基于机器学习的P2P网络借贷平台风险监测与预警

李 爽,刘娅娅,李晓彤

(西安财经大学 统计学院, 陕西 西安 710100)

一、引言

我国P2P网络借贷平台借助互联网技术的便利性和早期国家监管体系的缺失,在2011—2015年呈现井喷式增长,但随着2015年底“e租宝”事件的爆发,正常运营平台的数量逐年下降。截止到2019年年底,正常运营数量仅有343家,转业平台数量和问题平台数量逐年增加[1]。网站关闭、延期兑付、提现困难、平台跑路等问题层出不穷,严重影响了P2P网络借贷行业的发展,充分暴露出行业的巨大风险[2]。究其问题产生的原因:一方面,与现阶段我国宏观经济从高速增长转换为中高速增长有关[3];另一方面,主要为平台内部风险控制能力低下、有关部门对平台早期的监管体系不完善[4]。2017年4月,中共中央提出要维护国家金融安全,强调“金融活,经济就活;金融稳,经济就稳;维护国家金融安全是治国理政的一件大事”,这是中央高层首次专题研讨国家金融安全与稳定问题,反映了国家对防范金融风险的高度重视。与传统商业银行申请门槛高、审核机制严相比[5],P2P网贷具有申请门槛低、审核宽松、金额小、放贷快等特点[6],这为小微企业及个人融资难、贷款难等问题提供了很好的解决方案[7]。此外,发挥网络借贷平台的优势,帮助有资金困难的小微企业渡过难关,提高社会福利,对促进欠发达地区的经济发展具有积极作用[8]。因此,为了防范风险而对P2P网络借贷平台一刀切的政策有待商榷,而运用大数据技术对P2P平台的风险来源进行全面分析,对风险识别与预警具有一定的现实意义。

如何识别风险并制定监管规则是目前监管部门和学术界研究的热点问题。2016年4月12日,国务院办公厅印发并实施的《互联网金融风险专项整治工作实施方案》指出,建立和完善适应互联网金融发展特点的监管长效机制,实现规范与发展并举、创新与防范风险并重,重点指明了对P2P平台的整治,这体现出监管部门对P2P网络借贷行业健康发展的重视。

对于P2P网络借贷平台的监管,一些学者从不同角度提出了有益的监管办法。例如:赵建国、白昌易等人(2019)基于50家P2P网贷平台经营面板数据,利用回归分析方法,研究发现实施“1+3”政府监管体系能够使平台成交量、投资人数增加,缓解市场失灵,保证市场有效运行,对P2P平台的发展具有显著的促进作用[9]。马淑琴、郑佳豪等人(2019)基于信用中介化和流动性风险循环视角,建立三种回归模型进行分析,研究结果表明P2P网贷平台作为信息中介是产生平台风险的根源,建立第三方风险监测预警系统有利于防范P2P网贷平台的风险,并提出要加强平台的信息披露、投资者金融风险教育,完善征信体系、网贷平台准入机制等政策建议[10]。

一些学者认为P2P网络借贷平台的风险主要来自借款人的信用风险和违约风险,在借款人信用风险和违约风险识别与预警方面做了大量有益的研究。例如,全颖、敬然(2019)分析借款人信用风险形成的原因,构建了包括防范要素输入、信用风险预警、风险防范、预警结果输出等四个模块的P2P网贷借款人信用风险预警系统,并提出防范借款人信用风险,要加强借款人贷后风险的监控、信用风险防范管理人才队伍的建设、借款人信息库的构建等[11]。蒋先玲、张庆波等人(2020)基于人人贷平台的历史交易数据,根据风险定价理论,对借款人的信用风险进行识别,研究结果表明,无论是P2P平台、投资者还是监管部门对借款人的信用风险的识别都存在偏差,由此建议打破个人征信数据壁垒、丰富个人征信产品[12]。涂艳、王翔宇(2018)基于拍拍贷的交易数据,将交易样本分为违约与非违约两种状态,运用多种机器学习方法构建借款人违约风险预警模型,对比不同机器学习方法预警准确率,该研究对实现借款人违约风险的科学预警具有重要意义[13]。

