CN104978689A - 一种基于证券市场组合特征的网络贷款风险量化分析方法 - Google Patents

Abstract

本发明公开了一种基于证券市场组合特征的网络贷款风险量化分析方法，根据以下表达式计算借标的风险概率值p_r和平台的风险安全概率值p_p：p_r＝q*p_f2+(1-q)*p_s2；p_p＝w₁*p_b1+w₂*p_b2+…w_h*p_bh；其中，q的取值范围为[0.55,0.9]；w₁、w₂…w_h为权重；p_r值越大表示还贷能力越强；p_f2＝p_f*m；p_s2＝p_s*m，h为全部被考察互联网借贷平台的借标的所属行业的数目。本发明能根据借标的公开信息来计算借款利率的风险，并给出量化的风险安全概率值，分析方法准确有效。

Description

一种基于证券市场组合特征的网络贷款风险量化分析方法

技术领域

本发明涉及互联网贷款风险的量化分析领域,特别是一种基于证券市场组合特征的互联网贷款风险量化分析方法。

背景技术

目前，互联网贷款发展很快，给中小企业的创业和发展带来融资的契机。但是仍然存在一些困境，主要集中在贷款利率整体偏高，甚至很不合理；这一方面增加了融资方的负担，不符合国家“普惠金融”的初衷；另一方面给一些违规违法经营者可乘之机，他们以高利率吸引投资，迷惑广大投资者，然后自建“资金池”，甚至“跑路”。

从国民经济健康发展的角度，对于互联网贷款的“借标”，虽然大部分都有担保，但是显然投融资各方都希望借贷企业通过正常经营就可以偿还贷款，即通过营业额和利润就可以还贷。如果互联网贷款平台的每个“借标”的利率都处于合理的水平，那么投资者就不会盲目的选择高利率“借标”，而且互联网贷款平台和投融资方也将用更多精力来改善服务、分析和帮助借贷企业，从而促进实现“普惠金融”。

目前分析违约风险的方法较多，但是从利率的合理性的角度来分析风险的方法还很少，实际情况中，很多中小型的借贷企业没有违约，但是营业额和利润不足以偿还贷款，导致自有资金损失，对企业成长和企业主的生活水平造成不良的影响。

对于目前的互联网贷款的经营贷的“借标”，往往存在以下问题：

(1)详细信息很少，许多借标介绍仅仅是“资金周转”，寥寥几字，投资者很难分析借款方的还款能力和经营能力；

(2)许多中小企业的财务报表缺失或不完整，无法进行精确的分析；

一个典型的借标案例为：本人经营1家超市，客流量和交易量都很好，经营情况可以覆盖本次借款；目前希望扩大规模，申请借贷10万元，借期6个月，借款利率15％。

如何根据借标的公开信息来分析借款利率的风险，并给出量化的风险安全概率值，就是本发明所要做的工作。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于证券市场组合特征的网络贷款风险量化分析方法。

为解决上述技术问题，本发明所采用的技术方案是：一种基于证券市场组合特征的网络贷款风险量化分析方法，根据以下表达式计算平台p借标r的风险安全概率值p_r和平台p的风险安全概率值p_p：

p_r＝q*p_f2+(1-q)*p_s2；

p_p＝w₁*p_b1+w₂*p_b2+…w_h*p_bh；

p_r值越大表示对于某个借标，借款方还贷能力越强；q的取值范围为[0.55,0.9]；p_f2＝p_f*m；p_s2＝p_s*m；w₁，w₂…w_h表示权重；

其中，借标金额的单位为元；

p_f根据对借标所属行业的上市公司的历史年报数据分析得到，将上市公司年报中的财务费用比率和净利润率相加，得到的组合指标简称为“财费利润率”，等价于以下公式：财费利润率＝(财务费用+净利润)/总营业收入；

