壹.導言
近年來，P2P行業呈井噴式發展，對我國金融體系的完善、中小企業資金缺口的彌補、個人現金流的補充具有重要意義。然而，隨著行業競爭的激烈，P2P行業的各種風險也在不斷湧現。2016以來，我國P2P發生多起龐氏騙局、跑路等事件，涉案金額巨大，社會影響極其惡劣。目前我國金融監管從業人員的數量遠遠少於金融機構，事權不清導致其難以履行真正的職能。基於這壹背景，本文試圖利用最易獲取的公開數據，建立有效的預警模型，從而幫助監管者完成對海量金融機構的低成本有效篩選。
中華人民共和國國務院總理李克強在2014年9月達沃斯論壇上公開發出“大眾創業、萬眾創新”的號召。伴隨著“雙創”這個詞的，還有“互聯網金融”。在十二屆全國人大三次會議上，李克強總理首次公開提及互聯網金融。這是政府部門首次公開提及互聯網金融行業。自此，P2P網貸行業在中國進入野蠻生長期。從2012開始，新增P2P平臺數量逐漸增加，2014-2015達到高峰，最高月份新增平臺數量達到256家。然後，新增平臺數量逐漸減少，網貸平臺總數從2017開始逐漸穩定。
巴菲特說，“退潮前妳不知道誰在裸泳。”隨著互聯網金融的退潮，中國經濟的主基調將是L型，熱錢將逐漸退出網貸市場，國家相關扶持政策也將收緊，有問題的網貸平臺將逐漸增多。2015年7月，最慘的壹年，問題平臺多達171，之後問題平臺數量開始逐漸減少。但從2017年2月開始，問題平臺的數量呈上升趨勢。7月20131問題平臺。冰冷的數據背後，是無數因為平臺跑路而支離破碎的家庭，以及全國公安經偵部門破案的巨大壓力。
基於網絡公開信息，選取13指標作為P2P網絡平臺風險預警指標體系，建立了包括輸入層、隱含層和輸出層的BP神經網絡預警模型。利用Python軟件對建立的神經網絡進行訓練。在期望輸出值與樣本輸出值之間的誤差降低到標準範圍後，建立預警模型。
其次，需要建立基於公開信息的風險預警模型。
隨著信息技術的快速發展和應用，人們的生活方式發生了巨大的變化。金融是利用海量信息進行最有效的資金配置。隨著互聯網信息的使用，金融業本身也必將迎來巨大的變革。在這場革命中，金融不再僅僅是紐約證券交易所西裝革履的經紀人的專利。信息技術打破了金融參與的門檻，現在每個人都可以參與這場資金的盛宴。就像現在大家已經接受了使用支付寶壹樣，“騙子”、“賭博”、“薅羊毛”等負面標簽也會逐漸從網貸平臺上淡出，逐漸成為人們理財的壹種選擇。面對復雜多變的網貸平臺風險，有必要建立有效的網貸平臺風險預警模型。
(壹)實時監控的必要性
網貸平臺的風險不是壹成不變的，但是大量網貸平臺的人工檢測不僅效率低下，而且是對公共資源的極大浪費。只有利用網絡預警模型，才能實時監控網貸平臺，以最少的人力物力完成平臺風險的前期排查。
(2)個人使用的必要性
(3)需要
隨著中國網貸行業市場清理的加速，壹些網貸平臺傾向於渾水摸魚。與典型的網貸公司相比，持續時間長，金額差異大。在杭州的網貸平臺浪潮中，很明顯很多公司才上線幾個月。這些公司利用了當前經偵部門壓力大、精力不足的空檔，大有換槍換炮之勢。因為金額比較小，被騙的投資者維權難度比較大。因此，利用這種模式可以快速警示那些沒有太多歷史記錄的新公司，將這種“欺詐遊擊戰”的不良勢頭扼殺在萌芽狀態。
第三，網貸風險預警指標體系的設置。
(壹)國內外網貸機構的差異
在英美等西方發達國家，P2P平臺只是壹個純粹的信息中介，不參與任何借貸交易，也沒有任何賠償投資者損失的責任。因為英美等發達國家有相對完善的個人征信系統，投資者可以根據借款人的信用狀況和財產所有權自由競標，確定合適的資本收益率。另外，英國等國家有比較完善的監管政策和規範，有專門的部門對P2P進行監管，職責明確。比如美國的證券交易委員會，英國的市場行為監管局和P2P金融協會，規範的政策和完善的監管有效的控制了這些國家的P2P風險。
