论文部分内容阅读
作为互联网金融的重要组成部分,P2P网络借贷在我国得到快速的发展,网贷平台数量不断增加,但是在监管缺失的环境下,问题平台层出不穷,给整个网贷行业发展和社会稳定带来了巨大的负面影响。本文在信用风险评级理论基础上,借鉴企业和银行的信用风险评级方法,结合网贷平台的特点,选择Credit Metrics模型作为研究方法。在不同时间点分别对网贷平台做信用评级,建立信用风险转移矩阵。对网贷平台做信用风险评级时,首先分析了网贷平台的运营模式和盈利模式,结合评级机构的指标体系,选择反映网贷平台的信用风险的指标。其次分别使用非监督学习中的聚类分析方法和有监督学习中的决策树、SVM和提升算法对网贷平台的信用风险进行衡量。在未知网贷平台是否违约时,使用聚类分析方法对网贷平台做分类,根据指标选择确定各类别的信用等级,完成网贷平台的信用风险评级,并对结果进行跟踪,结果表明:研究的网贷平台样本中,出现违约的平台占7%左右,且都是评级结果较低的平台,借贷利率与评级结果呈负相关。在获得问题平台样本后,使用决策树、SVM和提升算法对网贷平台的信用风险做评级,结果显示:有监督学习算法优于聚类分析,同时该类算法可实现对网贷平台信用风险的预测,其中提升算法的准确率高。使用主成分分析对同样的网贷平台样本做评级,准确率没有聚类分析高。使用Adaboost算法对网贷平台借款人的信用风险做研究,完善网贷平台的信用风险评级。最后使用提升算法得到的信用风险评级结果,建立网贷平台的信用风险转移矩阵。加入回收率,衡量网贷平台违约后的偿还能力。信用风险转移矩阵表征网贷平台的违约概率,结合回收率,可预估网贷平台的信用风险大小。研究结果显示:利率的大小和评级结果呈反向关系,借款利率越低,网贷平台的信用等级越高,相反则越低。对网贷平台的信用风险的评级,可预估网贷平台违约的风险大小和整个行业的潜在风险,使监管部门更好的管理网贷平台,防范网贷行业风险的发生,同时可为投资者提供决策参考。