摘要：自2014年以来，我国的问题P2P平台数量在监管与规范出台中趋于稳定并有下降趋势。然而，由于我国P2P平台的准入门槛低、资信背景薄弱、缺乏相应的存管机制和风险担保渠道，投资P2P平台的风险仍然存在。

本文介绍并分析了截至2019年3月底的P2P平台行业运营和监管现状，在此基础上建立模型。首先，针对平台注册资本、投资期限、银行存管与第三方担保等影响因素进行筛选，建立了初步的Logistic回归模型。由于变量之间始终存在多重共线性的问题，在KMO及Bartlett球型检验通过后，采取了主成分提取的方法，提取出外部监管严格程度和平台自身的风险承担积极性这两个成分，进一步解释了影响平台信用风险的因素。其后，用主成分替代原始变量进行主成分Logistic模型的建立。新模型的测算精准度达到了74.5 %，并一定程度上理性解释了两种涉及网贷平台违约的可能因子。考虑到对于资金出借方合理规避风险，识别精度应有更高要求，出于机器学习中的支持向量机 (SVM) 算法对于较小样本二元有监督分类的理想性和优越性，本文选用线性软间隔SVM对样本训练集进行训练，最后在测试集上将风险平台识别率提升到了92.3 %，并结合Logistic函数具有的连续性的特点，建立了最终的评级模型。最终评级模型可以为投资者理性做出决策提供建议，也能够为监管者提供风险提示。

关键词：P2P网贷  信用风险  主成分分析(PCA)  Logistic回归  支持向量机(SVM)

目录

摘要

ABSTRACT

前言-3

（一）研究背景及意义-3

（二）国内外文献综述-3

第1章  P2P网贷行业现状描述-5

1. 1 我国P2P行业发展现状-5

1. 2 我国P2P行业监管现状-6

1. 3 现状总结-7

第2章  测算P2P信用风险的研究模型描述-8

2. 1 Logistic回归模型-8

2. 2 主成分分析(PCA)-10

2. 3 支持向量机(SVM)-12

第3章  研究思路和变量选取-17

3. 1 P2P网贷平台风险模型的研究思路-17

3. 2 变量选取-18

3. 3 数据来源-19

第4章  P2P网贷平台风险的实证研究-20

4. 1 数据预处理-20

4. 2 原始变量的Logistic回归模型-21

4. 3 统计量检验与主成分提取-22

4. 4 主成分的Logistic回归模型-24

4. 5 引入SVM优化再求解-26

4. 6 P2P网贷平台的评级模型-28

第5章  总结与展望-30

5. 1 结论总结-30

5. 2 P2P风险评级模型的优化空间展望-31

参考文献-32

致谢-34

附录-35