log2，其中，n為輸入節(jié)點(diǎn)數(shù)，m為輸出節(jié)點(diǎn)數(shù)，n1為隱含層節(jié)點(diǎn)數(shù)，a為[1，6]之間的常數(shù)。本文在多次試驗(yàn)的基礎(chǔ)上，最終選擇的隱含層節(jié)點(diǎn)數(shù)為30。訓(xùn)練過程在MATLAB中如圖2所示：

其次，需要對(duì)各種運(yùn)行函數(shù)進(jìn)行設(shè)定，來保證學(xué)習(xí)的效率性和準(zhǔn)確性。包括學(xué)習(xí)函數(shù)、訓(xùn)練函數(shù)、隱含層和輸出層的傳遞函數(shù)、訓(xùn)練次數(shù)、訓(xùn)練最小梯度、最小誤差等參數(shù)，如圖3所示。第一，不同于一般將誤差設(shè)為0.01、0.001，本文將其設(shè)定為10-8以確保訓(xùn)練的精確度。第二，關(guān)于訓(xùn)練次數(shù)，過少則容易達(dá)不到目標(biāo)，過大則會(huì)使運(yùn)算過程冗長(zhǎng)繁雜，因此本文進(jìn)行1000次學(xué)習(xí)訓(xùn)練，一般來說都能達(dá)到目標(biāo)。第三，學(xué)習(xí)速率影響權(quán)重調(diào)整的快慢，過大過小都會(huì)影響訓(xùn)練，因此將其設(shè)定為10-20。

表4 神經(jīng)網(wǎng)絡(luò)模型參數(shù)表

參數(shù)設(shè)定好之后需要進(jìn)行網(wǎng)絡(luò)訓(xùn)練。關(guān)于訓(xùn)練函數(shù)，一般采用神經(jīng)網(wǎng)絡(luò)工具箱提供的專用函數(shù)newff。本文選擇trainlm（動(dòng)量梯度下降法），通過引入動(dòng)量因子以保證訓(xùn)練過程的收斂性（穩(wěn)健性），以消除動(dòng)蕩的影響。各層傳遞函數(shù)類型為[‘TF1’，‘TF2’]，即函數(shù)tansig和purelin，同時(shí)所有的傳遞函數(shù)均采用S型的對(duì)數(shù)函數(shù)，從而將神經(jīng)元的輸入（整個(gè)實(shí)數(shù)集范圍）映射到區(qū)間[-1，l]中。NodeNum和TypeNum表示訓(xùn)練參數(shù)的設(shè)置。如圖3，訓(xùn)練達(dá)到392次時(shí)，網(wǎng)絡(luò)收斂至指定誤差域（10-8）內(nèi)，即達(dá)到訓(xùn)練目標(biāo)，訓(xùn)練停止，預(yù)警模型得以建立。

圖3 預(yù)警訓(xùn)練結(jié)果

（三）預(yù)警模型的檢測(cè)

訓(xùn)練完畢后進(jìn)行預(yù)警模型的檢測(cè)。本文將樣本內(nèi)后60個(gè)樣本作為檢測(cè)樣本。以實(shí)際輸出值、輸入值以及相應(yīng)的風(fēng)險(xiǎn)等級(jí)作為對(duì)比，分析模型的準(zhǔn)確度。實(shí)際輸出值與預(yù)測(cè)輸出值越重合，則模型準(zhǔn)確度就越高，模型就越有效，檢測(cè)效果如表5所示。通過上表的對(duì)比和統(tǒng)計(jì)分析，進(jìn)一步得到預(yù)測(cè)的準(zhǔn)確度，如表6。

表5 檢測(cè)樣本的實(shí)際輸出和預(yù)測(cè)輸出的對(duì)比

續(xù)表5

表6 檢測(cè)樣本的準(zhǔn)確度

如表6所示，實(shí)際樣本有60個(gè)，其中安全樣本49個(gè)，風(fēng)險(xiǎn)樣本11個(gè)，而預(yù)測(cè)準(zhǔn)確度高達(dá)56個(gè)。因此預(yù)警模型預(yù)測(cè)的準(zhǔn)確率高達(dá)93.33%。充分說明本文依據(jù)BP神經(jīng)網(wǎng)絡(luò)設(shè)置的預(yù)警模型可以有效的預(yù)測(cè)P2P貸平臺(tái)的風(fēng)險(xiǎn)，具有一定的普遍性和適用性。

四、基于預(yù)警模型構(gòu)建的政策建議

在當(dāng)前防范與化解重大風(fēng)險(xiǎn)的大背景下，P2P網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)防控顯得尤為重要，構(gòu)建風(fēng)險(xiǎn)預(yù)警模型能夠幫助投資者和監(jiān)管者及時(shí)識(shí)別和防范風(fēng)險(xiǎn)，通過構(gòu)建成熟的網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)預(yù)警體系不僅能在一定程度上糾正借貸雙方信息不對(duì)稱的弊端，更能從長(zhǎng)遠(yuǎn)上推動(dòng)網(wǎng)貸平臺(tái)良性的淘汰機(jī)制的確立。通過對(duì)問題平臺(tái)及早的過濾和引導(dǎo)轉(zhuǎn)型，有助于推動(dòng)網(wǎng)絡(luò)借貸行業(yè)的健康發(fā)展。因此，可以說預(yù)警模型的建立對(duì)于P2P平臺(tái)微觀個(gè)體、整個(gè)網(wǎng)貸行業(yè)乃至宏觀監(jiān)管層而言都具有重要的借鑒意義。綜合全文的研究，本文主要有幾點(diǎn)建議：

