張澤　周南　樊江偉

摘要：P2P網(wǎng)貸問題逐漸暴露在公眾視野中，沒有統(tǒng)一的方法來有效地評估借款人的信用風(fēng)險是導(dǎo)致問題出現(xiàn)的原因之一。文章提出一種基于思維進化算法優(yōu)化SKohonen神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險評估模型并進行實驗仿真，實驗結(jié)果表明該模型的分類準(zhǔn)確率較高，在數(shù)據(jù)集樣本量豐富時的評估預(yù)測能力較好，應(yīng)用于評估預(yù)測P2P網(wǎng)貸借款人信用風(fēng)險評估會有較好的效果。

關(guān)鍵詞：P2P網(wǎng)貸;SKohonen神經(jīng)網(wǎng)絡(luò);思維進化算法;借款人信用評級

一、P2P網(wǎng)貸概述

“網(wǎng)貸之家”網(wǎng)站所提供的相關(guān)數(shù)據(jù)顯示，截至2019年12月，網(wǎng)貸平臺正常運營平臺數(shù)量343家，相比2018年年底減少了732家，累計停業(yè)轉(zhuǎn)型平臺數(shù)量3343家，累計問題平臺數(shù)量2924家。據(jù)2019年中國借貸行業(yè)年報上的數(shù)據(jù)顯示，2019年全年網(wǎng)貸行業(yè)成交量達到了9649.11億元，相比2018年全年網(wǎng)貸成交量（17948.01億元）減少了46.24%，從數(shù)據(jù)可以發(fā)現(xiàn)2019年全年成交量創(chuàng)了近5年的新低。截至2019年年底，網(wǎng)貸行業(yè)總體貸款余額下降至4915.91億元，同比2018年下降了37.69%。在銀保監(jiān)會的監(jiān)督管理下， P2P網(wǎng)貸平臺進入了平穩(wěn)發(fā)展的階段，但是從數(shù)據(jù)中可以看到，平臺依然存在網(wǎng)站關(guān)閉，延期兌付，提現(xiàn)困難和經(jīng)偵介入等問題，大部分網(wǎng)貸平臺的抗風(fēng)險能力和自我修復(fù)能力著實令人擔(dān)憂。

信用風(fēng)險是金融服務(wù)中風(fēng)險管控的重要指標(biāo)，在互聯(lián)網(wǎng)金融中，獲得借款人有效的身份信息并依此正確分類其信用等級，能夠有效防范風(fēng)險的發(fā)生，同樣是推動征信管理健康穩(wěn)健可持續(xù)發(fā)展的重要環(huán)節(jié)。通過參考國內(nèi)外互聯(lián)網(wǎng)金融和網(wǎng)貸平臺風(fēng)險評價的文獻和信用評價的方法，發(fā)現(xiàn)現(xiàn)有的許多文獻對借款人信用風(fēng)險的預(yù)測評估研究較少，并且分析方法以傳統(tǒng)的量化分析模型居多，難以滿足當(dāng)前大數(shù)據(jù)時代下對網(wǎng)貸借款人信用風(fēng)險的準(zhǔn)確評估。

二、思維進化算法優(yōu)化的SKohonen神經(jīng)網(wǎng)絡(luò)模型及數(shù)據(jù)預(yù)處理

（一） Kohonen神經(jīng)網(wǎng)絡(luò)

Kohonen神經(jīng)網(wǎng)絡(luò)是從競爭神經(jīng)網(wǎng)絡(luò)發(fā)展來的，網(wǎng)絡(luò)為兩層結(jié)構(gòu)，分別為輸入層和競爭層，競爭層神經(jīng)元多以二維或多維的結(jié)構(gòu)排列，采用無監(jiān)督學(xué)習(xí)的方式訓(xùn)練。

