2010年--互聯(lián)網(wǎng)金融，p2p網(wǎng)絡(luò)借貸--p2p借貸中的借款人決策建議（譯文）

1、<p>　　中文7975字,6000單詞，英文字符3萬(wàn)</p><p><b>　　譯文原文出處：</b></p><p>　　Decision Support Systems, Volume 49, Issue 1, April 2010, Pages 52-60</p><p>　　Lauri Puro, Jeffrey E. T

2、eich, Hannele Wallenius, Jyrki Wallenius</p><p>　　P2P借貸中的借款人決策建議</p><p>　　Lauri Puro, Jeffrey E. Teich, Hannele Wallenius, Jyrki Wallenius</p><p><b>　　摘要</b></p>

3、<p>　　在網(wǎng)上競(jìng)拍的設(shè)立與競(jìng)標(biāo)過(guò)程中，人們總是面臨艱難的戰(zhàn)略決策。在本項(xiàng)研究中，將介紹基于P2P貸款拍賣(mài)網(wǎng)站Prosper.com，幫助貸款人與借款人規(guī)范決策過(guò)程的模型——借款人決策建議模型（Borrower Decision Aid）。在網(wǎng)上競(jìng)拍提供了中大量現(xiàn)實(shí)生活中的競(jìng)價(jià)數(shù)據(jù)，使筆者能夠以此為決策者建立新的決策工具。借款人決策建議模型（Borrower Decision Aid）將幫助借款人量化其戰(zhàn)略選擇，例如啟動(dòng)利率

4、和貸款金額要求。筆者將確定基于借款人，與貸款成功率、最終利率相關(guān)的變量。</p><p><b>　　引言</b></p><p><b>　　背景</b></p><p>　　Prosper.com是第一個(gè)基于網(wǎng)上逆向拍賣(mài)的P2P借貸市場(chǎng)。在這個(gè)市場(chǎng)上，人們提出申請(qǐng)貸款，稱(chēng)為清單，然后其他人就這些清單進(jìn)行出價(jià)。獲勝的投標(biāo)

5、者獲得的提供貸款資金的機(jī)會(huì)，而利率由拍賣(mài)決定——競(jìng)爭(zhēng)越激烈，利率就越低。換句話(huà)說(shuō)，這種方式越過(guò)中介銀行連接了需要資金的人與愿意提供貸款的人。通常情況下，一項(xiàng)貸款有多投標(biāo)者（貸款人），因?yàn)榇蠖鄶?shù)貸款人提供給每筆貸款50到200美元。貸款人通過(guò)提供小額資金給多個(gè)貸款項(xiàng)目的方式來(lái)分散風(fēng)險(xiǎn)。Prosper.com于2006年2月公開(kāi)上線(xiàn)，至今已經(jīng)促成超過(guò)1.5億美元的貸款。</p><p>　　在本項(xiàng)研究中，我們將關(guān)注借

6、款人的角色，即創(chuàng)建貸款清單的人。在網(wǎng)上競(jìng)拍的過(guò)程中，借款人需要做出一些重要的戰(zhàn)略決策，進(jìn)而決定其是否能夠獲得提供貸款。本項(xiàng)研究的目的就是為借款人的決策提供決定性的幫助。在前人研究中，僅有少數(shù)討論過(guò)競(jìng)拍過(guò)程中的決策建議，例如[1,8,15,16,23,25]，但是他們的研究角度與本文不同。</p><p>　　本項(xiàng)研究具有顯著的現(xiàn)實(shí)意義。目前，借款人創(chuàng)建清單，參數(shù)主要是基于并不充分的數(shù)據(jù)，例如平均利率。在本項(xiàng)研究中

7、，我們將引入分析借款人的戰(zhàn)略決策成功率和估計(jì)最終利率的框架。借款人決策建議(BDA)將使借款人能夠評(píng)價(jià)并量化其戰(zhàn)略決策。在Prosper.com僅提供貸款啟動(dòng)率的簡(jiǎn)略信息，而且沒(méi)有貸款規(guī)模的相關(guān)建議的現(xiàn)狀下，BDA將帶來(lái)顯著的實(shí)際改善。</p><p>　　本項(xiàng)研究不僅具有實(shí)際作用，也帶來(lái)理論上的突破，即本模型的框架與方法將應(yīng)用于構(gòu)建工具或其他的拍賣(mài)網(wǎng)站。</p><p><b>

