P2P网贷平台的风险与行业出路

P2P网络借贷是一种借助互联网技术形成的新型金融服务模式,为中小微企业的融资难问题提供了有效的解决途径。本文在前人探索的基础上,分析了P2P网络借贷平台存在的风险,探讨网贷行业的出路,确定行业发展的方向,引导行业健康发展。     

基于时空聚集的网贷反欺诈建模与研究

识别突发的团伙欺诈已经成为网贷业务中亟待解决的问题。在特征维度较少的情况下,提出了一种基于时空聚集的网贷反欺诈模型。首先基于用户定位信息和申请贷款的时间,设计了一个适用于网贷场景下的聚集指标:K-N最近邻指数;然后,将不同时间观察窗口的K-N最近邻指数利用基于LSTM(长短期记忆网络)的seq2seq(序列到序列)模型提取embedding(嵌入)特征;最后,利用Light GBM模型预测欺诈发生的概率。实验结果表明,所提出的指标能更有效地捕捉坏账,且相比于仅使用基础特征,预测结果的KS值和AUC都有了较好的提升。     

P2P模式下的影子银行

借和贷,是银行业赖以生存的支柱性业务,但随着互联网技术的发展,个人对个人借贷平台的兴起,企业和消费者过去跟银行等金融机构借款的形式正在被改变——通过网络技术平台,以金融脱媒的形式,让借贷双方直接进行交易。该模式,     

小微贷嫁接P2P民间网络融资平台

小小贷公司试水小微贷款,这种国外大受欢迎的互联网P2P信贷模式如今在国内也有了很多探索与发展,更受到了许多用户的欢迎。随着互联网的发展,社会的进步,P2P网络借贷的正规性与合法性会逐步加强,在有效的监管下发挥网络技术优势,这种网络借贷新型金融业务有望获得爆发式增长。目前国内已有20C10余家P2P网络借贷公司。有资料显示,2007年至201 1年上半年,网络融资整体规模由2000万元升至60亿元。民间借贷有其存在的合理性,互联网可以让民间借贷规范化、透明化。     

商业银行信用风险评估实证分析及方法比较

数据挖掘技术为商业银行信用风险管理问题提供了新的思路和方法。本文运用三种常用的数据挖掘方法——多元判别分析、聚类分析及贝叶斯网络模型,以商业银行的客户信用风险评级指标数据为样本,对信用风险评估方法进行实证分析,对三种方法的验证结果进行比较。结论表明,在信用风险各项属性指标之间条件相互依赖的情况下,贝叶斯网络模型优于其它两种方法。     

基于粗糙集和Petri网的油层含油识别研究

油藏受天然气的侵入,就会产生油气分异的现象:天然气会萃取出油藏中的轻组分,造成凝析油藏或轻质油藏;此外,油藏中的重组分脱出,形成沉淀,直接导致储层的渗透率降低,从而影响油气的分布规律。针对油藏中油气分布规律复杂的问题,在传统油层含油判别分析的基础上,提出了一种基于粗糙集和Petri网的油藏建模方法。应用粗糙集的知识约简对油层含油识别相关的岩层厚度、泥质含量等6个指标进行属性选择,提取最简规则,建立Petri网模型,根据Petri网的并行推理达到简洁高效的含油识别。仿真实验结果表明,采用粗糙集与Petri网判断的油气分布规律与现场数据高度接近,精度高,识别速度快,正确率高。可见将粗糙集与Petri网组合用于油层油气识别是有效的。     

基于规则引擎的金融风控系统

金融科技企业推出了以小额现金贷为主导产品的一种新型金融模式：P2P网络借贷模式。现金贷产品自推出以来，在很短的时间内就积累了大量的客户。如何制定快速有效的金融风控策略，提高客户信息数据处理效率，及时预测防范业务中信用及欺诈风险，成为金融企业亟待解决的问题。对此，本文提出基于规则引擎的金融风控模型，实现风控规则策略和程序硬编码的解耦，在此基础上进行特征因子以及特征模型的设计，对于实现金融科技企业信贷体系中的自动化审批将起到很大的推动作用。     

