《互联网金融行业平台风险及影响因素分析5800字（论文）》

互联网金融行业平台风险及影响因素分析目录TOC\o"1-2"\h\u4508互联网金融行业平台风险及影响因素分析 1312061.1互联网金融平台风险概述 16001.1.1平台风险概述 1231731.1.2平台风险中的道德风险 274571.1.3平台风险中的操作风险 2217141.2互联网金融平台的内部风险因素 2195511.2.1平台内部风险评价指标的选取 3292601.2.2评价指标权重和融合因子 4249591.2.3内部要素分析过程 573991.2.4内部要素分析结果与评价 630331.3互联网金融平台的外部风险因素 6263511.1.1漂移率和方差率的影响 7316421.1.2政府政策及其他宏观经济因素的影响 8129961.1.3无风险利率的影响 9145861.4平台风险防范和化解策略总结 101.1互联网金融平台风险概述1.1.1平台风险概述互联网金融平台是互联网金融交易活动的载体。平台风险是指互联网金融交易平台由于内外部的不确定性因素而面临的风险，它是互联网金融风险的核心，对交易平台自身、运用该平台进行交易的投资者和融资者都会造成不利影响，还会波动到其他互联网金融交易平台。相关学术研究表明，对于互联网金融这类新兴行业，如果其交易链条中的某个环节出现问题，将使得投资者和融资者对整个互联网金融行业丧失信心，所以，相比于投资风险和融资风险，平台风险最有可能成为引致互联网金融行业网络外部负效应的因素。1.1.2平台风险中的道德风险道德风险包括诈骗风险、信息模糊和误导风险，这类风险一般是主动引发的风险，是由于互联网金融平台基于错误的、恶性的目的，侵蚀投资者的利益，从而造成的风险。第一，诈骗风险。诈骗风险是指互联网金融平台以非法集资、自融、跑路为目的筹集资金的风险，庞氏骗局是诈骗风险的一种主要类型。以现金树、快易借为代表的一些互联网金融平台，用新投资者注入的投资资金作为对老投资者的投资回报，以此营造盈利的假象，今鑫财富和天力贷则是披着P2P网贷平台的外衣，进行自融资金的非法集资操作。第二，信息模糊和误导风险。信息模糊和误导风险是指：由于互联网金融平台向投资者提供了不充分的或错误的投资信息，导致投资者决策失误或发生损失的风险。主要包括：信息披露不完善、虚假承诺高收益率、内幕交易、操纵市场、债务催收、合同不完善等类型。1.1.3平台风险中的操作风险操作风险是指：由于互联网金融平台存在技术漏洞或疏于防范网络攻击而造成的数据信息被窃取、泄露、篡改，由于数据备份与故障机制不完善而造成冗余、丢失，或者内部信息遭到攻击、窃听而造成用户或互联网金融平台利益受损或面临威胁的情形。具体而言，一些网络借贷平台购买现成的互联网金融交易平台模板，且未设置专业技术人员监测技术漏洞和网络病毒。而互联网交易平台信息量巨大，很多交易平台疏于对数据进行备份和保护，或者运用落后的数据存储和备份方法，造成数据丢失或泄露，这些都是操作风险的体现。1.2互联网金融平台的内部风险因素互联网金融平台的收益率会受到内部因素和外部因素的共同作用，其中，内部因素主要包括网贷平台自身的注册资本、技术、运营经验等，还包括互联网金融交易的参与者考量的因素，比如投资者主要参考的收益率、担保机构、流动性等因素和融资者主要参考的借款额度、借款期限、手续费等因素。1.2.1平台内部风险评价指标的选取互联网金融平台风险是一个不可直接观测的、难以量化表述的因子，因此，应当通过一些能够观测的、易于量化表述的原始变量，结合一些技术手段，间接地反映互联网金融平台风险的大小，这种方法即“因子分析法”。基于对网贷之家、贷罗盘、融360等网贷评级机构常用指标和其他网贷平台选择经验，本文选取：借款平均额度、借款平均期限、借贷业务总额、手续费、注册资本、流动性、收益率、运营年限、风控投入成本、管理人员背景与经验、品牌知名度、信誉、产品多样化水平、信息披露透明度、合规化水平、第三方担保机构等16个指标进行分析。上述16个指标组成的统计信息组成了一个较大规模的数据库，在对上述16个指标进行分析的过程中，清楚认识各种指标的关系是十分必要的。上述指标中，除管理人员背景与经验、第三方担保机构两个指标外，其他指标均可以量化表达，但由于上述指标评价尺度不一，比如，平均借款额度一般在万元以上，注册资本一般高至亿元，但流动性、合规化水平等指标一般用百分数进行表示，如果不进行标准化处理，将会极大地影响分析结果和意义。