李周平，韓景倜，郭曉爽

(1.上海商學院信息與計算機學院，上海 201400; 2.上海財經(jīng)大學實驗中心，上海 200433;3.上海理工大學中英國際學院，上海 200031)

一、引 言

隨著中國利率市場化改革的深入和鼓勵金融創(chuàng)新政策的實施，自2013年以來，中國互聯(lián)網(wǎng)金融模式的創(chuàng)新發(fā)展掀起了大眾投資的熱潮。在眾多互聯(lián)網(wǎng)金融模式中，P2P網(wǎng)貸的用戶規(guī)模與交易量更呈現(xiàn)出爆發(fā)式增長的趨勢。P2P網(wǎng)貸作為一種資金供需雙方通過信息中介平臺進行直接融資的小額借貸模式，對民間借貸與中小企業(yè)融資的規(guī)范與發(fā)展起到了重要的促進作用。區(qū)別于傳統(tǒng)銀行借貸利率采用單一的“一口價”定價形式[1]，我國P2P網(wǎng)貸普遍采取“雙軌制”借貸利率定價模式，這是我國利率市場化改革的創(chuàng)新嘗試。目前關于金融市場利率“雙軌制”的研究多集中于基準利率與銀行間及民間借貸市場等宏觀領域，但受宏觀數(shù)據(jù)樣本周期長，統(tǒng)計口徑復雜等問題制約，對于“雙軌制”定價模式下，金融市場利率波動特征及溢出關系的研究極為缺乏。我國P2P網(wǎng)貸市場所特有的“雙軌制”定價模式及海量的借貸交易數(shù)據(jù)，為“雙軌制”利率定價問題提供了一種從微觀視角進行研究的可能。

目前國內(nèi)主流P2P平臺的網(wǎng)貸產(chǎn)品的利率定價模式主要分為兩種：一種是平臺集中定價模式，這類產(chǎn)品主要通過第三方保險公司或風險備付金的形式承擔借款人信用風險，由網(wǎng)貸平臺統(tǒng)一決定借貸利率；另一種是市場定價模式，這類產(chǎn)品由投資人自行承擔借款人信用風險，通過市場行為決定借貸利率[2]。本文將重點圍繞以下三個問題展開探討：首先，“平臺定價”與“市場定價”并存的利率定價模式下，網(wǎng)貸投資人收益率的波動表現(xiàn)出哪些特征？其次，不同的定價模式下收益率波動對網(wǎng)貸投資人風險偏好行為會產(chǎn)生何種影響？最后，P2P網(wǎng)貸市場這種“雙軌制”定價模式是否合理？

本文的貢獻主要體現(xiàn)在兩個方面：第一，將IRR內(nèi)部收益率指標引入網(wǎng)貸投資收益率的計算，該指標較之網(wǎng)貸產(chǎn)品的名義利率更能反映投資人復投以及借款人違約后的真實收益率情況；第二，通過對網(wǎng)貸市場上平臺定價收益率、市場定價收益率、投資人風險偏好這三個序列的波動率特征及溢出效應分析，揭示了“雙軌制”利率定價模式下平臺、市場、投資人三方之間的信息傳遞機制。

二、相關文獻回顧

針對P2P網(wǎng)貸利率的研究，國內(nèi)外文獻主要集中在兩個方面：一是從參與借貸的微觀個體出發(fā)，研究借款人屬性與投資人行為對具體借款標的利率的影響；二是從網(wǎng)貸行業(yè)宏觀視角出發(fā)，研究影響行業(yè)利率的宏觀因素及利率的波動特征。

2015年之前研究者大多聚焦于對具體標的利率影響的微觀因素研究。這類研究一方面是從貸款人視角，采用OLS回歸方法，探討借款人個體特征如受教育程度、性別、借款描述、種族、社會資本等因素對借款利率的影響[3][4][5][6][7][8][9]。另一方面從投資人視角，分析投資人的競價模式及行為特征對借款利率的影響。其中，Berkovich(2011)利用Prosper平臺數(shù)據(jù)驗證了網(wǎng)貸投資人羊群行為的存在性，并分析了羊群行為對滿標效率和借款利率的影響作用[10]。Puro等(2011)發(fā)現(xiàn)投資人通過觀察前期投標情況，實施后期投標策略的定價效率更高[11]。但是這些研究受微觀個體數(shù)據(jù)的局限性與截面數(shù)據(jù)的靜態(tài)特征的制約，實證結論并不一致。