8、;　　研究目標(biāo)</b></p><p>　　本項(xiàng)研究旨在開(kāi)發(fā)一種針對(duì)借款人的決策輔助工具，幫助借款人評(píng)估與量化戰(zhàn)略決策中的一些指標(biāo)。具體而言，我們將</p><p>　　確定影響競(jìng)拍結(jié)果的最重要的因素，即借款人獲得貸款。</p><p>　　確定影響競(jìng)拍結(jié)果的重要的借款人決策變量</p><p>　　建立制定一個(gè)框架和方法來(lái)比較不

9、同的可量化的戰(zhàn)略決策選項(xiàng)</p><p>　　我們通過(guò)觀察所有的相關(guān)數(shù)據(jù)以及Prosper.com上的貸款清單的經(jīng)驗(yàn)數(shù)據(jù)并進(jìn)行比較，將已確定的因素分為借款人可影響的因素和信用報(bào)告中的因素。在本項(xiàng)研究中，這兩種因素都是必要的，但我們只能針對(duì)借款人可影響的因素給予建議。我們檢驗(yàn)了不同的比較戰(zhàn)略決策選項(xiàng)的方法，并選擇最佳的方法以及BDA的變量，而后建立了模型并通過(guò)了檢驗(yàn)。本項(xiàng)研究?jī)H限于Prosper.com，而所建立的

10、模型也可以拓展到其他拍賣(mài)網(wǎng)站。</p><p><b>　　數(shù)據(jù)與研究方法</b></p><p>　　本項(xiàng)研究基于Prosper.com提供的經(jīng)驗(yàn)數(shù)據(jù)，其中大部分是免費(fèi)提供的。但是訪問(wèn)貸款記錄需要在網(wǎng)站注冊(cè)為貸款人。截至2008年7月，Prosper.com上總共有312562個(gè)貸款清單。Prosper.com允許我們?cè)L問(wèn)這些貸款清單，從而這些都成了本項(xiàng)研究最基本普

11、遍的研究數(shù)據(jù)。借款人的戰(zhàn)略決策過(guò)程主要通過(guò)多元統(tǒng)計(jì)分析，尤其是普通最小二乘回歸和Logistic回歸分析。BDA本身可以運(yùn)用為一個(gè)網(wǎng)站，即用于給公眾或Prosper.com網(wǎng)站提供幫助的第三方網(wǎng)站。</p><p><b>　　論文結(jié)構(gòu)</b></p><p>　　本文第一章是研究的背景和目標(biāo)。第二章為借款人戰(zhàn)略決策的相關(guān)文獻(xiàn)綜述。第三章為本項(xiàng)研究中所使用的數(shù)據(jù)導(dǎo)入和

12、借款人的基本戰(zhàn)略決策制定。在這一章，最有影響力的決策變量被確定為BDA的發(fā)展。第四章主要介紹了BDA的構(gòu)建，并引入基本方法。第五章描述了BDA網(wǎng)站與兩種不同的提供支持的方法的比較。第六章為研究結(jié)論。</p><p><b>　　文獻(xiàn)綜述</b></p><p>　　前人有許多關(guān)于拍賣(mài)的文獻(xiàn)與研究。一些具有開(kāi)創(chuàng)性的發(fā)現(xiàn)是在在20世紀(jì)50年代和60年代用博弈論框架運(yùn)用到競(jìng)

13、價(jià)行為進(jìn)行建模。最近的網(wǎng)上拍賣(mài)的出現(xiàn)的又促使又一批研究的開(kāi)始。特別是網(wǎng)絡(luò)環(huán)境使研究人員能夠進(jìn)行現(xiàn)實(shí)生活中的拍賣(mài)所收集的數(shù)據(jù)的實(shí)證研究（例如，[2,18,25,26]）。同時(shí)大學(xué)生的研究也使得以前的實(shí)驗(yàn)室有了明顯的改善。（[10,11]）。在傳統(tǒng)拍賣(mài)相關(guān)文獻(xiàn)中，賣(mài)家與拍賣(mài)師往往不謀而合，雖然這不可能出現(xiàn)在網(wǎng)上拍賣(mài)中。賣(mài)家總是可以自由的選擇拍賣(mài)設(shè)定參數(shù)。許多文獻(xiàn)都主要關(guān)注比較不同情況下的拍賣(mài)機(jī)制和確定哪一種機(jī)制賦予賣(mài)家更多的利潤(rùn)（[19,2

