基于大數據技術的P2P網貸平臺風險預警模型

林春雨¹，李崇綱¹，許方圓²，許會泉¹，石 磊¹，盧祥虎¹

（1. 北京金信網銀金融信息服務有限公司 北京 100101；2. 國網能源研究院 北京 100101）

摘要：近幾年，我國P2P網貸行業在高速發展的過程中出現了大量的“失聯跑路”事件。為此，基于P2P網貸及大數據相關概念的深入剖析，創新性地將平臺的風險預警與大數據技術結合，通過對海量數據采集、Spark分布式平臺計算、機器學習建模等大數據技術的整合，構建一個有效的P2P網貸平臺風險預警模型。該模型在多維度風險評價指標的基礎之上，可以實現對網貸平臺風險的實時、精準、全面監測，從而有效降低平臺集資詐騙、惡意跑路等惡意事件的發生頻率，維護廣大投資人的資金安全及社會穩定。

關鍵詞：互聯網金融；P2P網貸；大數據；風險預警；機器學習

doi: 10.11959/j.issn.2096-0271.2015037

A Model of Pre-Warning Based on the Big Data Technology for P2P Lending Platform

Lin Chunyu¹, Li Chonggang¹, Xu Fangyuan², Xu Huiquan¹, Shi Lei¹, Lu Xianghu¹

(1. Beijing JinXinWangYin Financial Information Service Co., Ltd., Beijing 100101, China; 2. State Grid Energy Research Institute, Beijing 100101, China)

Abstract: In recent years, P2P lending industry in China has appeared a lot of escape events in the process of its rapid development. Bases on deep analysis of the related concepts for P2P lending and big data, combining innovatively the risk pre-warning of platform with big data, an effective risk pre-warning model of P2P lending platform was constructed according to the collection of huge amounts of data, big data technology including Spark distributed computation and machine learning. Based on the establishment of multi-dimensional risk assessment, the model can be achieved on real-time, accurate, comprehensive monitoring for the risk of P2P lending, thus effectively reducing the frequency of financial fraud, escape malicious event, so as to the majority of investors’ money to maintain security and social stability.

Key words: internet financial, P2P lending, big data, risk pre-warning, machine learning

1 引言

近幾年，我國互聯網金融發展十分迅速。一方面，互聯網金融的發展可以很好地滿足中小微企業、創新型企業及中低收入階層個人的投融資需求，為“大眾創新，萬眾創業”營造良好的資本環境；但另一方面，互聯網金融在創新發展過程中也暴露出大量的問題及隱患。本文通過對其中的P2P網絡借貸平臺運營狀況進行相關調查發現，截至2015年6月底，P2P網絡借貸平臺累計達到2 814家，其中問題平臺為786家，比例高達27.93%，其不僅嚴重危害了人民的財產安全，也有礙互聯網金融的健康發展。如何有效地監測到潛在的具有高風險的平臺就成為一項非常有意義的研究。

P2P網絡借貸平臺發端于英國，成熟于美國。從資金流向來看，國外的P2P網絡借貸資金主要流向小額信貸領域，借款主體主要為個人，其用途也是為了滿足個人消費需求和補充個體戶經營的流動資金需要。對于這些借款人，P2P平臺僅需要通過個人征信報告確定其信貸違約風險，并將可公開的信息提供給投資人，最終由借貸雙方直接達成借貸協議。因此，在完善的征信體系與政府監管環境下，可以通過行業自律等方式有效預防問題平臺的出現。而在我國，P2P網絡借貸不僅為個人服務，而且很大程度上也服務于中小微企業，在風控手段上必須依靠強化抵押與質押品的要求以及引進有實力的融資性擔保機構對項目進行擔保。這樣，投資人的信貸風險不再主要取決于個體項目的違約風險，而主要取決于平臺合作方的擔保實力與抵押品的實際抵押能力^[1]。這其中還存在平臺與合作方相互勾結的風險，因此，由第三方對P2P網絡借貸平臺的風險進行監測預警勢在必行。