2015年后，隨著國內(nèi)P2P網(wǎng)貸的發(fā)展日趨成熟，一些第三方網(wǎng)站開始公布網(wǎng)貸行業(yè)數(shù)據(jù)，研究者開始了對網(wǎng)貸市場綜合利率的研究。這類研究根據(jù)網(wǎng)貸市場綜合利率的日序列數(shù)據(jù)，采用序列分析方法，從宏觀視角分析了網(wǎng)貸市場綜合利率的高峰厚尾、波動集聚、長記憶性等特征，并對波動的杠桿效應及其與傳統(tǒng)金融市場的波動溢出效應進行了實證分析[12][13][14][15]。但是，這些研究無一例外地將平臺定價利率與市場定價利率統(tǒng)一視為綜合利率，這導致一旦數(shù)據(jù)來源的采樣標準不同，其利率特征的研究結論也將存在較大差異。例如，陳霄和葉德珠(2016)采集“網(wǎng)貸之家”網(wǎng)站發(fā)布的P2P網(wǎng)貸行業(yè)綜合利率數(shù)據(jù)，通過TGARCH模型分析發(fā)現(xiàn)利率波動具有“杠桿效應”，利率下跌比同等程度的上漲對網(wǎng)貸市場的利率波動影響更大[13]。而何啟志和彭明生(2016)采集“第一網(wǎng)貸”網(wǎng)站發(fā)布的數(shù)據(jù)，分析發(fā)現(xiàn)利率波動并不具有“杠桿效應”[14]。另一方面，探討傳統(tǒng)金融市場和貨幣政策對P2P網(wǎng)貸市場利率影響的研究結論，也出現(xiàn)了不一致的情況。錢金保(2015)通過研究央行貨幣政策的調(diào)整對網(wǎng)貸行業(yè)綜合利率的沖擊作用，發(fā)現(xiàn)我國P2P網(wǎng)貸市場利率對宏觀貨幣政策并不敏感[16]。周耿和范從來(2016)的研究卻發(fā)現(xiàn)，央行降息降準貨幣政策的實施對我國P2P市場的綜合利率的波動產(chǎn)生了顯著影響[17]。

綜上所述，微觀層面的網(wǎng)貸利率研究受個體截面數(shù)據(jù)的靜態(tài)特征限制，而宏觀層面的研究所選取的數(shù)據(jù)的統(tǒng)計口徑又難以統(tǒng)一。因此，有關這兩個層面的網(wǎng)貸利率研究的實證結論出現(xiàn)了矛盾之處。本文采用國內(nèi)首家P2P網(wǎng)貸平臺拍拍貸的公開數(shù)據(jù)，基于其特有的“雙軌制”利率定價模式，將綜合利率分解為平臺集中定價模式下的實際收益率、市場定價模式下的實際收益率、預期收益率，分別建立這三個收益率的面板數(shù)據(jù)序列，采用GARCH類模型對比分析這三種收益率序列的波動特征，并利用多元BEKK-GARCH模型分析不同收益率間的溢出效應。

三、數(shù)據(jù)選取與變量設計

(一)數(shù)據(jù)選取

拍拍貸網(wǎng)站成立于2007年，作為國內(nèi)首家P2P網(wǎng)貸平臺，積累了大量的借款標的數(shù)據(jù)，同時網(wǎng)站公布了2015年前逾期超過3個月的違約黑名單數(shù)據(jù)。鑒于2013年起拍拍貸進入快速發(fā)展期，其發(fā)布的借款標的的還款周期均在24個月以內(nèi)，計算標的的實際收益率需要在已經(jīng)走完還款周期的借款標的中采集違約數(shù)據(jù)，因此，本文采集拍拍貸網(wǎng)站2013年1月1日至2014年8月31日期間所發(fā)布的所有成功借款標的與違約黑名單數(shù)據(jù)作為研究分析的樣本。研究樣本中，拍拍貸借款標的分為兩類，一類是由平臺設立的風險備付金對違約借款的本金與利息進行賠付，并由平臺決定借款利率的賠付標S，另一類是由投資人自行承擔違約風險，由市場定價的信用標C。樣本期間，平臺定價標的賠付標共計102,166個，市場定價的信用標共計61,654個。對于投資者而言，平臺定價標的不存在違約。市場定價的信用標中，將逾期超3個月的借款認定為違約標的，這類違約標的共計4,663個。