在平台本身的风险识别与预警方面,也有学者从不同角度出发进行了研究。例如,姚畅燕、吴姗姗(2016)分析了P2P网贷行业风险的来源,认为P2P网贷行业的风险由宏观经济环境风险和平台内部风险两大部分组成,并利用主成分分析法对网贷市场风险进行综合评估,依据经验将平台风险等级分为四个等级,将平台风险的四个等级作为BP神经网络的输出,构建了包含宏观经济变量的P2P网贷行业风险预警BP神经网络预警模型[3]。范超、王磊等人(2017)在2016年6月13日国泰安数据库444家中国P2P平台内部基本数据与交易数据的基础上,引入平台外部评论数据和新闻数据,将平台分为问题平台和正常平台,综合使用11种机器学习方法选择重要的风险预警指标并分析各个指标的意义,研究结果表明外部信息和交易信息对平台风险的甄别具有重要作用,且SVM和树类模型对P2P平台的风险预警更加有效[14]。崔炎炎、刘立新(2020)将网络舆情信息和第三方资讯网站信息加入到传统的P2P网贷风险评价指标体系中,将网贷平台分为问题平台和正常平台,运用四种机器学习模型对网贷平台进行风险评价,得出随机森林和SVM的分类准确率更高[15]。张璇(2020)基于投资者权益保护视角,构建P2P平台风险预警指标体系,利用主成分分析法对平台风险进行评估,依据经验将平台风险划分为五个等级,将风险预警指标体系作为BP神经网络的输入,五个等级作为输出,建立BP神经网络风险预警模型[16]。

通过对以往研究的梳理,研究者们为维持P2P网络借贷行业的稳定健康发展,从不同角度分析了平台风险的来源、问题平台产生的原因,并从构建平台监管制度,识别借款人信用风险、违约风险以及平台本身风险等方面做出了重要贡献,特别是为解决P2P平台风险预警问题提出了很多有效的方案,对本文P2P网贷平台风险识别有重要的参考价值。但以往研究仍存在一些需要完善的地方:一方面,不管是对借款人信用风险、违约风险的识别,还是对P2P网络借贷平台风险的识别,已有的风险预警系统只考虑已经发生的和未发生的两种类型(即借款成功和未成功,未违约和已经违约,正常平台和问题平台),这种事后预警具有很强的滞后性,对平台的管理者、监管部门、投资者实时掌握平台的风险状况造成了困难。本文将对正常运营的P2P网络借贷平台的风险进行评估,并对风险进行等级的划分,利用四种机器学习方法实现平台的风险预警,对比四种机器学习模型的效果,选出最有效的方法作为最终的风险预警模型。另一方面,在少有的对平台风险进行综合评估和风险等级划分的研究中,只是通过经验的划分方式对平台的风险等级进行了较为简单的划分,科学客观划分的研究较少。本文将利用高斯混合模型对平台的风险等级进行科学划分,划分结果将与风险预警指标一起作为机器学习模型输入,训练风险预警模型。

如图1所示,本文构建的P2P网络借贷平台风险预警系统分为风险定性分析、风险定量识别、风险预警及结果处理三个阶段。第一阶段深入分析平台风险产生的原因、特点和主要的风险来源,并构建风险预警指标体系;第二阶段根据建立的风险预警指标体系搜集数据并对数据进行清洗,对P2P平台风险进行综合评价即风险定量赋值,将风险综合评价结果输入高斯混合模型,以划分P2P网络借贷平台风险等级;第三阶段将风险定量指标输入四种机器学习模型并输出风险预警结果,平台管理者、投资人以及监管部门可根据该P2P网络借贷平台风险预警结果做出相应的反应。