在競爭層中，每次樣本的輸入只會產(chǎn)生一個獲勝神經(jīng)元。設(shè)輸入層有m個神經(jīng)元，核心層有n個神經(jīng)元，則權(quán)值就應(yīng)該是m×n的矩陣。若輸入向量為P=[p1，p2，…，pm]，則網(wǎng)絡(luò)的輸出為Y=Pω。競爭層的n個神經(jīng)元通過響應(yīng)必然會有一個神經(jīng)元成為獲勝神經(jīng)元Yk，該獲勝神經(jīng)員的權(quán)值修正方法為Δωik=η（Pi-ωik）Yk，由此可以看出，權(quán)值以速率η向樣本Pi靠近，由于獲勝神經(jīng)元Yk的權(quán)值趨近于輸入樣本Pi，因此在下一次迭代中Yk有更大的概率勝出，當(dāng)速率η的步長適當(dāng)時，獲勝神經(jīng)元對應(yīng)的輸入樣本的網(wǎng)絡(luò)權(quán)值會不斷靠近輸入樣本并且差距越來越小。

對Kohonen網(wǎng)絡(luò)進行改進使其具有聚類的功能，在競爭層后再額外增加一個輸出層，變成一個有監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)，即SKohonen網(wǎng)絡(luò)。增加的輸出層的神經(jīng)元個數(shù)與數(shù)據(jù)集的應(yīng)有類別數(shù)量相同。輸出層神經(jīng)元和競爭層神經(jīng)元連接權(quán)值為ωjk，SKohonen網(wǎng)絡(luò)在權(quán)值調(diào)整時，同時調(diào)整輸入層與競爭層、競爭層與輸出層的兩類權(quán)值，ωjk的權(quán)值調(diào)整方式為ωjk（n+1）=ωjk（n）+η2（Yk-ωjk（ n）），其中，ωjk為核心層和輸出層之間的權(quán)值，η2為學(xué)習(xí)率，Yk為樣本的實際所屬類別。

（二）思維進化算法

著名學(xué)者孫承意改進傳統(tǒng)進化算法的缺陷，提出了思維進化算法，這種算法的全局收斂性能較好，且網(wǎng)絡(luò)優(yōu)化速度和收斂速度有較大提升。思維進化算法的迭代過程是：在一個D維的解空間中，對若干個不同個體X賦予不同的初始得分，對所有得分進行排序，具有較高得分的N個個體作為初始中心Ci，然后在每個初始中心周圍集合若干個個體形成N個子種群，然后執(zhí)行趨同操作，即以每個子種群的中心開始搜索局部區(qū)域的更優(yōu)值替換原來的中心個體，直到發(fā)現(xiàn)最優(yōu)值后形成一個迭代成熟的子種群，然后子種群執(zhí)行異化操作，在解空間中不斷地移動去更新優(yōu)勝子種群，完成種群之間的替換、廢棄和重組過程，最后重新計算每個優(yōu)勝子種群的得分，最后比較得分，得到全局最優(yōu)解，也就是勝者，算法迭代結(jié)束。

（三）數(shù)據(jù)預(yù)處理并建立思維進化算法優(yōu)化的SKohonen神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)無法識別文本內(nèi)容，因此在訓(xùn)練仿真前對選取的8個指標(biāo)進行數(shù)值轉(zhuǎn)換，8個指標(biāo)分別為年齡、婚姻狀況、文化程度、房產(chǎn)情況、工作時間、單位性質(zhì)、收入情況和歷史信用，將每個指標(biāo)的文本信息量化成[0，1]之間的具體數(shù)值，以方便進行下一步的神經(jīng)網(wǎng)絡(luò)計算，根據(jù)違約風(fēng)險的可能性的大小對每種指標(biāo)進行量化，違約風(fēng)險小的量化的數(shù)值高，違約風(fēng)險大的量化的數(shù)值低。

本文選取使用較多的人人貸借款人數(shù)據(jù)集作為分析樣本，信用評級中AA等級為最高，HR等級為最低，信用等級越高，借款人違約的可能性越小。本文共選取選取130組借款人信息作為信用風(fēng)險評估的樣本，其中無違約借款人信息有100條，違約借款人信息有30條，樣本數(shù)量及分布如表1所示。