14、0]） ;或者研究哪一種機(jī)制是有效的（[13]）。在網(wǎng)上拍賣(mài)中，賣(mài)家與拍賣(mài)師通常是不一致的。拍賣(mài)師是制定拍賣(mài)的網(wǎng)站，而且通常選擇一些簡(jiǎn)單同樣的拍賣(mài)機(jī)制，并且是賣(mài)家不得不服從。因此，賣(mài)家的戰(zhàn)略選擇通常被已設(shè)定的拍賣(mài)機(jī)制所約束。但是，賣(mài)家的戰(zhàn)略決策選擇并沒(méi)有失效，反而更加強(qiáng)調(diào)了少數(shù)留下來(lái)的決策變量的重要性。賣(mài)家的經(jīng)典決策變量是起拍價(jià)，然而起拍價(jià)的重要性很大程度上取決于所售物品的類(lèi)型與拍賣(mài)機(jī)制。在起拍價(jià)對(duì)最終價(jià)格的影響上，有一些爭(zhēng)議。例如，[

15、14]研究發(fā)現(xiàn)：</p><p>　　借款人的戰(zhàn)略決策過(guò)程</p><p>　　本章節(jié)從引入研究所用數(shù)據(jù)開(kāi)始，包括從借款人角度介紹Prosper.com網(wǎng)站的運(yùn)營(yíng)。另外，確定影響貸款的最重要的決策和變量。這些變量將形成BDA的核心部分。</p><p>　　Prosper.com網(wǎng)站的例子</p><p>　　如圖1所示，借款人尋求7300美

16、元的貸款，以擴(kuò)大小企業(yè)。距離結(jié)束還有37個(gè)小時(shí)的時(shí)候，貸款就已經(jīng)全部籌集了。該項(xiàng)目的起始利率為25.96%，但現(xiàn)已降到13%。借款人的信用評(píng)級(jí)為C，同時(shí)他被認(rèn)證擁有房產(chǎn)，同時(shí)他的借款與收入的比率為39%。貸款清單包括一個(gè)簡(jiǎn)短的描述，如借款人解釋貸款的用途。另外還可能有來(lái)自借款人的家人與朋友的照片與背書(shū)。</p><p><b>　　研究數(shù)據(jù)</b></p><p>　

17、　研究數(shù)據(jù)樣本是Prosper.com網(wǎng)站從2006年5月至2008年8月的293976個(gè)貸款清單，包括已經(jīng)結(jié)束的貸款項(xiàng)目，之中26251個(gè)項(xiàng)目（8.4%）獲得了貸款。樣本數(shù)據(jù)首先導(dǎo)入MS Access，然后進(jìn)行進(jìn)一步的分析。</p><p>　　根據(jù)貸款報(bào)告，每一個(gè)注冊(cè)的借款人可以獲得大量的數(shù)據(jù)信息。所有信息列于附錄中，其中最重要的因素有：貸款規(guī)模、起始利率、信用評(píng)級(jí)、債務(wù)收入比率、期限、經(jīng)費(fèi)選項(xiàng)、從屬關(guān)系、起

18、始日和截止日。另外還有一些統(tǒng)計(jì)信息可參考。信用相關(guān)信息來(lái)自Experian Scorex Plus (SM)系統(tǒng)。Prosper.com網(wǎng)站的貸條款限制為三年期、完全分期等額償還和無(wú)抵押貸款。借款人可以自由選擇1000美元至25000美元的貸款，網(wǎng)站的平均貸款金額為7500美元（中位數(shù)5000元）。貸款的起始利率可以在0%和36%之間任意設(shè)置，網(wǎng)站的平均起始利率為19%（中位數(shù)18%）。起始利率與借款人的信用等級(jí)密切相關(guān)，其信用評(píng)級(jí)均由

