摘要：本文通过实证的方式来比较P2P网络借贷平台和传统的银行借贷机制的异同。在具体的讨论过程中，我们首先翻阅了前人的一些文献资料，明确了银行借贷与P2P网络借贷平台的一些准确概念。在第三章中，我们对这两个平台做出了一定的比较和分析，其中包括从适用角度，网络技术角度和监管角度进行的一些分析。之后，文章比较了国内外的一些P2P网络借贷平台的一些区别和联系。文章中罗列了一些著名的P2P借贷网站，包括国内的拍拍贷，红岭创投，安心贷等等，也包括国外的一些知名借贷网站。文章重点比较了这些借贷网站的盈利模式，架构特点。如果网站的线上服务平台有一套成型的算法的话，也会将其拿来进行研究和比对。我们建立了风险投资组合模型来衡量P2P网络借贷平台的风险情况，由此算法构建出了基于贷款人的自动投标机制。
第五章则是全文的重点。我们通过运用实证的数据来对传统的银行借贷机制和P2P网络借贷机制进行纵向的分析和比对。我们利用回归分析的方式对这两个机制分被进行实证分析，对模型求解之后，通过导出的数据结果，思考导致这种现象发生的原因。我们充分地运用了经济学软件eviews带来的便捷性，利用Granger检验等措施比对了借款人的信用机制对他的违约程度的因果性影响。最后，我们通过基于模糊数学的评价模型对这两个回归模型的结果进行了评价，并给出了结论。
最后，我们根据前述的分析情况，对相关部门提出了以下五点中肯的建议：（1）降低P2P网络贷款平台运营风险（2）规范管理，积极降低客户违约风险（3）加强网站的安全保障措施（4）构建相应的法律法规和市场准入机制（5）建立有效的检测体系和P2P网络贷款征信机制。
关键词：Granger因果性检验；P2P网络借贷平台；回归分析；风险投资；组合模型
第一章绪论
研究背景
随着银行P2P信贷的逐渐建立和完善，民间P2P信贷也开始流行起来，许多大公司都以不同形式展开了自己的P2P信贷业务，互联网产品可谓是各具特色。以“金融和法律偏向”起家的“安心贷”通过其深远的金融和法律背景，由线下做到线上。他们严格的审查机制以及面对面的中介人员与借款方的互动，从法律上保证了每一笔交易的安全性，使得坏账数为0.但是，它也因此牺牲了快捷性，并且由于需要许多人在线下对借款人进行互动，所以“中间层的成本”过大，导致了贷款人的收益不高。“拍拍贷”则完全不需要线下的互动，他们的研发人员主要是具备“计算机背景的一拨人”，他们通过拥有着几百个指标的安全体系以及周密的算法来完成借贷双方的安全性的考量。另外，他们通过在P2P信贷交易平台上面建立社区以及论坛实现了“安心贷”所没有的互动机制，而对于投资人来说，他们的利益不能得到100%的保障，他们只能通过分析借款人的信用指标以及自己对借款人在线上社区或者论坛的互动来得到双方的默契，但是这一过程必然还是伴随着些许风险。红岭创投则采用“担保人”的方式，将每一笔交易的风险转嫁到了他们的头上。除此而外，P2P信贷还有许多变种，比如城市P2P信贷和农村P2P信贷就有很大的不同，而一些比较成熟的电子商务市场运用他们较为成熟的品牌效应和大量的日访问量解决了“贷款人居多而借款人不足”的情况。最后，我们还必须从信息安全的角度来考量风险的问题。对于银行P2P信贷来说，由于银行的平台有长期研发的信息加密机制，他们不容易受到黑客的入侵，而对于民间的P2P信贷平台来说，一来，他们自己本身的“诚信程度”就值得怀疑，他们很有可能在资金量积累到一定程度之后就“抽空走人”。二来，他们的网站由于受低成本模板的诱惑，让黑客们仅仅需要研究透彻其中一个模板，就可以攻击所有类似的网站，这让民间P2P信贷平台在收获高收益的同时，其安全性一直划上了问号。那么，我们在借款人的便捷性得到充分保证的同时，如何去保障投资人以及P2P信贷网站本身的安全呢？我们的论文主要探讨这一问题。
研究意义
百度利用其搜索引擎的资源拓展其线下的推广联盟，利用其对投资人的承诺来让许多P2P民间信贷业务能放心应用。但即使是这样，还是有将近1000个P2P信贷网站因为“跑路”和“套路”而被百度强行关闭，其损失的金额将近21亿元。这些损失只能由百度公司自己去弥补，无论从公司利益上，还是国家利益上，都形成了巨大的威胁。同时，由于做P2P民间信贷业务的个体公司比较多，而在制度上并没有一个严格的统一和监管，导致许多P2P信贷网站上都出现了“黄牛党”。这些人通过比对各种P2P信贷网站的利率差异，宛若炒股一般，从一个网站上将资金借出，转而投资给另外一个网站，从而赚取了一部分差异价值。另外，我们可以看到，由于法制不够完善，许多资金最后被“内部运作”掉了。投资人的钱被P2P信贷网站吸入之后，直接在后台被抽走，用作其它的投资，而P2P信贷网站的经营者在使用这些钱的时候，并不确定自己的投资是否可以在几乎不牺牲资金的流动性的同时将本钱可以维持住，一旦出问题，投资人的利益便得不到保障。这些问题其实类似我们国家目前的法治建设问题，主要是缺乏严格的监督机制。凡此种种，都已经对中国的P2P信贷行业发展，尤其是中国民间的纯粹P2P信贷行业发展带来了许多冲击，许多中国的贷款方都已经对这一平台抱有强烈的不信任感，他们在得到高收益的同时，总是因为高风险的问题而担惊受怕，这极大程度地增加了该类网站的运营难度，以及贷款方与借款方之间的不信任感。我们所研究这些问题的意义，就是找到一个比较适宜的方法，甚至着手搭建一个类似的P2P个人信贷平台，在投资人的收益保持在一个较为可观的程度下，极大程度地保障投资人资金的安全以及整个P2P信贷平台的安全（从信息安全角度上分析）。
文献综述
《银行P2P与草根P2P的比拼》：本文从三个方面探讨了草根P2P与银行P2P信贷的差异。银行的优势在于：（1）银行系P2P风险非常低，他们的干爹银行从事信贷业务更专业，更可靠，投资者完全不用像投资草根P2P平台一样，担心平台跑路。（2）客户数量和标的供应量，银行系P2P更有优势。银行客户群庞大，几乎不用担心客户资源和标的的问题。（3）第三，银行系P2P在技术上也很有优势。在金融安全方面经过多年的经营，具备了强大的防黑客及网络流氓等风险的能力（对信息安全的把控能力）。但是，由于银行本身就已经具备许多金融产品和金融衍生产品，所以他们未免会存在一些“尾大不掉”，导致其灵活应变能力相对较弱一些。这其实也可以用微观经济学的局部最优原理来解释，当你所做的行业比较杂乱的时候，你为了全局最优必须保持一种均衡，而去牺牲局部最优（SAC（p）>LAC（p）(p为一点上的情况)）。如果银行系P2P不设定投资门槛或者仅仅设定一个较低的门槛，那么，对其传统的存款业务会造成相当大的冲击甚至冲突，无异于自断手臂；而如果设定一个较高的门槛，则会流失许多P2P的投资小户。草根P2P平台的优势是基本不设金额门槛或者只是象征性的设定一个非常低的金额门槛，以此吸纳了许多小户投资。同样的道理，由于银行本身拥有贷款业务，其年化收益也成为问题，很难与草根的年化收益持平。最后，由于整个银行体制已经建立在一个非常复杂的体系上面，你引入P2P信贷业务，也会基于一种庞杂的银行机制，相比草根P2P信贷来说，其审核的流动性要远低于草根的P2P业务。
《基于核的P2P信贷风险评估模型研究》这篇文章则通过各种“核函数”模型描述了风险评估模型的各种效果。P2P的借款方和贷款方都是多元的，这和传统的借贷模型是不同的。传统的银行式的借贷模型是单一化的，这就不存在“贷款金额的分配”问题。引入到P2P网络借贷模式之后，贷款方会将自己的资金分散到多个借款方的名下，这样就存在一个“投资组合风险最小化”的过程，也就是如何分配分配贷款资金的问题。由于每一个借款方的信用评级都是不相等的，如果调整自己的资金，将希望获得的收益一定的情况下，将风险降到最低，就是本文需要考量的一个问题。本文通过“投资风险组合模型”，通过运筹学的思想来分散风险，为每一个借款方的资金占据总贷款资金的比例作为一个权值（widget），然后将它们的权值与受益做叉积，得到一个固定的受益回报R*,也就是说，所有的风险衡量都建立在受益回报R*一定的情况下进行的。在此基础之上，我们设立目标函数，也就是如何将风险的程度设定在最小的情况下面。该衡量式由两个部分组成，第一项是每个借款方资金的独立的风险，第二项是各个借款方的组合风险，因为我们考虑到由于P2P网络贷款平台里面也自带有论坛，所以借款方之间也存在沟通和信息的分享，基于此，他们之间的交互情况也应该计算在内。我们比较相关性的原理，建立出基于线性相关性的多元投资模型。最后，我们通过实证的数据对其进行了一定程度的分析与模型评价。
《国内P2P网络信贷平台比较分析》本文详细探讨了国内的三种P2P网络信贷平台，也就是“红岭创投”，“拍拍贷”以及“易贷网”。应该说，这三个平台各有特色，其盈利模型以及运营模型也有诸多的不同。比如“拍拍贷”，它是以纯线上的方式来运营的，其主要站在技术层面上出发，通过多元参数组合的算法来计算出一个借款用户的授信程度，由于完全没有考虑到线下的支持，所以在技术层面必须确保算法是合理的。对于其他一些模式而言，有比较好的线下支撑，所以当借款方无力进行还债的时候，P2P网络平台可以通过线下的追债和之前的信用审核来进行弥补。同时，就借贷金额来说，各个网站也有诸多不同，有些网站做的是小额的借贷，这也正是传统的银行贷款所做不到的地方。由于银行的每一笔贷款都需要严格的审核机制，其本身的成本费就是高昂的，所以银行一般情况下只支持额度比较高的贷款（当然，目前有一些传统国有银行，比如招行银行，也支持一些小额的贷款，比如“易贷”）。但是P2P网络借贷则可以很好的弥补这一点，由于其方便的线上运作，导致许多小额贷款可以顺利进行，当然它所造成的代价就是比银行更高的利息，这是出于对便捷性的牺牲的直接结果。所以，一般情况下，P2P网络信贷平台是不做大额的贷款的，如果客户要去做这些的话，还不如去找传统银行。最后，文章结合这三者分析出了P2P网络借贷行业的一个长期性的趋势。整个行业由兴起（抄袭X的一些著名的借贷网站，如Prosper，LendingClub等等），到由于监管不够严格而泛滥，到各种集资逃逸现象的频频发生到最后的制度规范化，这么一个过程。文章甚至还比较了传统的保险行业，保险行业在80年代刚兴起的时候，也经常与“诈骗”挂钩，直到1995年，中国的第一部保险法以及1998年中国的保险协会行业规则颁布之后，保险行业逐渐变得正规起来。相信不远的将来，随着P2P网络借贷行业在中国的越来越正规化，会有更多的企业投入这一行业的运作之中。
启创聚合P2P网络信贷系统网站（前端+后台管理）——本文基于一个P2P网络借贷平台的范例，讨论了一个P2P借贷平台的前端和后台的管理。前端平台主要对于客户（这里的客户分为两种，一方是借款方，另一方是贷款方），平台通过“会员制”的方式来运营管理，所有的借贷双方必须在网站上面通过注册，才能享受到相关的服务。每一笔借贷数据则转移至后台进行管理。在后台中，有专门的风险评估系统，还有为每个借款方设立的信用评价系统，这是基于特有的多元参数算法进行评定的。该P2P网络平台的一个特有机制是“自动投标机制”，该机制通过特有的“多元风险组合模型”让投资的利益一定的情况下，得到的组合风险最小。此外，基于Discuz建立的论坛则可以促进借贷双方的交流与互动，让双方的信息更高地得到公开（需要注意的一点是，许多失败的交易都是因为借款方的信息没有较好地公开而导致的）。
《P2P网络借贷国内外理论与实践综述》这篇文章主要基于历史分析了国外一些经典的P2P借贷网站，从法律与基于计算机技术的平台搭建这两个方面探讨了如何搭建一个让投资者放心的P2P信贷网站。同时，文章中阐述了这种P2P信贷业务的积极作用与消极影响，它们在更方便地处理小额借贷业务的同时，并没有很好地保障用户的个人隐私，这也许是未来P2P信贷网站需要改进的地方。
《京东进军P2P的策略》提出了一种搭建P2P信贷业务的“【6】组合模式”，以及分析了这种模式的优点。众所周知，京东电子商务集团有着自己丰厚的客户群体，他们具备的这种优势让他们不需要去担心借款方的缺乏。只要拥有充足的借款方，整个P2P信贷业务就可以得到可持续的发展。值得注意的是，电商通过频繁的商品实时交易和数据流的积累，无形中形成了一个基于互联网的大数据仓库，可以开展纯线上的互联网数据征信，而这种征信正是眼下大多数P2P平台所缺乏的。因而，不少业内人士认为，电商平台是P2P行业潜在入局者。
