吳斌+葉菁菁+董敏

【摘 要】 P2P網貸在爆發(fā)式增長的同時，也面臨著重大的信用風險，個人信用評估是降低信用風險的重要方法。根據(jù)P2P網貸自身的特點，對影響P2P網貸借款人信用風險的因素進行分析，引入互聯(lián)網信息領域特有的風險因素，建立了P2P網貸個人信用風險評估指標體系。基于該指標體系，考慮P2P網貸中“軟信息”較多、“硬信息”缺失的特點，提出了基于BP神經網絡的信用評估模型。為了提高BP神經網絡的收斂速度和精度，將改進的果蠅優(yōu)化算法作為BP神經網絡的學習算法，對神經網絡的權重進行訓練。通過“人人貸”平臺收集的樣本數(shù)據(jù)進行實驗驗證。結果表明：改進果蠅神經網絡評估模型比傳統(tǒng)BP神經網絡模型有更強的學習能力和預測能力，是P2P網貸個人信用風險評估的有效方法。

【關鍵詞】 P2P網貸； 信用風險評估； BP神經網絡； 果蠅優(yōu)化算法

【中圖分類號】 F830 【文獻標識碼】 A 【文章編號】 1004-5937（2017）21-0032-04

引 言

近年來，隨著互聯(lián)網金融的逐步發(fā)展，P2P網貸已成為中小企業(yè)和個人的一種新的融資模式。憑借著“高收益”的理財優(yōu)勢，各類P2P網貸平臺呈現(xiàn)出爆發(fā)式“野蠻生長”。根據(jù)“網貸之家”的統(tǒng)計數(shù)據(jù)，截至2015年年底，P2P網貸平臺的數(shù)量達到了2 595家，全年網貸成交量達到了9 823億元，相比2014年底增長了1 020家，成交量增長了288.57%。然而P2P網貸行業(yè)在爆發(fā)式增長的同時，也面臨著重大的信用風險。據(jù)統(tǒng)計，2015年全年P2P問題平臺達到896家，是2014年的3.26倍。個人信用風險評估是降低P2P企業(yè)和出借人風險的有效工具。

目前尚未有專門針對P2P網貸的信用評估方法。在評估方法和評估指標方面，P2P網貸具有獨特特點。P2P網貸的信用評估指標不同于傳統(tǒng)金融機構的評價指標，強調如性別、年齡、照片等非標準數(shù)據(jù)的重要性。Freedman et al.[1]研究發(fā)現(xiàn)，相比于傳統(tǒng)的金融機構，P2P網貸平臺上的投資人普遍面臨缺乏借款人的“硬信息”的問題，但是通過社交網絡平臺中的“軟信息”能夠有效地緩解這種“硬信息”缺失的情況。Lin[2]的研究證實了“軟信息”在P2P網貸平臺中的重要性。Lin et al.[3]研究表明交友廣泛的借款人所需支付的借款利率更低，違約風險也更低。Gonzalez et al.[4]探討了借款人的個人特征對P2P網貸投資人投資決策的影響，研究結果發(fā)現(xiàn)獲得貸款的成功與否容易受到性別、年齡和外貌的影響。

在評估方法方面，P2P網貸的海量數(shù)據(jù)和快速響應要求使人工智能方法成為不二選擇，并且人工智能技術日益成熟。決策樹、人工神經網絡、支持向量機、進化計算等方法在各類實證研究中都成功應用。Blanco et al.[5]使用多層感知器神經網絡構建了小額貸款信用風險評估模型。Oreski et al.[6]提出了利用遺傳算法和神經網絡的混合算法來進行信用風險評估。Capotorti et al.[7]提出了基于粗糙集的信用評估方法。Bekhe et al.[8]對比了Logistic回歸模型和徑向基函數(shù)模型，結果表明在識別潛在的違約者方面，徑向基函數(shù)模型比Logistic回歸模型具有更大的優(yōu)勢。雖然評估方法很多，但基于果蠅優(yōu)化算法與BP神經網絡的評估方法尚未有研究。

綜上所述，與統(tǒng)計模型相比，人工智能方法不需任何具體的先驗知識，就能從過去的觀測中自動提取信息，以滿足日益增長的復雜數(shù)據(jù)集。本文結合國內外關于互聯(lián)網信用評估指標的研究成果，構建了P2P網貸個人信用風險評估指標體系，采用BP神經網絡算法建立了個人信用評估模型。為了加快BP神經網絡的收斂速度和精度，將果蠅優(yōu)化算法作為神經網絡的學習算法，對BP神經網絡進行優(yōu)化。

一、P2P網貸個人信用風險評估指標體系

本文基于國內外商業(yè)銀行個人信用風險評估的各項指標，結合國內外學者對互聯(lián)網信用評估指標的研究成果，并且參考了網貸之家和北京大學匯豐商學院中小企業(yè)研究中心聯(lián)合發(fā)布的《2013中國網絡借貸行業(yè)藍皮書》中對我國P2P網貸借款人群的統(tǒng)計分析。根據(jù)P2P網貸自身的特點，對影響P2P網貸借款人信用風險的因素進行分析并且加入了互聯(lián)網信息領域特有的風險因素，建立了P2P網貸個人信用風險評估指標體系，并對各指標量化，具體內容如表1所示。

