本篇论文目录导航：
【题目】无抵押无担保P2P网络贷款的信用风险研析
【第一章】我国P2P网贷模式的信用问题研究绪论
【第二章】我国P2P网络贷款现状、模式及信用分析
【第三章】P2P网络贷款信用风险度量
【4.1 - 4.2】拍拍贷信用风险要素挖掘及处理技术
【4.3 - 4.4】拍拍贷信用风险模型构建
【第五章】英美P2P行业发展与监督经验借鉴
【总结/参考文献】中国P2P网络贷款信用管理研究总结与参考文献
三、P2P 网络贷款信用风险度量
国外有关调查显示，贷款审批环节可以规避 80%左右的信用风险，在客户取得授信后，贷款机构仅能对剩余的 20%信用风险进行监控。我国传统金融服务体系对于贷款的严格审批也验证了贷前信用评估对于信用风险把控的重要性。因此对于 P2P 网络贷款而言，其信用风险管理的最佳时期是贷前。根据信用风险分析方法所依据的要素可以将其分为传统信用风险分析方法和现代信用风险分析方法。传统信用风险分析方法更多依赖有经验的专家对借款者的信用风险进行判断；现代信用风险分析方法更多依赖以统计数据和计量方法为基础的数据和模型。
（一）传统信用风险分析方法
Caouetee,Altman & Narayanan（1998）指出，当借款者不具有相关信用记录，或者其信用记录不完全、信息透明度水平较低，信用信息获取以及信用风险评估困难时，通常采用传统信用评分方法对借款者的信用风险进行评估。传统信用风险分析方法所需要的信息较少，但要求信用评估专家具有很高的专业素养和职业道德，因此评估结果受到专家主观影响较大。主要分为专家评分法和特征分析法两类。
1.专家评分法
专家评分法属于主观评分法，这种方法的信贷决策权掌握在拥有专业知识、训练有素的专家手里。其常用的评分方法包括：“5C”法、“5P法”、“5W”法和“CAMELS”骆驼评分法。专家评分法所依赖的信息容易获得，使用方便，但是却受到评价结果不能进行量化分析、不同的客户间信用评价结论无法比较、过多的依赖专家个人的能力和素养、主观性强等因素制约而不能得到广泛的运用。
2.特征分析法
特征分析法建立在专家评分法的基础上，是对其进一步发展的结果。
与专家评分法类似，特征分析法通过从客户的相关信息中挑选出对借款者信用状况影响较大的几类因素，将其分组评分，并对评分结果进行综合分析，得出对借款者信用风险的评估结果。
专家评分法和特征分析法对于信贷人员的素质要求较高，其结论具有很强的主观性。P2P 网络贷款平台工作人员能力普遍难以达到专业金融机构信贷审核人员的标准，而受到 P2P 网络贷款平台业务范围的限制，平台工作人员只能在提供资金借贷信息的基础上为投资者提供初步的投资建议，贷款决定权仍掌握在投资人手中。即使 P2P 网络贷款平台的工作人员有足够的能力运用传统信用分析方法对借款人的信用风险做出判断，也难以保证每一位投资者参考这一标准进行贷款决策。所以，传统信用风险分析方法在此并不适用。
（二）现代信用风险分析方法
现代信用风险分析方法以定量分析为主，以数量统计和计量方法为基础，通过运用数学模型对借款者的信用风险进行分析，因而需要大量的数据。现代信用风险分析方法主要分为以下几类：
1.信用评分方法
信用评分方法以传统信用风险分析方法为基础，将专家评分法中的一些指标量化，从而使借款者的信用风险可以得到具体的计量和比较。这类方法首先挑选出对借款者信用风险有重要影响的若干指标，通过对每一个指标赋予特定的权重得出多元回归模型，从而得到借款人的最终信用评分值，再将其与标准值进行比较，判断借款者的违约概率。这类方法主要包括判别分析法、Logit 和 Probit 回归模型及神经网络模型。
（1）判别分析法
判别分析法首先要求对借款者分类，并选出对各类借款者具有显着差异的特征，依据这些显着特征建立判别函数，这种方法要求有足够的数据支持。Z 评分模型就是判别分析法的代表。
（2）Logit 和 Probit 回归模型
Logit 和 Probit 回归模型在一定程度上减轻了判别分析法所要求的严格假设条件，可以直接运用所取得的数据得出分析模型。该方法可以更好的适用于缺乏足够定量数据的个人信用风险评估。
（3）神经网络模型
神经网络分析法（Artificial Nerual Networks）以神经心理学和认知科学为基础，依托生物系统运行方式，通过数学的手段建立起模型，是一种非线性技术，它对借款者相关信息的数据分布无任何要求，适用于数据非正态分布、非线性的信用风险评估。
信用评分方法对于数据有着较为严格的要求，如正态分布、协方差相等。但我国的征信系统尚未成熟、借款者个人信用数据还不完善、加之各网贷平台之间尚未实现数据共享，限制了 P2P 网络贷款公司运用信用评分分析法对借款者的信用风险进行分析。
2.现代信用风险评估模型
目前，国际上最发达的信用风险评估方法越来越多的依赖以定量分析为主的数学模型。这些模型在各金融机构得到了广泛的应用，主要包括以下四种：KMV 模型、Credit Metrics 模型、CreditRisk+模型、CreditProtfolio View 模型。尽管我国的金融风险管理体系经过几十年的发展已经日趋成熟，逐渐与国际接轨，走上了数量化的道路。但是 P2P 网络贷款信用风险评估过程运用诸如 Credit Metrics 等现代风险评估模型的条件还不够成熟。
这是因为，首先我国尚未建立个人与企业信用数据库，无法估计信用违约概率（EDF,Expected Default Frequency）、信用等级转移率、违约相关性等参数；其次，国外成熟模型的假设条件、使用条件均与我国的实际情况不相匹配；最后，我国当前所需计量的风险水平与国外相比还有一定的差距。
（三）各种信用风险分析方法的比较与选择
传统信用风险分析方法的优点在于其对数据的要求低、相对容易取得且适用性强，但最大的缺陷在于其结果的主观性，评判过程过多的依赖专家的个人判断，不具有可比性。尽管特征分析法在专家分析法的基础上对几组特定要素进行综合分析，但是仍然需要依赖专业人员的主观判断。因此，传统信用风险分析方法可以作为现代信用风险分析方法的有益补充，在定量分析的基础上，对借款者的信用风险进行定性分析。
现代信用风险分析方法的精确度高、预测能力强，较为广泛的应用在各类机构信用风险分析管理过程中。现代信用风险评估模型是目前最发达的信用风险分析工具，但是其对数据的要求较高，且运算复杂，计算成本较高，适用于拥有大量历史数据且对分析结果准确性要求极高的领域。
信用评分法是在传统信用风险分析方法的基础上，将各类要素量化分析，得出可以相互比较的信用风险量化值。其对数据的要求并不高，且运算简便，结论通俗易懂，适用性强。以 Logistic 模型为例，经验数据表明该模型的预测准确率达到 54%到 90%.从国际经验来看，多元归回模型对于信用风险具有良好的评判效果和预测能力，例如张玲在《财务危机预警分析判别模型》中构建了财务预警判别模型：Z=0.517-0.46 -0.388 +9.32 +1.158 （ 至 分别代表资产负债率、营运资金与总资产比率、总资产利润率、留成收益与资产总额比率）。
综合以上对比，本文拟采用多元回归模型作为 P2P 网络贷款信用风险分析的模型。