(二)變量設計

目前國內(nèi)主流P2P網(wǎng)貸平臺在發(fā)布借款標的時，所公布的名義利率R為不考慮借款人違約，并且投資人對所收到的各期的還款不進行復投情況下的資金年折現(xiàn)率。但是，國內(nèi)P2P平臺所發(fā)布的借款標的，大多采用按月等額本息的還款方式，投資人按月收到本息后會選擇新的借款標的復投，同時借款人在還款過程中可能出現(xiàn)不同程度的違約情況。因此，名義利率指標R并不能真實反映投資人投資某借款標的預期與實際收益率情況。綜上，本文引入內(nèi)部收益率(IRR)指標，該指標是指項目投資可望達到的收益率，是使項目的凈現(xiàn)值等于零時的折現(xiàn)率。當項目投資后的凈現(xiàn)金流量表現(xiàn)為普通年金形式時，可以直接利用年金現(xiàn)值系數(shù)計算內(nèi)部收益率[18]。由于網(wǎng)貸投資產(chǎn)品基本采用等額本息還款方式，當借款人發(fā)生違約時，后續(xù)還款期的年金額為0，此時使用年金現(xiàn)值系數(shù)能夠從動態(tài)視角反映考慮信用標違約、投資人復投等因素后的實際年化收益率。例如一筆借款標的的現(xiàn)金流為(n,Cn)，即第n期的還款金額為Cn，還款總期數(shù)為N，則該筆投資的凈現(xiàn)值計算如式(1)，其中，C0(≤0)為借款金額，當NPV=0時，r為該筆投資的內(nèi)部收益率。

(1)

采用內(nèi)部收益率(IRR)指標的計算方法，本文建立了樣本期間市場定價下實際收益率RCt、預期收益率REt、平臺定價下實際收益率RSt三個日收益率序列指標。

RCt為第t日成功借款的信用標在完成還款周期后，考慮違約情況下的加權內(nèi)部收益率，該指標反映第t日發(fā)布的市場定價標的實際收益率情況，計算公式如式(2)。其中，IRRti與Mti分別為第t日所發(fā)布的成功借款信用標i的內(nèi)部收益率與借款額，Ct為第t日成功借款的信用標集合。

(2)

REt為第t日成功借款的信用標，不考慮違約情況下的加權內(nèi)部收益率，該指標反映投資人對第t日發(fā)布的信用標的的風險偏好情況，計算公式如式(3)。其中，EIRRti為第t日所發(fā)布的成功借款信用標i的最優(yōu)內(nèi)部收益率，即不考慮違約情況下，投資該借款標的可能獲得的最大收益率。

(3)

RSt為第t日成功借款的賠付標的加權內(nèi)部收益率，由于對投資人而言賠付標不存在違約，因此IRRti=EIRRti，該指標反映了第t日發(fā)布的平臺定價標的的實際收益率情況，計算公式如式(4)。其中，St為第t日成功借款的賠付標集合。

(4)

四、 模型構建

(5)

(6)

(7)

為了進一步分析3個收益率序列之間的波動溢出效應，本文引入Engle和Kroner(1995)提出的三元BEKK-GARCH模型，其均值方程如式(8)[21]。式中RXt=(RSt,RCt,REt)′，為三個收益率序列向量，θnk、εnt為三個均值方程對應的估計參數(shù)及殘差，k為滯后項系數(shù)。該方程表明某序列第t期的值，不僅取決于其自身滯后期值的影響，同時還受到其他序列前期值的影響。(9)式為協(xié)方差方程，式中Ht為三維的方差——協(xié)方差矩陣，且(ε1t,ε2t,ε3t)～N(0,Ht)，A為三維ARCH項系數(shù)矩陣，B為三維GARCH項系數(shù)矩陣，W為三維下三角矩陣，并通過極大似然法估計三元BEKK-GARCH(1,1)模型參數(shù)。

