江萍萍，鄭瑞坤

(湖北工業(yè)大學(xué)理學(xué)院，湖北 武漢 430068)

世界銀行將那些被中央銀行監(jiān)管控制的金融活動定義為正規(guī)金融[1]，非正規(guī)金融則相對應(yīng)于正規(guī)金融而言，當(dāng)前學(xué)術(shù)界對其并沒有明確的說法。國外學(xué)者認(rèn)為非正規(guī)金融是除銀行信貸、股票及債券市場等金融活動之外的融資機制[2]，而國內(nèi)學(xué)者則視之為民間借貸[3-4]。我國的金融制度和體系尚未完善，非正規(guī)金融與正規(guī)金融在不同因素沖擊下表現(xiàn)出互補或替代關(guān)系[5]，兩者缺一不可。非正規(guī)金融可以有效降低農(nóng)村居民陷入貧困的可能性[6]，也提高了我國的經(jīng)濟效率，為民間金融逐步陽光化提供了保障[7]，但其發(fā)展過程中也產(chǎn)生了一系列風(fēng)險問題，甚至?xí)蓴_到金融市場秩序的穩(wěn)定和國家宏觀政策的調(diào)控[8]。近10年來，我國P2P行業(yè)高速發(fā)展的背后卻衍生出異化的模式[9]，網(wǎng)貸市場的監(jiān)管缺失與非理性羊群行為導(dǎo)致眾多金融亂象，加劇了金融脆弱性，這也凸顯了健全外部監(jiān)管體制和完善平臺內(nèi)部運營機制的緊迫性[10]。然而，P2P行業(yè)作為我國非正規(guī)金融市場的特殊組成部分，業(yè)務(wù)覆蓋到傳統(tǒng)金融觸及不到的借款人和投資人，不僅彌補了我國傳統(tǒng)金融機構(gòu)的市場空白，還幫助一部分小微企業(yè)解決了融資問題。據(jù)“網(wǎng)貸之家”網(wǎng)貸資訊平臺的研究報告顯示，P2P行業(yè)的累計成交量在2019年6月底達到8.6萬億元。與此同時，湖南、山東、重慶等地區(qū)對轄區(qū)內(nèi)的P2P網(wǎng)貸業(yè)務(wù)全部予以取締，致使投資風(fēng)險陡然加劇。本文基此，以P2P網(wǎng)貸行業(yè)為例，分析影響非正規(guī)金融在運營過程中的各種風(fēng)險因素，為其良性發(fā)展提供決策依據(jù)。

1 P2P非正規(guī)金融風(fēng)險識別模型的構(gòu)建

國外學(xué)者從P2P內(nèi)部運營特征探究風(fēng)險影響因素，認(rèn)為盈利能力高、流動性高和資產(chǎn)規(guī)模大的平臺不易發(fā)生違約風(fēng)險，而高負(fù)債和高杠桿的項目違約風(fēng)險較高[11]，國內(nèi)學(xué)者主要采用Cox比例風(fēng)險模型，以及邏輯回歸模型、支持向量機等對平臺風(fēng)險進行測評[12-14]。本文的非正規(guī)金融風(fēng)險因素的評估方法，除了識別非正規(guī)金融的風(fēng)險，還需要對重要風(fēng)險因素進行評估。國內(nèi)學(xué)者在評價地下水水質(zhì)、地表灰塵重金屬污染，以及精準(zhǔn)識別貧困等問題時[15-18]，普遍采用隨機森林模型，這一方面可以對問題實現(xiàn)分類預(yù)測功能，另一方面又可對各變量的重要性進行度量。因此，使用隨機森林模型來識別P2P網(wǎng)貸平臺是否存在問題并度量關(guān)鍵風(fēng)險因素。

1.1 P2P非正規(guī)金融風(fēng)險指標(biāo)集構(gòu)建

數(shù)據(jù)來源于“網(wǎng)貸之家”官方網(wǎng)站。該網(wǎng)站創(chuàng)辦于2011年10月，是當(dāng)前國內(nèi)較為權(quán)威的第三方網(wǎng)貸機構(gòu)。運用Python爬蟲從網(wǎng)頁爬取了2018年6—11月共6個月的月度成交數(shù)據(jù)以及平臺狀態(tài)(正常平臺與問題平臺)。每組數(shù)據(jù)包含四個維度的指標(biāo)：“成交量”維度的指標(biāo)包含成交量、平均預(yù)期收益率、平均借款期限、待還余額；“人氣”維度的指標(biāo)包含投資人數(shù)、人均投資金額、滿標(biāo)用時、前十大投資者待收金額占比；“平臺運營”維度的指標(biāo)包含注冊資本、資金凈流入、運營時間；“分散性”維度的指標(biāo)包含借款標(biāo)數(shù)、借款人數(shù)、人均借款金額以及前十大借款人待還金額占比。四個維度下共有15個特征指標(biāo)(表1)。

