摘要
随着全球经济一体化进程加快,金融业随之出现许多新兴业态。P2P网络借贷作为数字新金融业态的重要组成部分,近年来风险频发,整个行业出现大量问题平台。文章以2015年12月的e租宝事件为研究窗口,通过收集到的正常平台与问题平台数据,将机器学习原理中的支持向量机算法引入到平台风险的预测中,发现支持向量机模型对平台风险的预判有较好效果。因此,需要建立完整有效的平台风险预判体系;利用大数据技术加强对相关特征平台的重点监测和预警;实行平台信息定期报告制度;提升风险源的精准甄别技术,构建遏制风险传染的有效路径。
引文
[1]万冬仪.P2P网络借贷平台风险预警研究[J].经贸实践,2018(11).
[2]全颖,敬然.P2P网贷借款人信用风险预警研究[J].中国流通经济,2019(2).
[3]姚畅燕,吴姗姗.P2P网络借贷平台风险预警模型构建及实证分析[J].西安财经学院学报,2016(4).
[4]涂艳,王翔宇.基于机器学习的P2P网络借贷违约风险预警研究———来自“拍拍贷”的借贷交易证据[J].统计与信息论坛,2018(6).
[5]Einav,L.&Levin,J.. Economics in the age of big data[J].Science,2014(346).
[6]张琳,汤薇,林晓婕,周媛.基于SVM-SRISK的非上市保险公司系统性风险度量[J].保险研究,2018(6).
[7]张卫国,卢媛媛,刘勇军.基于非均衡模糊近似支持向量机的P2P网贷借款人信用风险评估及应用[J].系统工程理论与实践,2018(10).
(1)见《新华社发文披露e租宝非法集资真相》,https://new.qq.com/rain/a/20160201006833。
(1)2017年4月25日,中共中央总书记习近平在中共中央政治局就维护国家金融安全进行第四十次集体学习时的发言。http://cpc.people.com.cn/n1/2017/0427/c64094-29238874.html.
(1)有关支持向量机的理论主要参考下列文献:(1)韩笑琳.支持向量机的原理和实现,https://www.ibm.com/developerworks/cn/analytics/library/machine-learning-hands-on1-svn/index.html,2017-09-26;(2)Cristianini,N.&Taylor,J.《支持向量机导论》,李国正等译,电子工业出版社,2004年;(3)李航.《统计学习方法》,清华大学出版社,2012年;(4)张晶晶.《多类分类支持向量机在信用评级领域的应用及核参数选择研究》,厦门大学,2009年。
(1)该数据库由清华大学互联网金融中心独立构建,不对外公开。