对于上市公司下一年的“财费利润率”，采用指数模型进行预测，这样，对于每个上市公司，可以得到历史的15年和下一年(共计16年)的“财费利润率”。

然后将与某个借标同行业的全部N家上市公司的“财费利润率”组成1个样本集，称为“财费利润率样本”，样本集的元素数目为N*16。

在上述样本的基础上，进行借标利率的假设检验，即t检验，

原假设H0为：财费利润率均值>借标利率；显著性水平为0.05；

若检验结果为通过，表示借标利率合理，企业通过营业额和利润很可能可以偿还贷款，风险安全概率较大。若检验结果为拒绝，则表示企业通过预计的经营情况获得的利润很可能无法偿还贷款，风险安全概率较小(即风险较为显著)。

t检验中计算的t统计量对应一个概率值(下称原概率值)，若概率值大于上述的显著性水平，则假设检验通过，现将原概率值转换为风险安全概率值：

p_s根据对借标所属行业的上市公司的股票历史价格分析得到，采集数据为与某个给定借标处于同行业的上市公司的历史15年的每月股价，每月股价取每月1日的复权后的收盘价，对于每个月度股价，以年为周期计算“月度同期收益率”，公式为：

月度同期收益率(n)＝(月度股价(n)-月度股价(n-12))/月度股价(n-12)；n表示月；

将这样得到的月度同期收益率组成样本集，设与给定某个借标同行业的全部上市公司的数目为N，一个借标对应的样本集的元素数目为：N*15*12，然后用t检验进行分析，计算原理和p_f相同，公式如下：

h为全部被考察的互联网贷款平台中出现的行业数目；对于平台p的全部借标，p_p,b1，p_p,b2…p_p,bh表示其中的各个行业的风险安全概率，未出现的行业的风险安全概率设为0；计算方法如下：设p_p,bi为平台p中行业i的风险概率值，其值为此行业i的全部借标的风险安全概率的加权和，权重为借标的金额，i＝1,…,h，公式表示如下：

L为某个平台中属于行业i的借标的数目；其中，p_p,rj为借标rj的风险安全概率。

2、根据权利要求1所述的基于证券市场组合特征的网络贷款风险量化分析方法，其特征在于，q和权重w₁、w₂…w_h的取值方法如下：

1)q的取值空间为[0.55,0.9]，按步长0.025取一系列的q值，组成数组，即{0.55,0.575,0.56,…,0.9}；

2)从上述数组中取一个q值；

3)根据平台的风险安全概率值计算平台的特征向量v，v＝[p_b1；p_b2；p_bh]，作为样本的特征向量；

4)采用“融360”评级报告确定平台的评级等级，作为样本分类值，用SVM进行训练，得到模型和权重w；对于得到的模型，以样本的特征向量为输入，计算模型分类值；

5)计算模型的分类误差，保存所述分类误差、模型、权重向量w和q；w＝[w₁；w₂；…；w_h]；

6)判断是否遍历完步骤1)中数组内的所有q值；若是，进入7)；否则，返回2)；

7)选择分类误差最小的模型,将此模型对应的w和q作为终值；

上述分类误差的计算公式为：

K为互联网借贷平台的数目。

与现有技术相比，本发明所具有的有益效果为：本发明针对中小企业财务报表不完善和借标详情较少的情况，采用证券市场的财经数据和互联网金融平台的评级等级作为训练集，得到风险安全概率的计算公式。对于给定借标，从证券市场采集同行业的财务报表、股价等数据，并进行短期预测，形成财经指标值，然后利用假设检验计算初步的风险安全概率值，作为样本的特征向量；再利用支持向量机进行训练，寻找最优的特征向量的权重，最后得到借标和互联网借贷平台的风险安全概率的计算公式，它们是特征向量的加权和，本发明能根据借标的公开信息来计算借款利率的风险，并给出量化的风险安全概率值，分析方法准确有效。

附图说明

图1为本发明建模过程示意图；

图2为本发明建模流程图。

具体实施方式

本发明中的“风险”，指借贷企业赚取的利润不足以偿还贷款本金和利息的情况，这时借贷企业的其他资金就会遭受损失；这个“风险”的情况不等同于违约。

本发明针对中小企业财务报表不完善和借标详情较少的情况，采用证券市场的财经数据和互联网金融平台的评级等级作为训练集，得到风险安全概率的计算公式。对于给定借标，从证券市场采集同行业的财务报表、股价等数据，并进行短期预测，形成财经指标值，然后利用假设检验计算初步的风险安全概率值，作为样本的特征向量；再利用支持向量机进行训练，寻找最优的特征向量的权重，最后得到借标和互联网借贷平台的风险安全概率的计算公式，它们是特征向量的加权和。