所以，应当首先运用min—max数据标准化方法对数据进行处理。经过标准化处理后的数据，具有相同的量纲和量级，可靠性更强。对于第三方担保机构这一指标，可以简单地运用三级评估方法，即第三方担保机构为权威机构记为1，第三方担保机构为一般金融机构记为0.5，无第三方担保机构记为0。对于管理人员背景与经验这一指标，可以按照其学历背景、专业关联度、互联网金融管理经验等指标进行加权平均，从而转化为定量指标。基于常规的E—R数据建模方法，这些指标之间的关系图如下：图3-1互联网金融平台风险观测指标ER图为验证上述16个指标是否具有分析价值，以及这些指标与平台风险的大小是否有相关关系，需要对其进行KMO检验和Bartlett球状检验。使用SPSS26数据分析软件进行分析，分析结果如下：表3-1平台风险观测指标的KMO和Bartlett检验结果经检验，上述16个指标所组成的多因子模型的KMO检验值为0.604，高于0.5，并且，在5%的显著性水平下，这一多因子模型的Sig.值为0，小于0.01，说明这一多因子模型比较适合于描述平台风险的大小。1.2.2评价指标权重和融合因子旋转成分分析法是PCA分析法中的一种常用方法，旨在选取影响某个因变量的关键自变量指标。本文认为，在由各个分析指标组成的不同的多因子模型中，每个指标的权重是不同的，这反映了对应指标在分析中的作用。对这些指标在因子载荷不同情况下的权重实施平均化观测，有助于显示该指标的局部特征和整体特征，从而为衡量和观测该指标在全部指标体系中所占的权重。在专家打分法不易实施的情形下，本方法或可作为替代专家打分法的实证分析方法。表3-2平台风险观测指标的旋转成分分析结果经旋转成分分析，成分一的累积贡献率为21.742%，这表明：如果将16个评价指标融合为一个因子进行分析，该因子解释了原评价指标所反映信息的21.742%。以此类推，成分五的累积贡献率为71.832%，解释了原评价指标所反映信息的71.832%。在上述指标的共同度检验，上述16个指标的共同度均高于0.5，说明这些指标能够被提取的主成分解释，且解释力度较强。因此，选定5个因子为主成分进行分析。1.2.3内部要素分析过程在确定各主要观测指标后，本文对内部要素评价矩阵进行了改造，基于下述思路构建平台风险预测评价矩阵：以旋转成分得出的各风险观测指标的权重取代专家打分确定的权重；确定四个评价等级：4分表示具有重大平台风险，3分表示具有较大平台风险，2分表示具有一般平台风险，1分表示具有轻微平台风险。平均分数为2.5分，超越2.5分则表明平台风险严重。确定平台风险超额比率指标：（3-1）（4）将不同的评价指标的数值分别从高到低进行排名。对于正向指标，样本数量的前25%记1分，25%—50%记2分，50%—75%记3分，75%—100%记4分。对于反向指标，前25%记4分，其余依次记3分、2分、1分。按照上述分析思路，本文选取了贷罗盘中数据较为完整的8家互联网金融机构，搜集各机构有关本文选取的评价指标的信息。依次给定各互联网金融机构的16个评价指标的评分，再乘以指标的权重，得出每个指标的加权评分。本文将贷罗盘给出的互联网金融机构评级排行榜与本文得出的加权评分进行了比对，结果如下：表3-3贷罗盘评级排行榜与平台风险评价得分对比表1.2.4内部要素分析结果与评价运用EXCEL中的CORREL函数计算本文运用平台内部要素风险评价矩阵得出的平台风险估计结果与贷罗盘评级、网贷天眼中用户的好评率与差评率之间的相关关系。分析结果显示，本文得出的平台风险估计结果与贷罗盘网站给出的网贷平台评分之间的相关系数约为0.03，但与用户好评率指标的相关系数为-0.7，与差评率指标的相关系数为0.88，说明本文的平台内部要素评价结果与用户好评率有比较显著的负相关关系，与差评率有极其显著的正相关关系，但与网贷平台评分几乎没有相关关系。上述结果证明本文构建的平台风险内部要素评价矩阵对预测用户满意度的效果是显著的。所以，投资者和融资者在选择互联网金融平台时，不应当单纯地依据评级机构的排名、收益率或利率等因素作为自己是否选择该平台开展投融资活动的依据，而应当结合该企业的相关风险指标，更全面地、系统地看待互联网金融平台的投资价值和可靠性。1.3互联网金融平台的外部风险因素在分析互联网金融平台风险的影响时，除考虑内部因素外，还需要考虑外部冲击对互联网金融平台交易的影响。互联网金融平台交易数量的当前值与投资者对该平台投资回报的未来预测有关，而在互联网平台上交易的历史信息与未来投资收益的预测的关联度较小。