P2P网络借贷平台风险防控机制和预警体系
——基于信用中介化与流动性风险视角
doi:10.14089/j.cnki.cn11-3664/f.2019.03.011
引用格式:课题组.P2P网络借贷平台风险防控机制和预警体系[J].中国流通经济,2019(3):102-111. 课题组
310018) (浙江工商大学,浙江杭州
摘 要:基于信用中介化与流动性风险恶性循环机制的理论分析,对网络借贷出借行为结构模型进行优化,采用普通最小二乘法(OLS)模型、逻辑回归(Logit)模型、Probit
模型实证检验借款信息变量的借贷策略效应,通过大数据决策树算法对所选取的变量进行预警过程的仿真模拟,结果表明:P2P
网络借贷平台的信用中介化融资风
P2P险市场系统化效应显著,第三方大数据风险监测与预警有利于规制 网络借贷平台信用中介化下的主体融资风险,P2P
网络借贷平台应该定位为信息中介。为了回归这一定位,增强平台性质“变异”过程中第三方风控预警能力,必须落实平台信息中介政策,严惩信用中介化网络借贷平台;实行行业数据共享,完善征信体系建设,构建信贷市场有序化发展的良性契约基础;加强金融风险教育,建立政府—平台—主体“三位一体”的风险规制体系,完善市场准入机制和平台动态监管预警机制,建立良好、有序的网络信贷市场。
关键词:P2P网络借贷;信用中介化;流动性风险;信息中介
中图分类号:F830.5 文献标识码:A
一、引言 2018 6月以来,P2P
年 网络借贷行业不断“爆雷”,社会影响恶劣。究其原因,一方面源于宏观经济处于下行期,系统风险所引致的企业违约率高;另一方面则受借贷平台信用中介化①的羁束,即借贷平台偏离信息中介本质,引致市场契约摩擦。因此,如何甄别与控制平台信用中介化是当下金融监管部门以及学者普遍关心的问题。
由于我国正处于互联网金融监管发展的初步阶段,鉴于该行业从业者的大量涌入和融资项目 文章编号:1007-8266(2019)03-0102-10的不断衍生并复杂化,网络借贷平台角色定位的信用中介化产生的风险已经是我们面临的现实问题。值得注意的是,越来越多的学者意识到平台性质研究的重要性,例如赵鹞、殷实[1]总结了平台信用中介化的原因和风险来源;卢馨、李慧敏[2]将
P2P
网络借贷平台与银行贷款进行比较,分析了网络借贷平台的性质特点;郑扬扬[3]把网络借贷平台的角色定位分为信息中介、信用中介和增信中介;冯果、蒋莎莎 [4]以宜信平台的线下模式和线上模式为例,阐述了信用中介化的过程。因此,厘清网络借贷平台信用中介化的内在逻辑,有利于完 收稿日期:2019- 01-16
基金项目:浙江省自然科学基金项目“电商发展、进入成本冲击与宏观经济动态性:一个基于DGSE LY17G030006);
模型的分析”(浙江省高校人文社会科学重点研究基地浙江工商大学应用经济学重点项目“电商发展、企业内生选择与利润转
JYTyyjj20160101)
移再分配”(作者简介:课题负责人马淑琴(1963—),女,山西省运城市人,浙江工商大学经济学院教授,博士生导师,主要研究方向为国
善监管体系,进而控制相应的风险。
目前对网络借贷中风险的研究,学者们多从
借款人、出借人和平台三个角度展开。从平台角
度产生的风险来看,赵鹞、殷实 [1]同样基于借款
人、出借人和平台,对平台信用中介化的风险来源
展开讨论,并认为信用中介化风险来源于信息不
对称下的借款人信贷风险、出借人非法资金的法
律风险以及平台的流动性风险、操作风险、政策风
险和财务风险。王阳阳、赵峰[5]针对网络借贷中的流动性风险进行了相关研究,并提出狭义上的流动性风险是指运用错配时间、额度以及利用债权重复转让方法所引起的风险,然而,对平台信用中介化与流动性风险之间的作用机理阐述得不够清晰。此外,关于平台信用中介化对借款人、出借人及平台自身的影响的研究甚少,而受平台信用中介化影响最大的往往是提供资金的出借人,其次是平台本身。因此,本文基于网络借贷平台角度,提出信用中介化与流动性风险恶性循环机制,有助于厘清平台信用中介化、出借人和平台自身三者之间的作用机制。进一步地,在厘清网络借贷平台信用中介化内在逻辑的基础上,控制平台信用中介化的衍生风险具有重要的现实意义。P2P