这里的“风险安全概率值”的范围为[0,0.99]，表示无上述“风险”的情况下偿还贷款的可能性，值越大表示风险越低，安全性越好。这样，投资者和监管者可以直观的选择和分析借贷请求，规避明显不合理的高借款利率，从而使互联网贷款行业去莠存良。

本方法可以作为第三方(除互联网借贷平台和投融资者之外的机构或人员)对借标进行计算和分析，也可以作为线上和线下投融资机构的贷款分析过程中的一个环节。

本发明基于如下假设：

(1)借标的担保是真实有效的，借款方在借款期内能保持企业的正常经营；

(2)中小借贷企业的经营情况不会明显好于同行业上市公司。

a)基于同行业上市公司年报的风险安全概率

对于某个给定借标，确定所属行业，在证券市场上找到此行业的上市公司，假设共有N家，提取这N家同行业公司的财务年报，时间跨度为过去15年，作为数据源。如上述典型示例中的借标所属行业为超市，则采集超市行业的全部上市公司的年报。

将上市公司年报中的财务费用比率和净利润率相加，生成的组合指标简称为“财费利润率”，等价于以下公式：

财费利润率＝(财务费用+净利润)/总营业收入；

在公司年报中，财务费用包含了支付的贷款利息，而净利润为除去各种开支和税费后的利润。此比率代表了可以用于偿还贷款的金额。

对于上市公司下一年的“财费利润率”，采用指数模型进行预测，这样，对于每个上市公司，可以得到历史的15年和下一年(共计16年)的“财费利润率”。

然后将与某个借标同行业的全部N家上市公司的“财费利润率”组成1个样本集，称为“财费利润率样本”，样本集的元素数目为N*16。

在上述样本的基础上，进行借标利率的假设检验，即t检验，原假设H0为：财费利润率均值>借标利率；显著性水平为0.05；若检验结果为通过，表示借标利率合理，企业通过营业额和利润很可能可以偿还贷款，风险安全概率较大。若检验结果为拒绝，则表示企业通过预计的经营情况获得的利润无法偿还贷款，风险安全概率较小(即风险较为显著)。

在上述的t检验中，给定某个借标的借款利率时，需要计算t统计量，此统计量对应一个概率值(可查概率分布表得到)，若概率值大于上述的显著性水平(0.05)，则假设检验通过，现将此概率值(下称原概率值)转换为风险安全概率值，公式如下：

可见，风险安全概率值越大，表示通过企业经营能还贷的可能性越大；

公式中，假设检验通过时的区间线性转换是将[0.05,0.99]转换为[0.15,0.99]，主要是为了体现假设检验通过和不通过的概率等级差别，而0.03则为拒绝域区间[0,0.05]的平均概率值。

这样，以同行业公司年报的组合指标“财费利润率”为数据源，可以计算出给定借标借款利率的风险安全概率p_f(f表示financial)，作为样本的特征向量的一个元素。

b)基于同行业上市公司股价的风险安全概率

对于上述“a)”中的例子，还可以用某个给定借标的所属行业上市公司的股价来进行分析，采集数据为与某个给定借标处于同行业的上市公司的历史15年的每月股价，每月股价取每月1日的复权后的收盘价，对于每个月度股价，以年为周期计算“月度同期收益率”，公式为：

月度同期收益率(n)＝(月度股价(n)-月度股价(n-12))/月度股价(n-12)；n表示月；

将这样得到的月度同期收益率组成样本集，根据上述“a)”中的例子，一个借标对应的样本集的元素数目为：N*15*12。

然后采用“a)”中的方法计算基于股票收益率的风险安全概率值p_s(s表示stock)。

c)基于银行理财数据进行概率值的变换

大部分情况下，投资收益和投资额呈现一定的正比关系，即投资额越大，利润率越高。本方法中采集银行理财产品的购买起始金额和预期收益率，如：理财产品A起投额为5万元，预期收益率4.5％，理财产品B起投额为50万元，预期收益率5.5％，然后建立起投金额和预期收益率之间的线性回归模型，其中x轴为起始金额，y轴为预期收益率。