(8)

Ht=WW′+AEt-1A′+BHt-1B′

(9)

五、 實證分析

(一)單位根與ARCH效應檢驗

由于平穩(wěn)序列才適合GARCH類模型建模，本文首先對RCt、REt、RSt序列的平穩(wěn)性進行ADF檢驗，發(fā)現(xiàn)三個序列均不平穩(wěn)。因此，對三個序列指標分別進行一階差分，差分后的指標均通過平穩(wěn)性檢驗。由于一階差分后的收益率序列減少了原序列中趨勢和長期變化的影響，解釋收益率的短期波動更為清晰直觀，因此，本文將對一階差分后得到的收益率增量序列ΔRCt、ΔREt、ΔRSt建立GARCH類模型，以此分析三種類型的網(wǎng)貸收益率的波動特征及溢出效應[22]。圖1、2、3分別為三個收益率增量序列的時序圖。從圖中可以發(fā)現(xiàn)，三個收益率增量序列均存在明顯的波動聚集性現(xiàn)象，進一步進行自相關檢驗，證明都存在自相關性，且偏自相關系數(shù)均在滯后6階后截尾。因此，對三個收益率增量序列分別建立AR(6)-ARCH(1)模型，并對殘差進行ARCH-LM檢驗，檢驗結果說明ΔRSt、ΔRCt、ΔREt均具有ARCH效應，條件異方差性明顯，需進一步建立GARCH模型刻畫三個序列的條件異方差特性。

圖1 市場定價收益率ΔRCt時序圖

圖2 投資人預期收益率ΔREt時序圖

圖3 平臺定價收益率ΔRSt時序圖

(二)基于GARCH模型的波動性檢驗

根據(jù)式(5)、(6)對ΔRCt、ΔREt、ΔRSt建立AR(6)-GARCH(1,1)模型，系數(shù)估計結果如表1所示。

表1 收益率GARCH模型估計結果

注：*** 、** 、*分別表示1%、5%、10%的顯著性水平。下同。

從表1可以發(fā)現(xiàn)：三個個序列的ARCH項系數(shù)α與GARCH項系數(shù)β均在1%的置信水平下通過了顯著性檢驗，說明三種類型的收益率增量波動均具有“波動性集聚”特征。這也反映了雖然P2P網(wǎng)貸的市場化程度較高，但仍不是一個有效市場，不論是在平臺定價還是在市場定價模式下，信息對于收益率增量波動的影響并不能完全通過市場自身有效的反饋機制進行調(diào)節(jié)。

估計參數(shù)中，ARCH系數(shù)與GARCH項系數(shù)之和(α+β)的值刻畫了波動沖擊的持續(xù)性程度，其值越靠近1，則持續(xù)性越強。ΔREt與ΔRSt序列的α系數(shù)與β系數(shù)之和非常接近1，說明平臺定價收益率與投資人風險偏好對波動沖擊影響的持續(xù)性很強。ΔRCt序列α、β兩項系數(shù)之和為0.78，說明市場定價網(wǎng)貸產(chǎn)品的收益率對于波動沖擊雖然也具有一定的持續(xù)性，但該持續(xù)性明顯弱于前者。

具體來看，三個收益率增量序列中ΔREt的α值最小僅為0.06,而β最大為0.9，說明外部沖擊對于投資人風險偏好的當期波動影響很小，但影響的記憶性卻最強，這反映了網(wǎng)貸市場投資人的風險偏好很難受到外部沖擊的影響，但一旦受到?jīng)_擊卻具有很強的記憶性。三個序列中ΔRCt的α值最大，而β最小，說明外部沖擊對于當期市場定價收益率的影響最大，但影響的衰減也最快，這反映了市場定價下，違約事件對當期收益率影響程度很大，但對后期市場的收益率的影響會迅速衰減。

