王磊

摘?要：當(dāng)前互聯(lián)網(wǎng)金融行業(yè)飛快發(fā)展，各種P2P網(wǎng)絡(luò)借貸公司不斷涌現(xiàn)，這種新型的借貸模式具有很多優(yōu)點(diǎn)，但是也存在相應(yīng)的問題，如何做好借款人的個(gè)人信用評(píng)價(jià)是保證P2P網(wǎng)貸行業(yè)健康運(yùn)營(yíng)的最重要一環(huán)。通過對(duì)近些年國(guó)內(nèi)外個(gè)人信用評(píng)價(jià)模型的研究，以拍拍貸網(wǎng)站的用戶數(shù)據(jù)為例，建立信用個(gè)人信用評(píng)價(jià)指標(biāo)體系，利用BP神經(jīng)網(wǎng)絡(luò)算法，建立了借款人個(gè)人信用評(píng)價(jià)模型，為了達(dá)到更好的效果，采用不同的激活函數(shù)及權(quán)值調(diào)整方法進(jìn)行模型優(yōu)化，最終建立基于擬牛頓算法的BP神經(jīng)網(wǎng)絡(luò)模型，能達(dá)到對(duì)用戶信命評(píng)級(jí)96.28%的準(zhǔn)確率。

關(guān)鍵詞：P2P網(wǎng)絡(luò)借貸;信用風(fēng)險(xiǎn);BP神經(jīng)網(wǎng)絡(luò);指標(biāo)體系

中圖分類號(hào)：TB?文獻(xiàn)標(biāo)識(shí)碼：Adoi：10.19311/j.cnki.1672-3198.2019.03.095

1?研究背景

隨著互聯(lián)網(wǎng)科技的不斷進(jìn)步，P2P網(wǎng)絡(luò)借貸應(yīng)勢(shì)而生，這種互聯(lián)網(wǎng)創(chuàng)新模式主要是為了解決中小型企業(yè)融資難的問題，P2P網(wǎng)絡(luò)借貸為中小企業(yè)和私人資金需求者提供了高效快捷的融資渠道。在行業(yè)飛速發(fā)展的同時(shí)，問題也開始不斷顯現(xiàn)，出現(xiàn)了很多平臺(tái)倒閉、跑路、提現(xiàn)困難等問題，使得建立并完善P2P自身征信體系迫在眉睫。本文結(jié)合國(guó)內(nèi)行業(yè)實(shí)際情況，剖析P2P業(yè)務(wù)的風(fēng)險(xiǎn)特征，借助BP神經(jīng)網(wǎng)絡(luò)的方法評(píng)價(jià)借款人的信用風(fēng)險(xiǎn)，通過不同的訓(xùn)練算法使得模型的評(píng)價(jià)結(jié)果更為準(zhǔn)確合理，對(duì)平臺(tái)今后的信用評(píng)價(jià)起到了一定的參考作用。

2?數(shù)據(jù)準(zhǔn)備

本文的數(shù)據(jù)取自拍拍貸，利用Python軟件，編寫爬蟲代碼，爬取1352條信用記錄。為了保證數(shù)據(jù)質(zhì)量，首先對(duì)于指標(biāo)缺失值過半的信用記錄進(jìn)行刪除，剔除無效樣本，最終留下974條信用記錄。拍拍貸網(wǎng)站用魔鏡等級(jí)作為信用評(píng)價(jià)的標(biāo)準(zhǔn)，主要分為AA、A、B、C、D、E、F共7個(gè)等級(jí)，經(jīng)過調(diào)研發(fā)現(xiàn)，魔鏡等級(jí)主要集中在AA、B、C三者中，其他等級(jí)的信用記錄相對(duì)較少甚至為零，所以，本文將信用等級(jí)分為三大類，具體劃分方法及信用記錄條數(shù)見表1。