网络借贷平台的性质定位是第一道风控,而金融科技是第二道风控。对此,本文基于宜信平台“线上线下结合”模式,从宜信“线上风险评估结合线下审核机制”的角度,提出“引入并强化大数据风控来控制平台信
用中介化的衍生风险”的第二道风控②。
本文的结构安排如下:第一部分为网络借贷平台信用中介化的机制分析,构建信用中介化与流动性风险恶性循环机制。考虑到平台信用中介化对投资人出借行为的影响,引入投资人感知风险概念和网络借贷出借行为结构模型,并基于信用中介化与流动性风险恶性循环机制对模型进行完善。进一步地,以宜信模式为案例,说明第一道风控的重要性,并引出第二道风控。第二部分为 实证分析和稳健性检验,挖掘第二道风控环节借款信息中影响坏账指标的关键因素。第三部分基于借款人数据,利用决策树算法仿真模拟借款人坏账状态的预警过程,以此证明预警指标的适用性和大数据算法的可推广性。
二、信用中介化与流动性风险恶性循环机制
资信评估等作用(参见表间起着信息搜集、信息公布、信息交互、信息撮合、(一)信息中介——P2P P2P平台作为信息中介,在借款人与投资人之平台的信用中介化
1)。然而近期问题平台多涉及增信服务、非法集资及资产管理业务等超出信息中介职能范围的信用中介业务活动,偏离信息中介本质,以致信用中介化。根据《P2P网络借贷平台相关法律法规及案例》相关规定,平台的信用中介化可以做以下界定:非法集资、提供担保、发放贷款、高风险融资、股权众筹、虚假陈述、资产管理、发售理财产品、代理销售混合捆绑、债权转让和物理场所宣传融资项目③。此外,通过传统银行贷款与P2P网络借贷P2P业务范围和借贷主体的对比,可以发现 平台的性质定位与银行有显著区别,主要体现在网络借贷平台的纯信息中介职能,而当网络借贷平台的
P2P自身定位偏向银行定位时,则出现 平台的信用
P2P网络借贷平台出现信用中介化是由多方面原因引起的。赵鹞、殷实中介化。 [1]认为金融抑制、征信体系不健全、法律上存在监管真空和监管套利以及“羊群效应”引发了平台的信用中介化。金融抑制诱使平台发售理财产品而偏离信息中介本质;
P2P征信体系不健全使 平台不能从征信体系获得增信手段,从而依靠担保来防范风险,但平台自身提供担保是偏离信息中介本质的;法律上的监管真空和监管套利源于当下监管的权责不明晰,致
使网络借贷行业从业者大量涌入,平台良莠难辨,蕴藏着信用中介化的潜在风险;“羊群效应”分为投资人角度和平台角度,借款方与投资方的信息不对称引发投资人的羊群行为(即投资决策时投资者之间的效仿),以及该行业的低门槛、高收益引发的平台羊群行为(即大量平台的涌入),逐利心理与市场竞争诱使平台的信用中介化。(二)信息中介交易机制
P2P
网络借贷平台的本质是信息中介,符合市场规范的信用中介交易过程如下:首先,借款人在网络借贷平台发布借款信息,经平台审核后在网站上公示给出借人;其次,出借人根据借款信息、借款人的社会网络信息[6]以及其他借款人的决策信息做出是否出借的决定,以及出借(投标)的金额与利率。平台会设定最低投标额度,且一项标的可以同时多人投标,当投标总金额大于借款金额时,利率低者胜出,至此借款成功,出借人的资金将流入借款人账户。只要借款人在规定期限内偿还贷款,一笔交易完成;一旦借款人违约,违约风险则由出借人直接承担。(三)信用中介化与流动性风险恶性循环机制
P2P
当 平台不再满足信息中介交易机制下的交易规模,为了吸引更多投资者,则开始直接或间接地越权行使信用中介的职能,包括增信服务、非法集资及资产管理业务。常见的增信服务包括承诺保本保息、提供担保、虚假陈述及在物理场所宣传或推荐融资项目等 [7] ;非法集资则包括发放贷款、股权众筹等形式;资产管理业务包括信托计划、公募基金、私募基金、保险资产管理等。