目前國內關于網絡借貸平臺風險及預警的研究還處于初級階段，研究的內容也都是從金融業務層面進行展開，比如黃葉苨、齊曉雯認為P2P面臨的風險主要包括由于法律缺失導致的監管風險、用戶導致的風險及借貸平臺自身運營與網絡技術帶來的風險^[2]；而胡旻昱、孟慶軍基于系統科學理論辯證地分析了P2P平臺所面臨的風險，他們認為環境對系統有“壓力”，即平臺會受到金融危機、行業法律缺失、機構主管單位不明確等外界風險的影響，反過來系統自身會對環境有“污染”，網貸平臺自身監管不到位、系統安全漏洞、擔保機構與征信機制不完善等都是平臺自身引發的風險^[3]；余及堯等基于2013-2014年P2P網貸平臺樣本數據，運用logistic回歸模型從企業性質、收益率及風控保證模式3個方面對平臺發生財務困境的影響進行研究，結果表明其與短期收益率呈顯著正相關^[4]；隨后馬玉娟通過分析P2P的主要風險類型，同時綜合相關專家的評審構建了包含信用評級、流動性、信息透明度、技術服務、品牌、杠桿率6個方面內容的指標體系，然后結合運用主成分分析和改進的KLR信號分析法建立了風險預警模型，最后對20家網貸平臺進行了綜合打分和排名，驗證了模型的可行性和準確性^[5]。但是由于數據量少，對于模型的準確性結論就有一定的局限性。王楚珺、劉會芳等人認為P2P網貸主要存在信用評估、業務監管及系統安全三大風險，并且提出可以將大數據引入P2P的風險控制工作^[3]，但是他們并沒有深入分析與研究，更沒有提出一個具體的風險控制模型。

綜上所述，已有的相關研究主要還是集中于理論上的探索，但是P2P網貸平臺風險評估是一個跨領域和多數據來源的復雜問題，多方面的數據采集和多角度的特征分析是最終模型能夠完成準確預警的重要保障。基于大數據體量大、類型多、速度快、時效高的特點，可以大大擴寬用于最終模型訓練的歷史數據特征字段，因此本文將基于大數據及相關技術完成對P2P平臺監測預警模型的構建。

2 基本理論與關鍵技術

2.1 P2P網絡借貸

P2P網絡借貸又稱為點對點借貸，指非金融機構利用互聯網或移動平臺為民間借貸雙方提供的借貸信息中介服務，包括信息發布、交易撮合以及為實現交易撮合而提供的風險評估、信用評價、投資咨詢、交易管理及資金流轉等服務^[6]。2005年3月，全球第一家P2P網貸公司Zopa在英國倫敦成立，接著美國兩大巨頭網貸公司Prosper和LendingClub先后成立，而我國第一家網絡貸款平臺拍拍貸在2008年上線，直到2011年，我國的網貸平臺迎來了高速增長時期。截至2015年6月底，全國累計平臺數量達到2 814家。P2P網貸在我國經過探索創新，其主要運營模式主要包括3類：一是“純線上中介”模式，此模式借貸雙方通過相應網絡平臺發布信息，自行配對、自主成交，而P2P企業此時只充當交易撮合平臺和資金劃轉平臺，但不參與或較少參與借貸交易，沒有線下審貸環節，也不對借款提供擔保；二是“擔保賠付”模式，即P2P網絡借貸平臺事先承諾，當借款人延遲付款時，在一定條件下由平臺從風險撥備中先期墊付本金和利息，或由平臺合作的擔保機構墊付本金和利息，此舉可以有效降低違約風險，吸引更多投資人；三是“線上+線下復合”模式，此模式將不止依附于自身網絡平臺，相關業務人員會直接到線下尋找投資者及借款人，并對借款人開展實地信用調查。由于激烈的行業競爭，目前國內平臺大多將后兩種模式相結合來最大限度地爭取投資人、減少信用風險等。