(三)波動非對稱性檢驗

進一步檢驗三個收益率增量序列波動的非對稱性，根據(jù)式(5)、(7)對ΔRSt、ΔRCt、ΔREt建立AR(6)-EGARCH(1,1)模型，系數(shù)估計結果如表2所示?？梢园l(fā)現(xiàn)：ΔRSt與ΔREt的杠桿系數(shù)γ的估計值并不顯著，說明平臺定價收益率增量與投資人預期收益率增量序列的波動并不存在非對稱效應，這與彭承亮、何啟志(2016)[12]的結論一致。市場定價收益率增量ΔRCt的杠桿系數(shù)γ的估計值在5%水平下顯著不為0，且γ=0.11，說明當負向沖擊(εt<0)發(fā)生時，其對條件方程的影響程度為α-γ=0.43，而當正向沖擊(εt>0)發(fā)生時，其對條件方程的影響程度為α+γ=0.65,正向沖擊對波動的影響程度為負向沖擊影響程度的1.5倍。這說明市場定價模式下收益率增量序列存在非對稱效應，且相同幅度的收益率上漲比下跌對后期的收益率波動具有更大的影響，這與傳統(tǒng)金融序列“放大利空，縮小利好”的杠桿效應正好相反。

表2 收益率EGARCH模型估計結果

本文認為，出現(xiàn)這種“反杠桿效應”現(xiàn)象的原因在于，與流動性充沛的傳統(tǒng)金融市場不同，P2P網(wǎng)貸發(fā)展之初，資金供給端的市場地位明顯高于資金需求端。市場定價模式下，當投資人發(fā)現(xiàn)近期借款標的質量較高時，傾向于增加資金投入，提升風險偏好，從而加大了后期波動程度；而當投資人發(fā)現(xiàn)近期借款標的質量較低時，更傾向于減少投入，降低風險偏好，從而降低了后期的波動。

(四)波動溢出效應檢驗

為了檢驗三種收益率增量序列之間的均值溢出與波動溢出效應。本文根據(jù)式(8)、(9)，建立AR(1)-BEKK-GARCH(1,1)模型，計算過程采用Winrats軟件。表3列出了均值方程的參數(shù)估計結果，表4列出了ARCH系數(shù)矩陣A與GARCH系數(shù)矩陣B的非對角元素的估計結果。

基于模型的均值方程的估計結果來檢驗三個收益率增量序列間的均值溢出效應。表3顯示，ΔRSt在均值方程中，滯后一期的ΔRSt-1、ΔREt-1、ΔRCt-1分別在1%、10%、10%的水平下顯著；在ΔREt均值方程中，滯后一期的ΔREt-1在1%水平下顯著，而ΔRSt-1、ΔRCt-1并不顯著；在ΔRCt均值方程中，滯后一期的ΔRSt-1、ΔREt-1、ΔRCt-1分別在5%、1%、1%的水平下顯著。這說明在95%置信水平上，只有ΔRSt與ΔREt對ΔRCt存在單向的均值溢出正向效應。

表3 AR(1)-BEKK-GARCH(1,1)模型均值方程參數(shù)估計結果

矩陣A，B主對角線上元素aii、bii，分別代表收益率增量序列i波動的ARCH效應與GARCH效應，這一點已通過GARCH模型討論，故本節(jié)省略對對角元素的分析。矩陣A，B的非主對角上元素aij、bij分別代表收益率增量序列j對序列i的ARCH型與GARCH型波動溢出效應。如aij=bij=0，則反映收益率增量序列i的當期條件方差，不受序列j前期殘差與條件方差影響，故序列j對序列i不存在波動溢出效應；反之a(chǎn)ij≠bij≠0，則反映序列j對序列i存在波動溢出效應。為了研究序列j對序列i的波動溢出效應，需分別建立系數(shù)aij、bij的Wald檢驗，原假設為aij=bij=0，其中i≠j。