利用此线性模型的斜率将原收益率线性映射至区间[1，1.1]，[1，1.1]指对于不同投资金额的风险安全概率放大倍数，考虑到互联网借贷的金额较小，则形成如下公式：

这样上述的2个风险安全概率值转换为：p_f2＝p_f*m；p_s2＝p_s*m；

d)借标的特征向量和样本的分类值

根据上述的计算，每个借标的特征向量为：[p_f2；p_s2]；

对于每个互联网借贷平台，一些权威机构对它们进行了评级，如“融360”将互联网借贷平台分为5个等级，可作为样本的分类值。

e)训练样本的构造

由于在公开数据中，没有对于借标的分析指标值或评级，只有对于互联网借贷平台的评级，所以需要将借标的特征转换为互联网借贷平台的特征。

(1)借标的风险安全概率

每个借标的风险安全概率值为特征向量的加权和，即为如下公式：

p_r＝q*p_f2+(1-q)*p_s2；

其中为q为权重，范围为[0.55,0.9]，表示p_f2比p_s2分配更大权重，为待优化量；根据上述的介绍，p_r范围为[0,0.99]，值越大表示还贷能力越强，r表示request。

(2)互联网借贷平台的特征向量

对于每个互联网贷款平台，其包含的各个借标属于不同的行业，可以按行业形成概率特征。

先统计在全部被考察的互联网贷款平台中出现的行业数目h；然后对于每个互联网贷款平台，可以建立1个风险安全概率特征向量v，包含的元素数目为h，即每个行业对应1个风险安全概率值，平台中未出现的行业的概率值为0。在一个平台中，特征向量v中的每个概率特征值为同类行业的借标的风险安全概率值的加权和，权重为借标的金额。

而1个平台的风险安全概率值p_p等于风险安全概率特征向量v的每个元素值的加权和，权重w为待优化量。

现举例说明，若全部被考察的平台的借标共包含3种行业，如：超市，化工，餐饮，则每个平台的风险安全概率特征向量为：

v＝[p_b超市；p_b化工；p_b餐饮]；下标b表示business；

若某个互联网借贷平台中仅有1种行业，如：超市，共有2个借标，金额分别为5万元和10万元，2个借标的p_r分别为0.7和0.8(假设q已知)，则借标1和借标2的权重分别为0.33和0.67，此平台的风险安全概率特征向量为：

v＝[0.7*0.33+0.8*0.67；0；0]。

则此平台的风险安全概率值p_p＝w₁*p_b超市+w₂*p_b化工+w₃*p_b餐饮；p表示platform，其中w1、w2、w3为权重，下面以w表示权重向量；

每个平台的风险安全概率特征向量可表示为：v＝[p_b1；…；p_bh]；h为全部被考察的互联网贷款平台中出现的行业数目。

(3)样本分类值

每个互联网借贷平台的评级等级可以作为样本分类值，评级来自“融360”评级报告；

(4)训练样本和待优化量

训练样本为互联网借贷平台；

样本的特征向量包含各个行业的风险安全概率；

样本分类值为平台的评级等级值。

权重q和w为待优化量。

f)用多类支持向量机进行模型寻优

根据上述的训练样本集，可以采用多类支持向量机(即SVM)进行训练，求出最优的权重q和w。

本方法中先假定一系列的q，然后对于每个q值求出1个SVM，即求出w，这样得到多个训练模型；根据模型可计算每个平台的风险安全概率值，然后可对平台进行排名；最终选择与样本的平台排名相差最小的模型，作为最优模型。

寻优过程中，q的取值空间为[0.55,0.9]，按步长0.025取一系列的q值，对于每个q值，求出SVM模型，并计算相应的排名准确率，这样得到多个模型；其中最优模型的排名准确率为82％，对应的q为0.725，这说明模型是有效的。建模的流程图如图2。1个SVM模型的分类误差的计算方法为：

