裴晓伟,张馨予
(南京邮电大学经济学院,江苏南京 210023)
近年来,P2P网络借贷市场中由信息不对称所引发的借款人违约问题日益严重。自2017年起,众多平台相继因为借款人违约引发平台资金链断裂而爆雷,使P2P平台和投资者惨遭损失。2018年,随着监管措施进一步加强,问题平台全面爆发,此后P2P存量平台持续减少。至2019末,P2P网络借贷平台正常运营数量仅剩343家,网贷行业总体贷款余额同比2018年下降了37.69%[1]。总体来看,P2P网络借贷生态已经转向无担保化和严监管方向发展,相应地,对平台的风险控制和风险定价能力的要求逐渐走高。P2P网络借贷依托于互联网,已经积聚了量级巨大的借贷交易数据,因此,如何通过对这些大数据进行深度挖掘,从而识别借款人的违约风险,成为网贷平台和学者们近年来研究的重点。其中,机器学习在大数据分类问题中的优异表现为P2P网络借贷违约风险识别提供了新的思路。
本文将以“人人贷”平台的借贷数据进行实证分析,分析4种主流的机器学习算法——CART决策树、支持向量机、BP神经网络和随机森林在P2P网络借贷违约风险识别中的适用性,并对4种算法的预测效果进行比较。
国内外许多学者已经将机器学习算法运用到P2P网络借贷违约风险的识别中,并取得了实质性的成果。
国外方面,Harris[2]发现在进行违约风险识别时,集群支持向量机比传统支持向量机在分类效果上展现出更好的优势。Jing[3]对来自Lending Club的借贷数据进行SMOTE采样,并运用深度神经网络(DNN)对其进行违约风险评估,发现DDN的预测精度显著高于多层感知机(MLP)。……