然后隨機選取100組數(shù)據(jù)（80條無違約和20條違約）作為訓(xùn)練數(shù)據(jù)，30組數(shù)據(jù)（20條無違約和10條違約）作為測試數(shù)據(jù)。由表1可以看出，所選取的數(shù)據(jù)集中缺失信用評級為AA和B的樣本，可能會導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型無法學(xué)習(xí)到這兩種樣本的特征，因此本文所建立的神經(jīng)網(wǎng)絡(luò)模型智能評估5種類型的借款人信用評級，其中信用評級為E和HR的樣本在無違約借款人和違約借款人中均存在，其中E類型共有8個樣本，占比6.16%，HR類型共有33個樣本，占比25.38%。

在建立的SKohonen網(wǎng)絡(luò)中，以選取的8個指標(biāo)為輸入，即輸入向量共有8維，故設(shè)置輸入層神經(jīng)元個數(shù)為8，設(shè)置距離函數(shù)為dist函數(shù)，即求歐式距離，網(wǎng)絡(luò)的拓撲結(jié)構(gòu)為8×8，即競爭層共有64個神經(jīng)元，網(wǎng)絡(luò)學(xué)習(xí)次數(shù)為10000次，最大鄰域為1.5，最小鄰域為0.3，最大學(xué)習(xí)率為0.1，最小學(xué)習(xí)率為0.01。本文選取的數(shù)據(jù)集中信用評級共有五個層級：A、C、D、E、HR，共有5種不同的輸出，因此數(shù)據(jù)集共有5中type類型，所以額外增加的輸出層神經(jīng)元個數(shù)為5。在思維進化算法中，經(jīng)過多次實驗測試，設(shè)置種群大小為200，優(yōu)勝子種群個數(shù)為5，臨時子種群個數(shù)為5，即一個子種群中個體的個數(shù)為20，網(wǎng)絡(luò)迭代次數(shù)為200。

三、仿真結(jié)果

本文仿真實驗基于MATLAB R2014b平臺，實驗仿真結(jié)果如表2所示。

由表1和表2可知，數(shù)據(jù)集中樣本A和HR的數(shù)據(jù)量充足，占比較大，所以MEA-SKohonen神經(jīng)網(wǎng)絡(luò)模型對這兩種類型的樣本學(xué)習(xí)充分，幾乎能夠掌握這兩種樣的特征并正確歸類，所以經(jīng)過測試集的仿真，樣本A的分類準(zhǔn)確率為94.12%，樣本HR在無違約借款人和違約借款人中的分類準(zhǔn)確率較高，分別為50%和100%，樣本HR的分類準(zhǔn)確率合并共計90.90%。樣本C、D和E的數(shù)據(jù)量過小，導(dǎo)致思維進化算法優(yōu)化的SKohonen神經(jīng)網(wǎng)絡(luò)模型對這兩種信用評級的樣本的特征學(xué)習(xí)不足，在測試集中樣本D和E均分類錯誤，說明神經(jīng)網(wǎng)絡(luò)模型需要充足的數(shù)據(jù)量才可以較好地學(xué)習(xí)到樣本的特征，當(dāng)數(shù)據(jù)集中樣本分布不均衡時，極有可能導(dǎo)致神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)量少的樣本學(xué)習(xí)不充分，導(dǎo)致欠擬合現(xiàn)象，因此仿真結(jié)果中對樣本D和E的分類準(zhǔn)率不高。

本文所建立的基于思維進化算法優(yōu)化SKohonen神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險評估模型，整體分類準(zhǔn)確率較高，尤其對于信用評級為A和HR的樣本，分類準(zhǔn)確率均高于90%，其余樣本分類準(zhǔn)確率低是由于數(shù)據(jù)集樣本分布不均衡導(dǎo)致，在日后充分收集數(shù)據(jù)量較少的樣本并擴充到整個數(shù)據(jù)集中，使七種不同信用評級的數(shù)據(jù)量充分且均衡，就可以明顯彌補現(xiàn)有數(shù)據(jù)集的缺陷，使神經(jīng)網(wǎng)絡(luò)模型充分學(xué)習(xí)到每種樣本的特性。