K为互联网借贷平台的数目

最优模型确定后，即确定权重q和w之后，可以计算每个互联网借贷平台的风险安全概率，对于SVM模型，采用平台的特征向量和权重向量w进行加权和的计算，虽然最终输出结果为分类值，实际上在SVM模型内部是先计算出连续值，再按分段阈值转换为离散的分类值；而上述的连续值可以作为平台的风险安全概率值。

e)计算借标和互联网贷款平台的风险安全概率

获得最优模型，即确定最优的q和w后，可根据模型计算每个借标和每个互联网贷款平台的风险安全概率值，公式如下：

借标的风险概率值p_r＝q*p_f2+(1-q)*p_s2；

平台的风险安全概率值p_p＝w₁*p_b1+w₂*p_b2+…w_h*p_bh。

现举例说明，如现有4个平台：p1,p2,p3,p4，“融360”对他们的评级从优到劣分别为A,B,C,C-，全部平台中共有3个行业：h1,h2,h3，分别为：超市、日化产品制造、餐饮，其中，平台p1中属于行业h1的借标数目为2个，表示为r11,r12，所属行业为超市，其他借标不再详述。其中，r11为：本人经营1家超市，客流量和交易量都很好，经营情况可以覆盖本次借款，目前希望扩大规模，申请借贷10万元，借期6个月，借款利率15％；r12为：本人经营1家超市，客流量和交易量都很好，经营情况可以覆盖本次借款，目前希望扩大规模，申请借贷4.5万元，借期12个月，借款利率7％；上述平台和借标可表示为以下表格：

平台\借标所属行业	h1(超市)	h2(日化产品制造)	h3(餐饮)
				p1	r11,r12	r13	r14
p2	r21	r22	r23
				p3	r31	r32	r33
p4	r41	r42	r43

先收集属于行业h1的上市公司的财务年报，形成样本集，对于借标r11，以此样本集进行t检验，检验结果为“拒绝”，得到p_f,r11＝0.03，然后根据借标金额10万元取m＝1.03，得到p_f2,r11＝p_f,r11*m＝0.03*1.03＝0.0309；对于借标r12，仍然以上述的超市行业样本集进行t检验，检验结果为“通过”，再对t统计量对应的概率值进行线性转换，得到p_f,r12＝0.61；然后根据借标金额4.5万元取m＝1，得到p_f2,r12＝p_f,r12*m＝0.61*1＝0.61，计算的借标的p_f2,r11～p_f2,r43如下表：

平台\借标所属行业	h1(超市)	h2(日化产品制造)	h3(餐饮)
				p1	0.0309,0.61	0.56	0.77
p2	0.62	0.41	0.79

p3	0.49	0.48	0.88
				p4	0.43	0.45	0.69

再收集属于行业h1的上市公司的股价，计算股票收益率，形成样本集，对于借标r11，以此样本集进行t检验，检验结果为“拒绝”，得到p_s,r11＝0.03，然后根据借标金额10万元取m＝1.03，得到p_s2,r11＝p_s,r11*m＝0.03*1.03＝0.0309；对于借标r12，仍然以上述的行业h1样本集进行t检验，检验结果为“通过”，再对t统计量对应的概率值进行线性转换，得到p_s,r12＝0.83；然后根据借标金额4.5万元取m＝1，得到p_s2,r12＝p_s,r12*m＝0.83*1＝0.83，计算的借标的p_s2,r11～p_s2,r43如下表：

平台\借标所属行业	h1(超市)	h2(日化产品制造)	h3(餐饮)
				p1	0.0309,0.83	0.435	0.99
p2	0.57	0.535	0.765
				p3	0.64	0.355	0.68
p4	0.655	0.3	0.64

按上述方法得到全部借标的p_f2和p_s2，现假设q已求出，q＝0.6，则r11的风险安全概率p_r11＝p_f2,r11*q+p_s2,r11*(1-q)＝0.0309*0.6+0.0309*0.4＝0.0309，r12的风险安全概率p_r12＝p_f2,r12*q+p_s2,r12*(1-q)＝0.61*0.6+0.83*0.4＝0.698。

按此方法可计算出每个借标的风险安全概率p_r11～p_r43如下表：

平台\借标所属行业	h1(超市)	h2(日化产品制造)	h3(餐饮)
				p1	0.0309,0.698	0.51	0.86
p2	0.6	0.46	0.78
				p3	0.55	0.43	0.8
p4	0.52	0.39	0.67

接下来计算每个平台的风险安全概率的特征向量v＝[p_b1；p_b2；p_b3]，对于平台p1的行业h1，包含2个借标r11,r12，按以下方法计算平台p1的行业h1的风险安全概率p_1,b1＝(0.0309*10+0.698*4.5)/(10+4.5)＝0.238；本例中其他的行业都只包含1个借标，所以行业的风险安全概率就等于借标的风险安全概率，得到的行业风险安全概率p_1,b1～p_4,b3如下，这也是平台的风险安全概率特征向量，每一行对应一个平台的特征向量；