雖然征信系統在國內逐漸普及，但總的來說，壹切都不是很完善，P2P目前也無權與國家征信系統對接，很難全面客觀的暴露借款人的風險。因此，投資者往往開始尋求壹個“可靠”、“有保障”的P2P平臺。這也使得P2P平臺不得不宣傳自己的“擔保”、“國資背景”、“自有保障基金”來增加自己的信用。這使得P2P平臺只是另壹種銀行，形成惡性循環。小企業違約，P2P公司為了平臺本身的聲譽會選擇掩蓋過去，最後不得不跑路。目前我國資管新規已經明確提出，要打破剛信托支付，但借款人接受投資時虧損還需要壹段時間。
(二)網貸平臺風險因素
網貸平臺的風險可以
本文通過對系統風險和非系統風險的分析，結合網貸平臺的特點，篩選出最具代表性的風險因素。
網貸平臺的系統性風險主要包括政策風險、法律風險和經濟周期風險。猶豫期政策寬松的法律法規不健全，導致平臺數量激增，惡性競爭，甚至出現劣幣驅逐良幣的情況。此外，經濟周期的影響也不容忽視。隨著全球經濟轉冷，反全球化，很多大型金融機構無力支撐新興的網貸平臺。但本文的目標是從微觀角度檢測企業風險，所以暫時不考慮經濟周期。
網貸平臺的非系統性風險包括信用風險、品牌風險和技術風險。很多平臺為了盡可能的爭取客戶，會刻意放寬借貸條件，這就導致了大量老賴的進入，以及壹些投機者的薅羊毛行為。有證據表明，許多從該平臺獲得貸款的人有意在網上制造關於該平臺的負面信息，希望他們在平臺倒閉後不必償還貸款。這些行為無疑大大增加了平臺本身的風險。如果出現技術問題導致官網無法開通或資金回籠，很容易觸動投資者的敏感神經，引發擠兌。
(三)預警模型指標的建立
但值得註意的是，在網貸相關法律法規尚不完善的當下，相關數據難以獲取，真實性存疑。因此，本文運用大數據思維，主要是利用互聯網上大家可以輕易獲取的信息作為預警模型的輸入指標，通過指標內部的非線性邏輯來反映壹個平臺的風險程度。壹個惡性非法的點對點借貸平臺，勢必會盡可能的擴大自己的影響，同時做好反調查的準備，在監管部門反應過來之前拿到足夠的錢。這種行為很難不在網上留下痕跡。因此，引入社會開放信息指標可以有效彌補官方數據的不足和真實性，增強預警模型的可信度和有效性。
綜上所述，網貸平臺風險評估體系見表1，各指標原始數據見表2。
第四，BP神經網絡的設計
(壹)BP神經網絡概述
BP神經網絡中的BP是back propagation的縮寫，翻譯過來就是反向傳播，所以BP神經網絡也叫誤差反向傳播神經網絡，是以Rumelhart和麥克萊蘭為首的科學家在1986中提出的。BP神經網絡采用誤差反向傳播算法，程序自動學習微積分使誤差最小化，從而得到最接近真實情況的權重。
BP神經網絡屬於多層感知器，是由多個感知器層完全連接而成的前饋神經網絡。全連接是指壹層中的任意神經元與相鄰層中的任意神經元之間存在連接。該模型具有良好的處理非線性問題的能力。BP神經網絡有輸入層、隱含層和輸出層。從理論上證明了隱層BP神經網絡可以實現任意的非線性映射，可以滿足大多數場合的需要。
(二)BP模型神經節點的設置
本文采用BP神經網絡的標準結構，包括壹個輸入層、壹個隱含層和壹個輸出層。其中，輸入層節點數為13，由輸入指標數決定；輸出層節點數為1，其中健康平臺的平臺值為0，問題平臺值為1。
隱藏層的節點數與輸入層的神經單元數和輸出層的神經單元數有關。但目前還沒有很好的確定依據，很難根據任務確定隱含層節點數。所以目前主要是根據以往的成功經驗。壹般經驗公式為:L=log2n，其中n為輸入節點數，所以隱層節點數為3。
(3)BP模型的參數設置
在確定BP神經網絡模型的輸出層、隱含層和輸出層節點後，需要確定神經網絡的傳輸函數和訓練目標。非線性傳遞函數主要分為對數S型的和坦S型的。對數-S型的型的輸入值可以取任意值，輸出值範圍為(0，1)，譚-S型的型的輸入值可以取任意值，輸出值範圍為(-1，1)。線性傳遞函數pureline的輸出和output可以取任意值。因為本文中的輸出值都是正數，所以輸入層傳播函數是對數S型函數，輸出層傳播函數是純直線函數。可接受的誤差標準為ε= 0.1，訓練次數為100000，學習率為0.2，動量因子為0.1。