2.2 大數據內涵

移動互聯網、物聯網和云計算技術的迅速發展，開啟了移動云時代的序幕，大數據也越來越多地被人們所了解和利用。目前，對于大數據來說并沒有一個明確的定義，李國杰等人認為大數據是指無法在一定時間內用常規機器和軟硬件工具對其進行感知、獲取、管理、處理和服務的數據集合^[7]；胡雄偉等人認為大數據是指數據量的大小超出了傳統意義上的數據尺度，一般的軟件工具難以捕捉、存儲、管理和分析的數據^[8]；而維基百科中將大數據定義為：所涉及的資料量規模巨大到無法透過目前主流軟件工具，在合理時間內達到擷取、管理、處理，并整理成為幫助企業經營決策更積極目的的資訊。對以上相關定義進行總結歸納，筆者認為大數據是指由于結構復雜、種類繁多、數量龐大而無法在一定時間內運用常規工具對其進行獲取、存儲、分析及感知的數據集合。對于大數據的特性，比較有代表性的是4V定義，即認為大數據需滿足4個特點：規模性、價值密度低、多樣性和高速性。目前，大數據在電信、智慧城市、電子商務及社交娛樂等行業已經出現規模化應用，隨著網速的進一步提升，數據將迎來新一輪爆發式增長，今后能夠快速獲取、處理、分析海量、多樣化的數據對政府及企業來說都是至關重要的。

2.3 基于Spark的分布式計算

分布式計算研究如何把一個需要巨大的計算能力才能解決的問題分解成許多小的部分，然后把各個小的部分分給若干計算機同時進行處理，最后把這些計算結果綜合起來得到最終結果^[9]。之前運用較多的是傳統的MapReduce框架，它將一個任務的執行過程劃分為兩個階段，即map階段和reduce階段。在map階段，每個map任務讀取一個block，并調用map函數進行處理，然后將結果寫到本地磁盤上；而在reduce階段，每個reduce任務遠程地從map任務所在節點上獲取相關數據，并調用reduce函數進行數據處理，最后將結果寫入HDFS（Hadoop distributed file system，Hadoop分布式文件系統）。但是這種方法在兩個階段計算的結果均要寫入磁盤，因此系統性能降低，很難滿足迭代編程的要求。為了解決迭代問題，Spark應運而生，它是基于MapReduce的新一代大數據分析框架，吸收了前者的所有優點，但Spark將計算的中間結果數據存儲在內存中，通過減少磁盤I/O，使后續的數據運算效率更高。Spark的這種架構設計對于需要重復利用計算中間數據的機器學習、交互式數據分析等工作十分適用。

2.4 文本挖掘技術

由于本文是基于大數據的建模，原始數據中包含了大量的新聞報道、社交文本等非結構化數據，必須運用相應的文本挖掘技術對其進行排重、分詞、分類等一系列的結構化處理。

2.4.1 文檔分布式排重

排重技術是指根據詞語的抗篡改能力及語義信息等特征生成詞語指紋，然后根據詞語指紋對不同文本進行檢測以排除相似性文檔。具體過程分為兩個層次，即粗排重和細排重，粗排重是對一篇文檔只生成一個指紋來進行初步的排重，而細排重則是在前者的基礎上，針對更細分的主題對文檔生成一組指紋來進行更加精準的排重。由于網絡信息發布主體的去中心化，相同信息（尤其是較為敏感的負面信息）會被多個主體進行報道，同時這些報道還會在論壇、微博等社交網絡中進行轉載和評論，致使網絡中出現大量的重復信息。因此，對其進行自動排重將會大大提高后面工作的效率及準確性。