《黑客攻击P2P信贷网站的模式》则基于信息安全角度分析了当今的黑客是如何去攻击一个P2P信贷网站的。他们攻击的目的，主要有两个方面：（1）想赚取保护费（2）对普通的用户进行攻击。其中，（1）是比较居多的，而许多P2P信贷平台为了不影响借贷双方对这个平台的信任感，对黑客群体的攻击，也只能听之任之，就是原因，其一部分也是因为黑客来无影去无踪，仅仅根据IP地址的变化是很难将他们逮捕归案的。对于（2）来说，则是必须去通过警方来控制住的，因为这已经直接影响到客户的利益了。本文也介绍了如何去防范这一类似事件的发生，包括如何建立一套更加完备的信息安全手段，包括在服务器控制上，要增强防火墙、流量清洗等技术；在安全检测上，重点是入侵检测或渗透检测，做好被攻击时的响应策略等，同时进行定理地安全扫描，对服务器及其他网络设备的安全漏洞，快速发现并修复等等。
《P2P农户小额信贷的实践》则立足农村借贷用户，【8】通过“贷帮网”和“宜农贷”这两个借贷平台阐述了农户小额信贷的一些问题：（1）经营风险依然存在（2）资金支付流程存在安全隐患（3）可持续发展能力堪忧（4）法律性质不明，缺乏有效监管。本文针对这些问题提出了合乎时宜的解决方案。
（注：这里的【6】和【8】仅仅局部被本文纳入或者最终没有被纳入，故这里予以忽略）
研究框架
如图所示，我们根据对以往P2P信贷平台的开发与运营经验来获得一些启发，自己着手从信息技术层面和金融，法律层面两个角度出发，搭建一个完整的P2P金融平台的前端与后台。我们在横向比对各个P2P信贷网站的优劣的同时，也从纵向出发，综合分析了不同性质的P2P业务的异同，为考虑如何从信息技术和法律两个方面进行搭建埋下了伏笔。同时，我们注重了线上，线下业务的整合，采用了线上线下业务并行的方式，整合了当前P2P信贷网站上的一些缺漏，并创新性地提出了一些值得去借鉴的方案，比如基于自动获取的评分等级和信用评级制度，我们还借鉴了威客网，猪八戒网等一些投标网站，建立了平台的自动投标系统和自动风险分担系统。我们尽最大努力让贷款方和借款方都可以获得最大的实惠，也就是寻找借贷博弈中的“最优平衡点”。
本文创新之处
相比同类P2P信贷网站的对比论文，我们除了分析之前的P2P信贷平台的一些优劣比对之外，我们还从实践出发，基于信息技术设计了一款P2P信贷平台的架构。我们在自己的平台上创新性地提出了基于积分系统，评分等级，信用评级，VIP安全信贷等机制的安全系统，我们的每个系统都提出了一些值得去借鉴的参数和“信用衡量指标”，尽可能地保障了借贷双方的利益。同时，我们的文章别开生面地跳出了纯粹经济贸易的范畴，在讨论信任（Trust）机制的衡量的过程中，我们基于心理学，哲学，统计学等多元学科对其进行了分析，建立了比较适宜的信任评估模型。比较难得的一点事，本文基于实证的数据对本文提出的“多元风险组合模型”进行了分析，并通过分组的方式对数据进行测试和拟合。根据数据拟定的图表显示，虽然在投资金额恒定的情况下，不同的投资收益率在曲线模拟上都是相同的趋势，但在共性的同时又包含着个性因素。基于此，我们分析了投资资金与风险违约概率的关系，并根据图表做出了一些讨论。
以下是我们搭建的P2P信贷平台的主要特点：
（1）精准的数据计算和统计
对在借贷过程中产生的借贷双方利息，借款管理费，冻结资金，利息管理费，逾期罚金和催缴费等精准计算，同时，提供每月所产生的各项金额数据均有统计数据分析。每一笔交易都会保存到后台进行处理，所有的数据将会被风险评估系统分析。如果每日的现金流超过了一定的数额，则系统会自动警告后台，并自动将一些风险比较大的交易予以取消。通过每一笔交易的具体情况，恒定出当日的风险系数，并对借款方自身的每一笔交易数据进行考量，根据他自己的还款数据为他自己的信用情况进行一定程度的评级。如果借款方的信用记录比较差的话，他将被评级为D等或者以下的等级，在以后的投资人的风险组合中，他只能被分配到比较小的数额，则对于他本身来说，也是不利的。所以这一设计也督促他按时缴清每一笔欠款。
（2）完善的借贷环节细节优化
完整的一套用户认证流程。本P2P借贷系统实行的是“会员制”，便于更严格的管理。同时，在最大限度不暴露借款方的个人隐私的情况下，对他们的一些个人信息进行极大程度地利用，并为他们的初始信用程度进行评级。贷款方则只需要披露相对借款方更少的信用记录。贷款方的具体贷入流程选择的是“多元式”的，也就是他的资金通过分散的方式借出给多个借款方，通过最优的投资组合方式，在保证收益一定的情况下，尽可能地规避风险，也就是所谓的自动投标机制。
支持多家第三方支付，实现用户即时充值，提现的功能，同时，无论是借款方还是贷款方，本身都拥有提供给他自身的空间，空间中针对他们自身显示了他们的每一笔交易数据以及违约记录和违约金（这种模式类似于信用卡的一些信用记录）。同时，在借款的过程中引入担保人机制，借款方和贷款方可以通过第三方的担保活动进行更好的信任交流。同时，基于论坛的讨论机制，也可以促进借款方和贷款方的信息公开。
（3）完善的积分等级和信用评级
从积分获取，类型配置，升级设定，兑换功能配置等一整套的积分系统，通过痌的积分累计实现用户信用的评级管理。每一个借款方都设立有一个初始等级，通过他们之后的一些交易记录，这些等级信息会以定量化的方式进行一定程度的浮动。对于信用程度良好的借款方，他们会得到一定的积分，这些积分可以通过兑换的方式来得到他们所需要的物品，通过这些物品的奖励机制让他们进一步提高自己的信用记录，造成一个很好的正反馈。同时，设立严格的奖惩机制，对信用记录不良的客户予以惩罚，通过“多元风险投资模型”，他们在未来将得不到更大金额的借款回报，以督促他们提高自己的信用评级。
（4）平台基础字段配置和角色配置
借贷有关的管理费，以及各项操作记录查询。本P2P网络借贷平台将会对每一笔记录进行跟踪和查询，并定期缴纳一定的管理费用，作为平台持久运营的保障。
（5）多模板选择，界面简单，清晰
我们采取模板的多样化和加密方式的多样化，极大程度地防止了黑客的入侵。前台操作界面简单，均以单色系色块搭配，界面清新美观，干净整洁，内容模块划分清晰，操作说明图文并茂，直观明了。前台界面采用HTML5+CSS3，风格力求清新而明快，后台的论坛系统则基于discuz，便于借款客户之间的讨论和交流。
（6）长期的升级维护和系统操作培训
当然，这是我们建立平台在P2P信贷网站维护上建立的机制，我们通过严格的维护和培训机制来让相关的工作人员可以进一步地熟悉这些界面的操作。在整个维护过程中，我们考虑到了理论与现实的差距，在实践中对相关的风险评估算法，信用评级算法以及多元风险投资模型（也就是P2P网络借贷系统中的“自动投标机制”）的参数拟定中进行了一定的修补，使之更适合平台的运营。
第二章相关概念和理论基础
概念界定
P2P网络借贷
【1】P2P网络借贷，又名点对点信贷，或称个体对个体信贷。P2P借贷，是目前正在兴起的基于互联网应用的一个相对较新的模式。建立的基本前提是，需要借贷的人群可以通过网站平台寻找到有出借能力并且愿意基于一定条件出借的人群。网络贷款中介帮助确定借贷的条款和准备好必需的法律文本。更重要的是，中介网络平台的可以帮助贷款人通过和其他贷款人一起分担一笔借款额度的方式来分散风险，也帮助借款人在充分比较的信息中选择有吸引力的利率条件。而同时，收取一定的服务费作为中介平台的回报。网络借贷已经成为一种时兴的个人理财模式。越来越多的网民开始接触并尝试在网上借钱给他人，寻求高于银行利息数10倍的回报。也有更多的网民在周转不开的时候寻求其他网友的帮助，度过资金难关。在现时的中国，网络借贷已经成为一种时兴的个人理财模式。越来越多的网民开始接触并尝试在网上借钱给他人，寻求高于银行利息数10倍的回报。也有更多的网民在周转不开的时候寻求其他网友的帮助，度过资金难关。2013年1月份，各网贷平台捷报频传，温州贷的贷款金额继续飙升，1月份达到了7个亿，盛融，中宝名列其后，红岭落为第5，人人贷开发了理财产品，月贷款量超过了1个亿，贷款量增加了5000多万，中宝1月份的待收金额金额达到了1.6个亿，贷款量同时也达到了1.6个亿左右的巨大数额，这是一笔非常可观的收入。P2P贷款的出现，与国内中小企业，特别是小微企业融资难有一定的关系。小微企业很难从银行申请到贷款，一些小微企业主对银行有很大的怨言。既便是在货币政策宽松、XX相关部门积极鼓励的时候，中小微企业依然也难以从银行申请到贷款，中小微企业在银行贷款业务的空间越来越小。归根结底，电商卖家、小微企业很难从银行获得贷款的原因，就是因为卡在了信用审批这一环节上。客观地说，电商卖家、小微企业并非没有信用，只不过各大银行很难客观公正地评估中小企业的信用。在这种市场环境下，P2P贷款平台的出现，为小微企业提供了融资渠道，解决了发展过程中的一大难题。以P2P网贷模式为代表的创新理财方式受到了广泛的关注和认可，爱投资为代表的互联网金融平台，其P2C模式是传统P2P的延伸和升级，秉承互联网金融理财的高效率、高收益，具有高可靠性、高安全性的金融属性能够帮助小微企业快速安全融资。从结构化设计理念上讲爱投资秉承让专业的机构做专业的事。利用互联网实现信息对称、实现资源高效利用，做到投资者和有融资需求的需求方进行直接对接，尽量减少复杂的中间的环节，让投资人能直接的享受到企业经营发展的成长红利，相比之下企业直投信息更加透明化，而且投资人收益也相比其他的投资方式收益有了显著的提高。爱投资的P2C借贷，在借款来源一端被严格限制为有着良好实体经营、能提供固定资产抵押的有借款需求的中小微企业。同时，依托爱投资搭建的线下多金融担保体系，从结构上彻底解决了P2P模式中的固有矛盾，让安全保障更实际且更有力度。
P2P网络贷款平台
P2P网络贷款平台，就是从事点对点信贷中介服务的网络平台。网络贷款平台旨在为用户搭建一个公平交易的平台，在借贷双方之间，网站主要起到一个见证人的作用。P2P信用贷款服务平台对应的是两端的需求，一端为有小额资金需求的高成长型人群(指现阶段尚属于中低收入群体，但正通过个人努力和社会帮扶，特别是小额信用资金的帮助，在短时间内实现个人高速成长的一类代表社会进步、中产阶级崛起的人群)或企业;另一端为希望通过将手中闲置资金出借，实现投资理财收益的城市出借人。凭借平台的优势，坚固投资通过专业的信用审核和风险控制，将两端的需求实现对接，使两端客户之间的信贷交易行为更加安全、高效、专业、规范。
平台的盈利模式主要包括如下一些方面：
主营业务收入：
（1）VIP会员费
（2）提现手续费：提现金额的千分之二手续费
辅助业务收入：
（1）项目考察费
（2）项目分析师分析费：按照每个项目咨询分析收取分析费
（3）项目分析师保障费：用项目分析师专业的投资项目见解以及保值推荐收取服务费
（4）增值服务：给借入，借出客户通在线记账软件，在线项目投资管理等账户代管费用。
（5）借款管理费：常规每月按借款本金的0.5%收取。
（6）逾期欠款利益：常规逾期欠款每天加收本金千分之八的罚息。
（7）利息分成：常规按投资者所赚取利息的10%管理费。
资金池收益：
我们建立的P2P网络贷款平台就是通过主营业务收入，辅助业务收入以及资金池收益这三个方面来盈利的。
【2】传统银行业贷款机制
传统的银行业贷款，需要严密的审核程序，其并不依赖于线上的措施，主要是由线下进行的。贷款的利率大约在7.4%左右，相比一年期的信用卡贷款来说，银行的一年期贷款的利率较低。当然，这主要是因为信用卡是以信用度作为衡量指标的，其特有的征信特征使得违约之后的代价高不可攀。对于传统银行业来说，其贷款主要需要进行如下的流程：
一，建立信贷关系。
要申请银行贷款，首先要申请建立信贷关系时企业须提交《建立信贷关系申请书》一式两份。银行在接到企业提交的申请书后，要指派信贷员进行调查。调查内容主要包括：
①企业经营的合法性。企业是否具有法人资格必需的有关条件。对具有法人资格的企业应检查营业执照批准的营业范围与实际经营范围是否相符。
②企业经营的独立性。企业是否实行独立经济核算，单独计算盈亏，有独立的财务计划、会计报表。
③企业及其生产的主要产品是否属于国家产业政策发展序列。
④企业经营的效益性。企业会计决算是否准确，符合有关规定;财务成果的现状及趋势。
⑤企业资金使用的合理性。企业流动资金、固定资金是否分口管理;流动资金占用水平及结构是否合理，有无被挤占、挪用。
⑥新建扩建企业。扩大能力部分所需流动资金30%是否已筹足。如暂时不足，是否已制定在短期内补足的计划。
信贷员对上述情况调查了解后，要写出书面报告，并签署是否建立信贷关系的意见，提交科(股)长、行长(主任)逐级审查批准。经行长(主任)同意与企业建立信贷关系后，银企双方应签订《建立信贷关系契约》
二，提出贷款申请。
已建立信贷关系的企业，可根据其生产经营过程中合理的流动资金所需来申请银行贷款。〔以工业生产企业为例〕申请贷款时必须提交《工业生产企业流动资金借款申请书》。银行依据国家产业政策、信贷政策及有关制度，并结合上级行批准的信贷规模计划和信贷资金来源对企业借款申请进行认真审查。
三，贷款审查.
