安英博 程冬玲

【摘 要】 近年來，隨著互聯(lián)網(wǎng)經(jīng)濟的不斷發(fā)展，P2P借貸業(yè)務日益擴張，但同時也暴露出各種問題，特別是違約造成的壞賬問題給P2P網(wǎng)絡借貸平臺及其投資者帶來了極大負面影響，所以構(gòu)建合理的P2P借貸違約識別模型對控制平臺風險、促進其持續(xù)發(fā)展具有重要的現(xiàn)實意義。文章以隆金寶為研究對象，探究決策樹模型、支持向量機模型、神經(jīng)網(wǎng)絡模型、邏輯回歸模型、Stacking模型對P2P借貸違約風險的識別效果，并進行評估與對比，從而選出最佳P2P借貸違約風險模型，進而幫助P2P網(wǎng)絡借貸平臺有效規(guī)避違約風險，實現(xiàn)其長遠發(fā)展。

【關(guān)鍵詞】 P2P借貸; 違約風險; 數(shù)據(jù)挖掘

【中圖分類號】 F832 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2019）02-0045-05

一、引言

P2P網(wǎng)貸作為互聯(lián)網(wǎng)金融的重要組成部分，為人們的投資和融資提供了新的渠道。自2007年開始，P2P網(wǎng)絡借貸平臺在我國呈現(xiàn)出蓬勃發(fā)展的勢頭，截至2016年底，我國網(wǎng)絡信貸規(guī)模超過1萬億元。但伴隨著P2P借貸業(yè)務的快速膨脹，許多問題接踵而至，與傳統(tǒng)金融借貸相比，網(wǎng)貸平臺的壞賬率普遍較高，由于資金鏈斷裂問題導致平臺跑路的現(xiàn)象屢屢發(fā)生[ 1 ]。問題產(chǎn)生的原因歸根結(jié)底是P2P借貸業(yè)務本身存在巨大風險。因為我國的P2P借貸相關(guān)法律制度不完善，有些信用度較低的借款人可能會憑借政策監(jiān)管的漏洞，故意違反借款合同，不及時歸還資金，甚至發(fā)生惡意騙貸等行為。雖然大多數(shù)P2P平臺為了防范風險建立了規(guī)范的信用審核程序，但是受互聯(lián)網(wǎng)虛擬性特征的影響，借款人可能會向平臺提供虛假信息，平臺無法準確預測和監(jiān)督借款人的償款違約情況，從而導致違約風險大幅度提升，嚴重阻礙了平臺的持續(xù)經(jīng)營，因而如何有效識別違約風險、減少借貸業(yè)務壞賬率成為相關(guān)企業(yè)急需解決的問題。通過梳理國內(nèi)與違約風險相關(guān)的研究發(fā)現(xiàn)，我國學者的研究重點集中在對傳統(tǒng)金融領(lǐng)域的風險控制上，而與識別、防范、控制P2P借貸違約風險相關(guān)的研究則相對較少，因此本文從數(shù)據(jù)挖掘視角出發(fā)，對識別P2P借貸違約的模型進行研究具有重要的理論意義。

二、P2P借貸違約風險

（一）P2P借貸業(yè)務流程分析

由于P2P平臺借款資金的主要來源為自有資金與平臺用戶的理財投資，所以為了維持平臺正常運轉(zhuǎn)，滿足用戶理財需求，P2P平臺在確保資金及時收回的同時還應保證其收益，這就要求平臺必須盡量減少借貸違約風險的發(fā)生[ 2 ]?；诖耍琍2P平臺設(shè)置了以下業(yè)務流程：首先，借款人需要利用平臺移動端應用或網(wǎng)站完成賬號注冊、登陸及身份認證;其次，P2P平臺通過借款人自主填寫以及自動獲取等方式收集借款人資料，如央行征信報告、收入信息、身份證信息等;再次，基于以上資料運用模型規(guī)則或人工對借款人信用進行評估，以此確定是否放款與具體的放款額度;最后，由于放款之前的信息審核無法完全避免違約風險，所以為了確保資金的安全回收，平臺還會在放貸后，對借款人使用資金的情況進行持續(xù)監(jiān)控，以便及時識別潛藏的違約情況并實施相應的解決方案，敦促借款人按時償還借款[ 3 ]。