平台\行业	h1(超市)	h2(日化产品制造)	h3(餐饮)
				p1	0.238	0.51	0.86
p2	0.6	0.46	0.78
				p3	0.55	0.43	0.8
p4	0.52	0.39	0.67

接下来计算每个平台的风险安全概率，现在行业数目h＝3，假设w＝[w1；w2；w3]已求出，为[0.1；0.7；0.2]，可计算平台p1的风险安全概率值p_p1为0.238*0.1+0.51*0.7+0.86*0.2＝0.5528，可计算出全部平台的风险安全概率如下：

平台	风险安全概率计算值	根据计算结果的排名	样本等级
				p1	0.5528	1	A
p2	0.538	2	B
				p3	0.516	3	C
p4	0.459	4	C-

可见，平台的风险安全概率计算值的排名和样本等级的排名相同，说明上述的q和w是准确的。

训练样本集包括4个平台，3个行业和若干借标，待定模型的输入为基于上市公司年报和基于上市公司股价的风险安全概率：p_f2,r11～p_f2,r43，p_s2,r11～p_s2,r43，输出为“融360”的评级等级：A,B,C,C-；待定参数为q和w，以下为训练过程的列表：

训练模型序号	假定q值	训练模型的w	模型误差
				1	0.55	[0.15；0.67；0.18]	4
2	0.575	[0.3；0.51；0.19]	2
				3	0.6	[0.1；0.7；0.2]	0
……
				15	0.9	[0.45；0.32；0.23]	6

可见，“训练模型序号”为3的模型的误差最小，为最优模型。

Claims (2)

1.一种基于证券市场组合特征的网络贷款风险量化分析方法，其特征在于，根据以下表达式计算平台p借标r的风险概率值p_r和平台p的风险安全概率值p_p：

p_r＝q×p_f2+(1-q)×p_s2；

p_p＝w₁×p_b1+w₂×p_b2+…w_h×p_bh；

p_r值越大表示对于某个借标，借款方还贷能力越强；q的取值范围为[0.55,0.9]；p_f2＝p_f×m；p_s2＝p_s×m；w₁，w₂…w_h表示权重；其中，借标金额的单位为元；p_f根据对借标所属行业的上市公司的历史年报数据进行t检验分析得到，所述t检验的显著性水平为0.05，t检验中计算的t统计量对应原概率值，若原概率值大于上述的显著性水平，则假设检验通过，现将原概率值转换为风险安全概率值：

p_s根据对借标所属行业的上市公司的股票历史价格分析得到，计算原理和p_f相同，公式如下：

h为全部被考察的互联网贷款平台中出现的行业数目；对于平台p的全部借标，p_p,b1，p_p,b2…p_p,bh表示平台p中的各个行业的风险安全概率，未出现的行业的风险安全概率设为0；计算公式表示如下：

L为某个平台中属于行业i的借标的数目；

其中，i＝1,…,h，p_p,rj为借标rj的风险安全概率。

2.根据权利要求1所述的基于证券市场组合特征的网络贷款风险量化分析方法，其特征在于，q和权重w₁、w₂…w_h的取值方法如下：

1)q的取值空间为[0.55,0.9]，按步长0.025取一系列的q值，组成数组，即{0.55,0.575,0.56,…,0.9}；

2)从上述数组中取一个q值；

3)根据平台的风险安全概率值计算平台的特征向量v，v＝[p_b1；p_b2；p_bh]，作为样本的特征向量；

4)采用“融360”评级报告确定平台的评级等级，作为样本分类值，用SVM进行训练，得到模型和权重w；对于得到的模型，以样本的特征向量为输入，计算模型分类值；

5)计算模型的分类误差，保存所述分类误差、模型、权重向量w和q；w＝[w₁；w₂；…；w_h]；

6)判断是否遍历完步骤1)中数组内的所有q值；若是，进入7)；否则，返回2)；

7)选择分类误差最小的模型,将此模型对应的w和q作为终值；

上述分类误差的计算公式为：

K为互联网借贷平台的数目。