基于logistic回歸的p2p借貸違約率預(yù)測(cè)模型的構(gòu)建研究

1、基于logistic回歸的P2P借貸違約率預(yù)測(cè)模型的構(gòu)建研究【摘要】由于當(dāng)前國(guó)內(nèi)征信體系的不完善，互聯(lián)網(wǎng)信息不對(duì)稱的現(xiàn)象嚴(yán)重，導(dǎo)致P2P借貸市場(chǎng)發(fā)生違約風(fēng)險(xiǎn)的可能性比較大。投資人無(wú)法根據(jù)平臺(tái)公布的信息正確判斷其面臨的違約風(fēng)險(xiǎn)。因此，本文通過(guò)以Logistic回歸模型為基礎(chǔ)構(gòu)建適用于P2P借貸領(lǐng)域的違約率預(yù)測(cè)模型，對(duì)拍拍貸4970筆借款項(xiàng)目進(jìn)行實(shí)證分析。實(shí)證結(jié)果表明，構(gòu)建的預(yù)測(cè)模型對(duì)違約率的預(yù)測(cè)有79%的正確率，并且預(yù)測(cè)違約率符合正態(tài)分布

2、?！娟P(guān)鍵詞】P2P借貸；違約風(fēng)險(xiǎn)；違約率預(yù)測(cè)；logistic模型一、引言目前，國(guó)內(nèi)P2P借貸處于征信體系不完善、互聯(lián)網(wǎng)信息不對(duì)稱現(xiàn)象嚴(yán)重的大環(huán)境下，造成投資人無(wú)法真正有效的運(yùn)用互聯(lián)網(wǎng)大數(shù)據(jù)掌握借款人真實(shí)的信用狀況及違約風(fēng)險(xiǎn)，以便作出正確的投資策略。如何對(duì)P2P借貸違約率預(yù)測(cè)模型進(jìn)行構(gòu)建，這個(gè)問(wèn)題國(guó)內(nèi)外學(xué)者間產(chǎn)生了很大的關(guān)注度。在對(duì)違約率預(yù)測(cè)模型進(jìn)行研究前，首先需要對(duì)P2P借款造成違約可能的影響因素進(jìn)行相關(guān)研究。如Freedman&Ji

3、n（2008），Barasinska（2009）、MingfengLinetal.（2012）和陳建中（2013）、楊立（2014）的研究就分別從個(gè)人基本信息、交易行為、社會(huì)資本等不同的視角對(duì)借款人違約影響因素進(jìn)行了研究分析。在此研究的基礎(chǔ)上，Vedala&Kumar（2012）使用一個(gè)多重關(guān)系的貝葉斯分類方法來(lái)預(yù)測(cè)借也有可行性的。其次，構(gòu)建P2P借貸違約率的預(yù)測(cè)模型。三、樣本數(shù)據(jù)與變量選擇本研究主要采用爬蟲軟件的編程采集拍拍貸P2P借

4、貸平臺(tái)的數(shù)據(jù)。數(shù)據(jù)采集從2014年1月1日至2014年8月20日，獲得共計(jì)11000筆借款信息。對(duì)于同一個(gè)ID，需要采集兩次信息，第一次是用戶發(fā)布借款時(shí)的信息，包括借款基本信息、借款信用等級(jí)、審核信息等；第二次是采集該筆借款的狀況信息，包括是否獲得貸款和是否違約。由于每筆借款需要經(jīng)歷完借款期限才能判別是否違約，并且去除數(shù)據(jù)缺失的部分，最終保留下來(lái)的借款為8454筆。對(duì)于這8454筆借款，為了排除單個(gè)借款人信息重復(fù)的干擾，僅保留最新的一筆

5、借款，最終保留借款為4970筆。本文主要是對(duì)為了得出拍拍貸的預(yù)測(cè)違約率，因此將借款人的違約狀態(tài)作為被解釋變量。借款人違約記為1，不違約記為0。解釋變量是基于國(guó)內(nèi)外P2P借貸違約影響因素的研究與國(guó)內(nèi)P2P借貸平臺(tái)的實(shí)際狀況進(jìn)行選取的，主要從借款者特征、借款特征、信用特征及社會(huì)資本四個(gè)維度對(duì)違約率情況進(jìn)行預(yù)測(cè)。其中，選擇社會(huì)資本進(jìn)入回歸模型，主要是考慮拍拍貸的運(yùn)作模型的在國(guó)內(nèi)的獨(dú)特性。其通過(guò)微博認(rèn)證、親友身份證認(rèn)證等舉措將借款者的社交網(wǎng)絡(luò)納