（二）借款人信用考察維度

與傳統(tǒng)金融機構(gòu)相似，為了規(guī)避借貸違約的風險，P2P平臺在作出是否放款的決定之前會從多個維度對借款人信用進行考察。隨著移動端以及大數(shù)據(jù)技術(shù)的普及，P2P平臺的信用考察依據(jù)不再局限于傳統(tǒng)的申請資料以及信貸數(shù)據(jù)，其考察維度在借款人歷史信用數(shù)據(jù)以及基本信息基礎(chǔ)上得以擴展，具體內(nèi)容如表1所示。

（三）P2P借貸違約類型、特點及影響因素

P2P借貸違約是指借款人在借款期間內(nèi)的行為與合同規(guī)定不相符的情況，其類型、特點及影響因素具體如表2所示。

三、數(shù)據(jù)集的收集和預處理

（一）數(shù)據(jù)集基本情況說明及分割

1.數(shù)據(jù)集來源

本文收集的數(shù)據(jù)集來自隆金寶向外公開的借款人數(shù)據(jù)集，其中，與借款人相關(guān)的敏感信息以及隱私信息均已通過隱藏、加密等手段進行了處理。隆金寶于2014年5月上線，隸屬于重慶市隆金寶網(wǎng)絡科技有限公司，是一家具備國有和上市公司控股雙重背景的互聯(lián)網(wǎng)金融平臺，主要從事P2P相關(guān)業(yè)務。

2.數(shù)據(jù)集構(gòu)成

數(shù)據(jù)集主要由三張表構(gòu)成：（1）借款人登錄網(wǎng)站的日志信息表，該表共包含5個字段數(shù)據(jù)，用戶一次登錄行為對應一行記錄，通過該表可以獲取用戶的登錄日志參數(shù)、次數(shù)、時間等信息。（2）借款用戶信息更新表，該表包含4個字段，通過該表可以獲取借款人修改用戶信息的詳細時間與內(nèi)容。（3）借款記錄信息表，該表涵蓋了20 000筆借款的216個維度的字段信息，其中一行記錄對應一次P2P借貸行為，表中的字段記錄可劃分8個部分，即六個月內(nèi)是否存在違約、借款成交時間、社交網(wǎng)絡字段、第三方數(shù)據(jù)字段、學籍學歷字段、網(wǎng)絡行為字段、借款人基本特征字段、借款編號。以上三張表均可憑借借款記錄的時間和ID實現(xiàn)對接。

3.數(shù)據(jù)集的分割

為了保障模型預測效果評估工作的有效實施，本文在處理數(shù)據(jù)集和建立模型之前，需要把原始數(shù)據(jù)集分割為訓練集和測試集兩部分，具體分割方法為：在保證測試集和訓練集中樣本六個月內(nèi)是否存在違約比例相等的基礎(chǔ)上，在借款記錄信息表的20 000條借款記錄中隨機抽取4 000條數(shù)據(jù)記錄作為測試集，其余部分則作為訓練集進行模型的訓練工作。

（二）數(shù)據(jù)集清洗

1.處理缺失值

由于平臺沒有收集、用戶沒有填寫等原因，原始數(shù)據(jù)記錄表中可能會存在部分缺失值，缺失值的處理方式應根據(jù)信息缺失的程度以及字段本身特征進行選擇。通過檢查上文所述三張數(shù)據(jù)表發(fā)現(xiàn)，借款人登錄網(wǎng)站的日志信息表與借款用戶信息更新表中沒有缺失值，而借款記錄信息表中有36列存在缺失值，其中有7列字段缺失情況較為嚴重。具體處理方法為：針對只有少數(shù)記錄中包含詳細數(shù)值、信息提供數(shù)量有限、缺失值比重高于5%的字段進行剔除處理;對于缺失值比例較低，且屬于有限個值類別數(shù)據(jù)的字段，選擇利用字段中的眾數(shù)對其進行填充[ 5 ]。

2.去除近零方差字段

由于不同字段對識別違約具有不同的價值，只有字段數(shù)值分布較為均衡的情況下，才能更好地對模型進行測試。核算字段是方差，是衡量字段價值的重要方式，方差越趨向于0，則說明該字段所含信息越少，目標價值最低，因此應將其予以刪除。