19、Experian Scorex Plus (SM)系統(tǒng)計(jì)算所有的貸款信息來(lái)提供（最好為AA，最差為HR）。債務(wù)收入比率是借款人的貸款總額與收入總額的比值，范圍是0至101%。但是其中收入總額是自己上報(bào)的，所有有可能是不準(zhǔn)確的。</p><p>　　借款人的貸款拍賣(mài)時(shí)間有四個(gè)選擇：3 天、5 天、7天和10天，其中7天是最常出現(xiàn)的。借款人可以在獲得貸款后自主結(jié)束拍賣(mài)，這就意味著，借款人需要盡快獲得貸款以獲得起始的貸

20、款利率，否則拍賣(mài)時(shí)間將持續(xù)到截止日。</p><p><b>　　確定變量</b></p><p>　　在本節(jié)中，我們將找出對(duì)貸款成功率最具影響的變量。因此我們將貸款成功的狀態(tài)設(shè)置為虛擬變量：貸款狀態(tài)有“1”、“過(guò)期”、“撤回”和“0”即“取消”。借款人撤回貸款申請(qǐng)的原因難以獲得，但是撤回?cái)?shù)量高30%。因此，我們不能排除撤回的貸款申請(qǐng)。由觀察得出，絕大多數(shù)貸款申請(qǐng)撤回

21、是因?yàn)闆](méi)有感興趣的投標(biāo)者，因?yàn)閮H有1% 的撤回貸款是獲得了資助的。顯然，有些人寧愿撤回并重新提交貸款申請(qǐng)，也不愿申請(qǐng)到期。Prosper.com總共有140265個(gè)借款人，其中高達(dá)在67,297人（48%）有多個(gè)貸款項(xiàng)目，因?yàn)榇蠖鄶?shù)人的第一個(gè)貸款申請(qǐng)并沒(méi)有成功。其中77 ％的借款者至少完成了一個(gè)成功貸款，這就進(jìn)一步強(qiáng)求了借款人戰(zhàn)略決策輔助工具的重要性。</p><p>　　本項(xiàng)研究中，信用評(píng)級(jí)AA-HR轉(zhuǎn)化為1和

22、7之間的數(shù)值。資金選擇設(shè)置為一個(gè)虛擬變量：使“貸款開(kāi)放”為“1” 和“資金已獲得”為“0”。同樣的方法應(yīng)用于從屬關(guān)系變量。</p><p>　　在表1呈現(xiàn)了不同變量與“貸款狀態(tài)”這一虛擬變量之間的相關(guān)性</p><p>　　在“狀態(tài)”虛擬變量呈現(xiàn)。在測(cè)試中，一些變量因?yàn)槭切颖径惶蕹Ｏ碌囊恍┳兞恳驗(yàn)榻杩钊嗽诙唐趦?nèi)無(wú)法改變或有類(lèi)似而被剔除。</p><p>　　

23、總的來(lái)說(shuō)，變量之間的相關(guān)性相對(duì)較小。其原因有：第一，我們使用了所有可用的數(shù)據(jù)。</p><p>　　這使我們能夠從大處著眼，但是例如起始利率對(duì)于信用評(píng)級(jí)是非常敏感的。比如15%的起始利率將保證信用評(píng)級(jí)為AA級(jí)的借款人貸款成功，同樣的起始利率對(duì)于信用評(píng)級(jí)為HR的借款人就可能太低了。因此，在同一時(shí)間，完整數(shù)據(jù)集的相關(guān)性要比檢查單一信用評(píng)級(jí)更低。起始利率，即“貸款的價(jià)格”對(duì)市場(chǎng)利率和風(fēng)險(xiǎn)溢價(jià)是非常敏感的。所以我們運(yùn)用了

24、兩年半的數(shù)據(jù)，在此期間聯(lián)邦利率在2%和5.25%之間浮動(dòng)。此外，最近的信貸危機(jī)使得風(fēng)險(xiǎn)溢價(jià)大幅增加，相關(guān)性會(huì)更高。如果數(shù)據(jù)的時(shí)間較短，市場(chǎng)將將與所有的貸款項(xiàng)目相同，相關(guān)性也將更高。</p><p>　　全部數(shù)據(jù)的相關(guān)性分析使得我們可以比較不同變量的顯著性。正如我們所看到的，貸款信息變量與決策變量有普遍較高的相關(guān)性。而這是很合乎邏輯的，因?yàn)樾庞迷u(píng)級(jí)較低的借款人無(wú)論利率多高都難以獲得貸款。貸款規(guī)模與起始利率之間的相關(guān)