图1 P2P网络借贷平台风险预警系统构建过程

二、P2P网络借贷平台风险定量识别

(一)P2P网络借贷平台风险评价指标体系的构建

何德旭、王进成(2013)认为网络借贷平台应借鉴商业银行的资本管理办法,以防止平台风险的积累[17]。方云龙、于博(2019)运用灰色关联分析法对P2P网络借贷平台风险进行了测度,认为经营风险和流动性风险是P2P平台的主要风险,其中流动性风险是制约P2P网贷平台稳定发展的重要因素[18]。王立勇,石颖(2016)全面分析了P2P网络借贷平台的风险作用机理,提出应当类比传统金融机构对风险的评价,将P2P平台风险分为流动性风险、市场风险、信用风险和操作风险四个维度,并指出信用风险是金融风险的重要来源[19]。张文、崔杨波等人(2018)认为运营风险是P2P网贷平台系统风险的重要风险来源[6]。刘进一(2020)基于6488家P2P网贷平台数据,将平台分为正常平台和问题平台、逃避型平台和非逃避型平台,对四类平台分别进行回归分析并对比,并指出应当将传统金融机构的准入指标纳入P2P网络借贷平台[20]。通过梳理已有对P2P网络借贷平台风险测度的研究成果,可以看出大多数学者认为P2P网络借贷平台的风险引发机制与传统金融机构有很多相似之处,对P2P网络借贷平台风险测度应该类比传统金融机构的测度指标,因此借鉴我国商业银行对风险评价的“三性”原则和LAPP法,从流动性、活动性、盈利性三个角度,分析P2P网络借贷平台的风险,构建P2P网络借贷平台风险预警指标体系对平台风险进行量化评估(表1)。

流动性主要衡量P2P网贷平台的资产在不受损的情况下以合理的价格迅速转换给对方的能力以及偿还对方债务的能力,平台的流动性受流动性风险的影响[17]。流动性风险指P2P网贷平台虽然有偿还债务的能力,但无法及时获得充足资金或无法以合理成本及时获得充足资金以应对资产增长或支付到期债务的风险[18]。选取本月资金净流入总额、投资人数、1/前十大投资人待收金额占比、1/前十大借款人待还金额占比、1/满标用时五个三级指标来衡量流动性风险,指标越大说明平台的变现能力和偿债能力越强,流动性风险越低。活动性主要衡量P2P网贷平台投入资产使用的经营能力,平台的活动性受运营风险和操作风险的影响[20]。运营风险是指P2P网贷平台在实际运营过程中,由于外部经济社会环境的复杂性和变动性,且平台对这些复杂多变的环境的认知能力和适应能力有限,而导致的运营失败或使运营活动达不到预期的目标的可能性及其损失[6]。基于运营风险的定义,本文对运营风险的衡量指标为成交额/注册资本、1/借款标数、人均投资金额、1/借款人数,指标越大说明平台的运营能力越强,适应外界环境变化的能力越强,运营风险越低。操作风险是指由于P2P网贷平台的内部操作过程(如平台的业务集中度)、操作系统(如资金的存放方式)等内部设施不完善而导致的直接或间接损失的风险[19],本文选取1/平均借款期限水平、1/人均借款金额、平台背景这三个指标来衡量操作风险,指标越大说明业务集中度越高,资金存放方式约合理,操作风险越低。盈利性主要衡量P2P网贷平台通过经营货币以获取相应利润的能力,平台的盈利性受信用风险的影响。信用风险是指P2P网贷平台无法履行到期债务的风险[12]。选取平台注册资本、平均参考收益率、运营月份、成交量、1/待还余额来衡量平台的信用风险,指标越大表明平台的盈利能力越强,信用风险越低。

