本文是一篇金融学论文，本文基于XGBOOST算法以及SVM支持向量机的学习方法通过对样本数据进行训练，首先找出影响P2P能否顺利转型的特征因素，然后根据筛选后的特征重要性指标构建出了一套相对完整的模型对未知风险的P2P平台进行转型预测，进行了模型层面的检验后，利用现有的平台数据对模型的预测效果进行检验。
第 1 章 绪论
1.1 课题来源及研究的背景和意义
1.1.1 课题来源
自网贷行业在国内发展以来，曾广受投资人喜爱，然而，P2P 行业由于自身存在的种种弊端，加上一场突如其来的新冠肺炎，令本就生存困难的 P2P行业雪上加霜。根据从网贷之家获取的数据，截止到 2020.02 月底，全国范围内退出行业的 P2P 网贷平台数量为 732 家，其中停业及转型平台数量有 510家，问题平台 222 家，截止到 2020.02.29，正常运营的平台 335 家，停业及转型平台 3349 家，问题平台 2927 家。
近期疫情之下，网贷平台催收受限导致逾期飙升，影响公司正常回款，无法正常兑付，多家平台包括行业龙头积木盒子等已准备开展分批次的业务结清工作，稳步退出网贷业务，申请转型为小额贷款公司，与此同时，陆金服和金投行等已经转型成功，分别取得了消费金融拍照和网络小贷牌照。随着多省份公告清退辖区内网贷 P2P 业务，互金金融办发布对于一些资本实力较强，并且具备一定金融科技基础、内控良好的机构可推动其转化为网络小贷公司或持牌消费金融机构。在清退业务的大背景下，P2P 平台进行转型是大势所趋，研究成功转型以及未能成功清退的 P2P 企业对后续其他平台进行转型能提供借鉴性意见，帮助网贷行业进行清退和风险控制，优化投资的金融环境、保障投资者利益，因此研究网络借贷 P2P 平台转型影响因素具有重要的现实意义。
目前银保监会对网络借贷的专项整治以及对互联网借贷业务监管力度的加大，目前已有包括山东、湖南、四川、重庆、湖南等多个省份要求 P2P 业务进行整改或者清退，目前尚在存续的平台急需整改转型或者良性退出，然而 P2P 平台在转型过程中监管部门要进行详细的资质审核，具备金融科技概念、并且平台资质较好、未发生过经营风险的公司才会被考虑成为下一个阶段转型后的网贷企业。
..........................
1.2 相关文献综述
1.2.1 P2P 网络借贷平台分类及特点
孙婉淇（2019）认为 P2P 网络借贷在为个人和小微企业带来便捷的同时，由于个人理性思考和第三方监管的缺失等问题，其潜在的经营风险不光需要通过平台保障利益安全更需要借款人和贷款人自身加强风险防控意识[1]。吴成颂（2011）认为网贷业务中可能 会发生流动性风险、运营风险、信用风险以及非法集资风险等[2]。陈慧宇（2016）认为 P2P 网络借贷风险主要来源有两个：一个是融资方的信用风险，另一个来源于网贷平台自身的安全性，即由于网络信息安全发展不完善致使用户信息泄露，从而导致用户资金遭受损失的可能性。因此，P2P 贷款需要采取措施加强对借款人信息的保护力度[3]。Jin G.Z（2008）认为，借款人在网贷平台上进行信用审核时，会为了获取贷款资格而隐瞒甚至捏造一些基础信息来达到借款要求，这会导致平台设置的一些审核指标无法发挥其筛选的作用，导致信息不对称更加严重，违约风险的概率增大[4]。E.C.Chaffee&G.C.Rapp（2012）研究指出互联网金融不仅有传统金融业的风险，还包括了特有风险例如机构的声誉风险、网络安全风险和信息不对称风险等[5]。Lin（2013）等人研究发现借款人的信用评级以及信息的透明度是 P2P 网络借贷中两个重要的因素。他认为融资成本以及借款人的违约概率与借款人的信用成反比，与平台的信息公开透明度也呈反比，即公开平台信息提高借款人的信用能够降低平台的坏账违约率[6]。董妍（2015）认为 P2P 网上借贷的风险来源于 P2P 平台以高收益作为诱饵，擅自挪用资金、发布虚假标的或进行平台自融而无法获得预期回报从而导致到期却无力偿还借款人本金及利息而引起的异常风险[7]。蓝紫文（2016）认为对于监管行业，要保证平台的实缴资本而不是注册资本，建立严格的银行或者第三方资金托管机制从而避免平台虚假注册以及股东高管擅自挪用资金等状况[8]。卢馨（2015）认为 P2P 行业能否朝着健康的方向发展关键在于投资人能否有效的识别出借款人以及平台的道德风险，目前法律法规以及相应的政策制度不完善、P2P 平台网络技术信息安全不过关、借款人动机目的不纯、P2P 征信系统薄弱而无法进行风险识别等诸多原因都会导致平台出现违约风险[9]。
..........................