贷款审查的主要内容有：
①贷款的直接用途。符合工业企业流动资金贷款支持范围的直接用途有：<1>合理进货支付货款;<2>承付应付票据;<3>经银行批准的预付货款;<4>各专项贷款按规定的用途使用;<5>其他符合规定的用途。
②企业经营状况。主要包括物资购、耗、存及产品供、产、销状况，流动资金占用水平及结构状况;信誉状况;经济效益状况等。
③企业挖潜计划、流动资金周转加速计划、流动资金补充计划的执行情况。
④企业发展前景。主要指企业所属行业的发展前景，企业发展方向，上要产品结构、寿命周期和新产品开发能力，主要领导人实际工作能力，经营决策水平及开拓、创新能力。
⑤企业负债能力。主要指企业自有流动资金实有额及流动资产负债状况，一般可用自有流动资金占全部流动资金比例和企业流动资产负债率两项指标分析。
四，签定借款合同.
借款合同是贷款人将一定数量的货币交付给借款人按约定的用途使用，借款人到期还本付息的协议，是一种经济合同。借款合同有自己的特征，合同标的是货币，贷款方一般是国家银行或其它金融组织，贷款利息由国家规定，当事人不能随意商定。当事人双方依法就借款合同的主要条款经过协商，达成协议。由借款方提出申请，经贷款方审查认可后，即可签定借款合同。
借款合同应具备下列条款：
①借款种类;②借款用途;③借款金额;④借款利率;⑤借款期限;⑤还款资金来源及还款方式;⑦保证条款;⑧违约责任;⑨当事人双方商定的其它条款。
借款合同必须由当事人双方的代表或凭法定代表授权证明的经办人签章，并加盖公章。
五，发放银行贷款.
企业申请贷款经审查批准后，应由银企双方根据贷款种类签定相关种类的借款合同。签定合同时应注意项目填写准确，文字清楚工整，不能涂改;借、贷、保三方公章及法人代表签章齐全无误。借款方立借据。借款借据是书面借款凭证，可与借款合同同时签定，也可在合同规定的额度和有效时间内，一次或分次订立。银行经办人员应认真审查核对借款申请书的各项内容是否无误，是否与借款合同相符。借款申请书审查无误后，填制放款放出通知单，由信货员，科(股)长”两签”或行长(主任)”三签”送银行会计部门办理贷款拨入借款方帐户的手续。借款申请书及放款放出通知单经会计部门入帐后，最后一联返回信贷部门作为登记贷款台帐凭证。
由此可见，传统的银行贷款业务的审核比较繁杂，而且主要是通过严密的线下审查来确保投资方的安全的。他们主要是基于法律和金融知识来驾驭投资方的风险，其缺乏互动性和便捷性。比如，借款方也许在单一时刻具备所给出的条件，但是，我们并不能基于某种动态性来考量他们。同时，由于所有的活动都是通过线下来进行的，我们很难建立一种很好的线上机制来维持这种借贷双方的交流机制，这使得双方的沟通问题重重。对于风险的分摊来说，贷款方的钱永远是一笔一笔地单一给付的，他们并不能通过某种线上的数据挖掘基础将他们的钱分摊到多个借款人或者借款方手上，他们无法处理这种风险的分摊，导致了许多基于人为的不确定因素。
相关理论基础
P2P网络借贷的特点
（1）直接透明——出借人与借款人直接签署个人对个人的借贷合同，一对一地互相了解对方的身份信息、信用信息，出借人及时获知借款人的还款进度和生活状况的改善，最真切、直观地体验到自己为他人创造的价值。
（2）信用甄别——在P2P模式中，出借人可以对借款人的资信进行评估和选择，信用级别高的借款人将得到优先满足，其得到的贷款利率也可能更优惠。
（3）风险分散——出借人将资金分散给多个借款人对象，同时提供小额度的贷款，风险得到了最大程度的分散。现在，在收益靠前的投资类型中，P2P借贷也确实是稳定的投资项目，这是因为投资对象不仅有公司企业（公司企业偶尔会大起大落），还有消费者。尤其是信用良好的人，即优质借款人，在行业内专业术语称为优质消费信贷——信贷额度。这些优质消费信贷能给我们带来什么？这些优质借款人又能为我们带来什么？他们能为我们带来的就是随着时间的推移，仍能保持不变的稳定收益。所以，与股票市场相比，P2P借贷要稳定的多，收入随时间推移始终如一。同时，我们可以发现，自2008年以来贷款违约率的稳定性。2009年，2010年,2011年,2012年,这些违约率随着时间的推移丝毫未变，也就是说，我们追踪这些借款人逐月还款的情况，但每一年他们还款的轨迹都很相似。优质借款人为我们提供了真正稳定、可观的收益。
（4）门槛低、渠道成本低——P2P借贷使每个人都可以成为信用的传播者和使用者，信用交易可以很便捷地进行，每个人都能很轻松地参与进来。P2P网贷的借贷双方呈现的是散点网络状的多对多形式，且针对非特定主题，使其参与者极其分散和广泛。目前的借贷者主要是个体商和工薪阶层，短期周转需求占据很大部分。借贷者只要有良好信用，即使缺乏担保抵押，也能获得贷款；投资者即使拥有的资金量较少，对期限内有严格要求，同样能找到匹配的借款人。并且每一笔贷款中可以有多个投资者；每个投资者可以投资多笔贷款。这使得具体形式上更加分散，参与群体上也更加广泛。
（5）互联网金融技术的应用——在P2P网贷中，其参与者极其广泛，借贷关系密集复杂。这种多对多的信息整合与审核，极大依赖于互联网金融技术。事实上，P2P网贷形式的产生，也得益于信息技术尤其是信息整合技术和数据挖掘技术的发展。
（6）交易方式的灵活性和高效性——其主要内容包括借贷金额、利息、期限、还款方式、担保抵押方式和业务发生效率。P2P网贷业务往往淡化繁琐的层层审批模式。在信用合格的情况下，手续简单直接，高效率满足借款者的资金需求。
（7）高收益——目前，很多人对一项投资感兴趣的主要原因是它所提供的收益，P2P借贷就能为我们提供可观的收益。P2P借贷的平均净利率为12%，这在当下恶劣的经济环境中已经很棒了。现在，储蓄利率的平均值为0.3%，所以相比之下，12%真的很了不起。P2P网贷平台的借款者普遍不是被传统金融机构接纳的，其往往缺乏有效担保和抵押，对贷款产品的需求特征个性化。甚至可能是传统金融机构筛选后的“次级客户”，故愿意承受更高的利率获得贷款。另一方面，P2P网贷平台和投资者也面临高成本的线下尽职调查的缺失或者不够细致的问题，仅靠网络信息的汇总分析对客户进行信息真实性和还款能力的审核仍然是一个巨大挑战和风险来源。
（8）更多的掌控权——P2P借贷提供了一些着实有趣的好处，这些好处是像共同基金这类投资从未提供的，并且投资人还可以自行控制。P2P借贷让我们能深入参与我们的投资。如果我们想要袖手旁观，我们可以这么做，但如果我们想要干涉，我们也可以控制钱的去向。这是因为所有的历史资料都被公之于众。如果你现在登录Lendingclub或Prosper网站，你可以下载一份电子数据表，其中包含了他们公司历史上发布的所有贷款。这就意味着你可以在MicrosoftExcel软件中打开这份表格，分析公司过去存在的模式。你根据这份表格说，“伙计，这群借款人比那群借款人更可靠。”因此，不要选择那些拥有小企业的借款人，因为这些平台上的小企业贷款统计出来的结果是收益率普遍比其他贷款低。目前，小企业贷款所占比例还不大，所以，如果你想要的话，你可以不再投资小企业贷款。因此这些历史资料可以为我们的投资提供导向作用。我们可以说“我想把钱全投在这儿，”或者“我想在这儿投一点，但在那里投大部分。”我们能真正在很大程度上掌控我们的投资。关于历史资料，我们之前并没有瞄准特殊借款人群，我们投资的是平台的平均水平。就像我们说的那方面，普遍收益任然是可观的12%，但是如果我们愿意，我们可以瞄准那些特殊的借款人群，那么收益会更高一些，大约在15%，甚至在20%以上。对于银行本身来说它是基于一定的书面信息来让贷款方了解借款方的某些资质的，这种方式的一个最大的误区在于，所有的方式都是通过“静态”的形式来给予的，这种静态的方式不能更好地让贷款方了解到借款方的某些要求，他也无法对他感兴趣的问题作出一些判断。然而，如果以P2P网络借贷平台的方式来进行展开的话，相比传统的借贷方式不同的一点是，借款方和贷款方可以在互联网上进行更直接地交流，这种动态的方式将让借款方和贷款方对彼此更感兴趣的问题进行更有针对性的交流，而且这种便捷性，实时性的方式将让双方的交流更融洽和顺利。
P2P网络借贷的影响因素
P2P网络借贷的影响因素主要包括以下几个方面：（1）借贷双方的供需平衡（2）P2P信贷平台本人基于信息安全的稳健性（3）平台上借贷双方沟通的透明性和便捷性，这将直接决定着使用者是否会严重的信息不对称（4）平台是否有良好的线下作为支撑（5）P2P信贷平台是否有金融和法律方面的相关支持（6）风险是否可以自动均摊（7）如果没有线下的强有力支持的话，线上的产品是否具备有力的支撑。
以下，我们对这几个要点进行适当展开：如图所示，一般意义上来说，贷方是多余借方的，而这种借贷双方的不平衡性会严重影响P2P网络借贷平台的平衡。作为弥补，国内一些大型电子商务企业（例如：京东公司）就采取了电子商务平台与P2P网络借贷平台相互捆绑的方式，来解决了目前P2P借贷公司的这种不足。因为电子商务平台可以网络一大批客户资源，他们在购物的时候，如果有一些欠款的话，会考虑用一些临时的方式进行弥补，此时的捆绑性的P2P借贷平台则恰好给了这些借方一个很大的便利，在带给在京东线上购物的客户以方便的同时，也提供了充足的供给资源，达到了新的一轮供需平衡。
对于（2）来说，我们可以考虑建立如下的模型来进行解决：如图所示，我们这里处理的是基于信息安全的情况，实际上，我们在后文中会用更充足的模型和数据来揭示基于金融方面的安全情况的。如图所示，我们构建的模型如下：（我们这里并不对单个Peer点来进行讨论，实际上，如果单一地区分哪些节点是恶意的，哪些节点是友好的，这种方式具备一定的独断性，而且非常模糊）。我们的模型基于信誉度来进行对P2P平台的设计。我们的P2P网络建立在群体的Peer点上，由于每一次的判断都是基于群体之间的，故判断节点的好坏的时候可以更加准确一些。
我们所定义的信任值，是基于Peer点之间过去所进行的服务（借方的邀请，信息披露，以及贷方的投标与资金流通）的质量统计，用一个信任值向量来表示某个Peer点的信任程度，为每个Peer都维护一个信任值表格。我们的信任值是以向量的形式呈现出来的，长度为一般为8位，也就是计算机上的一个bit。对于这8位来说，我们用布尔逻辑（1和0）来对每一位进行唯一的标识，即用1来表示一次好的服务，而用0来表示一次不好的服务。那么，我们考虑一个比较普遍的情况，当PeerA对PeerB寻求借贷服务时，我们则可以建立一个基于这两者的实时信任值向量。初始化的时候，置为全0.如果之前这两个点没有任何的关系，则还是置为0（有效位数也为0）。两个点在每进行一次服务的时候，信任值向量则向右边移动一位，如果服务质量好的情况，移入一位1，否则，移入一位0.如果所示，经过一次服务之后，所更新的值向量如下。
那么，根据以上数学模型，我们可以得到一个基于遇单方向的信任度。从模型中可以看出，在两个Peer之间建立联系的时候，越是靠前的位，其权重越高。假设第一个位的值为0的话（也就是第一次服务不佳），那么两点之间一方对另一方的信任度就蜕化为50%以内了。基于这种方式，能够保证新认证在最近时间内是有效的。但由于最近一次服务的占用比过高（占据了整个信任值的50%），那么会存在这样一个问题：如果一个节点在最近几次提供好的服务，其信任值未免会上升地过于快，这种情况下，会造成一个节点很容易骗取对方的信任值（也就是说，基于以上的算法，攻击者很有可能会将前面一段时间进行适当地伪装，以便骗取信任值）。为了解决这一点，我们也可以将权重调节到适当的程度，不至于后面的几位对全局的影响太小。