表1 風(fēng)險特征指標(biāo)及含義

對表1中代表風(fēng)險特征的指標(biāo)進行預(yù)處理。刪除缺失值后，得到共計370個平臺的1790組成交數(shù)據(jù)；將平臺狀態(tài)分為正常平臺和問題平臺兩類，每組數(shù)據(jù)包含15個風(fēng)險特征指標(biāo)和1個平臺類別指標(biāo)。

1.2 P2P非正規(guī)金融風(fēng)險識別方法

以P2P平臺為例，隨機森林模型的風(fēng)險識別過程(圖1)包括以下三個步驟。

1)運用Bootstrap方法在初始P2P平臺訓(xùn)練集中重復(fù)抽出n個平臺訓(xùn)練集，每個訓(xùn)練集的樣本容量與網(wǎng)貸平臺原訓(xùn)練集一致，未被抽中的樣本組成平臺測試集，稱作袋外數(shù)據(jù)OOB(Out of Bag)。這部分?jǐn)?shù)據(jù)用來檢驗?zāi)Ｐ偷念A(yù)測識別效果。

2)分別對上述n個網(wǎng)貸平臺訓(xùn)練集選擇最優(yōu)的風(fēng)險因素作為分裂屬性，得到n個決策樹模型。使用R軟件生成決策樹的過程中，有影響模型準(zhǔn)確性的重要參數(shù)，它們分別是mtry和ntree。mtry表示節(jié)點中用于二叉樹的變量個數(shù)，即風(fēng)險指標(biāo)的個數(shù)，該值是從1至15逐一嘗試，直到所對應(yīng)的模型誤判概率達到最低；ntree表示隨機森林所包含的決策樹數(shù)目，可通過圖形大致判斷模型誤差穩(wěn)定時的ntree值。

3)將k個決策樹的結(jié)果進行組合，基于樹分類器投票的多少形成最終結(jié)果，即可對平臺的風(fēng)險狀態(tài)進行識別。

圖1 隨機森林生成流程

1.3 風(fēng)險重要性度量

使用MDA值(Mean Decrease Accuracy)計算風(fēng)險指標(biāo)的重要性。MDA具體計算過程如下：

1)用網(wǎng)貸平臺的測試集去測試已構(gòu)建好的隨機森林模型，得到n棵樹的OOB誤差；

2)將平臺測試集中某個風(fēng)險變量Q的值打亂，再次計算這n棵樹的OOB誤差；

3)對上述兩次OOB誤差的差值進行平均，得到單棵樹對風(fēng)險變量Q的重要性值。

(1)

從式(1)看出，變量重要性與MDA值的變化方向相同。

2 實證分析

2.1 P2P非正規(guī)金融風(fēng)險特征

對所有風(fēng)險指標(biāo)的數(shù)據(jù)特征進行分析，各統(tǒng)計量如表2所示。從標(biāo)準(zhǔn)差來看，除平均預(yù)期收益率和平均借款期限之外的各風(fēng)險指標(biāo)均波動較大；從峰度和偏度來看，各指標(biāo)均呈現(xiàn)不同程度的尖峰厚尾和有偏的數(shù)據(jù)特征，并且僅平均預(yù)期收益率和運營時間兩個指標(biāo)呈負(fù)偏態(tài)分布；另外，各指標(biāo)的JB統(tǒng)計量和其對應(yīng)的P值顯示，所有指標(biāo)均拒絕正態(tài)分布的原假設(shè)。

表2 各指標(biāo)基本統(tǒng)計量

2.2 P2P非正規(guī)金融風(fēng)險識別

本文中運用R軟件實現(xiàn)隨機森林分類過程。首先使用sample( )函數(shù)按0.7∶0.3的比例進行有放回抽樣，將網(wǎng)貸平臺數(shù)據(jù)集分為訓(xùn)練集和測試集。對70%的訓(xùn)練樣本進行訓(xùn)練，選擇mtry(圖2)和ntree(圖3)的最佳數(shù)值以確定最終的隨機森林模型。