2.4.2 自動分詞技術

自動分詞是計算機針對一段文本，按照詞性、語義等將其自動切分成單個詞匯的過程。人們通過大腦識別文本中的詞匯是依賴于對語言的理解和積累而形成的思維，但對于機器來說顯然是不具備此種思維的，因此利用機器進行準確分詞是比較困難的，其涉及的主要問題包括分詞規范、歧義詞切分及新詞識別。經過相關學者的探索，目前主要的自動分詞方法包括機械分詞算法、基于統計的分詞算法及基于知識的分詞算法。其中基于知識的分詞算法是通過計算機模擬人類對句子的認知過程來達到分詞的目的，但是這種方法目前還處于研究階段。另外兩種方法相對已經比較成熟，但各有優缺點，基于統計的分詞方法通過判斷相鄰字同時出現的頻率將共現頻率高的字當成一個詞匯分離出來，但在實踐中發現這種方法準確率較低。本文采用的分詞技術是機械分詞算法，它利用一定策略將待分詞文本與預先準備的語料庫進行匹配來達到分詞的目的，雖然這種方法使用簡單、實用性強，但是其語料庫詞匯往往會少于實際應用中遇到的詞匯量。為了解決這一問題，筆者研究團隊制作了近10萬個詞的基礎分詞詞典，同時通過定期與客戶交流建立客戶詞典來進行有效補充。本文將利用自動分詞技術來抽取新聞、社交等文本信息中各類主題的關鍵詞，以達到文本分類的目的。

2.5 機器學習

1997年MitchellTM給出了一個機器學習的經典定義，即計算機利用經驗改善系統自身性能的行為^[10]。人類具有學習能力，其學習行為背后具有非常復雜的邏輯判斷過程，機器學習正是以此過程中人腦對信息的處理機制為理論依據，利用計算機來模擬實現人類獲取知識的過程，再通過不斷地創新、重構已有知識，最終提升計算機處理問題的能力^[11]。在大數據環境下，只有運用機器學習的方式才能幫助人們從各式各樣的海量數據中挖掘出其中所蘊藏的價值。因此，本文試圖利用機器學習法對預處理后的大量特征字段進行反復的訓練，以找出真正與平臺高風險相關的指標及精準的預警模型。

3 研究假設

通過全面分析當前P2P網貸平臺出現風險的原因， 本文總結提出以下4條假設。

3.1 H1：運營數據異常程度與平臺風險呈正相關

P2P平臺的運營數據主要包括借貸人數、借貸金額、預期收益率及平臺標的信息等。上述運營數據在行業內通常會有一個合理的取值區間，當某些數據脫離此區間太遠時，平臺可能會產生相關問題。例如平臺預期收益率遠遠高于行業平均水平，而平臺中顯示的標的數量卻很少，則此時該平臺很有可能出現“資金池”現象。平臺運營數據是與其風險關聯最為直接的指標，數據越偏離合理區間，其面臨的風險就越大。

3.2 H2：網絡負面輿情數量與平臺風險呈正相關

網絡輿情是指由于各種事件刺激而產生的，并通過互聯網傳播和形成的人們對于該事件的所有認知、態度、情感和行為傾向的集合^[12]。網絡輿情來自于現實世界，同時又會從正面或負面反作用于現實世界，尤其是一些涉及民生、政風等負面敏感事件，網絡會迅速將其變為全民熱議的公共話題。因此，基于網絡輿情傳播的及時性與廣泛性等特點，將有關P2P平臺的負面輿情比例作為其風險預警指標是十分有效的。

本文是通過各大新聞及行業協會網站、論壇、微博等搜集P2P平臺的相關文本信息，然后通過文本分類整理出其中所包含的負面信息（非法、虛假宣傳、投訴等），這些負面信息可以及時、全面地揭示平臺當前存在的問題，問題越多，面臨的風險也就越大。