因此，可以将互联网金融平台交易数量的变动看作是一个马尔科夫过程，将这一过程广义化，定义为一个伊藤过程，其表达式为：（3-2）1.1.1漂移率和方差率的影响对互联网金融产品和服务的需求在每个单位时间内变化的期望值称为需求漂移率，需求漂移率描述了互联网金融产品和服务的实际需求与预期之间的偏离，因而概括了一些影响互联网金融机构的外部因素。理性的互联网金融企业的经营目标是最大化其期望利润，即：（3-3）在此问题中，利润函数是关于标的随机变量x和时间t的动态函数，将该动态利润函数参照伊藤引理的方法进行推导，有约束条件：（3-4）上述约束条件是一个二阶线性偏微分方程，其特征方程为：（3-5）用多元拉格朗日函数L(σ,α,β,r)表示特征方程，根据价值匹配条件，企业的边际利润因子为1/（r-a），这表明：随着需求漂移率a的增加，企业的边际利润因子增大，有利于互联网金融企业获得更高利润。对于方差率，特征方程关于方差率σ的全微分为：（3-6）其中，L是β和σ的增函数，故根据等式运算性质，β是σ的减函数。这是因为：多元拉格朗日函数间接反映了企业利润的大小，它是β的增函数，任何使得β减少的因素都会使得利润减少。由于互联网金融行业的方差率是一个时间序列，所以也可以用一个GARCH（1，1）模型进行拟合，对方差率这一因子加以量化表述，该模型表达式为：（3-7）该波动率可以收敛至：（3-8）由此推知：方差率σ越大，互联网金融企业的利润空间越小。并且，历史方差率也会对方差率构成一定程度的影响，由于，当且仅当ω为正值时，上一期波动率的增加会使得本期的波动率以递减的增长率上升，EWMA模型很好地描述了这一特征：（3-9）其中，λ为“衰减因子”，是度量上期波动率对本期波动率的增率相比于上一个增长周期衰减作用的参量。综上所述，互联网金融行业的利润函数是需求漂移率α的增函数，是方差率σ的减函数。互联网金融行业想要拓展利润空间，应当致力于实现需求漂移率的提升，并降低波动率，还需对其波动率实施持续控制，因为历史波动率对当前波动率也能够起到一定程度的增进作用。1.1.2政府政策及其他宏观经济因素的影响政府对互联网金融行业的监管政策和支持力度会对互联网金融平台产生外部冲击，造成互联网金融平台在区位选择、收益率和运营决策等方面的差异。例如，紧缩性货币政策会提升安全资产的收益率，从而造成安全资产相对于风险资产的吸引力上述，造成“追逐安全资产”现象，紧缩的货币政策还会导致经济体的紧缩效应，由此对互联网金融平台造成负向影响。而设置优惠利率或实施宽松的货币政策，则会对互联网金融企业有正向影响。投资主要受利率的影响，根据可贷资金供求理论模型和四部门国民收入模型，收入的提高、企业对资本边际生产率预期（b）的改善、进口规模（）的扩大、紧缩性的财政政策（t上升，G减少）会导致投资的增加。所以，互联网金融平台面临的利润最大化问题是：（3-10）投资的影子价格是表示信用市场资源紧缺程度的一个指标。根据“互补—松弛”条件，投资的影子价格越高，说明信用市场资源紧缺，没有实现帕累托最优配置，反之，影子价格的降低则是对信用市场资源配置的帕累托改进。以λ表示社会私人投资的影子价格，其表达式为：（3-11）假设政府按照实际发生的交易业务的数量进行每单位θ元的补贴，根据利润最大化的一阶条件，可以解得使互联网金融企业实现最有效率的配置方法，即帕累托最优状态的交易数量应当满足“”的条件。综上所述，政府实施政策的优惠程度越高（即θ值越大），有助于降低互联网金融行业产品和服务价格，还有助于互联网金融行业影子价格的降低，对优化行业资源配置、提升借贷服务发生额，提高互联网金融平台利润都有积极的作用。此外，经济增长率提升、个人收入的提高、低迷的消费预期、进口量的增加、投资利率弹性的提高、紧缩性财政政策的实施等因素是对投资有积极作用的宏观经济因素，而收入减少、出口增加、投资利率弹性降低、扩张性财政政策的实施、消费信心的提升等因素是对投资有消极作用的因素。1.1.3无风险利率的影响投资者必然会将个人财富配置于风险资产和无风险资产两种投资工具上，如果无风险资产利率较高，那么，投资者将没有激励将自己的资产投资于风险资产。假设投资者拥有个单位的财富，他选择将k个单位的资产投资于含有风险的金融产品，其余部分投资于无风险产品。其私人投资的期望收益最大化问题为：（3-12）据此可以推知，投资者在其个人资产配置中，分配给风险资产的财富水平为：，因为A是一个正常数，所以风险投资额显然与