3?構(gòu)建指標(biāo)體系及打分表

從拍拍貸上爬取的每條信用記錄都有31各指標(biāo)，通過相關(guān)性檢驗(yàn)，有13個(gè)指標(biāo)通過檢驗(yàn)，分別為個(gè)人基本信息：年齡、性別、文化程度、借款用途、還款來源、工作信息、收入情況、網(wǎng)絡(luò)借貸平臺(tái)借款余額、認(rèn)證信息。歷史信用記錄：正常還清次數(shù)、逾期筆數(shù)。負(fù)債相關(guān)：待還金額、歷史最高負(fù)債。

科學(xué)完善的評(píng)估指標(biāo)體系起著衡量評(píng)估結(jié)果是否公正的作用，為了盡量客觀的對(duì)定性變量進(jìn)行量化打分，本文對(duì)每個(gè)指標(biāo)做出各指標(biāo)與借款人信用交叉表。以性別為例，表格樣式大致如表2。

通過建立借款人信用分類及性別交叉表格，可以清楚的發(fā)現(xiàn)女性的信用評(píng)級(jí)為良好的比重更大，而男性的信用評(píng)級(jí)則傾向于較差，所以男性賦值為0，女性賦值為1。由于本文篇幅所限，其余指標(biāo)量化打分表不做贅述，指標(biāo)量化打分表見表3。

根據(jù)信用評(píng)級(jí)打分表，將網(wǎng)站所爬取的數(shù)據(jù)進(jìn)行量化處理，然后對(duì)數(shù)據(jù)進(jìn)行缺失值處理、數(shù)據(jù)規(guī)范化處理。本文采用EM算法填補(bǔ)缺失值，采用X-min（X）/maxX-min（X）進(jìn)行數(shù)據(jù)歸一化處理，從源頭保證數(shù)據(jù)質(zhì)量。

4?模型的建立與調(diào)優(yōu)

4.1?模型簡(jiǎn)介

BP神經(jīng)網(wǎng)絡(luò)又稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，目前廣泛應(yīng)用于分類、預(yù)測(cè)等領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)可以依托不同的數(shù)學(xué)函數(shù)，而做到學(xué)習(xí)和存儲(chǔ)大規(guī)模輸入、輸出，并且不用事先設(shè)定某種特定對(duì)應(yīng)關(guān)系。完整的BP神經(jīng)網(wǎng)絡(luò)包含了輸入、隱含、輸出三層次網(wǎng)絡(luò)結(jié)構(gòu)。

用數(shù)學(xué)的方式將BP神經(jīng)網(wǎng)絡(luò)模型可以表示為：

其中Y代表輸出向量，X是輸入向量，W是輸入層和隱含層間連接權(quán)向量，B1、B2分別為隱含層和輸出層的閾值向量，V為隱含層與輸出層間連接權(quán)向量，g為傳遞函數(shù)。

4.2?模型參數(shù)選擇

就本文而言，輸入指標(biāo)有13個(gè)，所以輸入層節(jié)點(diǎn)個(gè)數(shù)為13，輸出層的指標(biāo)為信用分類，只有1個(gè)，輸出節(jié)點(diǎn)數(shù)為1。對(duì)于隱含層的個(gè)數(shù)設(shè)置是設(shè)計(jì)的重要環(huán)節(jié)，它確定會(huì)密切影響到最后輸出結(jié)果的準(zhǔn)確性，目前關(guān)于隱層節(jié)點(diǎn)的設(shè)定并沒有一個(gè)唯一的準(zhǔn)則，公認(rèn)的經(jīng)驗(yàn)公式有以下4種：

根據(jù)以往經(jīng)驗(yàn)及本文的背景，選擇第三種作為隱層節(jié)點(diǎn)數(shù)的確認(rèn)方法，隱層節(jié)點(diǎn)數(shù)的范圍為[4，13]。