二、P2P網貸個人信用風險評估模型

對P2P網貸借款人進行信用評估時，普遍存在借款人“軟信息”較多、“硬信息”缺失的現(xiàn)象，而BP神經網絡具備強大的后天學習能力和推理能力，可以從大量復雜而模糊的數(shù)據(jù)中摸索出內含的規(guī)律，從而給出相對正確的推理結果。因此，BP神經網絡對于P2P網貸借款人信用風險評估具有較強的適用性。但基本BP神經網絡存在收斂速度慢，容易陷入局部極值等問題，針對這些問題，本文提出改進的果蠅優(yōu)化算法作為BP神經網絡的學習算法，以提高BP神經網絡的收斂速度和精度。果蠅算法中的個體通過編碼，將神經網絡的連接權值由一組數(shù)字變換為空間當中的一個點，果蠅個體通過不斷移動來判斷空間中的味道濃度，有方向地尋找濃度最高點，由此，來確定神經網絡的最優(yōu)權值。

（一）基本果蠅優(yōu)化算法

果蠅優(yōu)化算法（Fruit fly optimization algorithm，F(xiàn)OA）是一種基于果蠅覓食行為的群智能優(yōu)化算法[9]。果蠅有很好的嗅覺和視覺器官，能夠依靠嗅覺感覺到40公里外的食物源，然后在臨近食物源時，依靠敏銳的視覺發(fā)現(xiàn)食物的具體位置。果蠅優(yōu)化算法模擬該過程，基于嗅覺和視覺行為進行迭代搜索，通過對果蠅種群位置中心的優(yōu)化，最終獲得問題的優(yōu)化解。果蠅算法的基本步驟如下：

Step1：初始化種群中個體的位置。

Step2：嗅覺搜索。由個體的當前位置，隨機選擇方向和位置進行搜索。

Step3：個體評價。對個體搜索到的新位置，計算其濃度判定值和味道濃度。endprint

Step4：視覺搜索。選擇味道濃度最大的位置，個體根據(jù)視覺向該位置搜索。

Step5：判斷算法是否結束。是，則輸出最優(yōu)解；否，則轉Step2進行迭代。

（二）改進的果蠅優(yōu)化算法

與其他優(yōu)化算法相比，果蠅算法具有可調參數(shù)少、程序容易實現(xiàn)等優(yōu)點。本文將果蠅優(yōu)化算法用于BP神經網絡的學習訓練。為了提高優(yōu)化精度和效率，提出如下的改進策略：在原有嗅覺搜索的基礎上，增加優(yōu)秀個體引導的協(xié)作搜索策略，使個體有方向地被引導。在評價每一代果蠅個體的同時，保存種群中評價最高的前30%的個體作為引導集合。對于果蠅個體Xi，選擇引導集合的種群中心Xr，根據(jù)公式1向新的食物源方向搜索，其中，ω表示[0，1]之間的隨機數(shù)。在算法中增加協(xié)作概率Q，果蠅個體在選擇新的位置之前，首先產生一個隨機數(shù)與協(xié)作概率比較，大于Q則采取嗅覺搜索，反之則采取協(xié)作搜索。

Xi=Xi+ω（Xr-Xi） （1）

（三）基于果蠅算法的BP神經網絡信用風險評估模型

1.網絡結構的設計

本文采用單隱含層的三層神經網絡結構。根據(jù)構建的評價指標體系中的24個二級指標，輸入層有24個節(jié)點。隱含層節(jié)點數(shù)需要權衡訓練速度和預測精度，節(jié)點太多則訓練速度較慢，網絡穩(wěn)定性降低；節(jié)點過少則網絡難以收斂，預測精度較低。根據(jù)隱含層節(jié)點數(shù)的經驗公式2，結合實驗測試，確定最優(yōu)隱含層節(jié)點數(shù)。

上式中，m為隱含層節(jié)點數(shù)；I為輸入層節(jié)點數(shù)；O為輸出層節(jié)點數(shù)；α為1—10之間的常數(shù)。在本文中，輸入節(jié)點是24，輸出節(jié)點是1，代表違約概率。神經元轉移函數(shù)選擇Sigmoid函數(shù)：

2.果蠅群體初始化

隨機產生NP個果蠅個體，每個個體Xi=（x1，x2，…，xt）表示一組神經網絡的連接權重，其中t表示連接權重的個數(shù)。

3.味道濃度判定函數(shù)

