基于RBF神经网络的信用风险预警研究——以互联网金融交易平台为例

针对互联网金融行业信用风险评估这一问题，本文应用RBF神经网络，以互联网金融行业数据为算例，通过分析关于网贷平台的统计数据，对平台进行了信用风险评估，提出了RBF神经网络模型预警新方法，弥补了传统预警方法中所缺乏的客观性与全面性造成预测结果不准确的不足，同时与BP神经网络算法对比，优化信用风险模型，合理预测行业发展信用风险状况，为借贷人提供参考。通过构建RBF神经网络预警模型，从新的视角给出信用风险预测模型，最后通过实例对比分析说明了该方法的有效性。

回顾我国互联网金融行业的发展，以P2P 网贷平台为代表，从萌芽到生长再到全面清退，历经13年。近期，由于互联网金融行业中网贷平台问题层出不穷，导致全部清零，重点在于风险防控缺少具体策略的实施。而互联网金融行业信用风险防控措施所需预案不足，风险预警方法准确率低一直是该行业的痛点。传统的预警方法仍未解决互联网金融风险防控所缺乏科学性、全面性以及创新性。对于互联网金融中任何一个平台来说，大力加强和改进互联网金融风险防控工作，既有利于进一步优化和完善互联网金融平台管理体系，同时也能够为防范和控制互联网金融风险创造更为有利的条件[1]。而互联网金融平台的风险预警研究将互联网金融行业风险防控上升到更高层面，因此对互联网金融平台进行风险预警研究对该行业有巨大的推动作用。

现关于互联网金融行业的信用风险研究状况有如下几方面。其中关于借款人信用状况利用神经网络等方法的研究较多，例如肖会敏等人基于神经网络对借款人的信用进行了风险评估[2]。吴斌等人结合果蝇优化算法对BP 神经网络进行优化，对借款人的信用风险进行了评估[3]。Chenqi Jiang 等人结合传统的商业银行贷款选择标准基于Logit 模型为投资者提供了信息审查参考途径， 来判断借款人的情况， 降低投资风险[4]。张泽等人提出基于思维进化算法优化SKohonen 神经网络的借款人风险评估模型[5]。

关于互联网金融平台的信用风险基于不同方法的研究不断出现，例如，张丹丹采用因子分析法从监管力度不够和平台风险评价机制两个方面对平台进行了风险评估[6]。

张春晖基于2016 版的COSO-ERM 框架对互联网金融中网贷平台麻袋理财的借款人、投资者以及平台自身进行了风险评估[7]。孙宝文等人采用二元变量回归模型，从投资者角度出发，对平台潜在的风险进行分析[8]。胡晓霁基于声誉视角对网贷平台风险的影响因素进行了探讨[9]。王旭等人运用全面风险管理理论，从不同维度构建了民营系平台的内部风险管理体系，对平台风险管理进行了探究[10]。Chen Dongyu 等人研究了影响平台风险的因素，结果表明借款人的信用和中介机构的信用是重要影响因素[11]。

Daniel Felix Ahelegbey 等人基于潜在位置模型， 根据潜在因素的空间位置来区分关联企业和非关联企业的社区，提高了网贷平台评分模型的预测性能[12]。

关于互联网金融的信用风险的研究，不仅限于平台本身，更多的是注重方法创新研究，例如李占玉利用SMOTE 算法与随机森林相结合， 构建了互联网金融公司的财务风险预警模型[13]。

谭中明等人基于