基于以上討論，為了驗證三個收益率增量系列間的波動溢出效應，本文設定如下原假設，Wald檢驗結果如表5所示。

原假設1：ΔRSt對ΔREt不存在波動溢出效應(a12=b12=0)。

原假設2：ΔRSt對ΔRCt不存在波動溢出效應(a13=b13=0)。

原假設3：ΔREt對ΔRSt不存在波動溢出效應(a21=b21=0)。

原假設4：ΔREt對ΔRCt不存在波動溢出效應(a23=b23=0)。

原假設5：ΔRCt對ΔRSt不存在波動溢出效應(a31=b31=0)。

原假設6：ΔRCt對ΔREt不存在波動溢出效應(a32=b32=0)。

表4 AR(1)-BEKK-GARCH(1,1)模型非對角參數(shù)估計結果

表5 波動溢出效應Wald檢驗結果

表5顯示，在95%置信水平上拒絕a13=b13=0與a31=b31=0這兩個原假設，說明兩種定價模式下的收益率增量存在著顯著的雙向波動溢出效應。這反映了平臺內(nèi)兩種定價模式的市場聯(lián)系非常緊密，通過調(diào)節(jié)平臺定價標的利率，能夠有效傳導至市場定價行為，從而影響市場定價標的的收益率變化水平。同時，平臺也能有效預測標的違約情況，及時對市場定價下的收益率增量的波動做出反應。進一步觀察表4的波動系數(shù)發(fā)現(xiàn),a13、b13的絕對值遠大于a31、b31的絕對值，這反映了平臺定價行為對市場收益率增量波動信息的敏感程度遠高于市場行為對平臺定價波動信息的敏感程度。

進一步分析投資人風險偏好與收益率增量波動之間的相互關系。表5顯示，在95%置信水平上，接受a12=b12=0，a21=b21=0，a23=b23=0，a32=b32=0這四個原假設。這說明受信息不對稱等因素的影響，投資人并不能及時有效地識別市場定價的收益率增量的波動信息，同時投資人的過度自信特征，也導致其對平臺定價的收益波動信息視而不見。

六、主要結論與政策建議

本文利用拍拍貸網(wǎng)站的P2P借貸數(shù)據(jù)，分析了兩種定價模式下的收益率增量序列以及反映投資人風險偏好的預期收益率增量序列的波動特征，并進一步研究了三者之間的波動溢出效應。實證結果表明：第一，“雙軌制”定價模式下，P2P網(wǎng)貸收益率增量波動存在明顯的ARCH效應，但波動特征有所不同。市場定價收益率增量受波動沖擊的影響表現(xiàn)出“來的快，去的也快”的波動性特征，并且表現(xiàn)出與傳統(tǒng)金融市場截然相反的“放大利好，縮小利空”的反杠桿特性。而平臺定價收益率增量波動相對平穩(wěn)，受當期沖擊的影響明顯減弱，波動記憶性則有所增強，無明顯的杠桿特性。第二，從均值溢出效應看，平臺定價與投資人預期收益率增量序列對市場定價收益率增量序列具有正向的均值溢出效應。這反映了平臺定價與投資人的風險偏好能夠有效指導市場定價產(chǎn)品的收益率的變化。第三，從波動溢出效應看，平臺定價與市場定價這兩個收益率增量序列的波動存在明顯的雙向波動溢出效應。這反映了網(wǎng)貸平臺的集中定價行為，能夠有效識別市場的波動信息，同時平臺定價信息能夠進一步反饋到市場定價的波動。第四，由于投資者信息發(fā)現(xiàn)與處理的能力相對匱乏，不能及時有效地識別市場定價的波動信息，同時投資人的過度自信行為也導致其對平臺定價的波動信息視而不見。

基于以上研究結論，本文形成如下政策建議：首先，兩種定價模式下收益率增量之間具有顯著的波動溢出效應，同時平臺定價產(chǎn)品能夠有效影響市場定價產(chǎn)品收益率增量的均值變化，說明借助海量數(shù)據(jù)優(yōu)勢與良好的風控手段，網(wǎng)貸平臺集中定價行為能夠及時識別市場波動風險，并有效指導市場定價。這可作為P2P網(wǎng)貸市場雙軌制定價模式合理性的政策依據(jù)。其次，受流動性缺乏與供需雙方地位不平等因素作用，市場定價收益率表現(xiàn)出與成熟金融市場不同的“反杠桿效應”。這說明目前P2P網(wǎng)貸市場并不成熟，監(jiān)管機構應合理引導并建立網(wǎng)貸債券交易機制，激活流動性，改善資金供需雙方的不平等地位。另外，投資人風險偏好對兩種定價模式下的收益率波動的不敏感，說明網(wǎng)貸市場投資者風險意識不強，信息發(fā)現(xiàn)與處理能力匱乏。相關機構應加強投資者教育，平臺應進一步公開歷史交易數(shù)據(jù)，強化平臺定價對投資者風險偏好的指導作用。