为了研究平台信用中介化对投资人出借行为的影响,本文引入感知风险的概念。陈冬宇等[8]将投资人出借意愿设为因变量,感知风险与对借款人信任为自变量,结果表明,出借人对借款人的感知风险负向影响其出借意愿,而对借款人的信任则正向影响其出借意愿,感知社会资本和感知信息质量均负向影响其感知风险,正向影响对借
1
款人的信任(如图 所示)。但感知信息质量对感知风险的影响与感知风险对出借意愿的影响均不显著,这可能是由网络借贷市场交易行为的特殊性所致。
P2P对于这一反常现象,本文从 网络借贷平台角度,基于信用中介化与流动性风险[9]恶性循环
P2P机制优化现有模型,基于 行业“爆雷”以来的现实境况展开经济分析,并提出相应解决措施。
在网络借贷交易过程中,当借款人产生违约风险时,在平台是信息中介的定位下,违约风险将由投资人承担。然而,平台的增信服务将部分借款人的违约风险转移至平台自身,利用自有资金池填补资金空缺,弱化了出借人的感知风险;投资人对平台的信任间接强化了对借款人的信任。借款基数的增加,致使坏账率猛增的波动风险增大,且平台自身担保资质有限并受到担保净资产杠杆率的限制 [10]。一旦平台自有的资金池无法维持资金流动,出现流动性风险,且流动性风险在融资传导过程中因杠杆率而不断被放大,平台则通过挪用出借人资金,或利用虚假陈述、承诺保本保现、加息返现等手段,加剧信用中介化,吸引新投资人注入更多资金填补空缺,继而进一步提高了流动性风险,形成所谓的“庞氏骗局”。如此循环往复,当流动性风险积累到一定程度,一旦资金链断裂,多数平台选择“跑路”或停业,这会给投资人带来巨大的损失。信用中介化与流动性风险恶性循环
2
机制如图 所示。
信用中介化实质上并没有缓释借贷双方的信息不对称状况,还在一定程度上干扰了投资人出借行为,强化了非理性决策风险,引致流动性风险的市场化。传统出借行为理论模型并未充分考虑网络借贷平台性质带来的影响,仅从出借人主观感知能力进行探究,且对感知风险影响不显著的原因解释不充分。本文基于信用中介化与流动性风险恶性循环机制,对此进行补充阐释。
3
如图 所示,法律监管部门应对交叉嵌套的互联网金融产品进行定性和处置,建立第三方支付机构客户备付金集中存管制度,监测并处置虚假广告片面宣传或促销,捏造、散布虚假信息或不完整信息损害他人商业信誉的行为,推动互联网金
3
图 网络借贷出借行为优化结构模型融信用体系建设。同时,大数据风险监测与预警不仅要对借款人风险做出预警,还应考虑平台信用中介化带来的流动性风险,因为法律监管不可能面面俱到,且法律法规的出台具有时滞性,所以第三方大数据风险监测与预警在广告、宣传等方面应做好舆情监测,进行多元化的数据采集与分析。一方面监测借款人风险,另一方面监测平台信用中介化风险。
征信体系的建设是对借贷双方信息不对称问题最直接有效的解决方式,这使得借款人借款信息的初始评级更加可靠,继而提高第三方风险监 测与预警的准确率,为投资人提供更加有效的投资决策
3
依据。如图 所示,可从建立信贷资产标的“穿刺”行业披露机制、强化行业数据共享机制建设及搭建信用中国数据库等方面入手,完善征信体系,构建信贷市场有序化发展的良性契约基础。
基于信用中介化与流动性风险恶性循环机制的理论分析,平台的信用中介化会扭曲传统出借行为结构模型,弱化变量对出借意愿影响的显著性水平(如感知风险对出借意愿的影响及感知信息质量对感知风险的影响等)。上述网络借贷出借行为优化结构模型从法律监管和第三方风险监测预警角度对平台的信用中介化进行有效控制,阻断了主体融资风险的传导,使得流动性风险和借款人风险向平台转移,强化了感知风险对出借意愿的影响。
宜信资产端“线上线下结合”模式:宜信开辟大量线下的销售队伍,审核借款人资质,寻找信用好的借款人,以保证信息的可靠性和贷款质量。虽然这种方式人力成本高,但在我国当下征信体系不完善的情况下,不失为一种可靠的风控手段。宜信线上采用大数据风控,对投资人和借款人的资格条件、信息真实性、融资项目真实性及合法性等进行必要审核,引导投资人小额分散方式参与网络借贷,并对客户身份进行识别,提交可疑交易报告,利用信息化手段实施反洗钱、反恐怖融资。本文藉由网络借贷出借行为优化结构模型挖P2P