基于改进KNN算法的网络数据流异常识别方法

传统识别方法未对异常数据流进行分类，导致识别正确率不高，提出基于改进K最邻近（K-Nearest Neighbor,KNN）算法的网络数据流异常识别方法。通过预处理异常数据流，提取异常数据流的特征，并以此作为基础，利用KNN算法统计异常数据流的类别，并分类所出现的异常数据。之后，通过计算不同网络环境下识别异常数据的时长，完成网络异常数据流的识别。在仿真实验中，与以往的网络数据流异常识别方法相比，提出的基于改进KNN算法的网络数据流异常识别方法具有更好的识别效果，识别正确率更高。     

基于投影寻踪动态聚类模型的p2p网贷风险评价体系构建及实例分析

由于市场监管等一系列政策的不完善,导致如今p2p网贷在给用户带来便利的同时也存在巨大的风险。为防范该风险,本文根据平台风险指数1个一级指标、平台成交量等4个二级指标和平均预期收益率等14个三级指标构成的评价指标体系和采集到的样本数据应用投影寻踪动态聚类(PPDC)对100家网贷平台进行实证评估研究,建模结果表明:PPDC模型与投影寻踪聚类(PPC)模型的结果基本一致,排名与网贷之家排名结果的一致性好,且不受人为主观因素的影响,又能求得平台风险和评价指标权重的大小及其排序,在p2p网贷风险评价中能够取得良好的效果,是分析p2p风险指标的一种新方法。     

一种定量评估网络高危资产的方法

暴露在互联网上的资产一旦被黑客攻击，会造成严重后果。本文给出了网络高危资产的定义，阐述了识别网络高危资产的必要性和意义。在此基础上，根据国家标《信息安全风险评估规范》提出了一种通过网络资产探测获取的数据定量评估网络高危资产的方法，并给出了评估模型和指标设计方案。     

考虑社会网络关系的P2P借贷项目违约风险预测

针对P2P（Peer to Peer）借贷项目违约风险预测中财务信息不完全或质量较低、预测准确率不高等问题,提出了一种考虑平台社会网络关系的P2P借贷项目违约风险预测的方法。通过对P2P借贷平台社会网络相关信息进行分析,从社会资本的结构维度、关系维度和认知维度发掘其中具有风险预测价值的关键特征,即社会网络风险特征,并将这些特征作为预测指标用于违约风险预测,依据多种非线性预测方法分别构建基于传统财务指标预测模型和引入社会网络风险特征后的混合指标预测模型,并对模型的预测结果进行了对比分析。实验结果表明,P2P借贷社会网络关系中蕴含着与借贷项目违约风险显著相关的特征,通过对这些特征进行有效挖掘并将其合理引入P2P借贷项目违约风险预测模型,有助于提高借贷项目违约风险预测效果,为投资者的投资风险规避及P2P借贷市场风险管理提供支持。     

基于多层网络的银行间市场信用拆借智能风险传染机制

基于多层网络结构对银行间市场进行分析研究，有利于规避或减弱对金融市场的风险冲击。基于信用拆借业务场景模拟的测试数据，结合银行间市场多层网络结构和复杂网络分析方法，从不同角度对银行间市场中重要节点进行判断识别，同时计算层间的Jaccard相似系数数和机构间皮尔逊相似性系数，从宏观和微观角度来衡量银行间市场的风险传染性。实验结果表明，中国银行、国家开发银行等大型国有金融机构系统重要性较高，且机构间的相似度越大，风险传染性就越大。因此，通过计算网络层内的重要性节点衡量指标，全面完整地对整个系统的风险传染情况进行分析，可协助监管部门实现对系统重要性机构的精准监测。同时，从层间分析与层内分析两个角度出发，全面衡量受到金融冲击后的机构间风险传染程度，可为监管机构提供政策上的建议。     