4.3?模型的建立

將規(guī)范化處理后的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模，隨機(jī)抽取80%的信用記錄進(jìn)行神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，剩余20%的信用記錄對(duì)模型的結(jié)果進(jìn)行檢驗(yàn)。根據(jù)以往經(jīng)驗(yàn)，設(shè)置神經(jīng)網(wǎng)絡(luò)模型的最大迭代次數(shù)為2000次，目標(biāo)誤差值為0.0001，輸入節(jié)點(diǎn)數(shù)為13，輸出節(jié)點(diǎn)數(shù)為1，隱層節(jié)點(diǎn)數(shù)根據(jù)經(jīng)驗(yàn)公式，取值在[4，13]之間，目前不做決定，帶入不同神經(jīng)網(wǎng)絡(luò)探索后取得。BP神經(jīng)網(wǎng)絡(luò)具有不同的激活函數(shù)和優(yōu)化訓(xùn)練算法，常見的激活函數(shù)有空操作的激活函數(shù)（identity）、邏輯斯蒂函數(shù)（logistic）、雙曲正切函數(shù)（tanh）、線性整流函數(shù)（relu），常見的訓(xùn)練算法有很多，結(jié)合本文的具體問題及算法特點(diǎn)，決定采用擬牛頓算法（lbfgs）、隨機(jī)梯度下降算法（sgd）、自適應(yīng)時(shí)刻估計(jì)方法（adam）進(jìn)行訓(xùn)練，為了得到更好的預(yù)測(cè)分類效果，本文對(duì)以上四種激活函數(shù)、三種訓(xùn)練方法進(jìn)行遍歷組合。

經(jīng)過綜合考慮，最終決定采用relu激活函數(shù)，13-9-1的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，此種網(wǎng)絡(luò)結(jié)構(gòu)的模型10次平均迭代次數(shù)為226.9次，平均誤差為0.011206，判斷準(zhǔn)確率為97.50%。

其余兩種方法確定過程類似，篇幅所限，不再贅述，sgd方法下選取tanh激活函數(shù)，節(jié)點(diǎn)數(shù)為8時(shí)模型效果最優(yōu)。adam方法下選取tanh激活函數(shù)，節(jié)點(diǎn)數(shù)為11時(shí)模型效果最優(yōu)，接下來將剩余20%數(shù)據(jù)帶入三種最優(yōu)模型進(jìn)行驗(yàn)證。

我們選取20%的數(shù)據(jù)195條信用記錄，帶入三種最優(yōu)的模型，結(jié)果如表4，列舉5位。

表5列出了所有驗(yàn)證數(shù)據(jù)集的平均準(zhǔn)確率、絕對(duì)誤差及相對(duì)誤差，可以清楚顯示基于lbfsg方法建立的BP神經(jīng)網(wǎng)絡(luò)模型可以達(dá)到最優(yōu)的模型評(píng)價(jià)效果，對(duì)數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確率能達(dá)到96.28%。

5?結(jié)論

本文通過搭建P2P個(gè)人信用評(píng)級(jí)密切相關(guān)指標(biāo)體系并創(chuàng)建各指標(biāo)交叉信用表進(jìn)行更加客觀合理的打分，建立了基于lbfsg方法的BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)借款人信用評(píng)級(jí)96.28%的準(zhǔn)確預(yù)測(cè)。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型具有良好的特征抽取和知識(shí)發(fā)現(xiàn)能力，具有一定的推廣性。

參考文獻(xiàn)

[1]李昕，戴一成.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人的信用風(fēng)險(xiǎn)評(píng)估研究[J].武漢金融，2018，（2）：33-37.

[2]鄧逸，徐曉敏.基于互聯(lián)網(wǎng)行為信息的P2P個(gè)人信用評(píng)價(jià)模型[J].背景信息科技大學(xué)學(xué)報(bào)，2017，32（2）：90-94.

[3]涂艷，王翔宇.基于機(jī)器學(xué)習(xí)的P2P網(wǎng)絡(luò)借貸違約風(fēng)險(xiǎn)預(yù)警研究—來自“拍拍貸”借貸交易證據(jù)[J].統(tǒng)計(jì)與信息論壇，2018，33（6）：69-76.