3.3 H3：平臺及相關法人信用狀況與平臺風險呈負相關

P2P平臺發生風險形成跑路的原因有兩種：一種是自身運營不當，一種是惡意集資詐騙。現實過程中，很多平臺以無風險、高收益等虛假宣傳來吸引客戶進行投資理財，實則是建立資金池以便自用。以上便涉及了平臺及法人的信用問題，通過查詢平臺關聯企業及相關法人的信用信息和涉訴信息來對其信用度進行判斷，其信用度越高、涉訴牽連越少，平臺風險就越低。

3.4 H4：平臺背景實力與平臺風險呈負相關

P2P平臺的背景實力主要包括其注冊與實繳資本金數量、合作擔保及資金托管機構、關聯企業背景等。一些擁有國資上市公司背景的平臺一般不存在跑路、非法集資等惡性事件，另外其在資金和管理團隊方面具有一定的優勢，能夠較好地應對平臺中產生的逾期與壞賬。所以，平臺背景實力越強，其擁有的風險將越低。

在接下來的建模過程中，將會針對每一條假設建立相應指標字段，從而對其進行驗證。

4 風險預警模型的建立

整個模型構建過程：首先是運用不同的方法對大量原始數據進行采集；然后需要對其進行缺失值修補、異常值檢測等一系列的數據預處理，使原始數據格式規范統一，以滿足訓練模型的要求；接著將處理后的數據分成訓練樣本和測試樣本兩部分，將訓練樣本帶入多種模型進行機器學習，同時利用測試樣本來驗證不同模型的準確性，并通過增減原始字段及進一步的預處理來不斷優化改進模型的準確性；最后則是平臺功能實現的展示。具體流程如圖1所示。

圖 1 模型建立流程

4.1 數據采集

平臺自身的運營不善及相關人員的惡意欺詐是P2P網貸平臺重要的風險構成因素，這兩個因素在平臺的日常運營、誠信記錄、涉訴情況及相關網絡輿情等方面均會有所表現，因此這些信息可以作為風險預警的判斷依據，信息集合如圖2所示。

圖 2 P2P網貸平臺的特征選取和數據采集

本文經過深入研究，最終確立了與P2P平臺風險大小緊密相關的六大特征集合（如圖2內環所示），即企業基本特征、運營狀況特征、模式與制度特征、平臺誠信記錄、運營者信用信息及平臺宣傳信息，這六大特征集合完整地描述了相關平臺的背景實力、風險保障、標的及利率、企業與個人信用、網絡新聞、社交輿情、涉訴等內容。這些信息的來源（如圖2中環所示）主要包括工商注冊信息、平臺網站信息數據、宣傳信息數據、征信數據、銀行數據及其他數據。針對不同的數據來源還需要運用不同的方法（如圖2外環所示）進行采集，對于網絡中的結構化數據及公開的文本數據，可利用相關軟件對其進行自動采集，如P2P平臺的運營數據、新聞報道及微博、論壇等社交信息；而針對網絡中一些特殊的非結構化數據或者非互聯網的數據，則選用人工調研搜集的方式，如平臺規模及背景實力等；最后對于其他機構已經搜集整理好的數據，則采用數據庫導入或對接的方式來直接獲取。本文實際采集了100家正常平臺和100家問題平臺的上述所有特征集合數據，并結合經過專家評分后的專家庫數據共同作為模型訓練時的數據源。

4.2 數據預處理

最初采集到的數據結構類型各異，同時存在大量的缺失、異常等問題，因此需要對其進行一系列的預處理才能用于之后的數據挖掘與建模工作之中。本文主要的預處理過程包括以下幾步。

4.2.1 文本信息處理

對于原始數據中大量的新聞報道等非結構化數據，需要進行語義分析及文本分類，將其轉換為相應數值指標。轉換過程為：通過關鍵詞自動提取及人工判斷，選出可以區分不同主題（平臺非法性、平臺投訴類、平臺虛假宣傳類）的關鍵詞，然后運用這些關鍵詞制定相應的檢索表達式，以實現對相關信息的自動分類檢索，最后將有關某家平臺的各個主題內信息數量除以所有相關信息量，得出輿情投訴率等數值型指標。