5.Python中BP神經網絡的訓練和測試。
本文綜合參考網貸之家等多家網貸平臺評級網站，綜合考慮選取11家優質網貸平臺作為低風險樣本，同時選取近期剛剛被雷到的6家平臺作為高風險樣本。隨機抽取兩個低風險和兩個高風險樣本作為測試樣本，剩下的13作為訓練樣本。網絡的訓練和測試都是通過Python完成的。通過排序可以得到17×13的矩陣。為了消除指標之間的數量級差異，使預測誤差最小化，對原始數據進行了歸壹化處理。歸壹化後的訓練模型的輸入值如表3所示，檢測模型的輸入值如表4所示。
對於訓練好的BP網絡模型，使用訓練輸入值對建立的BP網絡進行測試，輸出結果如表5所示:
從測試結果來看，測試輸出與預期輸出值非常接近，精度達到100%，兩者之間的數據誤差滿足誤差要求。因此，建立的BP神經網絡模型具有良好的風險評估能力，可用於對網貸行業進行監控，達到風險預警的目的。
不及物動詞研究成果
構建科學有效的網貸平臺風險預警模型，可以快速對網貸平臺進行前期調查，盡早識別和預警高風險網貸平臺，采取風險防範和化解措施。傳統的數學模型大多采用數理統計和logistic回歸進行預測，不適合網貸平臺這種新型金融模式的風險預警。此外，傳統模型過於依賴歷史官方統計數據，而網貸平臺相關法律法規並不完善，平臺本身可以通過調整統計端口隨意修改數據，從而造成預警模型失效。本文使用了大量的網上公開數據，這些數據是網貸平臺無法修改的。雖然不能直觀反映平臺的風險狀況，但數據本身的真實性可以保證預警模型的科學有效。此外，由於公共數據的獲取沒有門檻，大大降低了模型的使用難度。神經網絡的優勢在於它反映了數據之間復雜的、非直觀的關系。因此，本文大膽使用公開數據，該模型甚至可以成為普通人在網貸平臺上的風險監控工具。如果能夠廣泛應用，必將倒逼網貸平臺主動規範、常態化，讓網貸平臺主動走向監管的籠子，徹底杜絕大型平臺閃電風暴、實控人跑路、投資人上訪的不良事件。
參考資料:
鄒傳偉謝平。互聯網金融模式研究[J].金融研究，2012(12)。
[2]王崢。中國互聯網金融風險分析及防範措施[J].時代財經，2014，(8)。
[3]壹草。論加強P2P點對點借貸平臺的監管[J].金融監管，2011(4)。
[4]陳朝暉，張艷芳。基於BP神經網絡的商業銀行風險預警模型研究[J].福建商學院學報，2011(2)。
[5]譚克友.神經網絡模型與銀行破產預測[J].歐米茄，1991(5)。
[6]楊群華。中國互聯網金融的特殊風險及其防範研究[J].金融科技時報，2013 (7)。
[7]郭瑩瑩。國內外金融危機預警模型綜述[J].科學決策，2013(10)。
[8]張玉梅。P2P小額網絡貸款模式研究[J].生產力研究，2010 (12)。
歡迎來到中國知網~現代商貿行業雜誌閱讀參考原文。
官方網站:/
相關問答:如何開發p2p征信系統？明確妳的目標，收集相關信息。搭建P2P點對點借貸平臺的目標已經確定，需要收集相關信息。比如戴蒙p2p征信平臺的建設，p2p征信系統平臺的用戶需求，征信系統平臺的發展前景等等。收集相關信息的目的是:1。策劃網站:如何開發制作p2p信貸平臺軟件，可能包括哪些內容。2.用戶體驗:了解用戶的需求，從用戶的角度出發，體驗會更好。做壹個p2p信貸平臺程序開發計劃。在這個階段，需要制定出整個p2p信貸平臺開發所需的人力、物力、費用、時間，以及整個信貸平臺方案的架構圖、模塊、數據庫制作等等。這壹步比較重要，做好了可以事半功倍。按照計劃，p2p信貸平臺系統啟動。前臺頁面設計，後臺編程，數據庫表設計等等。這些都需要開發和技術團隊的共同努力。代碼應該是認真的，因為在p2p信貸平臺系統的開發和制作中，每壹個bug都可能損失慘重，每壹個系統漏洞都可能引起黑客的攻擊。所以每壹個p2p信貸平臺開發公司都必須有壹個強大的技術開發團隊。這壹步，小心團結最重要。