25、性要比融資選項(xiàng)與貸款時(shí)間之間的更高。這些相關(guān)性的特征與[9]一致。較高的起始利率將增加借款人獲得貸款的機(jī)會(huì)。（注意：Prosper.com拍賣(mài)機(jī)制使較高的利率對(duì)借款人不利但對(duì)投標(biāo)人是有利的。邏輯上，較高貸款規(guī)模將降低貸款成功率。融資選項(xiàng)“開(kāi)放時(shí)間”輸入為1時(shí)，借款人貸款成功率較高，因?yàn)檫@意味著招標(biāo)時(shí)間更較長(zhǎng)。</p><p>　　關(guān)于信用評(píng)級(jí)，違約變量具有第二高的相關(guān)性。當(dāng)前違約率似乎對(duì)這些變量影響最大的?！皬膶?/p>

26、關(guān)系”有一定相關(guān)性，而“債務(wù)收入比率”的相關(guān)性較低，“收入總額”也有類(lèi)似情況，這些都是合乎邏輯的。</p><p>　　表2中的相關(guān)性分析是根據(jù)兩個(gè)不同的信用評(píng)級(jí)的：A和D，并顯示了兩者之間的區(qū)別?，F(xiàn)在“貸款規(guī)?！迸c“起始利率”相對(duì)較高，“融資選項(xiàng)”和“期限”相關(guān)性保持在較低水平。</p><p>　　樣本數(shù)據(jù)已經(jīng)包括了信用評(píng)級(jí)的信息，而剩下的貸款信息變量之間的相關(guān)性明顯更低。似乎債務(wù)收入

27、比率與貸款成功率有最高的相關(guān)性。而“從屬關(guān)系”似乎是有問(wèn)題的信貸</p><p>　　評(píng)級(jí)A不相關(guān)，而信用評(píng)級(jí)D卻相反地呈負(fù)相關(guān)關(guān)系。這是反直覺(jué)的。擁有房產(chǎn)似乎對(duì)借款人貸款成功產(chǎn)生負(fù)面影響。因?yàn)樵撟兞康臋z驗(yàn)結(jié)果不一致，所以剔除。顯然，違約相關(guān)的貸款信息的變量與貸款成功率有關(guān)，但是“當(dāng)前違約率”相關(guān)性更為顯著?？傮w上來(lái)看，“違約數(shù)量”和“近7年違約率”都落后于“當(dāng)前違約率”。最后的“收入”變量表現(xiàn)很不一致：在信用評(píng)

28、級(jí)A中呈較小的正相關(guān)，而在信用評(píng)級(jí)D呈負(fù)相關(guān)，這又是與預(yù)想相反的。其原因可能是人們期望借款人收入高，其財(cái)務(wù)管理比信用評(píng)級(jí)D的更好?！笆杖搿弊兞康南嚓P(guān)性比較，也許是因?yàn)槭杖胧怯勺约荷蠄?bào)的及其不準(zhǔn)確性。</p><p>　　基于以上分析，最有影響力的變量是“起始利率”，“貸款規(guī)?！保靶庞迷u(píng)級(jí)”，“債務(wù)收入比率”和借款人“當(dāng)前違約率”。BDA模型將基于這一系列的變量進(jìn)行構(gòu)建。</p><p>

29、　　借款人決策建議模型的構(gòu)建</p><p>　　在這一章節(jié)，我們將運(yùn)用Logistic回歸模型和查詢(xún)方法構(gòu)建BDA模型。</p><p>　　Logistic回歸模型 </p><p>　　借款人決策建議模型（BDA）根據(jù)計(jì)劃貸款項(xiàng)目的參數(shù)和借款人的貸款信息，對(duì)貸款成功率進(jìn)行估算。因?yàn)檎５幕貧w不允許因變量為虛擬變量（貸款成功與否），所以我們選擇使用logisti

30、c回歸模型。 Gilkeson和Reynolds [9]用Logistic回歸運(yùn)用到研究中，來(lái)檢驗(yàn)起始利率是如何影響拍賣(mài)成功率的。logistic回歸是根據(jù)以下描述logistic概率函數(shù)（例如，見(jiàn)[21]）。</p><p>　　其中f（z）表示貸款成功率，獨(dú)立變量定義如下：</p><p>　　否則，邏輯回歸模型將與一般回歸模型相似。</p><p>　　Log