（2）主要是一个网络技术上的问题，（3）则是一个纯粹的金融问题。我们可以比较容易理解，在P2P的在线借贷环境中，出借人往往无法掌握借款人的详细信息。这多半是由于借款人本身的信息在一定程度上具备隐私性，这种严重的信息不对称问题会出现严重的逆向选择行为和投机行为。对于消费者来说，需要建立一个完善的信任机制来消除这种网络交易过程中出现的不确定性和机会主义。由此，我们建立一个排除在信息安全以外的信用评价模型是当务之急的事情。后文中会建立相信的数学模型来对此进行探讨，包括基于数据的一些检验。建立在非模型化的角度，我们可以用“社会资本理论”来诠释这一问题。目前具备吸引力的社会资本理论为Granovetter提出的社会网络关系“嵌入性”理论和Burt提出的结构洞理论。这两种理论都阐明了如下的结论：我们可以采取社会资本来防止一些道德逆向选择的情形出现。为了解释这样一个问题，我们需要先了解“社会资本”的意义。法国的经济学家布迪厄将“资本”分为三类：经济资本，文化资本和社会资本。在他的分析中，社会资本是一种体制化的关系网络，社会资本的多少取决于两个因素：一个是可以被个体有效地加以运用的网络规模，二是网络中个体所占有的资本数量。X的著名P2P网站Prosper和LendingClub利用社交网站FACEBOOK上面的用户关系网为自己的P2P借贷平台的信度进行了充足的提升。这一个方面是依靠如下的亲属理论：在朋友圈或者亲友圈的借贷中，信用风险可以得到最大限度的抑制，此外，利用社会资本理论来解决P2P借贷网站中的信任问题，可以更全面地分析信任的各种影响因素。对于P2P借贷方面的研究，学者有发表一些论文认为，社会网络资本在信贷市场上可以发挥更大的作用。如Freedman等人基于实证分析，得到社会资本可以减少信息部队称问题及逆向选择现象。
（4）——（7）这四个问题主要是基于现实P2P信贷中的风险转移，风险均摊等问题，我们可以借助于风险理论中的一些效用理论来分析。我们需要明确的一点是，我们的目标是在保证P2P信贷平台安全的情况下，让借方可以享受到贷款利率适宜的资金，而在此基础上，将贷出方的风险降为最低。实际上，针对（4）来说，如果在技术上没有非常优质而有效率的算法作为衬托的话，我们必须要有良好的线下作为支撑，整个P2P网络借贷平台的安全性才能得到最有效的保证。对于（5）而言，在金融上，P2P网络借贷平台应该在财务上进行准备金的设置，为了完善整个平台的运营，必须有充足的准备金才能抵御住风险。这种准备金无论在哪个金融行业，甚至是保险行业都是必须的，P2P信贷平台上充斥着各种各样的资金流，我们必须保证它们的分配是合理的。而在一个信用评级机制还没有完全建立起来的国家，我们需要一套良好的法律机制来维持这方面的正常运转。在制约方面，当一些对追债的措施（例如Prosper的14天延迟的警告和30天延迟的条文提醒）失效之后，我们必须通过严格的法律手段来维护贷款方的各种权益。如果最终无法追讨到债款，则需要由P2P网络借贷平台或者第三方来弥补这一损失。（6）则是我们前文曾经提到的风险自动均摊机制。由于每一个借款方的信用系数并不是相同的，所以贷款方在贷入资金的时候，必须分配给每一个借款方一个相应的权重，在做到分散风险的同时，在获得的收益确定的情况下保证投资人面临的风险是最小的。同时，我们必须注意到，每一个借款方，他们并不是独立的个体，他们彼此之间也存在着交流和沟通，所以这里也存在着一个“合伙欺诈”的可能性。我们在建立模型的时候也需要对这一问题进行合理的分析。一个合适的解决方式是，借鉴数理统计中的相关系数这一指标，让不同的借款人之间都具备专属于自己的相关系数，这样就很好地衡量了借款人之间的相互作用的因素。对于（7）而言，应该说，首先对于这一方面的实现来说，是一个极为困难的过程。如果线上的信用评估和风险评估设计不是很完善的话，很容易造成由于信用问题产生的资金流失。即使是纯粹线上的交易的话，也需要有附加一些安全支持，比如“中间人”或者“担保人”机制等等。如果没有这种担保机制的话，纯粹线上机制是很难保证其安全性的。在国内的大型P2P网络借贷平台中，也只有“拍拍贷”这一家企业具备这样的方式。这还是建立在拍拍贷独特的风险评级算法的基础之上的，一般的小型企业很难做到这一点。
P2P网络借贷的风险
首先，如何评估借贷的风险？在非寿险精算学中，我们用NCD奖惩模型来度量。我们可以基于马尔科夫链（MarkovLink）进行建模。例如，一个奖惩系统共有两个奖励类，分别以1与2来表示，1个惩罚类，以-1表示，再以0表示非奖惩类。奖励因子分别可以取为r0=0,r1=0.3,r2=0.5;惩罚因子s1=0.2，根据三个转移法则，我们可以得到相应的三个转移矩阵如图所示。当我们的新车在前面几次撞车过频的时候，第二年的保费会明显上升，同理则会有显著的下降。同样的道理，我们可以用此方法来定义P2P网络借贷的违约。在一些传统的借贷中，我们的贷款违约预测模型是对风险进行预测，来区分优质贷款和不良的贷款。我们根据金融机构每天生成的数据，我们需要通过这些海量数据来对风险进行评估。根据Dong的说法，我们将测定贷款违约的模型粗略分为四类：统计学方法，数学规划方法（可以是线性规划，也可以是非线性规划），人工智能方法以及以上三种方法的混合方法。
起初，衡量贷款风险的方法用的是统计学中的判别分析法，该模型基于费舍尔线性判别函数，是一个较好的评分模型。但是，这种方法有一个很大的缺陷，它的条件过于强，只有在相当苛刻的条件下，准确率才能得以保证，所以，对于一般的现实性问题而言，这些方法显然是不靠谱的。目前应用最广泛的贷款违约模型是回归分析法。Orgler则利用了线性回归的模型来研究了借款者行为特征和申请表资料对个人信用评分影响的大小。Mangasarianz则将线性规划与非线性规划（运筹学）的方法引用了贷款的风险评估。神经网络和决策树则无论是在数据挖掘领域，还是人工智能领域，都是应用比较多的方法之一。Odom将神经网络用于贷款的违约预测，Tam则对判别分析，逻辑回归，决策树，神经网络，关联规则等算法的优缺点进行了详细的分析。在P2P贷款平台的信用模型中引入神经网络算法，是一个比较新颖的模式。在目前，还有经济学家尝试用染色体遗传的方式来衡量保险公司无力偿还，也就是保险公司违约的概率。此外，我们还可以将以上的一些基于人工智能的技术进行适当地组合，从而产生一些新颖的方法来解决风险方面的问题。
为了便于更加定量化地描述风险，本文采用了如下方法：我们在传统的基于银行的信贷业务中，所谓的风险，主要指借款者发生违约的概率。但是，无论是何种基于信贷的风险，这些风险在概率论中本质上是“同质”的，也就是可以通过共同的概率模型来描述它们——正态分布。我们将牵扯到关于借款人违约的各方面的要素称为特征变量。有些特征变量是借款者在某一个住址的居住时间，以及其在单位的工作时间等等，我们可以看到在信用卡的申请中，这些因素也是经常出现的。但是，由于我们在考察一个借款人的某一个风险因素，亦或是每一笔贷款的风险，如果量化出来的话，都是连续的，那么，我们始终可以通过一个阈值将贷款分为“优质贷款”和“不良贷款”，以其作为贷款的决策审批的主要依据。我们主要采用国外比较流行的模型“信用分（creditscord）”，通过这种转换，以信用分的形式，将每一笔贷款的信用情况描述出来，让其与违约概率之间建立如下的关系：
我们可以看到，p(x)指的是一笔贷款的违约概率。由于score(x)对于自变量p(x)的关系是单调减的。那么，如果信用评分的越高的话，就说明违约的概率越低，那么风险就比较小了。如果违约概率比较低的话，那么信用评分就会高起来，那么风险就变大了。但是，我们仍然需要注意到一点，也就是这种单一地借助香农的信息量的方法来描述违约概率的方式并不能很普适地适用于一般情况下。对于P2P民间信贷来说，这种方式存在一个显著的问题——由于民间P2P贷款与传统贷款的本质性区别，也就是民间P2P贷款中，作为贷款方，他为了分摊风险（不把所有鸡蛋放在同一个篮子里），则必须要将一笔贷款分发给不同的借款人。相同地，一个借款人，他为了增大借款的成功率，一次也不可能贷很多的钱，他们也愿意将钱分发给不同的贷款方。这样，P2P信用贷款就不具备传统借贷中的“审批独立，互不相通”的特点。所以，我们必须要改进以上的模型，使之可以很好地描述组合贷款的违约概率。
在这其间，我们必须要注意到传统的信贷风险模型的软肋。如图所示：传统的风险区分方式比较粗糙，它们主要是采用一种“离散化隔断”的方式进行的。例如Prosper将风险划分为四个不同的等级A*,A,B,C,而在X，有些P2P个人信贷公司则将其分得更细。这里存在的一个问题是，我们可以注意到，贷款1和贷款2的风险系数其实是很接近的，但由于它们刚好处在风险A和风险B的临界点上，所以，它们形成了两种完全不同质的风险。类似的方式，我们还可以注意到贷款3和贷款4。又如，贷款2和贷款3，它们同属于风险B，它们其实差别是比较大的，但由于同属于B风险系数区间，我们不得不将其当做相同的风险，而借款人也只能在明知不公平的情况下来支付相同利率的利息。鉴于此，解决方式还是有许多。首先可以想到的一种方式，就是将风险等级细化，这样做尽管可以加强公平性，但却在管理上出现了许多问题，这需要更大的人力和物力来加以管理，显然是不合时宜的。并且，即使我们可以解决以上问题，如何采用一种合适的方式来描述“组合风险”呢？
以上，我们通过加权的方式，进一步使用并优化了新的模型——投资组合风险评估模型。我们的该模型是基于现代投资组合理论（MPT）的相关研究。其实四大金融投资理论之一，主要是通过选择在不同的资产上的投资比例（也就是加权的过程），在给定投资组合风险时，最大化投资组合的期望收益，或者是在给定的投资组合的期望收益时，来最小化投资组合的风险。我们的该模型是基于概率论中的数学模型，这种资产集合的方式，可以使得几何的总风险低于任一资产的风险。我们可以定义风险为收益的标准差，组合收益则可以量化为资产的加权组合，【3】整个定义式以如下方式表述出来：
目标函数：
约束条件：
其中，ui是资产i的收益率，而sigma是风险，pij是资产i和j的相关系数，我们的投资组合期望收益可以描述为R*。对于加权的分担，我们用wi进行模拟，也就是我们所谓的权重。我们用夏普指数衡量了在一段时期内，投资的风险调整和风险表现，这种度量是十分有意义的。因为，高回报必然伴随着高风险，此公式也很好地阐述了这一道理：
其中，Rp描述了投资组合的收益率，Rf则是基准资产的收益率，我们假设分母永远不会为0，Rf也可以被理解为无风险收益率。
第三章P2P网络借贷平台与传统银行业贷款机制比较
从适用范围上分析