表1 P2P网络借贷平台风险预警指标体系

(二)数据来源及有效性检验

1.样本选取与数据来源

2017年8月25日,由银监会印发、国务院批准实施的《网络借贷信息中介机构业务活动信息披露指引》指出P2P网络借贷平台应当本着“真实、准确、完整、及时”原则,向社会披露平台的信息。比如:“应当在每月前5个工作日内,向公众披露截至上月末平台的交易信息、经营信息等”,这一信息披露指引实施后,各类型P2P网络借贷平台都通过互联网媒介,在各大网站如网贷之家、网贷天眼等披露平台基本信息,这为本文的数据来源提供了支撑。从数据的可获得性、可靠性以及时效性等方面考虑,本文选择网贷之家截止到2019年10月正常营业平台的数据进行研究,包括民营系平台76家、上市系平台22家、国资系平台25家、风投系平台21家,共144家P2P网贷平台的数据。

2.样本数据集的信度和效度检验

由于样本数据集各个指标是存在量纲的,考虑到各个指标之间的可比性以及数据本身的误差,本文采用z-score标准化方法对数据集进行标准化处理,如公式(1)。

(1)

进行标准化后的指标为无量纲、均值为0、方差为1的标准化数据集,因此,可以对各个指标进行横向和纵向的比较。利用KMO和Bartlett球形检验方法对标准化后样本数据集进行信度和效度的检验,以判断数

据集是否适合主成分分析。由表2可知KMO统计量为0.601,表明各指标之间具有良好的相关性和偏相关性,适合主成分分析方法;Bartlett球形检验的P值小于0.005,拒绝各指标的相关系数阵为单位阵的原假设,说明各指标间具有相关性,主成分分析综合评价方法有效。

表2 KMO和Bartlett球形检验

(三)平台风险综合评价

主成分分析法是多元统计分析中的一种数据降维的方法,通过计算样本矩阵的特征值、特征向量,综合各指标的信息并以最小的维度来度量样本数据的大部分信息的一种方法[21]。对样本量为n,指标个数为p的数据集,数据集的矩阵表示为公式(2):

(2)

将样本数据标准化(无量纲化)后,利用公式(3)计算相关系数矩阵R:

(3)

将p个指标按照公式(4)经过降维处理变成m个主成分因子,式中(aij)为特征向量矩阵,X为样本数据集。并按公式(5)和公式(6)分别计算方差贡献率和累计方差贡献率,其中λm为第m个指标所对应的特征值。该过程通常称之为因子的提取与旋转。

(4)

(5)

(6)

按照因子的提取原则,本文提取因子特征值大于1且累计方差贡献率大于75%的前7个主成分因子,如表3。可以看出,提取前7个主成分因子就可以有效提取原来16个指标78.4%的信息,说明主成分分析能够达到有效提取信息和降维的效果。然后利用表4的前7个主成分因子的载荷矩阵进行因子旋转,用矩阵F=[F1,F2,…,F7]表示7个主成分因子。

表3 主成分的特征值及方差贡献率

利用公式(7)计算各网络借贷平台的综合得分。综合得分高的P2P网贷平台表明其流动性、活动性、盈利性综合能力强,平台的总体风险低;反之综合能力弱,平台总体风险高。因此将主成分因子综合得分当作平台的风险值,得分越高的平台说明其风险防控能力强,反之风险防控能力弱。

(7)

表4 前7个主成分的载荷矩阵

(四)平台风险等级识别

高斯混合模型是一种统计混合模型,它利用不同总体的分布信息对样本进行聚类,避免了一般的距离聚类方法无法对不同总体进行聚类的缺陷,利用数据的整体信息,得到的是每个样本属于某一类的概率[22]。高斯混合模型如公式(8)所示:

(8)