3.轉(zhuǎn)化字段

通過對三張數(shù)據(jù)表進行檢查發(fā)現(xiàn)以下問題：（1）部分字段的記錄出現(xiàn)了空格問題，由于在軟件分析過程中沒有空格的記錄與含有空格的記錄可能會被認為具有不同的意義，所以，本文采取逐列對字符型字段進行檢查的方式，對沒有特殊含義的空格進行剔除;（2）借款記錄信息表中的城市名稱字段類別超出了實際數(shù)量，這是因為有些城市名稱后添加了“市”，被軟件自動劃分為單獨類別，所以，本文將字段內(nèi)所有的“市”進行刪除;（3）字段中的字符存在大小寫不一致的問題，軟件將意思相同但大小寫不同的內(nèi)容劃分為不同類別，所以為了減少信息量，本文將所有字段中的字符轉(zhuǎn)化為小寫形式。通過上述一系列工作，本文可以用于模型訓練的字段共剩余206個。

四、以數(shù)據(jù)挖據(jù)技術(shù)為基礎(chǔ)的P2P借貸違約風險模型及其預測效果

（一）模型評估指標說明

1.混淆矩陣

混淆矩陣是一種模型評價工具，由測試樣本真實結(jié)果與模型預測結(jié)果交叉形成，具體形式如表3所示。其中，1代表陽性類別，0代表陰性類別，TN代表真陰性樣本數(shù)量，F(xiàn)P代表假陽性樣本數(shù)量，F(xiàn)N代表假陰性樣本數(shù)量，TP代表真陽性樣本數(shù)量。

2.準確度、查準率、召回率與F1統(tǒng)計值

本文中用于評估模型預測效果的指標均可利用混淆矩陣進行推導。其中，最基礎(chǔ)的評估指標即為準確度，代表模型預測正確的數(shù)量占樣本總數(shù)的比重，具體計算見式（1）。由于本文的研究重點在于P2P借貸違約的識別，對模型能否準確識別出違約用戶的關(guān)注度更高，所以本文引入了召回率和查準率兩個指標。召回率是指預測為陽性的樣本在總體樣本中所占的比重，查準率是指實際為陽性的樣本在預測為陽性的樣本中占據(jù)的比重。具體核算公式分別如式（2）和式（3）所示。但是因為召回率與查準率之間存在一定的矛盾，難以在模型之間進行比較，因此本文為了平衡召回率和查準率引入了F1統(tǒng)計值，具體核算公式如式（4）所示。

）

（二）單一模型下P2P借貸違約風險的預測效果

1.邏輯回歸模型與神經(jīng)網(wǎng)絡模型的預測效果

（1）邏輯回歸模型。該模型是一種確定多個自變量與二分類觀察結(jié)果之間關(guān)系的方法，主要用于解決分類問題。其形式較為簡潔、易于理解且訓練效果極高，但是在實際應用過程中其結(jié)果極易受到自變量多重共線性的影響。邏輯回歸模型的基本形式分別如式（5）和式（6）所示。其中，模型輸出值P的取值范圍為1和0之間，當p趨于0時，y歸屬于0類;反之，則歸屬于1類。

本文主要運用了R語言中的GLM函數(shù)訓練得到識別P2P借貸違約風險的邏輯回歸模型，并利用其對測試集中包含的4 000條借款記錄進行預測。在具體操作過程中，本文將閾值設(shè)定為0.5，當輸出概率位于0和0.5之間時，則判斷其為0類，即沒有違約;當輸出概率位于0.5和1之間時，則判斷其為1類，即發(fā)生違約[ 6 ]。最終通過預測結(jié)果可知：邏輯回歸模型在識別P2P借貸違約時的準確度高達0.789，預測效果較好;該模型判斷為違約的借款記錄為1 229條，但其中實際違約數(shù)量為228條，所以該模型的查準率為0.185;本文所選測試樣本中實際發(fā)生違約的記錄為445條，通過邏輯回歸模型順利識別出了224條，所以，該模型的召回率為0.503;基于此，利用式（4）可得出邏輯回歸模型對測試數(shù)據(jù)集的F1統(tǒng)計值為0.271。