从适用范围上来说，传统银行业有它有利的一面。最大的优势在于其低廉的贷款利率，但是缺点也是很明显的。首先，它由于还存在储蓄业，其贷款金额会有一个很高的额度。而且，审批下来，无论是从其流程的周期上看，还是从其审批的成本上来看，都比不上P2P网络借贷。银行存在的另一个问题是，它的单一性，每个借款人，或者借款单位只能唯一对应一个贷款方，线下的模式也很难达到便捷。对于P2P网络借贷平台而言，由于其是基于互联网平台的，线上的模式让便捷性得到了充分的体现。其次，它更容易满足一些客户的小手笔的要求。比贷款的金额区间可以更大一些。它可以更大程度上地满足一些小额贷款客户的需求，让他们更快地获得资金。另外，这种P2P网络借贷的模式，由于借助了互联网，基于一些人工智能算法，贷方可以将风险分摊到不同的借方手上。借方的一些个人资料也可以通过“会员制”的方式被P2P网络借贷平台收录，借助于组合风险投资算法（后文中会详细介绍），贷款方可以将借用方的违约风险降至最低。最后，由于P2P借贷网站没有副业（储蓄业），从而也就不存在贷款利率和借款利率之间的差值，这样可以更便于客户在得到好的投资的同时，让投资人可以得到更好的回报。当然，P2P网络借贷平台的缺点也是显而易见的，由于它们主要是基于线上运营的，并没有一个很好的线下平台作为支撑。如果客户违约，催债的过程将异常麻烦，其中原因，相当一部分也是由于我国的法制还不够健全。并且，由于P2P借贷平台是民间组织，毫无疑问地，存在集资抽走的可能性，这也是需要客户不愿意选择P2P模式的一个很大的原因。所以，如果单就安全性来说，当然P2P借贷平台要比传统的银行业借贷要差一些。但是，事物之间总是日新月异的，正如80年代的保险业一样，作为新兴的P2P网络借贷行业，也存在一个行业规则的从不健全到健全的过程。
从网络技术角度分析
目前，传统的银行业贷款也开始支持互联网交易了，它是基于网上银行的一体化运营。但P2P信贷网站还是有它的一些独特的地方。我们不妨通过建立一个P2P信贷网站来探讨其中的一些技术细节：相对于银行网站而言，PeertoPeer比较倾向一种“独立自主（helpyourself）”的过程。对于贷款人来说，本系统给出了两种不同的投标方式：自动投标和手动投标。如图所示，贷款人可以根据借款人的一些资料进行手动选择，并投标。
其次，贷款方也可以选择自动投标的方式进行P2P交易。操作过程如图所示。对于贷款方来说，P2P交易平台对每一笔贷款方的请求记录都给出了详细的参数以供贷款方进行选择。系统会根据具体的投资组合算法为贷款方制定最优的策略（具体的算法策略在后文中会提到，我们对比进行了专门的数据模拟）。目标是让贷款方在保证可以获得一定他所预期的利率的情况下，让自己所获得的风险达到最小。
贷款方自动投标系统中的参数如下：
1、状态：是否启用，如果没有不中启用框，则当前设置的自动投标规则将不启用；
2、账户余额：显示用户当前账户余额；
3、借出金额：这个是给自动投标用的每次自动投标的投标金额，如果超过标的最大投标额度则以标的最大限额为准，戒者如果小于标的最小投标额度则不投，以50的倍数为整借出；
4、信用等级：在自己设定的信用等级范围内，自动投标生效；
5、借款期限：可以选择不设定期限戒设置期限杢选择相应的借款标。期限目前主要有月标和天标两种。月标的期限都是以月为单位，天标主要是天数为单位；
6、是否奖励：可以设置借款标的投资奖励，如果不启用则没有此项限制。
7、利率选项，年利率范围主要自动设定的范围内自动投标生效，如果不启用则没有此项限制；
8、资标种，投资者可以针对某种标戒某些标进行设置。
9、账户保留金额：设置账户保留金额，到设定的金额数停止自动投标。
借款标的主要属性有：
借款详情，投标记录，借入人信息，还款信用，留言板，借款人档案、材料审核、还款记录；
投标详情：主要是描述该借款标的信息描述，比如借款的用途，借款的抵押情况等等。
投标记录：记录该借款标当前所有投资者列表,主要显示字段有：投标人，投标金额，投标时间，状态(分全部通过和部分通过两种)。
借入人资料：显示借款人的个人资料信息，主要字段有：性别，年龄，婚姻状况，文化程度，每月收入，社保情况，住房条件，是否购车，是否逾期等等。
借款人档案：显示借款人基本资料信息：所在地、信用等级、收送信息、关注借款人等；
资料审核：显示该借款人通过的所有资料认证情况，常用的资料有：驾驶证，行驶证，社保，工作证明，工资流水，银行流水单，通讯记录，房产证，学历证明等等。这些证明资料主要由借款人在个人账户中心上传已经完成。
图8：借款人申请借款模块的设立
从监管角度分析
决定一个P2P信贷网站的决定性因素，在于“信任”。也就是说，从监管的角度进行分析，如何让借款方和贷款方达成一种信任，是很重要的一件事情。信任是一个多维度的概念，其学科领域很广。我们的学者董圆圆给出了电子商务研究中常用的12种理论，并提出了电子商务平台（广义）中的信任问题的研究理论框架，他认为一个网上交易过程涉及四个方面：买方，卖方和第三方及相关技术。三方面的实体如下所示：
就宏观来说，可以用如下模型囊括所有电子商务领域的总规律。以下我们将问题具体化，研究P2P网络借贷模型的独特信任模型。
综合借款人信息质量（这个主要是由借款人本身来把握的，理论上，借款人的信息资料越完善，他贷款的成功率越高，并且他的隐私会有很大的泄露嫌疑），借款人社会资本，个人信任倾向等与信任信念（包括借款人信任和网站平台本身的信任）之间的结构关系等提出假设。
经分析，我们得出了如下的信任对P2P网络信贷平台的影响的理论模型：
如图所示，该信任模型囊括了三个方面的实体“借款方—P2P借贷网站平台—贷款方”，但由于每个人的文化程度，生活习惯等等的不同，每个人都有基于其自身的“风险效用”。比如，寿险产品中的万能连结险就是基于此来设计的。保险公司通过LESS测试来测定客户是风险激进型还是风险规避型的，哈佛大学将其归为Alpha-Beta测试。以上，不同的消费者对不同的人值得依赖的总体期望也是不同的。有些人会相信别人，有些人会去怀疑别人，这就像每个人对风险都有自己的“效用函数”一样，这也正是个体信任倾向的体现。信任倾向是考量消费者个体特征的主要指标。
第四章P2P网络借贷发展现状以及存在的问题分析
我们浏览了目前国内最大的三个主流网络借贷平台：安心贷（anxin),拍拍贷，以及红岭创投，三个分别位处于北京、上海和深圳的，中国目前最大的网络借贷平台，虽然基本模式类似，但他们的定位和功能有一定差异，我们在下面作一个初步的讨论：
安心贷
与类互联网企业的拍拍贷不同，位于北京的安心贷则是一个从线下走到线上的金融服务公司。成立于2009年的君安信担保公司是安心贷的运营主体，在运营安心贷之前，君安信是从是小额商贸贷款的担保公司，其主要管理层的背景主要是金融和法律，因此其平台也展现了更强烈的金融机构的特点。
安心贷的产品有四种：保本贷，保利贷，短期贷和快捷贷。产品的设计更具有专业金融公司的特征。
安心贷最大的优势是他对于投资人的每一笔借款都提供连带保证。在各个借贷网站中，安心贷也是唯一的专业担保企业。作为对投资人友好的网站，安心贷对于借款人的要求就非常苛刻，目前其借出的范围限于北京地区的商户，而且必须做实地考察。
安心贷的用户后台设计更类似于我们熟悉的网上银行，具有很强的功能性与简洁的操作界面。用户可以很方便地操作和查找资金与借贷情况，每一笔借贷都有正式的电子合同。
但是，安心贷没有用户之间交互的工具，没有好友功能，也没有论坛。这或许和安心贷的金融背景有关，他们似乎并不想把安心贷做成一个社区网站，而仅仅是一个资金操作的功能性网站。当然，这一设计方向也会降低用户的访问量和使用黏度。2011年12月11日，安心贷在Alexa排名108476名，比拍拍贷少了不少。
拍拍贷
2007年成立于上海的拍拍贷无疑是中国最早的网络借贷平台。拍拍贷的管理层有很强的互联网和计算机背景，因此，整个网站的开发更为注重社区概念，用户之间的交互功能设计非常合理。由于拍拍贷不为所有借款提供担保，因此借款人必须经常在拍拍贷网站上和其他用户，特别是投资人联络感情，以期能更容易获得贷款。这在一定程度上也增强了平台用户的活跃性。
拍拍贷对于借款大部分不提供担保，因此对于借入人的审核也较松，对于借入者而言，拍拍贷应该是较为容易借到资金的网站。在拍拍贷的网站上，借入人有多种产品可以选择，包括纳米体验标，投资体验标，应收款安全标，普通借款标，合作伙伴标，个人担保标淘宝卖家标等等。
我们从反映网络流量的Alexa排名上就可以看到，在2011年12月11日，拍拍贷全球排名28,247名，在全国的网络借贷平台中这一排名是最高的。
当然，对于借款人的好事对于投资人来说可能就是坏事。由于拍拍贷提供担保的条件很难达到，借款在逾期之后，投资人无法获得赔偿，因此，这也是拍拍贷需要解决的一个主要问题。在拍拍贷的投资人论坛中，对于逾期款项的抱怨还是比较多的。
红岭创投
位于深圳的红岭创投是一个充满活力的网络借贷平台，在该平台上流转的资金额最大，经常有单笔超过10万元的借款标出现。红岭创投也是网络借贷平台中唯一做了股份制改造的企业，其具有很强的资本运营的概念。在传统的网络借贷业务之外，红岭创投也是唯一一个运营创投业务的借贷平台。
和拍拍贷与安心贷不同，红岭创投没有分类的各种借贷产品，但有一个职业担保人的制度，红岭本身不为借款标提供担保，但资金超过一定数量的用户可以在红岭申请成为担保人，担保人可以参予担保借款标获利。
红岭正在努力开拓线下业务，目前开始各地代理商加盟。在红岭创投网站的借款标搜索中，也加入了各个地区的选项。红岭创投不满足于从事线上的网路借贷业务，已经开始把借贷模式开始向线下扩张了。
2011年12月11日，红岭创投在Alexa排名111,806名，比安心贷略低，在网络借贷平台中排名第三。
综上所述，三大网络借贷平台虽然都采用相似的资金中介模式，但侧重点各有不同。
安心贷是一个从线下发展到线上的金融服务平台。安心贷平台更强调平台的操作性和功能性，在交互性方面则略显不足。至于服务的侧重，安心贷完全是以投资人的利益和诉求为核心的，为投资人提供100%担保，更对借款人设置了很高的要求。这种设计的确规避了坏账的风险，但过多的限制是否有利于网站的快速发展，且需要时间去论证。
拍拍贷更类似于一个以借贷为纽带的网上社交社区，具有很强的交互功能和用户黏度。借款人有多种可以选择的产品，而且有多种交互方式在平台上可以和投资人沟通。可以说，拍拍贷更侧重于满足借款人的需求。对于投资人而言，拍拍贷还应能做的更好，特别是解决坏账和担保的问题。
红岭创投与安心贷相反，正在从线上向线下发展，除了基本借贷模式中的借款人和投资人，红岭创投还引入了担保人和代理商等概念，其体系是最为复杂的。加上红岭创投还从事创投的业务，其业务走向最具有不确定性，也让我们拭目以待。
国外P2P网络借贷发展现状分析
在欧美等国，P2P信贷机构很普遍，因为其个人信用体系透明度高。在X，借款人在网站注册时，只需要提供X合法公民身份证明、拥有超过520分的个人信用评分记录并填写个人情况，系统就会根据这些材料对借款人进行信用评级。
目前较著名P2P网络借贷平台主要有X的Prosper、LendingClub，英国的Zopa、德国的Auxmoney，日本的Aqush，韩国popfunding，西班牙的Comunitae，冰岛的Uppspretta，巴西的Fairplace等等。
