基于信用风险下的P2P贷款投资的决策分析外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

基于信用风险下的P2P贷款投资的决策分析

摘要

近年来，个人对个人（P2P）网络贷款受到越来越多的关注，这提供了一种可以代替没有传统金融机构参与的融资办法。对于个体投资人的挑战的关键在于P2P借贷市场的投资人是通过不同贷款和评价每笔贷款的信用风险来有效分配他们的资金。然而传统的评级评估模式不能满足P2P投资人的需求，因为他们没有提供一个明确的资产配置方法。在这项研究中，我们提出了一个有数据驱动的投资决策框架市场。我们设计了一个基于实例的信用风险评估模型，其具有评估每一个贷款的回报与风险能力。此外，我们还制定了P2P借贷投资决策具有边界约束的投资组合优化问题。为了验证提出的模型是否正确，我们进而从两个显著的P2P借贷市场的现实情况数据集进行广泛的实验。实验结果显示：提出的模型可以在现行的P2P借贷方式中有效地提高投资绩效。

关键词：数据挖掘、个人对个人借贷、信用风险评估、实证法、投资决策

1引言

P2P贷款，也称为个人对个人贷款，允许个人在基于互联网的平台上直接借出和借用，而不需要传统的金融中介机构的参与。在这个市场上，借款人通过提供贷款详细信息（如贷款金额和详细描述）来提交贷款申请。那么，准贷款人可以通过指定他们提供的贷款额来部分资助这些借款业务。如果借款业务要求的总金额在预先确定的时间内达成，则借款业务完成。由于消除了传统的金融中介机制，更有活力的环境进入人群中集中大家的智慧，P2P借贷可以降低融资成本，从而提高金融市场效率。

为了帮助个人投资者管理风险，最先进的P2P借贷平台（如Prosper和Lending Club）为每笔贷款提供风险评级。这些评级考虑到贷款和申请人的许多变量，如FICO分数，贷款金额和条款，借款人资产，债务，借款人的工作类型等等。这种信用评级过程类似于商业银行用来评估借款人风险水平的传统评估技术。因此，贷款被分为少数风险群体。例如，Prosper使用七级风险评级（即AA，A，B，C，D，E，NR）。这种“评级”模式提供贷款的信用风险的基本评估，每个评级组中的贷款被认为具有相同的风险水平。为了使其投资组合多样化，投资人可以根据风险回报偏好从不同风险组中提供贷款。

基于评级的信用风险评估模型是实用的，被金融机构广泛使用来给借款人提供贷款。但是，这种模式可能太过于简陋，无法满足P2P投资者个人投资的需求。由于传统金融机构拥有大量现金，所以能够为数百万贷款提供资金，这有助于人们实现借款的多元化。对于P2P借贷，每个个人投资人的投资少得多。但是，由于正是这一分分的贷款资助，因此使有效的多样化已成为可能。所以P2P贷款市场的投资人不仅需要决定哪些贷款需要资金，还需要决定分配给每个贷款人多少钱，这样才能最大限度地减少预期收益的风险。虽然这个功能是典型的投资组合优化问题，但是准确评估每个个人贷款对P2P借贷的信用风险是非常有挑战性的，这将为投资组合优化提供必要的投入。此外，现实的P2P借贷市场通常会施加最低的投资金额的限制。例如，Prosper的每笔贷款所需的最低投资额为25美元。而且由于P2P资金总量有限，P2P贷款的个人投资者的这种约束是很大的。因此，收益率巨大的P2P借贷需要一个新的决策工具。

在本研究中，我们提出了一个更准确的P2P借贷信用风险模型，允许个人投资者优化投资决策。如果没有足够的借款人的封闭式贷款历史的数据，就不可能根据借款人过去的贷款预测新贷款的表现。因此，我们确定了过去具有相似属性的贷款，并且通过总体绩效结果，来用于预测投资人对于新贷款的表现。这被称为“基于实例”的方法。

具体来说，在提出的基于实例的模型中，我们首先将贷款的相似性定义为他们的违约概率之间的差异，这是借款人信用属性的逻辑回归。然后，我们预测每笔贷款的回报是类似贷款的加权平均值，以及加权差异的风险，其中在内核回归的数学框架内选择最优权重。此外，基于这种基于实例的信用风险模型，我们将P2P借贷中的投资决策作为具有边界约束的投资组合优化问题进行了制定。为了验证提出的模型，我们对来自两个最先进的P2P借贷市场的现实情况数据进行了大量实验。实验结果表明，提出的模型有效地胜任现有的评级模型。

本文的其余部分安排如下。第2节进行文献综述，第3节提供了数据的描述。第4节专门用于描述基于实例的信用风险评估模型。结合P2P贷款组合优化的方法，第5节介绍投资决策模型。为了更好地解释模型，附录中提供了从一端到另外一端的基于信用风险评估和投资决策过程的实例。在第6节中，我们报告了所提出的模型的有效性的实证结果。最后，第7节总结了这项工作。