果蠅個體代表神經網絡的權重，味道濃度判定函數(shù)則與神經網絡輸出的誤差相關，誤差越大，味道濃度越小，反之則越大。

上式中，η是放大因子，ei表示一個樣本的誤差，N表示樣本的數(shù)量。

4.果蠅BP神經網絡的流程

采用改進的果蠅算法訓練BP神經網絡的過程如圖1所示。

三、實驗分析

（一）數(shù)據(jù)來源

“人人貸”網站是國內最早一批提供P2P融資服務的互聯(lián)網金融平臺，其網站上公開的借款人信息較為全面，為評估的可靠性提供了保證。本文從“人人貸”網站收集了500組樣本數(shù)據(jù)，其中350組作為訓練樣本用于建立信用風險評估模型，剩余150組作為檢驗樣本用于對模型的驗證。所有數(shù)據(jù)采用Z-score標準化方法對樣本數(shù)據(jù)進行歸一化處理。算法采用Python語言編程，運行在2.4GHz主頻，Intel Core i5處理器，8GB內存，Windows操作系統(tǒng)的計算機上。果蠅的種群數(shù)量是20，迭代次數(shù)是50次。

（二）參數(shù)討論

BP網絡隱含層的神經元數(shù)量，根據(jù)公式2計算可知，取值范圍在6到15之間，為了找到最優(yōu)的數(shù)值，對不同隱含層節(jié)點數(shù)的神經網絡進行測試，實驗結果如表2所示。從實驗結果看出，當節(jié)點數(shù)為10時，誤差率最小，預測結果最好，當節(jié)點數(shù)增大或者減小，誤差率都會變大。因此將隱含層節(jié)點數(shù)設置為10。

在改進果蠅算法中，新增了協(xié)作參數(shù)Q，通過對Q取值不同的測試，選擇最優(yōu)的Q值。實驗結果如表3所示，從實驗結果看出，當Q取值為0.2時，預測結果最好，誤差率最小。

（三）預測結果對比

利用訓練樣本分別對改進的果蠅BP神經網絡（IFOA-BPNN）、標準果蠅BP神經網絡（FOA-BPNN）以及原始的BPNN進行訓練學習，并用檢驗樣本進行測試，預測結果如表4所示。從結果可以看出，與FOA-BPNN和BPNN相比，IFOA-BPNN的誤差率最小，預測精度最高。

利用訓練樣本對IFOA-BPNN和FOA-BPNN分別進行訓練時，進化曲線如圖2所示。從圖中可以看出，F(xiàn)OA-BPNN和IFOA-BPNN的初始收斂速度雖然都很快，但FOA-BPNN很快陷入局部極值無法跳出。IFOA-BPNN很快便跳出，表現(xiàn)出了良好的全局搜索能力。

四、結語

本文在對已有個人信用評估指標深入分析的基礎上，根據(jù)P2P網貸自身的特點，考慮互聯(lián)網信息領域特有的風險因素，構建了P2P網貸個人信用風險評估指標體系?；贐P神經網絡技術，建立了P2P網貸個人信用評估模型。為了改進BP神經網絡的收斂速度和精度，提出了改進的果蠅優(yōu)化算法作為BP神經網絡的學習算法。通過實驗仿真，對算法參數(shù)進行了分析，并用“人人貸”網站的數(shù)據(jù)進行了驗證。實驗結果表明，改進后的IFOA-BPNN在P2P信用風險評估中，克服了BP神經網絡收斂慢、預測精度低等缺點，具有更強的學習能力和預測能力，是P2P網貸個人信用評估的有效方法。

【參考文獻】

[1] FREEDMAN S，JIN G Z. Learning by doing with asymmetric information：evidence from prosper.com[EB/OL].http：//papers.ssrn.com/sol3/papers.cfm？abstract_id=1304138.2009.

[2] LIN M F. Peer-to-peer lending： an empirical study. In： AMCIS 2009 doctoral consortium[C].San Francisco，2009：1-7.

[3] LIN M， PRABHALA N R， VISWANATHAN S.Judging borrowers by the company they keep： friendship networks and information asymmetry in online peer-to-peer lending[J].Management Science，2013，59（1）：17-35.endprint

[4] GONZALEZ L，LOUREIRO Y K. When can a photo increase credit？ The impact of lender and borrower profiles on online peer-to-peer loans[J]. Journal of Behavioral and Experimental Finance，2014（2）：44-58.

[5] BLANCO A，MEJIAS R，LARA J，et al. Credit scoring models for the microfinance industry using neural networks： evidence from Peru[J]. Expert Systems with Applications，2013，40（1）：356-364.

[6] ORESKI S. Genetic algorithm-based heuristic for feature selection in credit risk assessment[J].Expert Systems with Applications，2014，41（4）：2052-2064.

[7] CAPOTORTI A， BARBANERA E. Credit scoring analysis using a fuzzy probabilistic rough set model[J]. Computational Statistics and Data Analysis，2012，56（4）：981-994.

[8] BEKHET H A， ELETTER S F. Credit risk assessment model for Jordanian commercial banks： Neural scoring approach[J]. Review of Development Finance，2014，4（1）：20-28.

[9] PAN W T. A new fruit fly optimization algorithm： Taking the financial distress model as an example[J].Knowledge—Based Systems，2012，26（2）：69-74.endprint