4.2.2 缺失值處理

在對平臺運營數據采集的過程中出現了一些數據缺失現象，針對此問題，主要采用字段均值及擬合函數的方法來解決，而針對個別存在大量數據缺失的字段，則選擇直接棄用。

4.2.3 異常值檢測

在運營數據采集過程中還會出現少量的異常值，如果不對其進行有效處理，則會嚴重影響模型分析效果。本文對于異常值的處理綜合采用了以下幾種方法：通過距離方法來檢測，即設立一個閾值，將數據中與平均值之間的距離（歐式距離）大于這個閾值的點設為異常點；通過聚類分析，相似或相鄰近的數據聚合在一起形成了各個聚類集合，而位于這些聚類集合之外的數據對象則被認為是異常數據；利用擬合函數法對數據進行平滑處理以發現異常點。

4.2.4 數據一致性處理

在原始數據中，經常會出現數據單位及類型不一致的現象，例如：有些平臺綜合利率采用月利率計算，有些則用年利率計算，此時就需要對其單位進行統一，解決方法是在程序里使用正則匹配等方法來統一數據單位和數據類型。

4.2.5 數據轉換

最后，由于采集到的數據包含多種結構類型，因此需要各個特征字段計算口徑統一才能用于模型的建立。針對不同的字段特征將選用以下幾種方法進行處理。

（1）歸一化

歸一化是一種簡化計算的方式，即將有量綱的表達式變換為無量綱的表達式，使數值的絕對值變為某種相對值關系。由于建立的指標取值區間相差較大，因此利用此方法對其進行歸一化處理。歸一化轉換的方式包括線性函數轉換、對數函數轉換和反正切函數轉換3種，本文針對不同字段特征選擇不同的函數形式進行轉換。

（2）數據泛化

數據泛化是一個從相對低層概念到更高層概念且對數據庫中與任務相關的大量數據進行抽象概述的一個分析過程。本文主要是運用主成分分析法對大量的原始特征字段進行降維處理，排除一些相關性較強的無用字段，以提高建模過程的運行速率與最終模型的準確性。

4.3 模型構建與優化

本文將基于Spark分布式計算平臺，利用機器學習方法選取多種模型來對訓練樣本集進行訓練，并通過測試樣本集對其準確性進行檢驗，最終通過對原始數據字段及預處理的反復調整以期得出一個最優的P2P平臺風險預警模型。在建模過程中，特征字段選取、模型選擇及結論解釋3部分內容將是本部分研究的主要關注點。

4.3.1 特征字段選取

針對預處理之后大量的可用特征字段，需要通過相關性分析和卡方檢驗等方法逐一驗證這些特征與平臺欺詐事件的相關性，將對P2P網貸平臺風險影響不顯著的無效字段進行有效剔除，以保證分析結果的準確性及模型運算效率。

4.3.2 模型選擇

能根據實時的數據集進行學習并不斷修正優化自身的判斷能力，是對優質模型的基本要求。由于模型輸出的風險指標主要用于判斷P2P平臺存在欺詐的風險性，因此輸出變量是二項分布，且風險指標必須是序數型變量。可用于該種情況的分析模型包括邏輯回歸、人工神經網絡、貝葉斯網絡等。系統為每一種備選模型進行建模，通過對比并最終選擇出最佳的風險預警模型。

4.3.3 結論解釋

P2P平臺風險評估系統主要用于輔助系統使用者進行決策。而系統使用者進行決策后，往往需要向質疑者提供充分的解釋。因此結論解釋功能尤為重要。例如當系統面向某個平臺的某個風險指標較高，系統使用者或者對象平臺直接質疑系統的準確性時，就需要給出合理的解釋。而最佳的解釋依據應當為原始數據集合中的一般性統計結果。在機器學習的大多模型中，由于模型包含非線性的傳遞函數，這使得模型通常具有較強的學習能力，但亦將輸入和輸出的直接聯系模糊化，增加了結論解釋的難度。在眾多的模型中，貝葉斯網絡是結論解釋能力較強的模型。其利用樸素貝葉斯理論的可逆推性，在輸出的結果與原始數據中的一般統計性結果中建立線性聯系，使得其結果較容易使用一般統計性結果進行描述。