圖2 二叉樹變量個數(shù)及其誤判概率散點圖

圖3 決策樹數(shù)量及其對應(yīng)模型誤差變化圖

由圖2通過對比可發(fā)現(xiàn)，當(dāng)二叉樹的個數(shù)即mtry=7時，模型誤差最?。焕L制mtry=7的情況下模型誤差與決策樹數(shù)量之間的關(guān)系圖(圖3)可知，當(dāng)ntree在2600左右時，模型內(nèi)誤差保持相對穩(wěn)定狀態(tài)，因此將ntree選定為2600。兩個重要參數(shù)值由此確定下來。

為了檢驗上述構(gòu)建模型的分類預(yù)測效果，將測試集的數(shù)據(jù)代入模型中，測試集包含522組數(shù)據(jù)，其中472組正常平臺數(shù)據(jù)，50組問題平臺數(shù)據(jù)，分類結(jié)果如表3所示。正常平臺的識別率達到93.43%，問題平臺的識別率達到80%，總體識別率是92.15%。模型識別效果較好，可用于風(fēng)險重要因素識別。

表3 網(wǎng)貸平臺測試集預(yù)測分類結(jié)果

2.3 P2P非正規(guī)金融重要風(fēng)險因素識別結(jié)果

根據(jù)訓(xùn)練集得到隨機森林模型，輸出各變量指標(biāo)對應(yīng)于正常平臺和問題平臺的重要性權(quán)重如表4所示，權(quán)重值越大表明該因素越重要。

從表4可以看到，對于正常平臺，運營時間、平均預(yù)期收益率、前十大借款人待還金額占比、待還余額等風(fēng)險因素比較重要，兼顧這些因素的平臺一般擁有一定的人氣，也較為安全?？偟膩碚f，需重點關(guān)注平臺運營、成交量、運營時間三個維度的風(fēng)險因素。運營時間長的平臺風(fēng)險管理水平較為成熟；平均預(yù)期收益率在正常范圍內(nèi)波動，貸款資金較為分散使得平臺遭受違約風(fēng)險的相對較低；待還余額在可承受范圍，平臺總體安全度較高。對于問題平臺，除了重點關(guān)注運營時間、平均預(yù)期收益率以及待還余額之外，還需關(guān)注人均投資金額和滿標(biāo)用時這兩個人氣維度指標(biāo)。問題平臺可能因運營時間不長，未能積累足夠人氣，期望通過提高收益率來吸引投資者從而增加借款對象，若因運營時間過短而未能積累一定的風(fēng)險防御經(jīng)驗，易導(dǎo)致資金周轉(zhuǎn)不良等風(fēng)險問題。

表4 平臺風(fēng)險因素對應(yīng)權(quán)重

2.4 風(fēng)險重要因素識別結(jié)果的驗證

MDA值衡量的是某個風(fēng)險變量受到干擾時隨機森林模型準(zhǔn)確率下降的程度，下降幅度越大則說明這個風(fēng)險變量對模型的預(yù)測效果影響越大。測算結(jié)果見圖4。

圖4 MDA值及其對應(yīng)風(fēng)險因素的散點圖

若不區(qū)分問題平臺和正常平臺，總體考慮MDA值。從圖4可以看到，運營時間、平均預(yù)期收益率、待還余額、人均投資金額以及前十大借款人待還金額占比等風(fēng)險因素的重要性較高，而借款人數(shù)和資金凈流入的重要程度較低，這也與表4的變量權(quán)重所展示的結(jié)果總體一致，說明風(fēng)險因素識別具有可靠性。上述因素可以作為P2P網(wǎng)貸行業(yè)風(fēng)險管理關(guān)注的內(nèi)容。

3 結(jié)論

以P2P網(wǎng)貸行業(yè)為例，運用網(wǎng)絡(luò)爬蟲方法收集數(shù)據(jù)，并運用隨機森林分類方法，對非正規(guī)金融市場風(fēng)險因素進行了研究。該方法對平臺風(fēng)險有較好的識別效果，得到平臺的關(guān)鍵風(fēng)險因素主要是運營時間、平均預(yù)期收益率、待還余額、人均投資金額以及前十大借款人待還余額占比等。對我國 P2P平臺的風(fēng)險進行分析，可以有效幫助投資對象識別 P2P網(wǎng)貸問題平臺和正常平臺從而選擇優(yōu)質(zhì)的投資平臺，避免因問題平臺帶來資金受損；對風(fēng)險因素的重要程度進行評估，可以為政府部門和監(jiān)管機構(gòu)對非正規(guī)金融的風(fēng)險監(jiān)管提供一定的決策支持，并且對如何提高識別非正規(guī)金融風(fēng)險提供了思路。