31、istic回歸是分開(kāi)計(jì)算信用評(píng)級(jí)的，以匹配更精確的結(jié)果。其原因是不同信用評(píng)級(jí)的借款人表現(xiàn)區(qū)別很大，如表2所示。另一個(gè)原因是，該信用評(píng)級(jí)本身是決定貸款成功與否的一個(gè)重要因素。將它作為變量添加到模型非常困難的，因?yàn)樗菬o(wú)間隔的序數(shù)縮放。</p><p>　　所選的自變量有：“起始利率”、“貸款規(guī)?！?、“債務(wù)收入比率”和“當(dāng)前違約率”（見(jiàn)3.3節(jié)）。如表3，Logistic回歸模型的系數(shù)已顯示，他們都是合理的。提高“起

32、始利率”就提高了貸款成功率。另一方面，“貸款規(guī)?！?、“債務(wù)收入比率”或“當(dāng)前違約率”的增加都會(huì)導(dǎo)致貸款成功率的降低。所有的自變量在統(tǒng)計(jì)上是顯著的。Logistic回歸模型沒(méi)有相應(yīng)系數(shù)來(lái)確定R2，我們用McFadden's Pseudo-R2來(lái)替代。</p><p>　　從表4可知，當(dāng)我們依次引入新的變量，首先是“貸款規(guī)?！保僖来问恰捌鹗祭省?、“債務(wù)收入比率”和“當(dāng)前違約率”，Pseudo-R2增大到0

33、.208，但額外增加的獨(dú)立變量并不能使模型更有意義。接下來(lái)，我們將運(yùn)用查詢(xún)方法驗(yàn)證模型。</p><p><b>　　查詢(xún)方法 </b></p><p>　　查詢(xún)方法是是一種運(yùn)用直觀數(shù)據(jù)決定成功率的方式。根據(jù)借款人輸入的參數(shù)，數(shù)據(jù)庫(kù)將檢索參數(shù)價(jià)值在一定范圍內(nèi)（+/-25％）的相似的貸款項(xiàng)目。這確保了查詢(xún)結(jié)果將給出足夠數(shù)量的相似貸款項(xiàng)目?！爱?dāng)前違約率”被設(shè)置為一個(gè)虛擬變

34、量（真/假）。然后BDA計(jì)算樣本的成功率，即有多少貸款項(xiàng)目得到了資助。</p><p>　　Logistic回歸可以通過(guò)準(zhǔn)確的貸款項(xiàng)目參數(shù)計(jì)算出精確的成功率，而查詢(xún)方法將給出一組具有相似參數(shù)的貸款項(xiàng)目。查詢(xún)方法需要大量數(shù)據(jù)（即貸款項(xiàng)目）才能更好地工作。 </p><p>　　如果沒(méi)有足夠多的相似貸款項(xiàng)目，查詢(xún)方法的可靠性將大幅降低。當(dāng)貸款項(xiàng)目不具有普遍參數(shù)時(shí)，這樣的問(wèn)題就會(huì)發(fā)生。如前所述，

35、所有的方法使用了6個(gè)月的數(shù)據(jù)，然而如果相似貸款項(xiàng)目低于20個(gè)時(shí)，用于查詢(xún)方法的數(shù)據(jù)樣本應(yīng)該拓展到12個(gè)月。當(dāng)數(shù)據(jù)樣本拓展到12個(gè)月時(shí)，BDA的用戶(hù)自然而然會(huì)提高警惕。</p><p><b>　　最終利率的回歸</b></p><p>　　貸款項(xiàng)目的最終利率是通過(guò)一般回歸模型估計(jì)得出的。表5中的回歸變量之間的相關(guān)性基于信用評(píng)級(jí)A的項(xiàng)目。“最終利率”和“起始利率”之間的