由于无法判断各个P2P网络借贷平台的风险得分是否属于同一个总体,故更适合用高斯混合模型进行聚类,进而达到对P2P网络借贷平台风险进行分级的目的。在本文中假设所有平台风险可分为5个等级即高斯混合模型中J=5,对于第i个平台风险得分Ci,把该风险得分Ci带入高斯混合模型中求出属于第j个等级的概率:P(θj|Ci),其中j=1,2,3,4,5;i=1,2,…,n。然后选择概率值最大的那个等级作为第i个平台的最终风险等级。这样就完成了对P2P网络借贷平台风险等级的划分。借助张璇(2020)对P2P网络借贷平台风险等级的命名方式[24],将这五个风险等级由高到低命名为重警、中警、轻警、微警和无警,记为Y=[y1,y2,y3,y4,y5]=[重警,中警,轻警,微警,无警],对应的预警颜色分别为红色、橙色、黄色、绿色、蓝色(表5)。若平台处于红色、橙色状态,表明该网络借贷平台的风险防控能力处于极其弱的状态,急需调整平台的运营体系;处于黄色状态则警示网络借贷平台需要检查其运营状况,分析风险来源,及时做出调整,以应对金融风险使平台处于不利地位;处于绿色或蓝色状态表明平台风控能力较强,平台运行正常。

表5 P2P网络借贷平台风险等级划分

根据高斯混合模型划分的144家网络借贷平台风险等级结果,计算出四个不同背景P2P网络借贷平台的风险等级分布如图2所示。从整体来看,各类型平台的风险情况都不好,大多数P2P网络借贷平台都处于黄色、橙色甚至红色状态。这可能是由于现阶段我国宏观经济从高速增长转换为中高速增长,部分小微企业在这个过程中倒闭、小型融资减少,也与P2P网贷平台经营体系不规范、管理体制不完善、各方面的风险控制能力弱有很大关系。从各个类型的网贷平台来看,50%的风投系、约9%的上市系、约21%的民营系、43%的国资系平台处于绿色和蓝色状态,约一半以上的上市系、国资系、民营系平台都处于橙色和红色状态,即风投系平台风险状况总体优于其他三种平台。究其原因,风投系平台的资金来源主要是风投机构,他们为平台提供了充裕且稳定的平台资金,这样有利于扩大平台规模,提高风险控制能力,且平台运行体系较为完善,而其他三种类型的企业资金来源不稳定,管理体系不完善,无法有效地控制风险。

图2 不同背景P2P网络借贷平台风险等级分布

(五)风险评估模型验证

接下来选取截止到2020年6月7日各个平台的实际运营状况,以验证构建的风险评价指标体系以及风险分级的合理性与有效性。如图3所示,仅仅经过8个月的发展,2019年10月正常运营的平台中有24家转型或停业,20家出现因提现困难、延期兑付、网站关闭等问题而被迫关闭的问题,仅有17家平台还在正常运营。从以上数据可以看出P2P网络借贷行业确实存在很高的风险,在44家转型、停业和问题平台中有75%的平台风险在轻警以上,17家正常运营平台中有70.6%的平台风险在微警以下,说明本文构建的风险评价指标体系合理,风险识别方法有效。

图3 风险评估模型验证

三、P2P网贷平台风险预警

(一)P2P网贷平台风险预警模型选择与模型评估指标

机器学习方法是处理分类问题的经典方法,适用于处理P2P网络借贷平台风险预警问题。选择朴素贝叶斯模型、Softmax回归模型、随机森林和支持向量机四种方法处理P2P网络借贷平台的风险预警问题,接下来将对这四种机器学习模型以及本文选用的模型评估指标进行简要介绍。

1.朴素贝叶斯(NB)

朴素贝叶斯分类方法是基于贝叶斯公式的一种有监督统计分类方法[23],它利用144家网贷平台的16个风险评估指标所包含的统计信息,计算出后验概率,将后验概率最大的类别作为最后的分类结果,模型的具体形式如公式(9):

(9)

根据贝叶斯公式计算后验概率如公式(10):

(10)

假设各指标Xi之间相互独立,则公式(10)可改写为公式(11):

(11)

根据贝叶斯分类结果得出P2P网贷平台的风险等级,以起到风险预警作用。

2.Softmax回归模型

Softmax回归直接对分类的可能性进行建模,对数据的分布没有要求,具有较强的适用性[24]。本文的分类对象是网贷平台的风险等级,为五分类问题,故能够选用Softmax回归完成分类任务。Softmax回归能够得到平台属于某个风险等级的近似概率预测,将每个类别经过对数几率函数(logit)变换,得到Softmax函数如公式(12):