掘 网络借贷市场流动性风险根源,阐释平台的信用中介化对流动性风险的引致机制与效应,为
出台相关法律法规提供理论支撑。规范平台的性质与定位,识别平台信用中介化及借款人风险,是
P2P
未来 网络借贷行业治理的主要方向。通过法
P2P
律手段,从根源上实现 借贷平台信息中介的本质回归,限制平台通过风险转移的手段吸引投资,并实行第三方支付机构客户备付金集中存管措施,使平台脱离对投资人资金的掌握,有利于疏解流动性风险的市场系统化。
下文主要针对借款人风险的第三方大数据风控问题(即第二道风控),挖掘借款信息中影响坏账指标的关键因素,实证检验在有限数据即信息不对称的条件下,决策树算法在预警过程中的预测效果。
三、信息不对称条件下决策树算法的预警检验
(一)数据来源与变量选取
2015 1 1 2017本文选取了拍拍贷 年 月 日至 年1 30 291 336
月 日 支信用标数据展开分析,通过LCIS(Loan Characteristics Investment Status)所包括LC 21 IS 15部分 个字段的借款人成交特征及 部分
④,构建主体融资风险要素个字段的借款当期特征
体系。
拍拍贷是国内纯信用无担保网络借贷平台,同时也是一家由工商部门批准,获得“金融信息服
⑤。目前正逐步上务”资质的互联网金融服务平台线征信授权查询功能,用户签署征信查询授权书后,拍拍贷的合作持牌金融机构就有权利查询、报送用户的征信。借款人一旦逾期,合作持牌金融机构就有权将逾期记录报送至中国人民银行征信系统,其他的银行或金融机构也可查询到借款人的相关记录。
根据拍拍贷平台的网站信息,该平台自主开发的风险评估系统——魔镜系统(Mag⁃ ic Mirror System)将提供一个风险评分来反映对借款人逾期率的预测。借贷双方都能看到此评级,AA F
至 的风险依次递增。此外,其评级主要基于以下信息:历史还款记录、个人债务、个人信息、信用记录、第三方数据等。这些借款人的基本信息对投标结果具有重要影响[ 11 ] ,所以此次研究则利用 了魔镜系统,将借款人的初始评级作为借款人当期违约风险的重要参考依据之一。
本文将影响坏账状态的因素分为个人信息、借款属性、平台依赖度和还款属性四个方面,并在此基础上从借款信息中寻找子影响因素作为实证
2分析的自变量。具体信息如表 所示。其中,个人信息作为借款人的基本信息属性,其初始评级具有重要影响,初始评级越高,借款利率越低,当期标的出现坏账的可能性越低。此外,借款人如果是首标,出现坏账的可能性会相对低于非首标借款人。借款属性侧面描述了借款人的借款意图,
APP借款期限长、借款金额高、借款类型为 闪电或非安全标的的借款人值得借贷平台或投资人警惕。平台依赖度从借款人的历史成功借款金额和投资金额两个角度反映了借款人(当其进行投资时则成为投资人)对该平台的黏性,对平台比较信任的用户此项属性表现为依赖度更高,从而其出现坏账的可能性往往会低于依赖度很低的用户。平台可从如何提升用户黏性的角度进一步优化运营管理,提出相应的用户挽留机制,对于偏投资型客户则要做好客户流失预警,对偏借贷型客户做好违约风险预警。还款属性针对的是借款方,主要包括已还本金和待还本金,当已还本金相对过低或者出现大量待还本金时,则需对平台发出预警信号,重点关注还款率低于一定水平的借款人,这个水平的制定则需根据借贷平台业务自身特点和需求而自主拟定。
(二)描述性统计与回归分析本文首先对拍拍贷交易数据的借
3)做款人初始评级(描述统计参见表可视化处理,形成帕累托直方图,如图4所示。
A、B、C、D、AA初始评级 的样本
90%以上,其中安全标和占总样本的低信用等级标占比较小。
4做坏账标志与自变量的描述性统计如表
所示。