圍繞以上3個核心問題，在整個模型構建與優化的過程中，通過不斷地對比分析及交叉驗證不同模型各個方面的表現，以最終建立一個最佳的平臺風險預警模型。

4.4 預警平臺功能展示

整個建模過程最終的目的是搭建出可以面向用戶的P2P風險監測預警平臺。該平臺可以實現兩方面的功能：對P2P平臺所面臨的風險進行實時全面的評分，并針對其風險狀況生成詳細的風險分析報告，以為其風險的后續應對工作提供必要的建議措施；多維度地展現行業整體風險情況，如將平臺按地區、時間、類型等不同內容進行風險分類統計，以清晰直觀的方式滿足不同用戶的多樣化需求。

5 結束語

由于P2P行業在我國發展時間比較短，因此相比傳統金融機構，其在不斷的摸索創新過程中會面臨更加多樣的風險。而本文的創新之處正是在于將模型的建立與大數據相結合，借助于先進的自動文本采集、Spark分布式計算、文本挖掘等技術來建立更加全面的指標體系，最終利用機器學習的方法對采集到的多維度歷史數據進行反復的訓練與改進，以構建出一個準確、有效的P2P網貸平臺風險預警模型。基于以上模型搭建的預警平臺通過數據每日自動更新，便可實現對網貸企業的實時監測預警，并從多種角度展現其風險狀況。該平臺不但可以用來協助政府監管機構開展相關工作以有效地預防平臺跑路、詐騙等問題事件的發生，還可以為廣大的平臺投資者提供投資風險警示以保障其資金安全。

致謝

本研究得到首都經貿大學金融學院周曄老師、余穎豐老師以及北京大學常國珍博士的幫助，謹致謝意！

參考文獻

[1] 陳文等. P2P中國式高收益債券投資指南. 北京: 機械工業出版社, 2015

Chen W, et al. P2P Chinese High-Yield Bond Investing for Dummies. Beijing: China Machine Press, 2015

[2] 黃葉苨, 齊曉雯. 網絡借貸中的風險控制. 金融理論與實踐, 2012(4): 101~105

Huang Y N, Qi X W. Risk control of the P2P lending. Financial Theory & Practice, 2012(4): 101~105

[3] 胡旻昱, 孟慶軍. P2P網貸平臺發展中的風險及其系統分析. 武漢金融, 2014(6): 45~48

Hu M Y, Meng Q J. Risk of the developing P2P lending and its system analysis. Wuhan Finance, 2014(6): 45~48

[4] 余及堯. 互聯網金融財務困境預警與監管對策——基于2013-2014年P2P網貸平臺樣本數據分析. 福建金融, 2015(2): 42~47

Yu J Y. Internet financial early-warning and regulatory measures--based on P2P lending platform in 2013-2014 sample data analysis. Fujian Finance, 2015(2): 42~47

[5] 馬玉娟. 互聯網金融風險預警研究——以P2P網絡借貸模式為例（碩士學位論文）. 錦州：遼寧工業大學, 2015

Ma Y J. The warning research on internet financial risks--the study of P2P lending (master dissertation). Jinzhou: Liaoning University of Technology, 2015

[6] 黃旭, 王素珍, 趙洋. P2P 平臺: 發展與監管.中國金融, 2014(5): 90~93

Huang X, Wang S Z, Zhao Y. P2P platform: the development and regulation. China Finance, 2014(5): 90~93

[7] 李國杰, 程學旗. 大數據研究：未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考. 中國科學院院刊,2012(6): 647~657