（2）神經(jīng)網(wǎng)絡模型。該模型來源于對生物神經(jīng)網(wǎng)絡的模仿，是由多個簡單的處理單元（神經(jīng)元）相互連接形成的一種非線性動力系統(tǒng)。該系統(tǒng)主要依靠神經(jīng)元的相互作用實現(xiàn)信息的處理，各神經(jīng)元之間的連接都代表一個加權(quán)值，神經(jīng)網(wǎng)絡模型的運用就是不斷調(diào)節(jié)加權(quán)值，使實際輸出結(jié)果逼近期望值的過程。神經(jīng)網(wǎng)絡模型種類眾多，目前使用最為廣泛的前向型神經(jīng)網(wǎng)絡模型，所以本文選用了該類模型進行研究。該類模型下的神經(jīng)網(wǎng)絡可劃分為三個部分，即輸入層、隱藏層和輸出層，隱藏層可由多個層級構(gòu)成，上層輸出變量即為下層的輸入變量，初始輸入數(shù)據(jù)經(jīng)各層轉(zhuǎn)化形成最終輸出結(jié)果。神經(jīng)網(wǎng)絡模型的基本核算見式（7）和式（8）所示。其中，wi表示連接加權(quán)值即閾值，xi表示從上層神經(jīng)元傳遞來的輸入數(shù)據(jù)，f（x）表示激活函數(shù)。

本文在利用神經(jīng)網(wǎng)絡模型對測試數(shù)據(jù)集進行預測時，首先運用Neuralnet包在R語言中構(gòu)建單隱層神經(jīng)網(wǎng)絡，然后將輸入層和隱藏層中的神經(jīng)元數(shù)量分別設(shè)置為206個和8個，并選取sigmoid函數(shù)為激活函數(shù)，將最終預測結(jié)果設(shè)定在1和0之間，閾值同樣設(shè)置為0.5。通過最終預測結(jié)果發(fā)現(xiàn)，神經(jīng)網(wǎng)絡模型預測的準確度、召回率、查準率、F1統(tǒng)計值分別為0.779、0.105、0.258、0.149。

通過對比邏輯回歸模型與神經(jīng)網(wǎng)絡模型的預測效果發(fā)現(xiàn)，兩個模型的準確度水平基本相符，但是就召回率、查準率、F1統(tǒng)計值三個指標而言，邏輯回歸模型在識別P2P借貸違約方面的效果高于神經(jīng)網(wǎng)絡模型。

2.支持向量機模型（SVM）的預測效果

支持向量機模型是一種在VC維與結(jié)構(gòu)風險最小化兩種理論基礎(chǔ)之上，將在高維空間獲取最優(yōu)分類超平面作為重要目標，將解決二次規(guī)劃問題作為重要手段，將獲取支持向量作為結(jié)果的機器學習方法。該模型可劃分非線性和線性兩個類別。其中非線性支持向量機模型的表現(xiàn)形式如式（9）所示，線性支持向量機模型的表現(xiàn)形式如式（10）和式（11）所示。

因為在字段維度與數(shù)據(jù)量較大的情況下，支持向量機模型訓練的復雜度與時間會大幅度提高，所以為了減少模型訓練的時間成本在模型訓練之前采用了Ensemble SVM模型的方法，即通過對訓練數(shù)據(jù)集實施多次抽樣形成子訓練集，針對每一個子訓練集建立子模型然后利用子模型對測試樣本進行預測，最后以投票方式獲取最終預測結(jié)果。為了進行對比，本文還構(gòu)建了Ensemble SVM模型以及涵蓋所有訓練數(shù)據(jù)的SVM模型。出于對P2P違約識別問題性質(zhì)的考慮，又分別將Ensemble SVM模型與SVM模型劃分為線性和非線性兩類，其中非線性支持向量機模型以RBF徑向基為基礎(chǔ)。四種SVM模型預測效果的對比情況如表4所示。

根據(jù)表4四種SVM模型預測效果對比情況可知，從預測的準確度和查準率方面來說，Ensemble SVM模型的效果僅略低于SVM模型，但是差距相對較少。從預測效率方面來看，Ensemble SVM模型高于SVM模型，從召回率方面而言，Ensemble SVM模型優(yōu)于SVM模型，其中，以RBF徑向基為基礎(chǔ)的Ensemble SVM模型效果明顯高于以RBF徑向基為基礎(chǔ)的SVM模型。通過整體指標對比情況而言，以RBF徑向基為基礎(chǔ)的Ensemble SVM在識別P2P借貸違約方面效果最佳。