可以发现,当期坏账标志的借款人历史平均借款金额和当期借款金额都要高于非坏账标志的借款人。从最大值和最小值来看,坏账与非坏账标志借款人的借款金额比较接近,但坏账标志的借款金额标准差要大于非坏账标志,可见当期坏账的不同借款人借款金额波动较大,当然也有一定的可能是由于坏账样本量与非坏账样本量的不平衡造成的。此外,当期坏账借款人的初始评级低于非坏账借款人,说明初始评级可以作为预测出现坏账可能性的参考因素。从借款期限来看,坏账借款人的借款期限更长,借款期限的延长会
P2P
增加出借人或者 平台的风险,相对来说对借款方更有利,所以更加容易产生坏账。基于待还本金角度,坏账借款方明显要高于非坏账借款人,而已还本金则相对少很多。投资金额的数量可以反映客户对平台的用户黏性和信任度,黏性高、信任
4平台的人不容易出现坏账,这从表 的投资金额的平均值和最大值可以看出。
在选择回归模型时,考虑到因变量(即坏账状态),是二值选择变
4表 坏账状态与自变量交叉描述统计OLS量,所以在传统回归模型的基础
Logit上,考虑用 回
Probit归模型或 模型来替代。误差项不会正常分布,会出现异方差性,预
0 1测值将超出 和的逻辑边界。Logit
Probit模型和 模型在底层分布的假设
上有所不同。Logit
4
图 初始评级帕累托直方图假设分布是逻辑的(即结果发生或不发生);Probit模型假设基础分布是正常的,这基本上意味着观察到的结果发生或不发生,但这反映了正常分布的潜在变量满足某个阈值。如果观察边际效应(意味着结果的预测平均值对平均值保持其他协变量或平均值超过观察值),Logit Probit模型和 模
Probit型将基本上做出相同的预测。本文选择 模型作为分析模型。
由于涉及金额的变量单位数量级有差异,所以回归系数更加直观,在此对其单位进行转换:借款金额单位为万元,历史成功借款金额单位为十万元,总待还本金单位为万元,我的投资金额单
位为百元,已还本金单位为十元,待还本金单位为十元。
5中,列(1)是OLS
在表 模型的基准回归结果,列(2)是Logit
模型的基准回归结果,列(3)是Probit
模型的基准回归结果的边际效应。
OLS
可以发现,基于 模型的回归很大程度上低估了各变量的影响效应。列(3)回归结果表明,借款金额、借款期限、历史成功借款金额、已还本金和待还本金正向影响出现坏账的可能性,而初始评级、借款类型、是否首标、历史逾期还款期数和我的投资金额负向影响出现坏账的可能性。其中,初始评级每增加一级,出现坏账的概率理论
24%,首标借款人出现
上相应减少
4%。坏账的概率比非首标借款人低
5列(1)、列基准回归结果如表
(2)和列(3)所示。
本文进一步通过改变样本来考察基准回归结果的稳健性,如表5列(4)和列(5)所示。其中,列(4)
31~40估计了 岁借款人的子样本的边际效应,列(5)考察了借款人之中没有进行手机认证、户口认证、视频认证、学历认证、征信认证以及淘宝认证的借款人的子样本的边际效应。可以看到,基准结果的边际效应在上述子样本中都保持了高度稳健态势。
“我的投资金额”变量反映借款人对平台的依赖度。坏账状态与平台的依赖度可能存在反向的因果关系,即“我的投资金额”变量可能是内生解
Probit释变量,这会导致一般的 回归所得系数不具有一致性,所以还需要对“我的投资金额”变量进行内生性检验。本文将借款类型、是否首标作为内生性解释变量“我的投资金额”的工具变量。一方面满足借款类型、是否首标与我的投资金额的相关性,另一方面满足借款类型、是否首标不直接影响坏账状态的外生性,即间接影响坏账状态。IV Probit 5列(6)所示。对比列
估计的结果如表(3)和列(6)结果,一般的Probit
模型估计时,“我的投资金额”变量的内生性,将低估借款期限、历史 成功借款金额、我的投资金额、已还本金和待还本金对出现坏账概率的影响,同时高估借款金额和初始评级对出现坏账概率的影响。弱工具识别检
6 1%的验结果如表 所示,J和AR统计量的p值均在置信水平上显著,所以应该拒绝“内生变量与工具变量不相关”的原假设,即本文所选取的工具变量不是弱工具变量。