2文献综述

P2P融资通过新的电子商务环境被引入金融领域，在互联网信息系统的支持下，其有可能提供更为高效的效率。（Berger＆Gleisner，2009; Wang，Greiner，＆Aronson，2009）。P2P借贷也被称为在线的社会性贷款。（Hulme＆Wright，2006），微贷款（Conlin，1999）或者大众化（Belleflamme，Lambert，＆Schwienbacher，2014; Mollick，2014），每个都强调了一套不同的具有独特特征的P2P借贷。也就是说，P2P网贷只需要参与者之间的在线社交互动，小量交易，以及可能不是贷款投资专家的大量投资人。

P2P借贷市场的参与者大致可分为两类：借款人和投资人。像传统的信贷市场一样，风险评估和决策可以从不同的角度来看待（Wu＆Hsu，2012）。从借款人的角度来看，共同目标是确保贷款资金。在借款人提供的所有信息中，研究人员旨在找出贷款成功的决定因素。例如，Larrimore，Jiang，Larrimore，Markowitz和Gorski（2011）分析了上市中使用的编程语言的影响，这可以帮助借款人加强获取资金的说服力。 Puro，Teich，Wallenius和Wallenius（2010）提出了一个借款人决策援助制度，帮助借款人量化其战略选择，例如开始利率和贷款额度，以使其能成功获得资助。借款人的决定模式也可能适用于投资人，其旨在预测贷款的回报状态。具体来说，他们制定了一个基于查询的方法，该方法在过去寻找类似的列表来对新的列表进行总体预测。他们报告说，在大多数情况下，这种技术相当于逻辑回归模型，但只有少量类似的贷款被发现时，这种技术可能会变得不那么稳定。过去我们的基于实例的模型的框架不是用过去的类似贷款，而是使用过去的所有贷款，并通过核心回归来优化其权重。借款人决策支持的工作包括Wu和Xu（2011），提出了向借款人进行智能代理制度。重点是系统设计而不是分析建模，他们的工作与我们有很大的不同。

研究投资人的投资决策和投标行为时，研究投资人的观念。例如，Sonenshein，Herzenstein和Dholakia（2010）考察了社会因素在影响投资人贷款给借款人方面的起的决定性作用。Klafft（2008）审查了投资人是否可以从这个新市场获利。根据Prosper.com的数据，他们发现投资人如果采用健全的策略，可以获得满意的回报。此外，Krumme和Herrero-Lopez（2009）发现许多交易都是基于次优的决定。 Puro，Teich，Wallenius和Wallenius（2011）在们小额贷款拍卖方面提供了招标策略。他的研究表明，投标人的招标行为并不均衡，但投标人使用了许多不同的投标策略。并且发现，投资人更有可能以更高的价格来出价贷款。（Herzenstein，Dholakia和Andrews，2011）这种现象被称为放牧，在网上公共贷款拍卖中常见。现有研究为投资人如何筛选和选择贷款投资提供了宝贵的建议。然而，现在还是缺乏有效的决策来支持投资人选择投资，并确定每个投资的最佳数额。

由于是否对某些贷款进行融资决定是P2P贷款市场投资者的中心任务，传统的贷款评估技术也与P2P借贷有关。为了区分好的贷款申请（即预期成功偿还的贷款申请），文献中已经使用了许多不同的数据挖掘技术。许多例子包括逻辑回归（Thomas，2009; Wiginton，1980），线性歧视分析（Rosenberg＆Gleit，1994），k-最近邻（Chatterjee＆Barcun，1970），分类树（Feldman＆Gross，2005）马可夫链（Frydman，Kallberg，＆Kao，1985; So＆Thomas，2011），生存分析（Andreeva，Ansell，＆Crook，2007; Stepanova＆Thomas，2002），线性和非线性规划（Bugera，Konno，＆Uryasev， 2002; Man- gasarian，1965），神经网络（Malhotra＆Malhotra，2002; Yang，Li，Ji，＆Xu，2001），支持向量机（Huang，Chen，Hsu，Chen，＆Wu，2004; Kim＆Sohn ，2010），遗传方法（Desai，Conway，Crook，＆Overstreet，1997; Huang，Tzeng，＆Ong，2006）等。这些研究检查每笔贷款的分类，但不要审查整个贷款投资组合。