(12)

3.随机森林(RF)

随机森林是由多个决策树组成的并行式集成学习方法的一个扩展变体[25],分类结果依据多个决策树预测结果运用自助采样法(Bootstrap)投票汇总而成,具有预测精度高,可解释性强等优点。本文将16个风险评估指标作为输入,网贷平台的风险等级作为分类对象,运用交叉验证的方法对决策树的数量和每棵决策树的深度进行调参,训练随机森林分类器,并利用随机森林模型的可解释性挖掘平台风险的重要指标。

4.多分类支持向量机(SVMs)

5.模型的评估指标

机器学习模型有很多成熟的模型评估指标,比如准确率、精确率、召回率、F1-score等,这些评估指标大多数适用于二分类机器学习模型,对于多分类机器学习模型目前使用最多的评估指标为准确率[27]。结合风险预警的目的,本文定义了预警准确率和预警有效率两个评估指标综合评估预警模型的优劣。预警准确率定义为模型预测正确的P2P平台个数与测试集总的P2P平台个数之比,预警有效率定义为模型预测正确的P2P平台个数和预测风险比实际风险高的P2P平台个数之和与测试集总的P2P平台个数之比。评估指标的值越大,表明该模型的风险预警能力越强。

(二)P2P网贷平台风险预警模型实证

本文依据构造的网络借贷平台风险评价指标体系以及对风险等级的识别,将指标体系中的17个三级指标作为每个P2P网络借贷平台的特征,将5个风险等级作为P2P网络借贷平台的5个类别,采用分层抽样的方式抽取不同背景的平台,按3∶1的比例划分训练集和测试集,即抽取55家民营系平台、14家上市系平台、17家国资系平台、12家风投系平台作为训练集,其余平台作为测试集。将训练集数据输入到风险预警模型中训练各个分类器。将测试集的特征输入到已经训练好的分类器中,并输出预警的分类结果,借助预警准确率和预警有效率两个评估指标对比各模型的优劣,试验出最好的一个风险预警模型。这样可以将训练好的最优预警模型保存,从而不用每次监测风险时都对平台再进行风险识别,从而简化平台风险评估过程,提高风险监测效率,达到对各个P2P平台风险进行实时监测预警的目的。

模型的分类结果如表6所示。根据表6的混淆矩阵计算四个模型的预警准确率和预警有效率如表7所示。综合混淆矩阵和模型评估结果来看,朴素贝叶斯模型的综合表现优于其他三个模型,对P2P网络借贷平台风险预警问题具有较强的判别能力,更能够达到P2P网贷平台风险预警的目的。

表6 四个风险预警模型分类结果混淆矩阵

表7 四个风险预警模型评估结果

利用随机森林模型的可解释性特征,探索风险评价指标体系中各三级指标对平台总体风险影响的重要性,从而分析P2P网络借贷平台主要的风险来源。如表8所示,可以看出平均借款期限水平是判断平台总体风险等级最重要的指标,表征流动性风险的指标投资人数和前十大借款人待还金额占比的重要性分别排名第二、第三。