3.決策樹類算法的預測效果

決策樹類算法中最為常見的四種模型如下：決策樹模型、隨機森林模型、GBDT迭代決策樹模型以及XGBoost模型。其中單一決策樹模型是通過對已經(jīng)有確切結(jié)果的歷史數(shù)據(jù)進行分析獲取其特征，然后以此為依據(jù)對新數(shù)據(jù)進行預測的方法，呈現(xiàn)樹狀結(jié)構(gòu)。與其他模型相比，單一決策樹模型更易于理解且效率較高，但是極易出現(xiàn)過度擬合問題。隨機森林模型中包含多棵決策樹，各決策樹獨立存在，通過投票確定預測結(jié)果，可有效緩解單一決策樹的過度擬合問題。GBDT迭代決策樹模型同樣也是由多棵決策樹構(gòu)成，但其最終輸出結(jié)果是由各個決策樹結(jié)果相互累加形成。與上文所述模型相比，GBDT迭代決策樹模型通過迭代可以有效擬合決策樹的殘差，降低樣本損失，其訓練效率更高，具有良好的建模和測試效果。而XGBoost模型是在GBDT迭代決策樹模型基礎(chǔ)之上進一步優(yōu)化形成的，與GBDT迭代決策樹模型相比，XGBoost模型的優(yōu)勢得到進一步提升，具體表現(xiàn)在建模效果、訓練效率、大規(guī)模并行化、二次收斂等方面[ 7 ]。本文分別以上述四種決策樹算法為基礎(chǔ)訓練得到四種P2P借貸風險識別模型，并利用其對測試集中包含的4 000條借款記錄分別進行預測，最終預測效果如表5所示。

通過表5可知，單一決策樹模型的準確度和查準率僅為0.732和0.117，由此可見其效果最差;隨機森林雖然訓練效率過低，但是其準確度高達0.827，其F1統(tǒng)計值也較單一決策樹模型有所上升;GBDT迭代決策樹的準確度與隨機森林模型基本達成一致，但是其查準率、召回率、訓練效率以及F1統(tǒng)計值均高于隨機森林模型;XGBoost的準確度和F1統(tǒng)計值均高于其他三種決策樹模型，其訓練效率也處于極高水平。綜上所述，單一模型下，XGBoost模型的預測效果最佳，Ensemble SVM模型以及邏輯回歸模型的預測效果相對較好。

（三）Stacking集成學習方法下P2P借貸違約的預測效果

通過上文分析發(fā)現(xiàn)，以XGBoost模型、Ensemble SVM以及邏輯回歸模型等單一模型為基礎(chǔ)建立的P2P借貸違約模型具有較好的預測效果。但是單一模型也存在一定問題，如泛化能力低。因此本文運用Stacking集成學習方法對P2P借貸風險識別模型進行了進一步優(yōu)化。

1.Stacking集成學習方法

Stacking集成學習方法就是將多個模型的能力進行結(jié)合，博采眾長從而提高模型性能。其操作過程可分為兩個階段：第一階段，以訓練集為基礎(chǔ)訓練得出多個單一模型，這些模型的種類可以不同，也可以種類相同但是取不同的參數(shù)，然后利用交叉驗證的方法獲取有差異的預測結(jié)果。除此之外，還需將測試集輸入各個模型進行預測，訓練集和測試集的預測結(jié)果分別進行合并作為下一階段模型的輸入。第二階段，為了避免過度擬合的風險多使用邏輯回歸這一簡單模型。首先將訓練集結(jié)果與真實結(jié)果整合形成新的數(shù)據(jù)集訓練得出邏輯回歸模型，其次將上一階段測試集輸出結(jié)果輸入進行預測。在該方法下通過第一階段的交叉驗證能夠有效避免過度擬合的問題，進而促進模型泛化能力的提高[ 8 ]。

2.Stacking集成學習方法下P2P借貸違約的預測效果

經(jīng)過上文分析可知，單一模型中XGBoost模型的預測效果最好，所以本文首先以16 000條借貸記錄為基礎(chǔ)進行訓練得出20個XGBoost模型后分別對其進行五折交叉驗證獲取有差異的預測結(jié)果，并以此模型對測試集中的4 000條借貸記錄進行預測，然后對訓練集預測輸出的結(jié)果以及真實結(jié)果構(gòu)成的數(shù)據(jù)集進行訓練得到邏輯回歸模型，最后將測試集輸出結(jié)果輸入得出最終預測結(jié)果。利用混淆矩陣對其結(jié)果進行分析后與XGBoost、Ensemble SVM、邏輯回歸四類模型的預測效果進行對比，具體情況如表6所示。