Li G J, Cheng X Q. Big data research: the future of science and technology and economic and social development of major strategic areas--research status and scientific thinking of big data. Bulletin of Chinese Academy of Sciences, 2012(6): 647~657

[8] 胡雄偉, 張寶林, 李抵飛. 大數據研究與應用綜述（上）. 標準科學, 2013(9): 29~34

Hu X W, Zhang B L, Li D F. Overview of big data research and application (part A). Standard Science, 2013(9): 29~34

[9] 黎連業, 王安, 李龍． 云計算基礎與實用技術.北京: 清華大學出版社, 2013

Li L Y, Wang A, Li L. Cloud Foundations and Practical Technology. Beijing: Tsinghua University Press, 2013

[10] Tom Mitchell. Machine Learning. New York: McGraw Hill Higher Education, 1997

[11] 陳康, 向勇, 喻超. 大數據時代機器學習的新趨勢. 電信科學, 2012, 28(12): 88~95

Chen K, Xiang Y, Yu C. The new trend of big data era of machine learning. Telecommunications Science, 2012, 28(12): 88~95

[12] 高承實, 陳越, 榮星等. 網絡輿情幾個基本問題的探討. 情報雜志, 2011(30): 52~56

Gao C S, Chen Y, Rong X, et al. Some basic problems on network opinion research. Journal of Intelligence, 2011(30): 52~56

林春雨，男，現任北京拓爾思信息技術股份有限公司高級副總裁、助理研究員，負責公司大數據中心建設和云服務運營工作，在社會化媒體的技術運營和管理上有豐富的實戰經驗，其同時兼任北京金信網銀金融信息服務有限公司總經理，為各地金融監管機構提供非法集資監管服務。另外，作為國家信息安全專項輿情云服務項目組長、中關村大數據產業聯盟副秘書長，為多個國家部委、省級客戶、大型企事業單位提供過相關高端輿情服務，并通過聯盟和產業對接，積極推動大數據的發展。

李崇綱，男，北京金信網銀金融信息服務有限公司常務副總經理，拓爾思信息技術股份有限公司高級顧問，中國計算機學會大數據專家委員會委員，中關村互聯網金融協會副秘書長，中關村大數據產業聯盟專家組成員。專注于大數據在政府、金融等行業領域的應用，擁有10多年網絡數據挖掘分析、互聯網大數據分析經驗，擔任多家政府企業輿情管理咨詢顧問，是國內首款輿情監測系統的設計者，長期跟蹤互聯網大數據行業變化。目前主持開發國內首個大數據防控金融信用風險與智能決策支持系統。

許方圓，男，國網能源研究院能源決策支持技術研發中心中級工程師，主要從事智能電網技術和政策的分析研究，近年來主要研究方向為需求側響應實施與應用、電力系統中的數據挖掘應用、全球能源互聯網，發表論文10余篇。

許會泉，男，北京金信網銀金融信息服務有限公司研發總監，負責公司互聯網金融、機器學習、大數據產品研發、管理工作，在計算機系統架構設計、大數據應用、輿情產品應用等方面具有豐富的實戰經驗，近年負責主持研發了公司金融大數據打非監測預警云平臺、互聯網金融風險模型等多個大數據產品。

石磊，男，北京金信網銀金融信息服務有限公司互聯網金融行業數據分析師，主要負責研究行業目前所具有的非法集資風險特征，并基于大數據對相關企業風險進行監測與評判，擁有豐富的理論及實戰經驗。

盧祥虎，男，北京金信網銀金融信息服務有限公司機器學習算法工程師，目前從事P2P風險預警建模相關的算法設計工作，在機器學習算法領域具有一定的理論與實戰經驗，擅長機器學習中數學算法的優化與改進等。

總結

以上是生活随笔為你收集整理的【2015年第4期】基于大数据技术的P2P网贷平台风险预警模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。