第一，P2P網(wǎng)貸平臺(tái)應(yīng)當(dāng)在預(yù)警模型的“督促下”強(qiáng)化自身的風(fēng)險(xiǎn)管理和約束機(jī)制，立足自身，優(yōu)化內(nèi)控制度。平臺(tái)公司內(nèi)部應(yīng)建立全面的風(fēng)險(xiǎn)管理制度，使法人治理結(jié)構(gòu)、股東大會(huì)、董事會(huì)、監(jiān)事會(huì)和經(jīng)理層的設(shè)置更加規(guī)范化，同時(shí)風(fēng)險(xiǎn)管理職能部門、IT建設(shè)部門、內(nèi)部審計(jì)部等其他職能部門間應(yīng)保持緊密的聯(lián)系，保證風(fēng)險(xiǎn)防范工作能緊密對(duì)接，幫助公司有效做出風(fēng)險(xiǎn)評(píng)估和應(yīng)急處理。同時(shí)建立公司風(fēng)險(xiǎn)預(yù)警數(shù)據(jù)庫，可以在本文的預(yù)警指標(biāo)基礎(chǔ)上緊密結(jié)合P2P網(wǎng)絡(luò)借貸的發(fā)展特點(diǎn)不斷進(jìn)行改進(jìn)，力求最大程度的反映P2P行業(yè)面臨的風(fēng)險(xiǎn)特點(diǎn)，分析其放大機(jī)制，從而有效的控制風(fēng)險(xiǎn)。

第二，明確監(jiān)管機(jī)制和責(zé)任。從國外經(jīng)驗(yàn)來看，美國證券交易委員會(huì)（SEC）承擔(dān)了對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)的監(jiān)管責(zé)任，在英國則是由金融行為管理局（FCA）進(jìn)行監(jiān)管?？紤]到我國金融市場(chǎng)并沒有完全開放，金融體系尚不完善，P2P網(wǎng)絡(luò)借貸平臺(tái)的跨區(qū)域性等諸多因素，我國P2P網(wǎng)絡(luò)借貸平臺(tái)的監(jiān)管可以嘗試向多元化、體系化的發(fā)展方向。目前P2P網(wǎng)絡(luò)借貸業(yè)務(wù)已經(jīng)涉及了擔(dān)保、轉(zhuǎn)債權(quán)、信托理財(cái)?shù)榷喾N業(yè)務(wù)類型，對(duì)這些不同的新型業(yè)務(wù)類型，應(yīng)采取不同于純線上業(yè)務(wù)的監(jiān)管措施。應(yīng)發(fā)揮央行維護(hù)金融穩(wěn)定發(fā)展的作用，由央行牽頭制定互聯(lián)網(wǎng)金融平臺(tái)監(jiān)管方案和運(yùn)營規(guī)范。地方政府與金融管理部門也應(yīng)緊密配合監(jiān)管部門來推進(jìn)互聯(lián)網(wǎng)金融發(fā)展良性化，并做好風(fēng)險(xiǎn)管控。

第三，對(duì)于監(jiān)管層而言，應(yīng)繼續(xù)推動(dòng)P2P網(wǎng)絡(luò)借貸規(guī)范化法律法規(guī)的制定和出臺(tái)，尤其應(yīng)該重視對(duì)P2P網(wǎng)絡(luò)借貸實(shí)行定期和定向的信息披露，和完善借貸征信系統(tǒng)。首先，在法律法規(guī)的引導(dǎo)下建立向監(jiān)管機(jī)構(gòu)、向行業(yè)機(jī)構(gòu)、向投資人、向媒體等不同層面的信息披露制度，同時(shí)規(guī)范信息披露的內(nèi)容，確保完整性和準(zhǔn)確性，披露內(nèi)容包括借款者信息、借款利率、借款用途等，從而使投資者能充分了解投資的可行性和風(fēng)險(xiǎn)程度，降低投資風(fēng)險(xiǎn)。由于網(wǎng)貸平臺(tái)缺乏數(shù)據(jù)積累，因此可以考慮與芝麻信用等大型權(quán)威征信機(jī)構(gòu)以及銀行業(yè)開展合作，通過與征信機(jī)構(gòu)和銀行實(shí)現(xiàn)征信數(shù)據(jù)的信息共享來獲取客戶信用記錄與評(píng)級(jí)，并與P2P網(wǎng)絡(luò)借貸平臺(tái)的信用系統(tǒng)進(jìn)行數(shù)據(jù)對(duì)接，這樣可以快速有效的對(duì)客戶評(píng)級(jí)，從而降低業(yè)務(wù)風(fēng)險(xiǎn)。

第四，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)建立風(fēng)險(xiǎn)預(yù)警模型關(guān)鍵在于風(fēng)險(xiǎn)指標(biāo)體系的選擇和臨界值的確定。因此，監(jiān)管部門技術(shù)上可以參考本文對(duì)網(wǎng)貸平臺(tái)風(fēng)險(xiǎn)機(jī)制的分析和指標(biāo)選取，充實(shí)自身的監(jiān)管數(shù)據(jù)庫，并力求實(shí)時(shí)更新，以便最大程度反映和概括出市場(chǎng)上網(wǎng)貸平臺(tái)的風(fēng)險(xiǎn)現(xiàn)狀。另外，從監(jiān)管工作的實(shí)際情況出發(fā)，當(dāng)實(shí)際數(shù)據(jù)比較龐大，出現(xiàn)遠(yuǎn)超本文樣本量的情況時(shí)，可以考慮將樣本分成若干子集，采取梯度下降的算法提高運(yùn)行效率。