通過表6四類模型的預測效果對比情況來看，Stacking模型準確度高達0.872，預測查準率以及F1統(tǒng)計值分別為0.225和0.286，三項指標均超過其他單一模型，預測召回率為0.393，也處于良好水平，這說明從整體來看，Stacking模型在識別P2P借貸風險方面的優(yōu)勢明顯高于其他模型，可以準確識別出P2P借貸業(yè)務中存在的風險。

五、研究結(jié)論

本文以隆金寶為例，基于借款用戶的社交網(wǎng)絡、第三方信息、學歷、登陸行為、基本信息等數(shù)百個字段，利用不同數(shù)據(jù)挖據(jù)技術(shù)建立P2P借貸違約風險識別模型，并對其預測效果進行對比分析得出以下結(jié)論：第一，結(jié)構(gòu)較為簡單的模型也存在一定的預測能力，例如XGBoost、Ensemble SVM、邏輯回歸三類單一數(shù)據(jù)挖據(jù)模型在識別P2P借貸違約方面具有較好的效果，在F1統(tǒng)計值、準確度等方面的表現(xiàn)均處于良好水平，相較于比較復雜的神經(jīng)網(wǎng)絡以及SVM模型而言，上述三類模型在訓練效率方面也比較高。第二，以Stacking集成學習方法為基礎(chǔ)建立的P2P借貸違約風險識別模型可以有效綜合其他模型的長處，獲取比任一單一模型更好的預測效果，因此其在F1統(tǒng)計值、準確度、模型訓練效率、查準率等各方面的表現(xiàn)均優(yōu)于其他單一模型，該模型不但能夠?qū)2P借貸業(yè)務中的違約行為進行識別，而且能在一定程度上減少對非違約客戶的誤殺。

【參考文獻】

[1] 呂喜明.大數(shù)據(jù)背景下互聯(lián)網(wǎng)金融風險評價研究：基于廣義DEA模型及P2P網(wǎng)貸視角[J].會計與經(jīng)濟研究，2017，31（4）：91-110.

[2] 阮素梅，何浩然，李敬明.P2P借貸中借款人的違約風險評估：基于“人人貸”數(shù)據(jù)的實證分析[J].經(jīng)濟問題，2017（12）：45-50.

[3] 葉青，李增泉，徐偉航.P2P網(wǎng)絡借貸平臺的風險識別研究[J].會計研究，2016（6）：38-45.

[4] 范超，王磊，解明明.新經(jīng)濟業(yè)態(tài)P2P網(wǎng)絡借貸的風險甄別研究[J].統(tǒng)計研究，2017，34（2）：33-43.

[5] 胡金焱，宋唯實.P2P借貸中投資者的理性意識與權(quán)衡行為：基于“人人貸”數(shù)據(jù)的實證分析[J].金融研究，2017（7）：86-104.

[6] 肖曼君，歐緣媛，李穎.我國P2P網(wǎng)絡借貸信用風險影響因素研究：基于排序選擇模型的實證分析[J].財經(jīng)理論與實踐，2015，36（1）：2-6.

[7] 顧慧瑩，姚錚.P2P網(wǎng)絡借貸平臺中借款人違約風險影響因素研究：以WDW為例[J].上海經(jīng)濟研究，2015（11）：37-46.

[8] 王錦虹.基于逆向選擇的互聯(lián)網(wǎng)金融P2P模式風險防范研究[J].財經(jīng)問題研究，2015（5）：61-68.

【基金項目】 2016年河北省社會科學基金項目“大數(shù)據(jù)技術(shù)下互聯(lián)網(wǎng)金融風險評價研究”（HB16YJ047）

【作者簡介】 安英博（1983— ），女，河北保定人，河北金融學院講師，研究方向：信息化、數(shù)據(jù)挖掘;程冬玲（1983— ），女，山東萊蕪人，河北金融學院助教，研究方向：移動應用、互聯(lián)網(wǎng)金融