四、风险预警体系仿真模拟
(一)数据预处理由回归分析从借款信息中筛选出关键自变
6
表 弱工具识别检验
量,所得系数通过显著性检验,变量之间不存在多重共线性,所以系数的正负可以假设与实际情况相符,即自变量对因变量的影响方向与实际情况一致。在此基础上,才可以利用所得系数进行回归预测分析。本文在预测这一环节采用决策树算法来代替传统回归预测的方法,基于包含了291 336个样本、39 LCIS_2.csv
个字段的 数据集,为CART
了应用机器学习 算法,将该数据集划分为train.csv test.csv
和 的训练集和测试集。训练集和测试集都包含借款金额、借款期限、初始评级、借款类型、是否首标、历史成功借款金额、我的投资金
10额、已还本金、待还本金和坏账状态 个字段,其中
250 000,测试集样本量为41 336。训练集样本量为
(二)决策树算法分类与回归树(CART)是一种相对有效的非参数分类和回归方法。它通过构建二叉树模型达到预测目的。
该模型是基于昆兰(Quinlan)于1986
年提出的ID3 1993 C4.5
和 年提出的 两种方法的改进算法, ID3 C4.5
比 和 算法具有更好的抗噪声性能[ 12 ] ,并且已经在统计领域和数据挖掘领域普遍使用。它采用与传统统计学完全不同的方式构建预测准则,以二叉树的形式给出,很容易理解、使用和解
CART
释。在很多情况下,由 模型构建的预测树比传统的统计方法构建的代数学模型预测准则更加准确,而且数据越复杂、变量越多,算法就显得更
⑥,模型的关键在于预测准则的构建。这里采优越
python sklearn CART
用 机器学习库 中的决策树 算
train.csv test.法对样本进行分析。从本地导入 和csv
分别作为训练样本和测试样本,并从训练样本和测试样本中分别提取出自变量和因变量X_train,X_test,y_train y_tes(t
和 都是向量形式),得
7)。出训练集和测试集上的混淆矩阵(参见表由坏账状态的精准率可知,预测借款人此标
86%的样本确实是坏账;为坏账的所有样本中有由召回率可知,借款人此标实际会成为坏账的所
13%的样本被预测到。由此次样本有样本中只有数据得到的结果表明,预测借款人是坏账的精准
86%,但预测偏保守(参见表8)。
率能达
由于许多相关借款及借款人数据的不可得性,与现实相比,本文的模拟过程仅利用了非常有
86%,可见限的借款信息,但预测精准率却能达到 大数据算法在数据相对丰富且多元化的现实应用
P2P
场景(比如在 网络借贷行业的第三方风险监测与预警过程中)具有较好的推广价值。
五、结论与建议
(一)研究结论
1.
第三方大数据风险监测与预警有利于规制P2P
网络借贷平台信用中介化下的主体融资风险本文基于信用中介化与流动性风险恶性循环机制的理论分析,优化了网络借贷出借行为结构
3
模型。如图 所示,在法律监管的基础上,大数据风险监测与预警应综合考虑借款人风险和平台信用中介化风险,做好舆情监测,以填补法律监管的空缺。
P2P
此外 网络借贷平台应该定位为信息中
P2P
介。因为 网络借贷平台信用中介化破坏市场契约环境引致信贷市场系统性失范。对出借人来说,一方面,信用中介化干扰了其对借款人的感知风险,间接增加了其对借款人的信任,即低估了借款人的违约风险。信用中介化与流动性风险的恶性循环机制使得平台流动性风险积累到超出其可承受的范围,使借款人出现资金链断裂,从而跑路或停业,使出借人蒙受巨大损失;另一方面,使得诈骗平台有机可乘,造成出借人的直接损失。
对平台自身来说,信用中介化使其受到由宏观的政策性风险引发的流动性风险。因为借款方违约率受整体宏观经济的影响,在经济低迷期违约率通常会提高。此外,投资者也会根据宏观经
济环境调整投资信心,一旦投资信心大幅下降, P2P
平台出现大量资金出逃现象,行业资金净流出加剧,流动性风险就会增加。
2.