Zopa：2005年3月在伦敦成立，目前有50万会员，相互之间出借了1.35亿英镑。“这是通常被X主导的互联网世界中一个真正的英国发明。”Zopa的概念相当独特，基本上不再通过银行，而是采取个人对个人的借贷策略，有钱可供出借的人在网络上列出金额、利率和想要出借的时间，其中有些人提供的利率相对较低，但对借贷人信用度要求较高;而如果利率较高，出借条件可能更有弹性。与此同时，需要资金的人也可以比较各个贷款“产品”，确定适合自己的方案。因为没有中间结构，出借方和借款方都可以找到最符合自身利益的交易。
Prosper：成立于2006年，目前拥有超过98万会员，超过2亿的借贷发生额，是目前世界上最大的P2P借贷平台。Prosper做的事情与在线拍卖类似，只不过拍卖的不再是某一种物品，而是利用在线拍卖平台对贷款进行竞价拍卖。需要资金的人只需在Prosper网站输入需要借贷的金额，就会自动出现最高利率；有钱可供出借的人则可以寻找自己中意的金额与利率，同时参考借贷者的信用，再以自己愿意提供的金额和利率竞标，利率最低者将会中标。从理论上讲，借钱者可以以低于银行的利率借到钱，而出借者则可以以高于银行的利率出借，因此能够实现双赢。Prosper需要完成的工作就是确保安全、公平的交易，在概念上也秉持着个人对个人的借贷策略。
我国P2P网络借贷发展中存在的问题
与国外业已比较发达的P2P网络借贷平台相比，国内类似的行业主要有如下一些缺陷：
（1）国内缺乏合理的征信机构。国外的信用分（CreditScore）制度已经比较完善，所有的金融工具都与个人的信用绑定在一起，而且分数是量化地评定的。由于全国都已经联网，P2P借贷平台在处理个人借贷业务的时候，不需要自己独立建立一个评定机制，而只需要根据个人的信用分进行观察即可。
（2）国外的P2P网站更加制度化和流程化，如图所示，这是Prosper公司的借款流程图：
如图所示，相比国内的流程，Prosper借款流程图更加趋于量化来评定。无论是“Prosper-Score（根据个人的Credit-Score计算而来）”，还是借款期限（14天），都有一个定量化的评定机制。反之，相比国内的著名P2P借贷网站“拍拍贷”，情况大抵如下：
除此之外，我们还可以对比国外著名借贷网站Zopa的借款流程图。Zopa根据其网站的具体交易信息和公民的信用记录，将借款等级分为A*,A,B,C这四个等级，使得不同等级的用户可以享受到不同的贷款利率和贷款金额，以这种方式督促借款者规范自身的习惯。
拍拍贷虽然也具有严格的流程和详细的审核机制，但是相比Prosper来说，它更多的是一种定性的描述而已，其并没有深入到定量的计算。这样，无论从制度的准确性还是规范性来说，都无法与国外的借贷平台媲美。
（3）国内P2P借贷网站存在着严重的套利现象（前文已经叙述过），在吴军的《数学之美》中，GOOGLE工程师曾经研发过一款基于非线性拟合的算法来解决搜索网站的恶性投标的现象，希望国内的P2P网络借贷平台可以借鉴国外的一些经验和心得，在技术上利用适宜的算法杜绝国内P2P借贷网站的套利行为的同时，在法律层面上设立严格的审查机制，来屏蔽套利现象对国内P2P网络借贷平台的冲击。
第五章两种平台中交易违约概率的实证分析与比较
5.1基于风险管理角度对P2P借贷行业的总体分析
我们拓展上文中建立的投资组合风险管理模型，将其拓展到适用于P2P网络借贷模型的具体层面。经过观察和比对，我们可以发现，传统的投资组合优化模型，要具体适应于P2P网络借贷模型，至少有两个地方是需要加以改动的。首先，P2P已经存在过的信贷风险模型，也就是贷款违约模型和信贷风险分级模型，无法为每笔贷款提供投资组合理论的风险评估，所以我们在基于P2P的借贷中，引入了基于核的信贷风险评估模型。其次，P2P借贷市场对投资金额的上限和下限是存在严格限制的，由于民间集资比起银行或者金融机构来说，九牛一毛，而最小投资额度决定了它的最大投资数量，所以，我们采用边界约束的优化模型来描述这一特点。
综上所示，我们在原有的投资组合模型中加入了边界约束的优化模型的形式，其表现形式可以归为如下的一组公式：
目标函数：
约束条件：
对于每一笔贷款而言，lamuda代表其所占总金融的权重，而mul则代表不同权重下的贷款的收益率。R*为投资者的在这种“组合投资”的方式下所获得的最大收益。我们假设每笔金额的收益率都是恒定的。然后，需要考虑到每一笔贷款之间的相互作用，我们定义了pij来表征这一点。以上，我们得到了更新之后的目标函数，并用sigma来表征风险。其中，对于同一时期新申请的贷款，我们可以将它们的关联性看成是0，也就是基本独立。这样，目标函数可以直接简化到第一项。根据以上公式的含义，我们期望在投资人的收益期望，也就是R*给定的条件下，风险程度（也就是目标函数的值）最小。
为了对我们设立的具备一定边界约束条件的优化模型进行求解，我们利用SPSS对数据进行了导入。我们建立以上的模型的输入输出的具体属性名大致如下：
输入：DataH:历史贷款的属性和表现数据
DataC:目前申请贷款的属性数据
M：投资者的总资金
R*：资者的期望收
输出：OMi:贷款i的推荐投资额度
鉴于此，我们按照如图所示的方式对基于人工智能建立的数学模型进行训练，我们选取一些国内知名P2P网络平台上的数据集作为训练集。数据集中的一些属性尽管与贷款的业务相关，但这并非都是本文的研究所需。本文的目的是希望通过借贷双方的个人特征和贷款的绩效得到贷款的违约概率，再利用其对风险进行评估。在真个数据集中，数据的信息DataH为历史贷款的属性和表现数据，DataC则是目前申请贷款的属性数据。在还没有任何一项贷款之前，历史贷款的属性和表现数据具备一个初始值。在借款方进行交易的时候，这两项是需要综合考察的。除此之外，另外的两个输入为M：投资者的总资金，R*则为投资者的期望收益。基于多元风险投资模型，我们得到的输出为OMi:贷款i的推荐投资额度。我们将目前一些大型的P2P网络信贷平台中的保留数据进行筛选和去极值，并进行数据导入到训练集中。通过BP神经网络的训练（在附录中可以找到训练集的代码），得出我们所需的“规则集”。该模型建立之后，可以对风险起到很好的预测作用。
之后，我们对模型进行求解。求解的结果如图所示。为了更清晰地反映出预测收益率和贷款违约概率（风险度量的标的）的普适情况，我们不妨适当调节光滑参数h。我们改变光滑因子h，来不断重复回归模型的KBM评估过程，可以得到不同的两者之间的关系预测结果。值得一提的是，从理论上说，h越大，预测的准确度越小。h越大，则方差越小，曲线也近趋于平滑。以下，我们根据之前所导入的数据，利用SPSS软件作出“预测收益率—贷款违约概率”关系图。
进一步地，我们将得到的数据进行离散化处理，并带入之前得到的P2P网络借贷模型中，得到九个独立而离散的样例。我们可以观察到，预测收益率和贷款违约概率并不是呈现严格的负相关性，在贷款违约概率非常低的时候，预测收益率甚至会出现一个小幅度的升高，这一点值得仔细思考。
如图所示，我们通过三个组别进行讨论。1–3作为第一个组别，4–6是第二个，7–9则为第三个组别。这三个组别的区别在于期望收益率（R），而投资总额在每一个组别之中是分别递增的，每一个组别我们通过一条曲线来进行衡量。我们可以很兴起地看出，在期望收益率一定的情况下，投资总额不会改变风险系数，但会使得违约的金额逐渐增大。而我们通过横向比较可以发现，在投资总额一定的情况下，期望收益率的增加，会使得风险系数增大，尽管这种增加并不是线性的。
值得一提的是，我们这种分析方式是基于具体的模型的，也就是在条件达到许可的情况下（多元风险投资模型），这种方式是正确的，但是也有研究表明，并不一定存在这样的正相关的关系。例如Fama和French(2004)就认为市场风险和回报之间是不存在某种因果联系的。Ross在1976年设立了套利定价理论来进一步阐明了这一点。所以说，我们针对数据的分析在一定程度上存在局限性。
5.2传统银行借贷机制中交易违约程度的实证分析
通过前文的一些理论作为铺垫，我们这里考虑运用eviews经济学软件中的最小二乘回归模型来对传统银行的借贷机制中的交易违约概率和现代网络P2P平台的贷款机制中的违约程度进行实证分析。通过考虑，对于传统的银行借贷机制，我们主要选取的因素量分别为：银行当期贷款利率，借款人借款金额，借款人现存的资产情况，银行的通货膨胀利率。输出则是贷款者的违约情况（这种情况虽然含义上是违约程度，但是它并不仅仅局限于0—1的范围之内，而是由一个评分系数来决定的。理论上，评分越高，越不容易违约）
……………………（*）
基于最小二乘法建立的回归模型大致由类似于（*）的形式展开，其中的beta值为每一个因素F（factor因素）的系数，C为整个回归模型的常量。而因变量Rp则为最要求解的值。
（值得说明的一点是，这里的范围跨越了14年之久，所以从数据的稳定性上来说，这足以说明问题。数据之间是以月份为单位的。我们选择利用中国交通银行的数据来拟合，是因为交通银行是股份制银行，它受国有因素比较小，故更能反映一般的情况）
由于前文已经提到过数据处理的一些策略和技巧，所以在这里忽略数据预处理的过程。我们简单明晰一下各个变量的含义。
输入：asset借款人现有资金（这里的模型考虑地比较简单，借款人的车产，房产等资产均按照当时的市值进行变现处理）
Bank_interest银行当期贷款利率（这是一个非常重要的因素，由于银行的借款和贷款利率是比较固定的，所以它将比较直接地决定了借款方对于的贷款金额以及甚至是否考虑贷款）
Borrow_money借款方的借款金额（借款方的借款金额对于最终的交易的违约程度也有较为重大的影响）
Inflation银行当期的通货膨胀率（银行当期的通货膨胀率标志着整个市场的一个大气候）
C常系数
输出：break_contract借款方的违约程度（前文已经叙述了，衡量一个借款方的违约程度，它的区间范围并不一定是从0到1，而是一个基准量，它标识了一个借款方的违约的可能性。这个量所对应的值越大，借款方违约的可能性越小）
（resid表示残差）
对以上模型的求解结果如图所示：
我们可以尝试对模型进行一些分析。首先，对于整个回归方程来说，它是可信的。因为回归方程的均方值为0.660997，以及修正均方值为0.653203。以上这两个值均超过了50%，所以说，模型的结果对于模型的解释是较为合理的。我们再观察t校验值中的p概率值的一些情况，可以看出，除了借款人资产情况（asset）的p概率值超过了5%以外，其余的三个因素性变量，包括银行贷款利率（bank_interest），借款金额（borrow_money）以及通货膨胀利率的p概率值都小于5%，它们对回归方程的解释都比较强。从相关性和相关程度上来看，借款人的资产越多，他就越不会违约，而当银行的贷款利率，借款人的借款金额以及银行的通货膨胀率升高的时候，违约的可能性会相应地上升。考虑每一个因素对违约程度的贡献，我们会发现，银行的通货膨胀率对违约程度的影响最大，而银行的贷款利率则次之。对违约程度影响最小的是借款方本身所持有的资产，由此可以看出，借款方的信用程度与他手头所拥有的资产并不存在很紧密的联系。
同时，我们可以关注一下统计量的一些情况，均方残差（S.Eofregression）为0.370649，这说明模型的线性估计并没有产生很大的偏差。对于模型的F检验（F-statistic）的值为84.81728，Durbin-Watsonstat的值为1.874192，这个值已经接近2了，而S,Ddependentvar的值为0.078374，Schwarzcriterion的值为-3.197110，故模型的值较为可信。
