互联网金融信用风险预警机制模型探讨

刘可卉 邵宏伟

河北金融学院

互联网金融信用风险预警机制模型探讨

刘可卉 邵宏伟

河北金融学院

本文作者首先介绍了我国互联网金融模式的发展现状，其次对我国的互联网金融模式信用风险进行了分析，最后作者探究了三种信用风险预警机制的模型。本文对我国建立起互联网金融信用风险预警机制具有积极的指导意义。

互联网金融；信用风险；预警机制

一、互联网金融的定义和特征

互联网金融，顾名思义是传统金融行业与互联网相结合的新兴领域。从广义上讲，具备互联网精神的金融业态统称为互联网金融。理论上任何涉及到广义金融的互联网应用，都应该是互联网金融，包括但不限于第三方支付、在线理财产品销售、信用评价审核、金融中介、金融电子商务等模式。从狭义的金融角度来看，互联网金融则应该定义在货币的信用流通相关层面，也就是资金融通依托互联网来实现的方式方法都可以称为互联网金融。

二、我国互联网金融模式的发展现状

(一)第三方支付

传统的第三方支付，买卖双方在网上达成交易协议后，买方通过信誉度良好的第三方中介机构提供的账户和通道完成交易款项的支付，支付完成后，货款先由第三方代管，待买方收到货物验收无误后，再通知第三方机构支付，货款划到卖方账户，一笔交易至此完成。新兴的第三方支付逐渐演变为移动支付、预付卡、POS收单等线下支付，因此实质上是一种信用中介服务。

(二)网络贷款平台

网络贷款平台借鉴电子商务，把放贷方与借贷方通过网络连结起来，在债权债务属性关系中脱离了传统的资金媒介，如P2P信贷。P2P网络小额借贷主要是指个人通过第三方平台对需要借贷的个人提供小额贷款的金融方式，平台在其中只作为中介机构且收取一定的手续费。

(三)众筹

众筹是指一种向群众募资，以支持发起的个人或组织的行为。一般而言是透过网络上的平台连结起赞助者与提案者。群众募资被用来支持各种活动，包含灾害重建、民间集资、竞选活动、创业募资、艺术创作、自由软件、设计发明、科学研究以及公共专案等。

三、互联网金融模式信用风险分析

(一)信用风险

信用风险这个范畴是指借贷行为。这种经济行为的形式特征是以收回为条件的付出，或以归还为义务的取得，而且贷者之所以贷出，是因为有权获得利息，借者之所以可能借人，是因为承担了支付利息的义务。这种交易过程由于在空间时间上的分离，天然导致了风险的出现，即信用风险。

(二)互联网金融模式信用风险的成因

信用风险存在于互联网金融的多种模式，比如第三方支付、网络借贷、众筹等。对于其产生的原因归纳为以下几点：1.互联网金融公司的信贷行为不需要实物抵押或者担保。2.互联网金融公司的征信体系不完善。

四、信用风险预警机制模型探讨比较

(一)KMV模型

KMV模型是美国著名的风险管理公司KMV公司于1993年基于公司理财和期权理论，利用布莱克-斯科尔斯-莫顿模型(BSM， Black-Scholes-Merton Model)开发出来的一种资产组合风险管理模型。该模型利用企业股权的市场价值及其波动率、企业负债的到期时间、账面价值和无风险利率等数据，以期权定价理论为基础，对企业资产的市场价值、资产价值的波动性进行估计，并据此算出企业的预期违约率。

KMV模型在国外上市公司信用风险评估中得到了广泛的应用，并且已经取得良好的效果。与同类模型比较，KMV在中国的应用主要有三大优势：不要求有效市场假设，在我国这样的弱有效市场预测效果较好；数据获取相对容易；KMV模型对财务指标的依赖仅限于债务的账面价值，从而在一定程度上缓解了我国普遍存在会计信息失真的影响。

(二)Logistic回归模型

Logistic模型最早是由Martin(1977)用来预测公司的破产及违约概率。他从1970-1977年间大约5700家美联储成员银行中界定出58家困境银行，并从25个财务指标中选取总资产净利润率等8个财务比率，用来预测公司的破产及违约概率，建立了Logistic回归模型(Logistic regression model)，根据银行、投资者的风险偏好设定风险警界线，以此对分析对象进行风险定位和决策。他还将Z-Score模型，ZETA模型和Logistic模型的预测能力进行了比较，结果发现Logistic回归模型优于Z-Score模型和ZETA模型。Ohlson(1980)也将Logistic模型应用于信用风险分析。Madalla (1983)则采用Logistic模型区别违约与非违约贷款申请人。其研究结果表明，当违约概率p＞0.551时是风险贷款，当p＜0.551时是非风险贷款。

(三)BP神经网络模型

人工神经网络简称神经网络(BP neutral network model)，是用大量简单的处理单元广泛连接组成的复杂网络，是在现代生物学研究人脑组织所取得的成果基础上提出的，用以模拟人脑大脑神经网络结构和行为。BP网络的学习由四个过程做成，即：输入模式由输入层经中间层(隐含层)向输出层的“模式顺传播”过程，网络的希望输出与网络实际输出之间的误差信号由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反复交替进行过程。

从模式识别的角度看，商业银行信用风险预警是个模式分类的过程：从警兆指标--警情指标--警度之间的映射关系来看， 经济预警是一个函数逼近的过程：从警兆指标--警情指标--警度之间的噪声与报警准确处理方式来看，经济预警又是一个最优化过程。模式识别、函数逼近、最优化处理正是BP网络最擅长的应用领域。

[1]袁翠，互联网金融模式信用风险研究[J].消费导刊，2014(3)

[2]沈沛龙，任若恩.现代信用风险管理模型和方法的比较研究[J].经济科学，2002(3)

[3]袁羽.人基于Logistic回归的P2P网络贷款信用风险度量[D].上海：上海社会科学院，2014

[4]胡玉平，王宇东.人工神经网络在电子商务中的应用[J].微型机与应用2003(4)

[5]王欢欢，基于BP神经网络和专家系统的商业银行信用风险预警系统研究[D]，辽宁：东北财经大学，2005

河北金融学院大学生科研项目 项目编号：DXSKYY2015026