四、結(jié)論及相關(guān)建議

（一）實驗結(jié)論

總體看來，基于思維進化算法優(yōu)化SKohonen神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險評估模型的評估預(yù)測能力較強，當(dāng)數(shù)據(jù)量充足時可以很好地評估P2P網(wǎng)貸借款人信用評級，對于網(wǎng)貸平臺更為主動地評估控借款人的信用風(fēng)險狀況有一定的指導(dǎo)作用，對信用評級較低的借款人予以借款限制，可以有效降低因借款人個人原因違約欠款的可能性，保護平臺和投資人利益不受損失。

（二）相關(guān)建議

目前我國經(jīng)濟發(fā)展?fàn)顩r穩(wěn)中有進，互聯(lián)網(wǎng)金融的相關(guān)政策法規(guī)在不斷完善，P2P網(wǎng)絡(luò)借貸的發(fā)展也在逐步規(guī)范，根據(jù)現(xiàn)在的發(fā)展?fàn)顩r和存在的風(fēng)險，本文最后提出促進P2P網(wǎng)貸平臺健康發(fā)展的相關(guān)建議：

1. 完善行業(yè)征信體系

目前網(wǎng)貸平臺的借款人信用評級信息還沒有得到中國人民銀行征信系統(tǒng)的支持，所以在借款人信用風(fēng)險評估方面還存在有很多的不確定性，應(yīng)該在金融大數(shù)據(jù)的支持下，逐步建立共享機制、成熟的征信體系和規(guī)范的服務(wù)機制，快速準(zhǔn)確審核網(wǎng)貸業(yè)務(wù)并評估借款人信用風(fēng)險，建立完善的借貸信用評級體系，使網(wǎng)貸平臺健康發(fā)展。

2. 完善信息共享制度

P2P網(wǎng)貸平臺不能只公布平臺自身的信息，還應(yīng)在法律允許的范圍內(nèi)及時向投資人公布借款人的風(fēng)險評估狀況，融資項目及款項使用進度等信息，同時網(wǎng)貸平臺之間還應(yīng)該加強信息數(shù)據(jù)交流，建立一個統(tǒng)一的黑名單平臺，逐步建立網(wǎng)貸平臺內(nèi)部的信息共享制度。

3. 完善相關(guān)制度規(guī)范

政府應(yīng)當(dāng)加強巡查，監(jiān)督平臺運行的合法性，徹底杜絕龐氏騙局、平臺自融和巧設(shè)資金池等欺騙投資者的行為，對平臺的信用風(fēng)險進行評估并公示，不斷完善法律并規(guī)范平臺運營，整合各方監(jiān)管的合力，樹立網(wǎng)貸平臺的良好公眾形象，為投資人和借款人提供有益參考。

4. 加強借款人信息審核

開發(fā)優(yōu)質(zhì)的借款人信用風(fēng)險評估應(yīng)用APP，采用大數(shù)據(jù)的方式深度挖掘借款人的相關(guān)信息，盡可能從多維度進行信用評級，降低因惡意違約造成的壞賬率，同時采取線上和線下相結(jié)合的審核機制，實地走訪了解借款人信息，盡可能減少借款人提供的虛假信息對信用評級產(chǎn)生的消極影響。

參考文獻：

[1]李昕，戴一成.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用風(fēng)險評估研究[J].武漢金融，2018（02）：33-37.

[2]Kohonen T. Self-organization and associative memory：3rd edition[J].2006，8（01）：3406-3409.

[3]Sun C， Sun Y， Xie K. Mind-evolution-based machine learning： an efficient approach of evolution computation[C]// World Congress on Intelligent Control & Automation，2000.

[4]肖會敏，侯宇，崔春生.基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款人信用評估[J].運籌與管理，2018，27（09）：116-122.

（作者單位：張澤、樊江偉，中國人民銀行蘭州中心支行;周南，中國人民銀行東鄉(xiāng)縣支行，蘭州大學(xué)管理學(xué)院。張澤為通訊作者）