36、相關(guān)性最高，“最終利率”和“貸款規(guī)模”之間的相關(guān)性也較高。而這一變量與“債務(wù)收入比率”、“當(dāng)前違約率”之間的相關(guān)性較低，但是它們依然是顯著的。模型也有多重共線(xiàn)性的風(fēng)險(xiǎn)，因?yàn)樽宰兞俊捌鹗祭省焙汀百J款規(guī)?！敝g的相關(guān)性為0.55。然而這兩個(gè)變量對(duì)模型至關(guān)重要，所以并沒(méi)有剔除。</p><p>　　這一回歸模型與logistic回歸模型相似，但因變量是“最終利率”。因?yàn)椤白罱K利率”是連續(xù)變量，所以O(shè)LS回歸模型是合適

37、的。</p><p>　　回歸模型的結(jié)果將分別提出不同的信用評(píng)級(jí)，如表6。通過(guò)t檢驗(yàn)，每個(gè)回歸系數(shù)分別呈現(xiàn)出對(duì)應(yīng)的p值。幾乎所有的變量呈現(xiàn)5%的顯著性水平，但有兩個(gè)例外：在信用評(píng)級(jí)C下的“貸款規(guī)模”與信用評(píng)級(jí)HR下的“債務(wù)收入比率”。</p><p>　　R2在0.5和0.7之間，且觀測(cè)值的數(shù)量均勻分布在各個(gè)信用評(píng)級(jí)。因?yàn)檫@里僅使用了已完成的貸款項(xiàng)目，所以觀測(cè)值的數(shù)量遠(yuǎn)遠(yuǎn)小于logisti

38、c回歸模型的。在表6中，“最終利率”的估算基于以下貸款項(xiàng)目參數(shù)：18%的起始利率、5000美元的貸款規(guī)模、40%的債務(wù)收入比率、和當(dāng)前違約率為0。我們可以看到，隨著信用評(píng)級(jí)變差，最終利率迅速提高。整個(gè)回歸模型預(yù)測(cè)最終利率的結(jié)果是合理的?？v觀相關(guān)的殘差圖，當(dāng)一些變量運(yùn)用異方差檢驗(yàn)時(shí)，存在不平等的變動(dòng)（增加）方差，尤其是普遍價(jià)值范圍之外的。但是，因?yàn)槲覀儧](méi)有計(jì)算BDA的預(yù)測(cè)區(qū)間（點(diǎn)估計(jì)仍然是無(wú)偏的），所以這似乎不太嚴(yán)重。</p>

39、<p>　　查詢(xún)方法和Logistic回歸方法的比較</p><p>　　關(guān)于查詢(xún)方法和Logistic回歸方法之間簡(jiǎn)單的交叉驗(yàn)證，我們繪制了圖3和圖4。圖3中，BDA基于以下貸款項(xiàng)目運(yùn)行：信用評(píng)級(jí)A、債務(wù)收入比率 40%、當(dāng)前違約率0以及貸款規(guī)模5000美元。</p><p>　　“起始利率”從1%上升到30%。在一般情況下，這兩個(gè)方法給出了類(lèi)似的結(jié)果。在合理的起始利率9%

40、至17%的結(jié)果是非常相似。對(duì)于較低的起始利率（低于7%），兩種方法的成功率估算都是不可靠的，其實(shí)際上很可能接近于零。對(duì)于更高的起始利率（高于17%），實(shí)際成功率大概在這兩種方法估算的結(jié)果之間。</p><p>　　如圖4所示，基于“起始利率”固定為15%，再一次重復(fù)分析?！百J款規(guī)模”從1000美元改為25000美元。這一次兩種方法的結(jié)果依然是非常相似的，其中查詢(xún)方法提供了成功的率上限，而logistic回歸提供了

41、成功率的下限。當(dāng)觀察值的數(shù)量是非常小時(shí)，查詢(xún)方法有一定的波動(dòng)。這僅僅是一個(gè)橫截面的數(shù)據(jù)，然而，總的來(lái)說(shuō)，兩種方法應(yīng)該產(chǎn)生類(lèi)似的結(jié)果。</p><p><b>　　借款人決策建議網(wǎng)站</b></p><p>　　BDA已經(jīng)被運(yùn)用為一個(gè)網(wǎng)站。當(dāng)借款人進(jìn)入網(wǎng)站，可以看到在“借款信息”空白區(qū)域，如圖5。然后他們點(diǎn)擊“估算”，結(jié)果將呈現(xiàn)在下方屏幕。首先，該工具的顯示借款人輸入貸

