基于BP神经网络的P2P网贷信用风险甄别研究——以拍拍贷为实例.docx

基于BP神经网络的P2P网贷信用风险甄别研究——以拍拍贷为实例
一、引言
近年来，以P2P（peer-to-peer）网贷为代表的互联网金融行业迅猛发展。P2P网贷通过互联网平台，将借款人与出借人直接联系起来，使得中小微企业与个人获得了更加便捷和灵活的融资途径。但同时，也带来了一些新的风险问题。
其中，信用风险是P2P网贷面临的主要风险之一。由于互联网金融行业的特殊性质，散户“借壳”的行为比较普遍，信用水平极其不稳定，同时也面临着信息不对称等问题。因此，如何对P2P网贷申请人进行准确的信用风险评估，成为了亟待解决的问题。
本文主要针对拍拍贷这一P2P网贷平台进行研究，旨在利用BP神经网络模型，对P2P网贷借款人的信用风险进行甄别，并对该模型进行实证研究。
二、相关研究综述
1、传统模型
传统的信用风险评估模型包括违约概率模型、评级模型、打分模型等。这些模型常常基于历史信用数据、财务数据、行业数据等，利用统计分析方法进行数据挖掘和模型训练。
2、BP神经网络
BP神经网络是一种常见的人工神经网络，其具有简单易懂、容易实现和较强的非线性处理能力等特点，被广泛应用于信用风险评估等领域。
三、数据和方法
1、数据来源
本研究的数据来源于拍拍贷平台，包括申请人的基本信息、资产负债情况、收入情况、职业状况等。
2、BP神经网络模型
本研究采用BP神经网络模型进行信用风险评估。BP神经网络以输入层、隐层、输出层三层结构为基础，通过神经网络的训练，将输入信号映射为输出信号。
BP神经网络的训练包括前向传播和反向传播两个过程。其中，前向传播将信号从输入层传递到输出层，反向传播则根据输出误差不断调整权值，最终使得误差达到最小化。
四、实证结果及分析
1、数据预处理
在进行神经网络模型训练之前，需要对数据进行一系列的预处理工作。本文采用标准化方法，将数据转化为以0为中心的标准正态分布，减少异常值和噪声数据对模型的干扰。
2、神经网络模型训练
本研究采用MATLAB软件进行BP神经网络的训练。在训练过程中，设置了两个隐层，每个隐层包含20个神经元。同时，为防止过拟合问题，采用了交叉验证法进行模型验证。
3、模型评价指标
在模型评价方面，本研究采用了AUC（AreaUndertheCurve）、Sensitivity、Specificity等指标对模型进行评价。
4、实证结果
本研究通过对样本数据的运用，得到BP神经网络在信用风险评估方面的正确率约为80%左右。同时，通过ROC曲线绘制，得到AUC值为0.816，灵敏度为0.803，特异度为0.743，表明该模型具有较好的分类性能。
五、结论
本研究在拍拍贷这一P2P网贷平台进行了基于BP神经网络的信用风险甄别研究。通过对数据的处理和BP神经网络模型的构建，成功地完成了信用风险评估，并得到了较为满意的实证结果。本研究的工作为P2P网贷行业的信用风险评估提供了一种新的思路和方法，对行业的发展具有一定的借鉴意义。