第 2 章 理论基础与模型构建
2.1 基于集成学习方法的思路分析
目前关于风险预警的研究主要有两大类研究方法，即传统的计量统计方法和人工智能模型，传统的计量方法比如统计回归以及多元线性回归模型、logit 回归以及因子分析等，以人工智能方法构建的风险预警模型有 BP 神经网络模型、决策树方法、支持向量机(SVM)等。对比算法的三巨头，逻辑回归、决策树和支持向量机，可以发现 LR 逻辑回归在特征空间太大时表现不太好，并且无法解决非线性的问题，而决策树在切分特征空间时非常容易过拟合因为它只是采用二元的切分方法，极易生成一个完美拟合训练的模型但实际表现却并不准确。而对于 SVM 模型可以处理非线性的特征向量，它可以通过核函数处理传统线性回归方程无法解决的问题更好的反应特征空间，由于本文研究内容特征空间和观测样本数量都很大，因此 SVM 的模型拟合效果应当更好。而对于两种人工智能模型，BP 神经网络和 SVM 支持向量机模型，SVM 在学习能力和模型的泛化性能方面更具有优势，而 BP 神经网络模型只能在局部产生最优解。
XGBOOST 作为一种集成学习方法，对于在研究个人信贷违约预测以及贷款风险识别中都有很好的表现，尤其是针对分类以及回归问题，XGBOOST相比于其他机器学习模型的优点在于，他不仅仅可以预测并拟合模型，还能找到影响分类模型的关键性因素，以及各个指标的重要程度，作为随机森林方法的延伸方法，不论是作为 GBDT(Gradient Boosting Decision Tree)还是作为 XGBOOST 的方法都能够进行指标重要性的检测，XGBOOST 方法相对尽管复杂但是会使得预测值更加接近真实值。
..........................
2.2 基于 SVM 模型的平台风险识别
支持向量机（SVM）作为一种二分类模型目的是对样本按照样本分类差异最大化进行分割，如图所示如果特征向量只有两个维度那么 SVM 的目的就是最大程度的区分平面中两种类型的点，而可以划分不同特征点的直线有无数条，要从无数条中找出平面中所有点到直线的几何距离之和最小的直线，而对于多维度的特征空间，目的就是要找到一个平面对多维度空间中的点进行划分，也就是能够使得空间中的点到平面几何距离之后达到最小值，无论是多维度还是二维变量分割的原则都是使得分类的样本特征更加明显，如下公式所描述。
.........................
第 3 章 P2P 平台转型预测指标体系构建 ................. 21
3.1 数据指标体系选取 .................................... 21
3.1.1 数据来源 ..................... 21
3.1.2 数据处理 ...................................... 21
3.2 模型指标项确立 ........................ 22
第 4 章 基于 XGBOOST 的 P2P 转型影响因素研究 ................. 32
4.1 因子分析指标处理 ............................ 32
4.1.1 信度与效度检验................................. 32
4.1.2 提取因子 ........................... 32
第 5 章 基于支持向量机的 P2P 平台转型预测研究 ........................... 41
5.1 基于 SVM 支持向量机模型的分析 ....................... 41
5.2 模型性能检测与对比 .............................. 42
第 5 章 基于支持向量机的 P2P 平台转型预测研究
5.1 基于 SVM 支持向量机模型的分析
上一节中已经找到退出分、预期利率、平台的运营数据、经营异常情况、提现分、管理费、变更记录、是否支持自动投标、是否有 VIP 年费、是否支持债权自动转让、有无失信人、是否加入监管协会、成立期限、服务分、以及平台的实力背景、体验分、站岗分和注册资本都是影响平台能否顺利转型成功的关键因素。根据上一节中筛选出的 28 项指标，即 28 项影响 P2P 平台转型的因素，本节利用上文的结论建立 SVM 模型，构建出一个预测平台能否转型成功的机器学习模型并加以验证。本节利用 python3 安装程序中的jupyter notebook 进行编程，利用 sklearn 中的
