遠離“E租寶”們大數(shù)據(jù)團隊教你一分鐘識別跑路P2P

E租寶大數(shù)據(jù) P2P 信貸

財經(jīng)時報 | 2016-02-24 09:58

【數(shù)據(jù)猿導(dǎo)讀】 2011年，整個中國的P2P公司才幾十家，截至2016年1月底，累計平臺已達到3917家，行業(yè)發(fā)展可謂迅猛異常。但眾所周知，P2P行業(yè)在高速發(fā)展的同時，問題平臺層出不窮，根據(jù)網(wǎng)貸之家的數(shù)據(jù)，截至2016年1月底，累計問題平臺已達1351家。隨著觸目驚心的“E租寶”事件，周圍的小伙們一度“談P2P色...

作者一直關(guān)注P2P行業(yè)發(fā)展，積累了2000多家平臺的數(shù)據(jù)，通過數(shù)據(jù)挖掘和機器學(xué)習(xí)的方法，對這些平臺進行了建模，在對整個P2P行業(yè)發(fā)展趨勢預(yù)測分析基礎(chǔ)上，還通過聚類和機器學(xué)習(xí)的方法預(yù)測了一批潛在跑路和倒閉的平臺。

在這里，作者結(jié)合當(dāng)時做的分析和預(yù)測，給大家簡要說幾個考察P2P平臺的關(guān)鍵維度，讓你1分鐘識別跑路平臺!

1.平臺待收金額

平臺待收金額代表了平臺上放貸人未收回欠款的總額。一般而言，運營良好的正規(guī)平臺待收余額波動較小，相對平穩(wěn)，而年底較容易出現(xiàn)集中提現(xiàn)的情況，待收余額會有下降的趨勢。如圖1，是當(dāng)時我們對國內(nèi)300家主流P2P平臺待收余額走勢的預(yù)測。

待收金額1.jpg

圖1：對國內(nèi)300家主流P2P平臺待收余額走勢的預(yù)測

待收金額1+.jpg

圖2：問題平臺待收余額走勢預(yù)測

如果待收余額大幅度下降，只減不增，則可能是平臺遇到了瓶頸，交易量下降。如果平臺只借不還或者拿新借款還舊借款，自然會出現(xiàn)待收余額只增不減的情況，如果這一數(shù)據(jù)在短時間內(nèi)迅速提升，則平臺很有可能是預(yù)備跑路的欺詐平臺，如圖2是當(dāng)時對問題平臺待收余額走勢的預(yù)測，波動較大。

舉例來說，當(dāng)我們在分析樣本平臺中盛金服的數(shù)據(jù)時，發(fā)現(xiàn)其數(shù)據(jù)與圖2預(yù)測的趨勢基本吻合。后來，事實證明，該平臺在2015年末出現(xiàn)提現(xiàn)困難，隨后人去樓空。

2.平臺新增借款

新增借款在很大程度上反應(yīng)了一段時間內(nèi)平臺的發(fā)展情況，穩(wěn)中有升比較正常，新增借款驟然增加，資金鏈斷裂、跑路風(fēng)險較大;驟然減少，自融、非法集資的幾率較大。

2015年12月，好借好貸被爆出存在自融嫌疑，且平臺76%借款來自同一借款人，其平臺新增借款趨勢與我們當(dāng)時預(yù)測的結(jié)果基本一致。

新增借款2.jpg

圖3：對國內(nèi)300家主流P2P平臺新增借款走勢的預(yù)測

新增借款2+.jpg

圖4：問題平臺新增借款走勢

3.平臺投資金額

投資金額是平臺當(dāng)天的投資總額，一般而言，投資金額也是穩(wěn)中有升，如圖5所示。如果投資金額連續(xù)下降，則平臺倒閉的風(fēng)險很大，如圖6所示。包括中盛金服、好借好貸在內(nèi)，以及2015年9月被爆提現(xiàn)困難的平臺沃資本，預(yù)測的數(shù)據(jù)維度走勢都與問題平臺走勢相符。

投資金額3.jpg

圖5：對國內(nèi)300家主流P2P平臺投資金額走勢的預(yù)測

投資金額3+.jpg

圖6：問題平臺投資金額走勢

4.平臺投資人數(shù)

投資人數(shù)指的是平臺的活躍投資人，平臺投資人數(shù)如果如圖8的走勢一樣，出現(xiàn)連續(xù)下降的情況，那么平臺的資金鏈容易斷裂，倒閉風(fēng)險很大。不少問題平臺都符合這一趨勢，結(jié)果也均是大同小異，符合問題平臺趨勢的基本最后以跑路、倒閉出現(xiàn)提現(xiàn)困難等告終。

投資人數(shù)4.jpg

圖7：對國內(nèi)300家主流P2P平臺投資人數(shù)走勢的預(yù)測

投資人數(shù)4+.jpg

圖8：問題平臺投資人數(shù)走勢

上面提到的四個指標(biāo)是辨識平臺風(fēng)險比較關(guān)鍵的幾個，當(dāng)然，在分析模型評價體系中，我們參考的維度不止這4個，在引入公司背景、股東信息/高管信息、經(jīng)營信息等信息的基礎(chǔ)上，我們還引入了平臺多個動態(tài)數(shù)據(jù)特征：