借款人借款信息与大数据算法是风控预警的重要支柱
本文实证部分基于分类视角从借款信息各变量归纳出四个基本属性,挖掘变量的内在关联,分别为个人信息、借款属性、平台依赖度和还款属性。其中,平台依赖度的子影响因素——我的投资金额变量是内生性解释变量,即借款人的平台依赖度与坏账状态存在反向因果关系。这意味着违约风险高的借款人存在欺诈行为的可能性较大,容易出现一次性借巨款和多平台借款的行为,呈现出极低的平台依赖度。基于此,本文建议网络借贷平台在第二道风控环节中设计借款人平台依赖度相关测度指标,从如何提升用户黏性的角度进一步优化运营管理,建立相应的用户挽留机制,对于偏投资型客户则要做好客户流失预警,对于偏借贷型客户做好违约风险预警,严格设置借款人的借款金额上线,监测类似的欺诈行为。本文的风险预警模拟过程利用有限的借款信
86%。体现了大数据算法在息,预测精准率达到
P2P
网络借贷行业第三方风险监测与预警过程中的推广价值,所以大数据算法在风控预警过程中的应用是必然趋势。这正符合当今监管科技模式从主要通过社会举报信息、网络舆情信息和基础信息收集研判,实现金融风险监测预警和监管向以交易大数据为主,结合网络舆情信息、社会举报信息、基础信息等构建监测预警体系转变升级的
⑦。充分利用交易信息,通过关口前移、源头理念布控,对金融风险早发现、早识别、早预警、早核实、早打击,继而降低监管成本,提升监管效率。(二)政策建议
P2P
为了回归 网络借贷平台的信息中介定位,加强平台性质“变异”过程中第三方风控预警的能力,提出以下政策建议:
1.
落实平台信息中介政策,严惩信用中介化网络借贷平台
结合已有相关法律法规,P2P
网络借贷要坚持平台功能,定位信息中介业务,为借款人与出借人实现直接借贷提供信息搜集、信息公布、资信评估、信息交互、信贷撮合等服务;不得偏离信息中 介的角色,实际掌握资金的供给和需求,隔断资金供求双方的直接联系和信息交流,更不得挪用、诈骗客户资金,也不能吸收存款和发放贷款;充当信用中介的角色,应该实行第三方支付机构客户备付金集中存管制度。
2.
引导行业数据共享,完善征信体系建设
P2P
雷阳等 [ 13 ]曾提出“征信体系是 回归信息中介的关键”。征信体系建设是对借贷双方信息不对称问题最直接有效的解决方式,这使得借款人借款信息的初始评级更加可靠,继而提高第三方风险监测与预警的准确率,为投资人提供更加有效的投资决策依据。从建立信贷资产标的“穿刺”行业披露机制、加强行业数据共享机制建设、搭建信用中国数据库等方面入手,完善征信体系,构建信贷市场有序化发展的良性契约基础。
3.
加强投资人金融知识教育,增强投资人风险感知能力
基于本文“信用中介化与流动性风险恶性循环机制”,投资人出借行为是网络借贷交易过程中的重要环节,投资人的风险感知能力会影响投资
2017人的理性决策。中国人民银行在 年发布的全63.71
⑧。数据国消费者金融素养指数的平均分为表明,我国消费者金融素养水平有待提升,应有针对性地普及金融知识,将金融知识纳入国民教育体系。应通过市场管理介入强化信贷市场,尤其是平台化市场范畴中市场主体的风险规制,建立政府—平台—主体“三位一体”的风险规制体系,强化平台信息披露、风险提示及风险预警建设,缓释平台信用中介化对于投资人的金融风险传导。与此同时,完善市场准入机制和平台动态监管预警机制,补充建立网络信贷平台保证金制度、平台主体信息披露制度与信用中介化平台处置机制,解决网络信贷市场平台—主体间的信息失范问题、权责错位问题、风险分摊问题及不良处置问题,建立良好、有序的网络信贷市场。
注释: ①本文将网络借贷平台脱离信息中介本质的过程称为“信
用中介化”。②大数据风控可以理解为金融科技,所以本文提出的第二道风控属于传统意义上的金融科技的第二道风控。提出第一道风控和第二道风控概念的原因在于本文关于网络借贷中风险控制的脉络基于这两个层次,即风险防控机制和预警体系。