42、款項(xiàng)目參數(shù)和查詢(xún)方法的標(biāo)準(zhǔn)。然后借款人可以看見(jiàn)靈敏度表和不同參數(shù)下的估算的最終利率和成功率變化。在這個(gè)例子中，估計(jì)最終利率為11.65%、成功概率為0.46。當(dāng)起始利率增加1%，成功率增加到0.50，但最終利率也增加到了12.15%。隨著貸款規(guī)模的減小，借款人的成功率可以提高到0.50，而且最終利率也降低到11.50%。在該表中，其它的組合也被計(jì)算了,可以讓借款人自行決定，作出最佳的選擇。</p><p>　　靈

43、敏度表下面有更多詳細(xì)的結(jié)果。首先，我們可以看到查詢(xún)方法的搜索標(biāo)準(zhǔn)。其次是最終利率的決定系數(shù)和觀察值的數(shù)量。接著，該工具根據(jù)回歸模型估算的最終利率，如章節(jié)4.3所介紹。在該情況下，估算值是11.6 %，明顯低于15％的起始利率。在估算的最后利率下方，該工具呈現(xiàn)了R 2和觀察值的數(shù)量。這些都提供了回歸結(jié)果的可靠性。</p><p>　　接下來(lái)的分析是Logistic回歸：BDA估算成功率的大小。在這種情況下，獲得資金

44、的成功率是46%。其次，回歸檢驗(yàn)即和在Pseudo-R2和觀察值的數(shù)量將附在回歸結(jié)果后面。最后的分析是查詢(xún)方法。搜索標(biāo)準(zhǔn)在結(jié)果狂的最開(kāi)始顯示。在這種情況下，總共有51個(gè)相似的貸款項(xiàng)目，其中24個(gè)獲得了資助。這暗示著成功率為47%，這與logistic回歸結(jié)果非常相似。最后，這51個(gè)相似項(xiàng)目將被列出，借款人可以手動(dòng)查看這些項(xiàng)目信息。</p><p><b>　　結(jié)論</b></p>

45、<p>　　本研究的主要目的是建立一個(gè)決策支持工具，幫助在P2P反向拍賣(mài)的貸款環(huán)境中的借款人。</p><p>　　該工具是基于回歸模型和數(shù)據(jù)驅(qū)動(dòng)的查詢(xún)方法。該工具使借款人在定量的作出評(píng)估和戰(zhàn)略決策。我們發(fā)現(xiàn)，有一種可以在較低的最終利率和成功獲得貸款之間做出折中，正如以前的文獻(xiàn)的建議。為了獲得較低的最終利率，借款人必須選擇一個(gè)較低的起始利率。然而，這就減小借款人獲得貸款的成功率。因此，借款人必須同時(shí)

46、考慮這兩個(gè)因素并作出權(quán)衡。借款人決策建議（BDA）通過(guò)估算的成功率量化了這一決策并估算了最終利率。此外，借款人可以通過(guò)改變貸款規(guī)模，微調(diào)最終利率和貸款成功率。通過(guò)設(shè)置一個(gè)較小的貸款規(guī)模，增大成功率，降低最終利率。如果借款人不能夠找到一個(gè)滿(mǎn)意的起始利率，那就必須減少貸款金額。</p><p>　　BDA幫助借款人從戰(zhàn)略視角下看到貸款項(xiàng)目的參數(shù)并提供有用的定量信息以支持的最終決策。BDA僅適用于類(lèi)似Prosper.c

47、om的P2P借貸網(wǎng)站。然而，構(gòu)建工具的方法也可以用于在其他情況下。首先，BDA可以擴(kuò)大到其他有充足數(shù)據(jù)的網(wǎng)上拍賣(mài)。拍賣(mài)不必是多單元，但成功率是相通的，例如，使用秘密保留價(jià)格機(jī)制的拍賣(mài)（例如eBay）。最終利率的估算自然就可以更廣泛運(yùn)用。對(duì)最終價(jià)格的可靠估算對(duì)于任何拍賣(mài)機(jī)制下的賣(mài)家都是有利的。數(shù)據(jù)的可用性可能是BDA運(yùn)用過(guò)程中最大的約束。</p><p>　　拍賣(mài)網(wǎng)站的好處之一是可以訪問(wèn)其原始資料，這些拍賣(mài)數(shù)據(jù)為提