近年来，内核方法已广泛应用于许多信用评分和优化问题上，（Yang，2007; Zhang，Gao，＆Shi，2014）。在本研究中，我们利用内核回归的数学框架（Nadaraya，1965）提取回归系数作为信用风险评估的最优权重。作为研究非线性关系的灵活统计技术，在许多金融和经济研究中，诸如非参数VaR测量（Ait-Sahalia＆Lo，2000），国际实际利率之间的非线性关系（Mancuso，Goodwin， Grennes，2003），以及用于预测金融危机的时变扩散过程（Fernandes，2006）。我们的研究阐明了内核回归的适用性，协助投资人进行P2P借贷业务中做出正确的决策。

3数据描述

P2P贷款市场发展的不断完善，已经给我们现实生活提供了大量的现实P2P借贷交易数据。我们的实证研究是基于两个最先进的P2P借贷市场的公共数据集来完善与实现。

第一个数据集来自贷款俱乐部，由2016年的贷款的数据组成。第二个数据集来自Prosper，其中包括4128笔贷款。在两个数据集中，使用预测模型将贷款属性转换为违约概率。这些属性包括来自FICO的借款人信用评分，贷款金额，过去六个月的查询人数，借款人的债务与收入比率，借款人的现金流量和借款人的数量房屋所有权状况。

许多预测模型可用于量化贷款对违约的好处。这种预测模型的选择和实施超出了我们研究的范围，因为我们假设每个贷款的违约概率是已知的。在预测贷款违约概率的许多模型中，逻辑回归在文献中被广泛使用。例如，Puro等人（2010）使用逻辑回归来确定P2P贷款市场中成功贷款资金的概率。作为数据预处理步骤，我们使用逻辑回归来估计两个数据集中每个贷款的违约概率。

4模型说明

在本文中，我们提出了一种基于实例的P2P借贷风险评估决策模型。为了显示其有效性，我们将其与两个基于评分的基准进行比较。模型在下面详细描述。

RBM是基于评级的基本模式，根据贷款的信用风险，所有贷款分为7个不同的等级。假定在同一等级的贷款具有相同的回报和风险。

RBM 是一种精细的评级模型，其中RBM中的每个成绩又可以进一步分为五个子等级，并且基于交叉验证选择子等级数。换句话说，RBM ​​ 是一种基于评级的模型，具有优化的分级分割的作用。

IOM是本研究提出的基于实例的模型。每笔贷款利用核心权重和类似贷款的历史业绩进行评估。

总之，RBM是人们实际使用的基于评级的信用风险模型的基本版本。 RBM 是基于评级的信用风险模型的增强版本，可以用于在更高级别的风险等级实施时进行我们预测的结果比较。

此外，我们将每个数据集划分为k个子集，并使用k-fold交叉验证来验证我们的模型的有效性。换句话说，每次我们使用其中一个子集作为测试集（DataI）和所有其他的作为训练集（DataH）。具体来说，我们将贷款俱乐部的数据集随机分为12个子集，每个子​​集包含约168个贷款。同样的Prosper数据集被随机分为24个子集，每个子​​集包含约172个贷款。

我们通过以下过程比较三个模型：

（1）使用训练集训练每个模型，并使用经过训练的模型来预测测试集中每个贷款的回报率（）和风险（）。

bull;对于基于评级的模型，包括RBM和RBM ，我们首先找出了培训集中每个评级等级的贷款回报率的平均值和标准差。那么我们可以预测每个测试贷款的信用评级。将该信用等级的平均值和标准差分别用作预测回报和预测风险。

bull;对于IOM模型，我们首先训练所有培训贷款的核心权重（公式7），并使用这些权重来预测具有加权平均值（公式1）的测试贷款的回报率和加权差异的风险（公式2）。

（2）过比较预测收益率（）和实际收益率（）来检查模型的预测精度。

（3）对于每个模型，将每个测试贷款的预测收益和风险加入到投资组合选择算法中，并计算最佳投资组合的投资回报。

（4）比较三种模式的回报率和夏普比率。

5结果与讨论

我们使用每个贷款的逻辑回归模型和属性变量来预测缺省概率。然后我们在贷款俱乐部和Prosper数据集上运行信用风险模型，以预测收益率和风险。图2分别显示了贷款俱乐部和Prosper数据集的默认概率与回报率（或风险）之间的关系。对于任一数据集，总体趋势是随着默认概率的增加，预测回报率下降，风险增加。显然，IOM的曲线比RBM和RBM 更平滑，这表明IOM具有更好的预测回报和风险的能力，并提供更准确的贷款回报总体预测。

此外，我们将每个模型的预期收益率与实际收益率进行比较。特别地，我们计算了欧氏距离和作为精度指标。如表1所示，IOM模型具有比两个数据集上的RBM或RBM 模型更好的预测精度。

根据每个信用风险模型的预测回报率和风险，我们执行投资组合选择以找到最优投资组合，并计算总体回报率。默认情况下，投资金额M = $ 1

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[141576]，资料为PDF文档或Word文档，PDF文档可免费转换为Word