資源描述：
《p2p網(wǎng)貸的信用風(fēng)險評估研究.doc》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。
1、P2P網(wǎng)貸的信用風(fēng)險評估研究【摘要】互聯(lián)網(wǎng)背景下，P2P網(wǎng)貸高速發(fā)展，個人信用風(fēng)險評估尤為重要，但我國還沒有建立完善的個人信用評分體系,傳統(tǒng)的風(fēng)險評估方法很難達(dá)到滿意的效果。本文借鑒以往的相關(guān)研究，綜合考慮指標(biāo)體系設(shè)置的各項原則，選取了婚姻狀況、年齡、工作年限等十項指標(biāo)，運用Logistic回歸模型，通過實證分析，對個人信用風(fēng)險進(jìn)行了評估?！娟P(guān)鍵詞】P2P網(wǎng)貸信貸風(fēng)險Logit回歸P2P網(wǎng)貸是在互聯(lián)網(wǎng)環(huán)境下發(fā)展起來的一種全新的借貸模式，但是隨著P2P網(wǎng)貸的發(fā)展，信譽問題隨之而來。其中，缺乏專業(yè)的平臺信審程序是造成無法準(zhǔn)確評
2、估借款人信用的最主要原因，因此，木文擬從個人客戶的基本信息、個人客戶的貸款記錄、個人客戶的還貸記錄等資料屮選取影響借款人還款意原和能力的指標(biāo)，嘗試構(gòu)建Logistic回歸模型；進(jìn)一步地，采集人人貸、宜信、紅嶺創(chuàng)投、拍拍貸、有利網(wǎng)五家P2P平臺的樣本數(shù)據(jù)，通過實證分析對網(wǎng)貸平臺信用風(fēng)險的評價起到一定的決策支持作用。一、Logistic回歸模型Logistic回歸模型。在Logit回歸中，只需建立以logit(P)為因變量，建立包含P個因變量的Logistic回歸模型如下：■(1)其中，X=(X1X2……Xp)T為p維向量，(
3、3132……Pp)為待求的系數(shù)。這就是Logistic回歸模型。由（1）可推導(dǎo)出：■（2）■（3）己知本文YE（0，1），現(xiàn)定義為第i個客戶按時還款，Yi=0為第i個客戶違約，在Logistic回歸中本文定義P為客戶按時還款的概率，即國。二、建立Logit回歸模型（一）模型指標(biāo)的選取指標(biāo)變量的信息需耍涵蓋個人客戶三個方面的信息：個人客戶的基本信息、個人客戶的貸款記錄、個人客戶的還貸記錄。本文選擇10項具有普遍性和代表性的指標(biāo)作為木文的評價指標(biāo)變量，并建立個人信用風(fēng)險評價模型。本文對指標(biāo)進(jìn)行了分類、賦值，如表1。表1指標(biāo)分述
4、木文將原始數(shù)據(jù)經(jīng)過賦值處理后，通過SPSS軟件對數(shù)據(jù)進(jìn)行l(wèi)ogit回歸處理，運用逐步向前回歸方法來篩選對因變量影響最顯著的變量，將其納入模型。由分析結(jié)果可以得出，工作年限的回歸系數(shù)為正，表明其數(shù)值越大，該客戶還款的概率就越大。工作年限是反映客戶工作經(jīng)驗積累的一個指標(biāo)，工作時間越長，擁有的資產(chǎn)會多一些，違約的概率越小，反之,違約概率較大，即工作時間較短的客戶違約風(fēng)險大于工作年限長的客戶,因此其違約的概率也相應(yīng)提升。年收入范圍在0.05的顯著性水平下與是否違約呈現(xiàn)出正相關(guān)。收入情況直接決定了借款人財務(wù)狀況和還款能力，收入越高，
5、選擇誠信的可能性就越大，還款能力越強，違約的幾率也就越低。這也與實際狀況相符，高收入人群往往能夠更快地還清貸款。近半年信用卡逾期次數(shù)、近半年貸款逾期次數(shù)兩個指標(biāo)在一定程度上是衡量客戶信用以及經(jīng)濟狀況的指標(biāo)，本文之所以選擇近半年為時間段是因為P2P小額貸款是跖對個人以及一些小型企業(yè)進(jìn)行的小額、短期的借貸活動，近半年的各種信用指標(biāo)在很大程度上能夠折射出客戶近期的經(jīng)濟狀況、信用狀況，以及未來短期時間內(nèi)的還款能力。二者都與是否違約呈現(xiàn)出負(fù)相關(guān)，即逾期次?翟蕉啵?信用狀況越差，違約的可能性也相應(yīng)的提高。將相應(yīng)的參數(shù)代入到模型巾可得:
6、根據(jù)式（2）或者（3）即可得出客戶相應(yīng)的還款概率P。選取樣本中的一組數(shù)字舉例來說，X6=0.8,X7=0.8,X9=0,X10=l,即可得出logit（P）=3.5906,進(jìn)而得出國，即還款概率為97.32%。（二）模型檢驗通過向前逐步回歸，得到的分類預(yù)測結(jié)果。由此可以看出，該回歸對于個人信用風(fēng)險預(yù)測的準(zhǔn)確率較高，對于參與檢驗的樣本的預(yù)測準(zhǔn)確率達(dá)到了89.2%。在最后一步的回歸屮，未償還貸款的29個樣本，21個預(yù)測結(jié)果為違約，8個被誤測為不違約，準(zhǔn)確率達(dá)到了72.4%。在按時還款的91個樣本中，86個準(zhǔn)確預(yù)測，5個被誤測違
7、約，準(zhǔn)確率達(dá)到了94.5%。易知，運用Logit回歸對個人信用風(fēng)險進(jìn)行預(yù)測，具有較高的準(zhǔn)確率和可信度。三、結(jié)論與展望本文借助構(gòu)建個人信用風(fēng)險評價的Logit回歸模型，基于五家P2P平臺的120組樣本數(shù)據(jù)，實證分析表明：工作年限、年收入、近半年信用卡逾期次數(shù)、近半年貸款逾期次數(shù)指標(biāo)在反映個人信用風(fēng)險狀況方面具有較好的代表性，對于是否違約的樣本預(yù)測準(zhǔn)確率分別達(dá)到72.4%、94.5%，并且模型整體預(yù)測準(zhǔn)確率達(dá)到89.2%，表明該模型具有一定的實際使用價值。事實上影響客戶能否按時還款的因素還有很多，除了一些能夠量化的因素之外，客
8、戶本身的道德品質(zhì)更是一個關(guān)鍵因素。因此，今后的研究如能添加對一些非量化因素的考量，勢必能為P2P網(wǎng)貸信用風(fēng)險的評價、預(yù)測以及后續(xù)的風(fēng)險響應(yīng)和規(guī)避等勾勒出一幅完美的圖景。參考文獻(xiàn)[1]陳為民，馬超群，馬林.我國個人信用評分的發(fā)展趨勢[J].商業(yè)研究，2010,(1)：98-101.[2]王繼暉，李成.網(wǎng)絡(luò)