支持向量机在煤炭营销风险评估中的应用研究

介绍了支持向量机统计学习方法;结合煤炭营销管理的特点,提出了支持向量机在煤炭营销风险管理方面的应用方法。实验表明,采用支持向量机统计学习方法能够评估购煤客户的信用风险,帮助煤炭企业挑选优质客户,为煤炭企业积极防范和规避营销风险提供决策依据。     

Expert system design for credit risk evaluation using neuro‐fuzzy logic

Over the past few years, the credit risk evaluation of micro‐, small‐ and medium‐scale enterprises by banks and financial institutions has been an active area of research under the joint pressure of regulators and shareholders. The credit rating assessment forms an important part of credit risk assessment, involving risk parameters such as financial, business, industry and management areas. The mathematical models of evaluation are at the core of modern credit risk management systems. This paper focuses on the use of fuzzy logic and neural network techniques to design a methodology for evaluating the credit worthiness of the entrepreneur. The neuro‐fuzzy logic approach takes into account the minute details of credit rating expert's thought process to arrive at the final decision. A flexible credit rating framework (CRF) has been designed to organize all the facts of the client in a hierarchical fashion. The neural networks provide self‐learning capability to the CRF. The CRF can be customized to suit different business and industrial interests.     

基于群决策的P2P借贷信用风险评估

运用群决策方法,对随机森林、神经网络、梯度提升树三种算法所生成的个体学习器进行集成,构建基于群决策的P2P借贷信用风险评估模型.选取人人贷、拍拍贷的数据进行实验研究,结果显示,集成模型的风险评估效果较个体学习器有所提升,且优于传统的逻辑回归方法.     

Bankruptcy prediction for credit risk using neural networks: Asurvey and new results

The prediction of corporate bankruptcies is an important and widely studied topic since it can have significant impact on bank lending decisions and profitability. This work presents two contributions. First we review the topic of bankruptcy prediction, with emphasis on neural-network (NN) models. Second, we develop an NN bankruptcy prediction model. Inspired by one of the traditional credit risk models developed by Merton (1974), we propose novel indicators for the NN system. We show that the use of these indicators in addition to traditional financial ratio indicators provides a significant improvement in the (out-of-sample) prediction accuracy (from 81.46% to 85.5% for a three-year-ahead forecast).     

Who can get money? Evidence from the Chinese peer-to-peer lending platform

This paper explores how borrowers’ financial and personal information, loan characteristics and lending models affect peer-to-peer (P2P) loan funding outcomes. Using a large sample of listings from one of the largest Chinese online P2P lending platforms, we find that those borrowers earning a higher income or who own a car are more likely to receive a loan, pay lower interest rates, and are less likely to default. The credit grade assigned by the lending platform may not represent the creditworthiness of potential borrowers. We also find that the unique offline process in the Chinese P2P online lending platform exerts significant influence on the lending decision. We discuss the implications of our results for the design of big data-based lending markets.     

A trust model for online peer-to-peer lending: a lender’s perspective

Online peer-to-peer (P2P) lending is a new but essential financing method for small and micro enterprises that is conducted on the Internet and excludes the involvement of collateral and financial institutions. To tackle the inherent risk of this new financing method, trust must be cultivated. Based on trust theories, the present study develops an integrated trust model specifically for the online P2P lending context, to better understand the critical factors that drive lenders’ trust. The model is empirically tested using surveyed data from 785 online lenders of PPDai, the first and largest online P2P platform in China. The results show that both trust in borrowers and trust in intermediaries are significant factors influencing lenders’ lending intention. However, trust in borrowers is more critical, and not only directly nurtures lenders’ lending intention more efficiently than trust in intermediaries, but also carries the impact of trust in intermediaries on lenders’ lending intention. To develop lenders’ trust, borrowers should provide high-quality information for their loan requests and intermediaries should provide high-quality services and sufficient security protection. The findings provide valuable insights for both borrowers and intermediaries.