考虑到借款人的借款金额和他的违约程度之间存在着相互影响的关系（他们之间主要是通过一个信用评级机制来进行相互影响的），我们这里给出了这两个变量之间的Granger检验。如图23所示，可以发现，借款人的借款金额与违约程度之间的相互因果性影响的程度很大（这里考虑的是6阶的Granger因果性检验模型）。他们之间的彼此Granger因果性影响程度都超过了80%。其中，借款人违约程度对借款人的借款金额的影响甚至是高达89.89%，同时借款金额的大小对于借款人的借款金额的Granger因果性检验只有81.37%。这其实从某一个侧面说明了维持自身的信用分是何等重要，该结论对于借款人来说，具备一定的警示性意义。
5.3网络P2P平台借贷机制中违约程度的实证分析
（值得说明的一点是，由于P2P网络借贷平台在国内刚刚兴起，所以得到的数据比传统的银行借贷机制所得到的数据要少一些。但数据之间是以日（天数）为单位的，所以我们仍然可以保证数据的质量。我们选择某著名的P2P网络借贷平台的日数据来拟合），由于前文已经提到过数据处理的一些策略和技巧，所以在这里忽略数据预处理的过程。我们简单明晰一下各个变量的含义。
输入：asset借款人现有资金（这里的模型考虑地比较简单，借款人的车产，房产等资产均按照当时的市值进行变现处理）
interest贷款人放出的当期贷款利率（这是一个非常重要的因素，由于P2P网络中的的借款和贷款利率都是随意制定的，所以与比较固定的传统模式相比，多了一个双方之间相互交流的过程）
Borrow借款方的借款金额（借款方的借款金额对于最终的交易的违约程度也有较为重大的影响）
Inflation银行当期的通货膨胀率（银行当期的通货膨胀率标志着整个市场的一个大气候）
Age借款人的年龄（根据我们的调查和研究显示，借款人的年龄因素对于整个模型有着非常重要的影响。相对于成年人来说，年轻人往往会因为自己的低龄而在贷款人眼中造成某种“信用歧视”）
Credit借款人的信用程度（由于在P2P网络平台上经常有基于网络贷款的评分机制，所以这个量也是P2P网络平台相比于传统的借贷机制所特有的）
Familiar借款人对贷款人的熟悉程度，由于P2P网贷机制中有相关的论坛平台，所以如果借款人和贷款人之间有一个很密切的交流的话，则更容易贷到资金，这里的评定主要也是一个基准值
C常系数
输出：break_contract借款方的违约程度（前文已经叙述了，衡量一个借款方的违约程度，它的区间范围并不一定是从0到1，而是一个基准量，它标识了一个借款方的违约的可能性。这个量所对应的值越大，借款方违约的可能性越小）
（resid表示残差）
由于给出的模型公式比较复杂，这里就略去了。我们可以尝试对模型进行一些分析。首先，对于整个回归方程来说，它是可信的。因为回归方程的均方值为0.985917，以及修正均方值为0.985240。以上这两个值均超过了50%，所以说，模型的结果对于模型的解释是较为合理的。我们再观察t校验值中的p概率值的一些情况，可以看出，除了借款人对贷款人的属性情况（familiar）和借款人的借款金额（borrow）的p概率值超过了5%以外，其余的几个因素性变量，包括借款人年龄（age），借款人资产（asset），通货膨胀利率(inflation)，借款人的信用程度（credit）,贷款人所确定的贷款利率(interest)的p概率值都小于5%，它们对回归方程的解释都比较强。从相关性和相关程度上来看，借款人的资产越多，他就越不会违约，而当贷款人给出的贷款利率，借款人的借款金额以及银行的通货膨胀率升高的时候，违约的可能性会相应地上升。我们也可以从中比较出P2P网络借贷模型相当于传统的银行借贷模型的一些区别。如图25所示，由于familiar前面的相关系数(beta)为正，所以，当借款人与贷款人之间的关系越熟悉的时候，他们就越不会违约。又因为年龄变量（age）前面的相关系数(beta)为负，所以根据模型给出的解释，年龄越大应该越容易发生违约的可能（尽管这个系数很小，程度并不是很明显）。那么，为什么许多年轻人仍然发现它们在类似的P2P网络借贷平台上面贷款比较困难呢？我们在这里只能将其解释为一种“年龄歧视”了。
同时，我们可以关注一下统计量的一些情况，均方残差（S.Eofregression）为62.19063，这说明模型的线性估计还是存在一定的偏差。对于模型的F检验（F-statistic）的值为1707.936，Durbin-Watsonstat的值为0.169659，而S,Ddependentvar的值为511.8999，Schwarzcriterion的值为11.28362，故模型的值较为可信。
考虑到在P2P网络借贷平台上，借款人的信用分和他的违约程度之间存在着相互影响的关系（他们之间主要是通过一个信用评级机制来进行相互影响的），我们这里给出了这两个变量之间的Granger检验。如图26所示，可以发现，借款人的信用评分与违约程度之间的相互因果性影响的程度非常大（这里考虑的是2阶的Granger因果性检验模型）。他们之间的彼此Granger因果性影响程度都超过了90%。其中，借款人违约程度对借款人的信用评价的影响几乎是100%，同时信用评分对于借款人的违约程度的Granger因果性检验也有92.39%。这其实从某一个侧面说明了维持自身的信用分是何等重要，尤其是在P2P网络借贷平台上。
5.4两种不同平台之间的对比与分析
考虑到传统的银行借贷机制并没有一个很好的评分体系，于是，我们创造性地通过引用模糊数学中的隶属度的概念建立了一个评价模型，通过该模型客观地衡量一个拥有着同样资质的借款人在这两个不同模型之中的评价情况。
评价模型相关原理
采用模糊数学法虽然可以计算出多种因素对借款人违约程度的评价，但不可避免由于某种因素的主观性问题对模型带来评价的不公正性，针对这种主观性较强的情况提出了多属性评价模型。
模型的建立
评价模型建立的步骤如下：
Step1:收集影响借款方违约程度的因素数据以及他们自身的数据，建立初始评价矩阵，并设计共同的评价尺度的基准值。
Step2:选择并设立评价尺度函数（采用百分制）。
Step3:建立因素与借款方违约程度的联合关系密切程度矩阵。
Step4:得到每个借款方违约程度的评价结果（即最终的结果）。
建立初始评价矩阵
N种因素G={G1，G2，……，Gn}对m个借款方违约程度（因具体时刻的不同而不同）O={O1，O2，……，Om}进行评价，其分数分别为eij(具体数值可由公式得到)，如果Gj没有对Oi评价，记eij=0，得到初始评价矩阵P0如下：
（1）
设Cj为因素Gj（j=1，2，……，n）对所评借款方违约程度的平均值，则
（2）
其中，表示的个数。则C为所有因素的共同的评价尺度基准值：
（3）
设立评价尺度函数
对初始矩阵P0的各列进行线性变换⁌（m，Cj，C），将变换成与评价尺度无关的基本评价矩阵，其中：
（这里采用百分制）（4）
显然，若eij=0，则bij=0，否则，bij=L（m，Cj，C）（eij）。
建立关系密切程度矩阵
设因素Gj的借款人违约程度Oi的关系密切程度分为I个等级，其关系密切程度矩阵为：
（5）
其中，。与因素Gj具有关系密切程度为k的借款人违约程度的评价值的平均值为：
（6）
其中，表示的个数，k=1，2，……，I。
将矩阵B代入Rk的表达式，计算Rk值，显然Rk是因素对关系密切程度不同的借款人违约程度的评价的倾向。
接着计算出所有借款人违约程度的共同的评价关系密切程度的评价的基准值：
（7）
得到每个借款人违约程度的评价结果
然后将矩阵B中的元素按关系密切程度进行分类，设Bk={bij|rij=k}(k=1，2，……，I)，对Bk做变换L（m，Rk，R），得到矩阵，显然矩阵P与评价松紧的尺度无关。
最后根据矩阵P计算出每个借款人违约程度的评价分数即为最后公平结果：
，其中，表示的个数。（8）
不同因素的评分标准（并设立相应的等级制度）
（2）通货膨胀估计指数和通货膨胀率并没有直接的关系，这个也是经过数据处理之后进行量化的结果。0表示市场情况是最差的，100表示市场情况是非常好的。
评价等级（L）：
（16）
（根据不同分数，设置了S,A,B,C,D五个等级，既满足一定的定量化，又采用定性的方式，直观地给出了借款人的不同等级）
由于该模型属于评价模型，该评价模型主要是对前面两个模型中的个体进行一个客观的评价（这里主要的作用是将传统银行中借款人的违约程度进行定量化处理）
模型的求解：
将的数据带入（16）式中，可以得到：
5.5得出的结论
根据分析，我们可以得出，尽管传统的银行借贷机制由于它审查的严格，并不容易造成违约，但是我们必须看到，经过长年的发展，网络P2P借贷机制已经逐渐地完善了起来。虽然它的线下优势并没有传统的银行机制那么完善，但由于它存在得天独厚的线上优势（基于一定算法的信用分核算，借款人与贷款人之间基于社区的相互交流等等），在经过一定时间的历练之后，对借款人的信用考核机制也会逐渐变得完善起来。
第六章对我国P2P网络借贷平台的政策建议
6.1降低P2P网络贷款平台运营风险
主要可以从如下四个方面来降低P2P网络借贷平台的运营风险。首先，从管理的角度出发，我们可以通过建立严格的“用户奖惩机制”来制约这一点。在这一点上，我们可以借鉴非寿险精算学领域的NCD奖惩模型来达到这一点，当然也可以通过一些比较简单的定量化措施来达到这一点。比如我们可以借鉴X比较完善的P2P网络借贷平台（Prosper）中的“14天惩罚”和“30天惩罚”这两种层级来对不同的情况进行分级（分类）处理。同时，站在信息安全的角度来考虑，我们采用基于信息安全中的“信任值向量”模型来达到保障的目的。其次，在我们国家的信用制度还没有严格建立起来的时候，我们通过严格的法律法规来达到一定程度的约束。最后，无论是通过技术层面来建立严格的算法，还是通过运营实际，建立合理的线上线下方式的结合来达到规避运营风险的目的。这四点如果综合运用起来，方能在一定程度上保护P2P网络借贷平台的安全。
6.2规范管理：积极降低客户违约风险
我们参考Prosper,LendingClub等管理方式，建立严格的定量化管理方式。比如Prosper的“14天违约惩罚”以及“30天违约惩罚”，这些惩罚就完全不同。如果客户14天之内不按期还款，P2P网络借贷平台顶多是一种警告，当然，这同时也与贷款金额有一定的关系。假如客户违约的期限达到30天，就需要施加一定的催债手段了。通过严格的定量化来限定客户的层次，再通过这种逐层递进的管理方式来达到降低客户违约风险的目的。
6.3加强网站的安全保障措施
站在P2P平台本身的安全程度的角度，我们可以得出如下的一些措施——我们构造信息学中的“信任值向量”的模型，其特点在于两个Peer点之间的数据传递，越是靠前的点所赋予的权重越大，当前面三到四个点都是“0”的时候，就几乎证明这条信息已经被截获了。由于P2P网络借贷平台每天充斥着大量的现金流，该平台就往往会成为黑客攻击的对象。前文已经论述过了，【7】黑客攻击这样的平台，往往存在两种不同的方式，一种是通过制造整个平台的瘫痪来收取“保护费”，另外一种方式则是通过单一的基于Peer的攻击来让某个借款方或者贷款方的利益受到损害。这两种方式中，第一种是比较多见的，我们参考了基于信息安全建立的一些模型来达到防御的目的。
