﻿ 基于BP神经网络的P2P个人信用风险仿真模型 P2P Personal Credit Risk Simulation Model Based on BP Neural Network

Advances in Applied Mathematics
Vol.05 No.02(2016), Article ID:17529,16 pages
10.12677/AAM.2016.52026

P2P Personal Credit Risk Simulation Model Based on BP Neural Network

Liyan Bao, Shujin Li

School of Economics, Hangzhou Dianzi University, Hangzhou Zhejiang

Received: Apr. 20th, 2016; accepted: May 9th, 2016; published May 12th, 2016

Copyright © 2016 by authors and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY).

http://creativecommons.org/licenses/by/4.0/

ABSTRACT

In recent years, P2P lending platforms are in a stage of rapid development in our country. By August 2015, its turnover has reached 97.463 billion Yuan, but the credit risk starts to highlight. There are many platforms that continue to collapse. Whether we can identify and control the credit risk of borrowers effectively directly influences the development of P2P platform in the future. This paper introduces the main risk of P2P network platform in China, and analyzes the basic principles of BP neural network and its application on the applicability of credit risk assessment of individual borrowers. By establishing P2P individual borrower credit evaluation system, and collecting all information from Renrendai, this paper simulates P2P lending individual borrower’s credit rating by BP neural network. And we carry on the simulation under the condition of lack of data; the rating simulation results are more accurate; we can evaluate the credit risk of the individual borrowers effectively. On the basis of the analysis, we propose the suggestions and countermeasures of P2P platform.

Keywords:P2P Network Loan, Credit Risk, BP Neural Network

1. 引言

P2P网络借贷作为借贷业务的一种，所面临的最大风险就是信用风险。信用风险是借款人因各种原因未能及时或足额偿还债务的可能性。近年来P2P网络借贷在中国发展十分迅猛。截止2015年8月，全国P2P网贷行业总体成交量达到974.63亿元，正常运营平台2283家。但由于网贷平台发展速度快，信用风险管理相对滞后，问题平台频频出现。截止2015年8月，累计问题平台已有976家。这些问题平台中，除了部分存在恶意欺诈外，更多平台都是因为对借款人的信用风险控制不严，出现坏账难以及时处理，然后遭遇挤兑，最终导致平台破产。尽管各平台尽可能审核借款人的身份信息和其它真实资料，来进行信用风险评估，但违约现象仍大量存在。所以，能否准确有效的评估P2P网络借贷平台个人借款者的信用风险，尽量减轻其带来的负面效应，是目前P2P网络借贷平台自身以及监管当局关注的热点问题。

P2P网贷公司规模普遍较小，其风险管理能力远低于传统商业银行等金融机构，但P2P网贷的借款项目质量偏低，这就需要其具备较强的风险管理能力 [3] 。目前，P2P网络借贷平台对于借款人的信用风险，主要措施通常有以下几种：第一，加强借款人信息的审核，当借款人申请贷款时，平台会要求提供详尽、真实的个人信息，并通过实地认证或视频认证等方式进行认证 [4] ；第二，限制金额和期限。目前P2P网络借贷平台一般根据信用评级规定借款额度上限，借款人借款额度不得超过该上限，在期限方面，比如Zopa平台，要求借款人按月分期还本付息，以减轻借款人的还款压力，降低违约风险 [5] ；第三，提供信用评级。Iyer等研究发现出借人主要依靠标准的银行征信系统信息来推断借款人的信用情况 [6] 。目前，我国P2P网络借贷平台的信用风险管理主要运用信用评分模型进行。平台通过借款人信息计算出一个分数，代表借款人的信用风险，以此确定信用评级 [7] ；第四，提供担保。对贷款提供担保或是平台自身建立保险制度，当借款人出现违约时，担保人或平台先行偿付本金，减少因借款人违约对出借人造成的损失。国外Prosper平台引入“背书”评价制度，借款人可以邀请朋友为其背书，证明其信用，背书内容会在借款人信息上显示 [8] 。

2. BP神经网络原理

2.1. BP神经网络算法概述 [9]

BP神经网络(Back Propagation)也可称为误差反向传播网络，最早是由Werbos在1974年提出来的，1985年Rumelhart等发展了该理论，提出了清晰而又严格的算法。BP算法适用于前向网络，它采用有导师学习的训练形式，提供输入矢量集的同时也提供输出矢量集，通过反向传播学习算法，调整网络的连接权值，以使网络输出在最小均方差意义下，尽量向期望输出接近，反向学习的进程由正向传播和反向传播组成。在正向传播过程中，输入信息经隐含神经元逐层处理并传向输出层，如果输出层不能得到期望的输出，则转入反向传播过程，将实际输出与期望输出之间的误差沿原来的连接通路返回，通过修改各层神经元的连接权值，使误差减小，然后转入正向传播过程，反复循环，直至误差小于给定的值为止。

