借款文本语言对投资人决策的影响--基于人人贷的实证研究

bagging 方法更具优势。在使用随机森林进行实证分析之前，首先对原始数据集进行分组，划分为训练集和测试集，用训练集进行模型的学习训练，在测试集检验模型的效果。通过对随机森林模型中几个重要的参数进行调整提高模型的预测性能。n_estimators 为随机森林决策树的数量，太小容易欠拟合，太大不能显著的提升模型；oob_score 表示是否采用袋外样本来评估模型好坏，推荐为 True；min_samples_split 为节点可分的最小样本数；min_samples_leaf 为叶子节点含有的最少样本，若叶子节点样本数小于该值，表示对该叶子节点和兄弟叶子节点进行剪枝；n_jobs 为并行的任务数，bootstrap 表示是否采用又放回样本方式，True 表示采用有放回，False 表示不采用。经过调整确定模型的最佳参数：n_estimators=100，oob_score=True，min_samples_split=2，min_samples_leaf=50，n_jobs=2，bootstrap=True。

..............................

第七章 研究结论、对策建议与研究展望

7.1  主要结论

本文将文本分析中的复杂性计算、情感分析技术、实体抽取技术与计量经济模型、分类算法模型结合起来，在信息不对称理论、文献分析和扎根理论的指导下，将金融学、文学和心理学中广泛认可的文本语言特征：复杂性、积极性和欺骗性，引入网络借贷平台中，并以我国最大的网络借贷平台——人人贷平台的大样本大数据进行实证研究。在计量经济模型建模过程中，重点探讨了借款文本语言的不同特征对投资者是否出借资金、出借愿意出借金额和愿意出借利率的投资决策的影响；在基于二分类的信用风险预测模型的构建过程中，重点探讨了借款文本语言的特征对预测借款人信用风险的价值作用。最终，研究得出以下几点重要结论：

第一，借款文本语言特征为网络借贷平台中的投资者带来额外信息，在一定程度上消除了投资者是否出借资金和借款者是否违约的不确定性。在客观信息无法满足投资者的信息需求时，诸如借款文本类的主观信息凸显重要价值。站在借款者书写借款文本的角度对借款文本进行挖掘，利用信息增益的思路计算文本语言各特征的信息增益值。对于是否成功融资和是否违约来说，复杂性特征的信息增益均为最高，积极性的信息增益值其次，欺骗性的信息增益排在最后，说明借款文本语言的复杂性特征提供的额外信息最多，消除投资者在是否出借资金和借款人是否违约上的不确定性最多。

第二，借款文本语言不同特征影响投资者的投资决策，关注主观性的借款文本特征对投资者投资决策的影响，有助于提高网络借贷市场的信息透明度，提高市场匹配效率，缓解信息不对称问题带来的逆向选择和道德风险问题。在投资者是否愿意出借款项的意愿上，借款文本语言的复杂性与融资成功率呈负相关，复杂性越高，融资成功率越低；借款文本语言的积极性与融资成功率呈正相关，积极性越高，融资成功率越高；借款文本语言的欺骗性与融资成功率呈负相关，欺骗性越高，融资成功率越低。在愿意出借的有效金额上，借款文本语言的复杂性与有效融资金额成负相关，文本语言的复杂性越高，获得的有效融资金额越低；借款文本语言的积极性与有效融资金额成正相关，文本语言的积极性越高，获得的有效融资金额越高；文本语言的欺骗性对有效融资金额的影响不显著。在愿意出借的利率上，借款文本语言的复杂性与融资利率成正相关，文本语言复杂性越高，获得贷款的融资利率越高；借款文本语言的积极性与融资利率呈负相关，文本语言积极性越高，获得贷款的融资利率越低；借款文本语言的欺骗性与融资利率呈正相关，文本语言欺骗性越高，获得贷款的融资利率越高。虽然借款文本语言的复杂性特征消除的不确定最多，但积极性对融资成功率的影响最大，说明网络借贷市场中的投资者更容易受到文本语言传递的情感信息的影响。站在网络借贷平台中的投资者为聪明的投资者角度，关注提高借款者还款率的文本语言特征，这对降低资金风险提高收回资金的概率尤其重要。

参考文献（略）