6.4构建相应的法律法规和市场准入机制
我们可以配合一些法律手段来进行强制性的抵御。这需要银行以及一些有关部门的配合。在我国还没有实施非常完善的信用评级制度的情况下，这其实是一种不得已而为之的办法。我们可以对比X以及一些欧洲国家的做法。他们拥有一套合理而完整的信用评级制度，以至于不需要专门的机构施加强制的手段，因为他们一生的所有事物都是与他们的信用来挂钩的。
同时，我们应该去避免地方特有的“黄牛党”现象，不同的P2P网络信贷平台应该在一定程度上实行统一或是联盟来确保“黄牛党”不能出现彼此之间的套利现象。这种套利现象的出现将导致P2P平台之间的差异性的误区暴露无遗，让套利者总是有漏洞可钻。同时，在市场准入方面，我们应该规定一个P2P网络借贷平台开启时的“行业金额”。在市场上，出于投资风险的考虑，这样的资金是必要的。比如保险代理公司的准入金额是200万，而如果要开一个保险公司的话，则至少需要2个亿。这是因为，保险行业是一个解算风险的行业，它所直接面对的，则是风险本身。没有一定数量的准备金，一个保险公司的运作将充满风险和变数。这里的P2P网络借贷平台也是一样，如果没有足够的准备金作为储备，万一某一些借款方没有按照约定时间来进行还款，这样的资金只能由P2P网络借贷平台进行给付。
6.5建立有效的检测体系和P2P网络贷款征信机制
结合前文所述，我们可以得出降低P2P网络贷款平台运营风险的一些大致的方式：从技术层面上说，我们可以通过基于用户信用程度的分析，一般采用多参数结合的信用分析来确定一个客户的信誉程度。这里，我们介绍了“信用分”机制，也就是score(x)，它是类比信息论的相关模型建立起来的。我们通过若干多元参数建立一个多元的风险投资模型，解算出在风险尽量小或者一定的情况下得到的效用最大化。在这个过程中，我们运用的是非线性拟合的方法来完成的，分析过程用的是经济学软件（EVIEWS或SPSS），其实站在运筹学的角度，也可以用非线性拟合（LINGO）软件和方法来完成它。
同时，我们也可以用过一些线上与线下结合的方式来防御住这一点。众所周知，线上服务的效率果然高，但是安全性不足，弥补的办法是通过线下的一体化流程，包括正规的手续，合理的追债过程来进行线下的补充。如果客户没有按期还款，则可以采取更有效的线下措施来抵御住这一点。
结论与展望
本文首先引入P2P网络借贷这一机制，并将其与传统的银行业进行比较。在此基础上，文章从管理，平台的信息安全，相关的法律措施和线上线下的征信机制这四个方面分别对P2P网络借贷的安全性能进行了详尽的探讨。在管理方面文章借鉴了国外的部分管理方式，提出了基于Markov链的奖惩模型和分级的惩罚机制。在平台的信息安全方面，文章则引入了“信任值向量”模型来进行探讨。文章同时阐述了相应的法律法国，并借此机会比较了国外对征信的法律制度和国内的一些不同，基于此，文章提出，法律上的完善应该做到统一化和简单化。国外的一些成功的大型借贷网站，无论是Prosper还是LendingClub,都是利用统一的评分机制来管理的。由于这种信用评级机制只有一个量化标准，而且是伴随一个人一生的，所以可以获得相当程度的保障。此外，文章基于技术层面提出了“多元风险投资模型”，用投资学的方法和运筹学的方法找出在风险一定的情况下，如何通过合理的投资分配（风险分配）来获得最大的利益（效用）。这种方式类似于征信方式的评定。我们同样可以设定多元的参数来建立P2P网络贷款征信模型，来达到一定的效果。同时，我们还可以注意到，除了线上方式以外，我们还可以对线下方式进行一定程度的延拓。通过线上线下相结合的方式更好地对客户的违约行为进行一定程度的制约。
最后，文章中给出了作者自己尝试建立的一个简易的P2P网络信贷模型。该模型运用了“自动投标机制”完成了对风险的自主分析和合理投放。同时，借款方也同样可以通过该方式来寻找对自己更有利的贷款方（如前文所述）。同时，在借款方注册会员的时候，P2P网络借贷平台不妨对其进行全方位多角度的考察。其中既包括其月收入，年龄等信息，也包括一些不是很定量化的从参考信息。通过合理的算法将其多方面组织起来，做到既简易又不失完整，同时我们建立合理的机制，来确保客户的个人隐私不至于遭到遗漏或是窃取。
此外，在文章中还包括一些对“信誉”的理解，以及如何去衡量这一指标。由此，文章中总结出了信任对信贷行为决定的理论模型。该模型一定程度上阐明了一个一般性的P2P网络借贷平台式如何基于信用来展开的。
不足之处和展望
本文的不足之处在于，首先，没有结合实际的情况来探讨我们提出的多元投资风险模型。该模型只是借鉴了客户每一笔交易的信息，通过该进行进行每一次的调整，是一个严格的“马尔科夫”的“一步式”思维。这种方式忽略了整个P2P网络借贷平台的流动性，有许多实时的交易数据，如果可以得到截获并纳入考虑范围之内的话，它对信用机制的考察将会更为理性和客观。
其次，文章中虽然提出了信用评级指标，但是并没有给出多元指标的具体种类。文中只是作为一种基础性的引子而提出信用评级基准分指标：score(x)，该指标是以信息论为基础建立起来的。
最后，必须指出的一点是，基于信息安全的讨论上，本文还很不充分。比如，本文虽然给出了“信任值向量”模型，但是如何建立模型，文中给出的一种方法是通过每一位“取半”的方式来讨论的。这必然会造成一种缺陷，我们考虑这样一种情况。假设前面4个位都是正常的，也就是“1”，而后面信息由于被截获，就都为“0”了。根据该模型的计算方式的话，我们依然可以得到很高的信任度，这自然是无法被接受的。其中一个合理的方式是，如果信息被截获，我们可以将前面的几位的“信任权值”进行一定程度的下调，而后面几位根据“0”的连续程度进行同比的上升（我们在这里借鉴了计算机网络中的拥塞控制机制的某些思想）。采用这种方式，我们可以从信息安全角度来合理地避免黑客入侵的风险。
参考文献
【1】启创聚合企业提供，2013，启创聚合P2P网络信贷系统网站（前端+后台管理）
【2】Lee,2013,《银行P2P与草根P2P的比拼》,火球网
【3】高见,2013,《基于核的P2P信贷风险评估模型研究》
【4】金宜，2012，《国内P2P网络信贷平台比较分析》
【5】梁敏，2011《P2P网络借贷国内外理论与实践综述》
【6】王文斌，2010《京东进军P2P的策略》
【7】石晓，2011《黑客攻击P2P信贷网站的模式》
【8】王康，2011《P2P农户小额信贷的实践》
【9】王盛，2011，《P2P网络融资模式的风险管理》
【10】张娜，2012，《P2P网络信贷行为研究》
【11】姜岩，2011，《P2P网络借贷中借款人的信用风险评估研究》
【12】韩军，2013，《基于单子商务的中小企业融资平台可行性研究》
【13】郭姗姗，2009，《论我国P2P网络借贷平台的法律规制》
【14】刘峙廷，2010，《我国P2P网络信贷风险评估研究》
【15】丁元兵，2012，《中小企业网络银行信贷模式及风险防范探讨》
【16】LiGan.2012.ASimpleTestofPrivateInformationintheInusranceMarketswithHeterogeneousInusranceDemandRetrievedon2012.3.3.31.From:http://www.hanqing.ruc.edu.cn/admin/uploadfile/201004/20100402120755711.pdf
【17】Samuelson.1958.Themicroeconomics.America:TheEconomicSciencePress
【18】Samuelson.1967,Investment.America:ThePrenticeHall
【19】Thegovwebsite.Thecommitteeofsponsoringorganizations(coso)From:http://www.coso.org/
【17】LiangMin,2012,《Chinareportintellectualproperty》(2012)
【18】Harvey,C.andSiddique,A.(2000).Conditionalskewnessinassetpricingtests,JournalofFinance,55,1263-1295.
【19】Fama,E.&French,K.(1996).MultifactorexplanationsofAssetPricinganomalies.JournalofFinance,v.51,n.1,p.55-84.
【20】Black,F.,Jensen,M.andScholes,M.(1972).Thecapitalassetpricingmodel:someempiricaltests,inM.C.Jensen(ed.),StudiesintheTheoryofCapitalMarkets,Praeger:NewYork,79-124.
【21】Raei,RezaandAhmadinia,HamedandHasbaei,Amaneh,AStudyonDevelopingofAssetPricingModels(October1,2011).InternationalBusinessResearch,2011,4(4):139-152..AvailableatSSRN:http://ssrn.com/abstract=1967362
【22】Roll,R&Ross,S.A.Anempiricalinvestigationofthearbitragepricingtheory.JournalofFinance,v.35,n.5,p.1073-1103,Dec.1980.
【23】Peer-to-PeerComputingDejanS.Milojicic,VanaKalogeraki,RajanLukose,KiranNagaraja1,JimPruyne,BrunoRichard,SamiRollins2,ZhichenXuHPLaboratoriesPaloAltoHPL-2002-57(R.1)July3rd,2003*
【24】TheP2PGuide,2012,fromwikipedia
【25】WhatisP2P,2013,fromwikipedia
下载提示：
1、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“文章版权申述”（推荐），也可以打举报电话：18735597641(电话支持时间：9:00-18:30)。
2、网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友投稿，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务。
原创文章，作者：写文章小能手，如若转载，请注明出处：https://www.447766.cn/chachong/5381.html,