表8 排名前10的三级指标重要性

将表征每个风险维度的三级指标重要性加总,得到四个维度风险的重要性排名如表9所示。在各个维度风险的重要性排名中,流动性风险排名第一,信用风险排名第二,操作风险的重要性最低。从表8可以看到,表征流动性风险大小的两个指标的单个重要性排到了前三位,表明风险评价指标体系设计符合实际。信用风险也占据了相当重要的地位,这与我国P2P网络借贷行业以经营小微企业和个人的小额信贷业务为主,且个人征信系统不完善的事实相符。小微企业由于本身资金不雄厚,一旦创业失败或者经营亏损就难以如期还款,个人一旦失业或者由于其他因素影响很容易导致逾期还款,由此可见小微企业和个人能否如期还款的不确定性因素很多,因此信用风险在总体风险中占据相当重要的地位。运营风险和操作风险主要反应P2P网络借贷平台对借款人的管理规则、平台本身的状况、以及资金的运营状况,这其中特别是平台本身的状况如平台背景、注册资金在平台成立时就定了,几乎不会随着时间和交易过程的变化而变化,而风险是在动态交易过程中产生的,这些几乎不变的指标对总体风险的影响不大,由表8也可以看到,只有表征操作风险的平均借款期限水平指标排名前十,所以这两个维度风险的重要性相对较低也是合理的。平均借款期限水平单个指标对总体风险的贡献较大,所以对操作风险的控制主要留意平均借款期限水平指标。

表9 各个维度风险重要性排名

四、结论与建议

在当前我国防范化解金融风险的大背景下,P2P网贷平台作为我国互联网金融的重要组成部分,对化解中小企业融资难、盘活欠发达地区经济具有重要作用。尤其对P2P平台风险进行识别与监测,对风险高的平台进行警示和过滤,能够帮助平台管理者、投资者和监管部门有效识别风险,减少由于信息不对称导致的一系列风险问题,使互联网金融行业可持续发展。本文选取了正常运营的P2P网贷平台作为样本数据,而忽略了问题平台,这可能导致对平台的风险度量和分级高于实际的风险状况,从而夸大P2P行业的风险状况,这样选取样本平台的研究策略正好符合当前各监管部门对高风险属性的P2P网络借贷行业的规范与引导政策。通过利用主成分综合评分法对P2P网贷平台的风险值进行度量,采用高斯混合模型对平台风险得分划分了五个风险等级,分别是重警、中警、轻警、微警、无警,利用机器学习方法构建了四个P2P网贷平台风险预警模型,选择最优模型构建P2P平台的风险预警系统,结果表明:朴素贝叶斯模型对P2P网贷平台风险的识别能力最强,由此可以看出基于概率统计思想的朴素贝叶斯模型充分利用了先验信息和样本的统计信息,样本数量的多少对模型预警结果不会产生较大影响,因此在样本量不大时其预警结果好于其他机器学习模型。随机森林模型显示流动性风险和信用风险在P2P网络借贷平台总体风险中起着重要作用,操作风险主要来源于平均借款期限水平。从P2P网络借贷平台的风险预警结果方面来看,较多平台处于高风险状态,这足以说明平台本身的风险控制能力弱,风险防范意识不强,急需政府制定有效的监管措施来防范金融风险。因此,对防范P2P网贷平台引起的互联网金融风险提出以下几点意见:

第一,针对不同类型的P2P网贷平台采取不同监管办法,建立不同的监管策略。如对风险等级较低的风投系平台可以制定相对宽松的风险监管政策,而对于其他类型的平台则要严格把控、重点防范。如预警状态达到橙色区,应予以相应的处理。

第二,应从控制流动性风险和信用风险方面入手,控制P2P网络借贷平台的总体风险。如建立平台登记制度,网贷平台应到相关的政府部门办理登记,相关机构应及时披露平台的登记信息,减少信息不对称造成的风险;健全对问题平台的处置机制,对存在非法集资、卷资金跑路、违规交易等问题的平台要严厉处置;对处于中警和重警状态的平台要及时警示,以防范其风险问题的进一步恶化。

第三,应加强相关人才的培养,加大资金及科研投入,建立和完善P2P网络借贷平台的数据库,构建长效的P2P网络借贷平台风险预警机制。

综上,为了防范互联网金融风险,政府监管部门和平台自身都应提升风险防范意识,保持用户与平台之间、监管部门与平台之间、平台与平台之间的信息畅通,对可能出现风险的环节重点监控,加强P2P网络借贷平台风险防范与抵御能力,推动互联网金融行业的稳定健康发展。