第一，建立評價指標(biāo)體系。

對平臺評價指標(biāo)的分析分為以下7個維度：

(1)借款指數(shù)：過去90天借款總額/過去90天借款總?cè)藬?shù);

(2)流動指數(shù)：未來90天待收總額/注冊資本金*100;

(3)待收余額：代表了平臺上放貸人未收回欠款的總額，如果這一數(shù)據(jù)在短時間內(nèi)迅速提升，則平臺很有可能是預(yù)備跑路的欺詐平臺。

(4)風(fēng)險準(zhǔn)備金

當(dāng)借款人無力還款或干脆跑路時，平臺會用自己的風(fēng)險準(zhǔn)備金對投資者做一定程度的賠付。因此，投資者需要注意風(fēng)險準(zhǔn)備金數(shù)額，考察其是否能有效減少自己的投資風(fēng)險。

可以用風(fēng)險準(zhǔn)備金與待收余額的比值與平臺的歷史還款逾期率相比較，如果比值大于逾期率，說明平臺的準(zhǔn)備金能夠起到風(fēng)險覆蓋的作用，反之則說明平臺無力真正意義上承擔(dān)壞賬風(fēng)險。

(5)地域指數(shù)：當(dāng)季度平臺所在地區(qū)問題平臺數(shù)/該季度問題平臺總數(shù)*100(按省級行政單位)。

說明：地域負面指數(shù)越大，平臺所在地區(qū)問題平臺數(shù)量越大，地域性影響較大，投資人受輿論波及撤資可能越高。

(6)對于平臺上的活躍人數(shù)和平臺的待收金額，通過信息熵的方法分析平臺的確定性

(7)對于問題平臺的地域分析，按照地理位置的分布，建立起平臺的地理圖，利用圖的算法，分析區(qū)域的影響及問題平臺的集中程度。

因此，地域指標(biāo)衡量：地域指數(shù)=平臺所在地區(qū)問題平臺數(shù)/問題平臺總數(shù)×100(按省級行政單位)。

另外一些特征是這些特征的綜合，如均值、方差、特征之比、特征信息增益等。

第二，模型的整體預(yù)測情況及維度分析。

在建立了模型的評價指標(biāo)體系后，我們利用機器學(xué)習(xí)的方法進行預(yù)測。

1.首先，我們要選擇使用的模型。

我們選擇四種模型對我們的數(shù)據(jù)集分別進行訓(xùn)練：

(1)邏輯回歸(logit)

(2)分類回歸樹(CART)

(3)隨機森林(Random Forest)

(4)梯度提升樹(GBDT)

在一般的二分類中，由于邏輯回歸方法比較簡單易用，因此我們首先選擇它;由于分類回歸樹可以自動忽略對目標(biāo)變量沒貢獻的屬性，并且對存在缺損值的情況比較穩(wěn)健，因此作為第二個模型;隨機森林由于它的訓(xùn)練速度快，并且模型可以給出哪些特征比較重要，因此作為第三個模型;GBDT模型目前在工業(yè)界中是運用很多的一種算法，由于采用了提升的思想，其方法具有很好的泛化能力和準(zhǔn)確度，因此我們將其作為第四種模型。

2.對四種模型的預(yù)測結(jié)果進行比較分析。

(1)首先我們采用將準(zhǔn)確率和召回率結(jié)合起來的評估標(biāo)準(zhǔn)即F---measure

其中如下圖所示：橫坐標(biāo)代表準(zhǔn)確率，縱坐標(biāo)代表召回率

用TP(真正例),FP(假正例),FN(假負例)

準(zhǔn)確率：percision=TP/(TP+FP),也就是說預(yù)測出來的正例中有多少是真正的正例

召回率:recall=TP/(TP+FN),真正的正例有多少被正確的預(yù)測出來了

F—measure = 2*準(zhǔn)確率*召回率/(準(zhǔn)確率+召回率)

一般來說我們希望準(zhǔn)確率和召回率都越大越好，可以知道F1值越大，則模型越好。

(2)我們用AUC曲線對模型進行比較。

如下圖：橫坐標(biāo)代表FP，縱坐標(biāo)代表TP

AUC是用FP與TP比例曲線下面的圖形面積衡量，曲線下面的面積越大，則模型越好。

通過以上比較分析可以看出：無論是采用F---measure還是采用AUC度量，GBDT模型的效果最佳，而最簡單的邏輯回歸效果較差，之所以GBDT的效果最佳是因為采用了boosting。

總結(jié)：作為一個純技術(shù)宅男，寫這么多已不易。總結(jié)來說，作者通過積累的2000多家P2P平臺的數(shù)據(jù)，通過數(shù)據(jù)挖掘和機器學(xué)習(xí)等方法，對部分平臺進行了建模分析預(yù)測，從而得出能幫助投資者做出判斷的單維度指標(biāo)和風(fēng)險分析預(yù)測模型。上文提到的單個維度指標(biāo)應(yīng)足以幫助普通投資者做出判斷，綜合多維度的分析和預(yù)測將更有效，當(dāng)然，如果能綜合運用我所描述的分析模型，預(yù)測和判斷將更為精準(zhǔn)。

來源：財經(jīng)時報

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關(guān)內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務(wù)必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責(zé)。