2.2. BP神经网络算法在我国P2P网络借贷平台个人借款者信用风险评估中应用的可行性

3. 建立P2P网贷个人信用风险评估模型

3.1. P2P网络借款平台个人借款者信用风险评估指标选取

P2P网络借贷平台一般要求借款人提供的个人信息是其身份信息、职业状况、资产状况等个人基础情况，然后通过实地认证和视频认证等方式对借款人提供的信息进行认证，以保证其信息的真实性，根据认证后的信息对借款人信用等级进行评定，并将信息及信用评级结果公布在网站上，供资金出借人参考。故本文根据P2P网络借贷的特点、人人贷网站可观测的数据及传统商业银行个人信用评级指标选取原则，将借款人的基本资料归纳为人口特征、职业状况、收入财产、历史信用、操作认证等5个方面。

(1) 人口特征。人口特征包括年龄，婚姻状况和文化程度。年龄：不同年龄阶段的借款人的违约率有较大差别。一般，35岁至50岁，工作较为稳定，经济状况良好，其违约率低；26~35岁的借款人，收入开始增加，但家庭负担开始增大，其违约率一般；低于25岁的借款者，收入不高，缺乏良好的消费习惯，大都没有储蓄能力，其违约风险高；而年龄大于50岁的借款人，收入水平开始下降，突发消费较多，其违约风险也相对较大。婚姻状况：已婚的借款人情况较为稳定，而离婚和未婚的借款人信用状况可能偏低；文化程度：一般而言，文化程度越高发生违约几率越低。

(2) 职业状况。职业状况包括单位类别，岗位类型和工作年限。单位类别：一般而言，政府机关职工收入水平稳定，违约的可能性越小，故其取值最高；企业规模越大，收入水平越稳定，违约率越小；岗位类型：岗位越高，收入水平越高，违约风险越小；工作年限：工作年限越长，收入水平越稳定，违约风险越小。

(3) 收入财产。收入：收入越高，违约的风险越小；房产：在我国，住房条件通常代表个人的经济能力，所以有房产的比无房产的违约风险小；车产：车也代表着个人的经济能力，所以有车的更不容易违约。

(4) 历史信用。历史信用主要通过成功还款次数和逾期还款次数反映。成功还款次数：成功还款次数越多，说明其信用惯性越好，越不容易违约；逾期还款次数：逾期笔数多，说明其历史信用不好，历史信用不好的借款者更容易违约。

(5) 操作认证。认证的种类越多，说明其信息更真实、完整，违约的可能性越小。

3.2. 数据收集与处理

3.2.1 数据收集

3.2.2. 数据归一化处理

(1)

3.2.3. 数据分析

Table 1. P2P network lending platform for personal credit evaluation index value

Table 2. Simple statistical analysis of sample data

Figure 1. Frequency distribution histogram of sample data

3.3. 模型的构建

3.4. 模型仿真

3.4.1. 训练过程与结果

Figure 2. Neural network topology

Figure 3. Training result

3.4.2. 仿真过程与结果

3.4.3. 数据缺失的仿真结果验证

Figure 4. Fitting of training result

Table 3. Comparison between target output and model output

Table 4. Comparison between target output and model output in data missing situation

4. 结果分析和建议

P2P Personal Credit Risk Simulation Model Based on BP Neural Network[J]. 应用数学进展, 2016, 05(02): 192-207. http://dx.doi.org/10.12677/AAM.2016.52026

1. 1. 谢平, 邹传伟. 互联网金融模式研究. 金融研究, 2012(12): 11-12.

2. 2. 宋文, 韩丽川. P2P网络借贷中投资者出借意愿影响因素分析. 西南民族大学学报(自然科学版), 2013(5): 795-799.

3. 3. 姜岩. P2P网络信贷中借款人的信用风险评估研究[D]: [硕士学位论文]. 南京: 南京理工大学, 2014.

4. 4. Collier, B.C. and Hampshire, R. (2010) Sending Mixed Signals: Multilevel Reputation Effects in Peer-to-Peer Lending Markets. Proceedings of the 2010 ACM Conference on Computer Supported Cooperative Work, 2, 197-206. http://dx.doi.org/10.1145/1718918.1718955

5. 5. 罗洋, 王艳, 许可. 微型金融的新趋势: P2P在线贷款模式. 黑龙江金融, 2009(6): 89-94.

6. 6. Iyer, R., Khwaja, A.I., Luttmer, E.F. and Shue, K. (2009) Screening in New Credit Markets: Can Individual Lenders Infer Borrower Creditworthiness in Peer-to-Peer Lending? National Bureau of Economic Research No.w15242.

7. 7. 肖曼君, 欧缘媛, 李颖. 我国P2P网络借贷信用风险影响因素研究——基于排序选择模型的实证分析. 财经理论与实践, 2015(1): 2-6.

8. 8. Lin, M. (2009) Peer-to-Peer Lending: An Empirical Study. Doctoral Consortium, 12, 147-179.

9. 9. 王春峰, 万海晖, 张维. 基于神经网络技术的商业银行信用风险评估. 系统工程理论与实践, 1999(9): 24-32.