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</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)上競拍的設(shè)立與競標(biāo)過程中，人們總是面臨艱難的戰(zhàn)略決策。在本項研究中，將介紹基于P2P貸款拍賣網(wǎng)站Prosper.com，幫助貸款人與借款人規(guī)范決策過程的模型——借款人決策建議模型（Borrower Decision Aid）。在網(wǎng)上競拍提供了中大量現(xiàn)實生活中的競價數(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是第一個基于網(wǎng)上逆向拍賣的P2P借貸市場。在這個市場上，人們提出申請貸款，稱為清單，然后其他人就這些清單進行出價。獲勝的投標(biāo)

5、者獲得的提供貸款資金的機會，而利率由拍賣決定——競爭越激烈，利率就越低。換句話說，這種方式越過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，一項貸款有多投標(biāo)者（貸款人），因為大多數(shù)貸款人提供給每筆貸款50到200美元。貸款人通過提供小額資金給多個貸款項目的方式來分散風(fēng)險。Prosper.com于2006年2月公開上線，至今已經(jīng)促成超過1.5億美元的貸款。</p><p>　　在本項研究中，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)上競拍的過程中，借款人需要做出一些重要的戰(zhàn)略決策，進而決定其是否能夠獲得提供貸款。本項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)討論過競拍過程中的決策建議，例如[1,8,15,16,23,25]，但是他們的研究角度與本文不同。</p><p>　　本項研究具有顯著的現(xiàn)實意義。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最終利率的框架。借款人決策建議(BDA)將使借款人能夠評價并量化其戰(zhàn)略決策。在Prosper.com僅提供貸款啟動率的簡略信息，而且沒有貸款規(guī)模的相關(guān)建議的現(xiàn)狀下，BDA將帶來顯著的實際改善。</p><p>　　本項研究不僅具有實際作用，也帶來理論上的突破，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網(wǎng)站。</p><p><b>

8、;　　研究目標(biāo)</b></p><p>　　本項研究旨在開發(fā)一種針對借款人的決策輔助工具，幫助借款人評估與量化戰(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>　　確定影響競拍結(jié)果的重要的借款人決策變量</p><p>　　建立制定一個框架和方法來比較不

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

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

11、遍的研究數(shù)據(jù)。借款人的戰(zhàn)略決策過程主要通過多元統(tǒng)計分析，尤其是普通最小二乘回歸和Logistic回歸分析。BDA本身可以運用為一個網(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)文獻綜述。第三章為本項研究中所使用的數(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>　　文獻綜述</b></p><p>　　前人有許多關(guān)于拍賣的文獻與研究。一些具有開創(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用到競

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

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

15、14]研究發(fā)現(xiàn)：</p><p>　　借款人的戰(zhàn)略決策過程</p><p>　　本章節(jié)從引入研究所用數(shù)據(jù)開始，包括從借款人角度介紹Prosper.com網(wǎng)站的運營。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，以擴大小企業(yè)。距離結(jié)束還有37個小時的時候，貸款就已經(jīng)全部籌集了。該項目的起始利率為25.96%，但現(xiàn)已降到13%。借款人的信用評級為C，同時他被認證擁有房產(chǎn)，同時他的借款與收入的比率為39%。貸款清單包括一個簡短的描述，如借款人解釋貸款的用途。另外還可能有來自借款人的家人與朋友的照片與背書。</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個貸款清單，包括已經(jīng)結(jié)束的貸款項目，之中26251個項目（8.4%）獲得了貸款。樣本數(shù)據(jù)首先導(dǎo)入MS Access，然后進行進一步的分析。</p><p>　　根據(jù)貸款報告，每一個注冊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、信用評級、債務(wù)收入比率、期限、經(jīng)費選項、從屬關(guān)系、起

18、始日和截止日。另外還有一些統(tǒng)計信息可參考。信用相關(guān)信息來自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密切相關(guān)，其信用評級均由

19、Experian Scorex Plus (SM)系統(tǒng)計算所有的貸款信息來提供（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的，所有有可能是不準(zhǔn)確的。</p><p>　　借款人的貸款拍賣時間有四個選擇：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，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，否則拍賣時間將持續(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”、“過期”、“撤回”和“0”即“取消”。借款人撤回貸款申請的原因難以獲得，但是撤回數(shù)量高30%。因此，我們不能排除撤回的貸款申請。由觀察得出，絕大多數(shù)貸款申請撤回

21、是因為沒有感興趣的投標(biāo)者，因為僅有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，也不愿申請到期。Prosper.com總共有140265個借款人，其中高達在67,297人（48%）有多個貸款項目，因為大多數(shù)人的第一個貸款申請并沒有成功。其中77 ％的借款者至少完成了一個成功貸款，這就進一步強求了借款人戰(zhàn)略決策輔助工具的重要性。</p><p>　　本項研究中，信用評級AA-HR轉(zhuǎn)化為1和

22、7之間的數(shù)值。資金選擇設(shè)置為一個虛擬變量：使“貸款開放”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)。在測試中，一些變量因為是小樣本而被剔除，剩下的一些變量因為借款人在短期內(nèi)無法改變或有類似而被剔除。</p><p>　　

23、總的來說，變量之間的相關(guān)性相對較小。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于信用評級是非常敏感的。比如15%的起始利率將保證信用評級為AA級的借款人貸款成功，同樣的起始利率對于信用評級為HR的借款人就可能太低了。因此，在同一時間，完整數(shù)據(jù)集的相關(guān)性要比檢查單一信用評級更低。起始利率，即“貸款的價格”對市場利率和風(fēng)險溢價是非常敏感的。所以我們運用了

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。此外，最近的信貸危機使得風(fēng)險溢價大幅增加，相關(guān)性會更高。如果數(shù)據(jù)的時間較短，市場將將與所有的貸款項目相同，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，因為信用評級較低的借款人無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、性要比融資選項與貸款時間之間的更高。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會。（注意：Prosper.com拍賣機制使較高的利率對借款人不利但對投標(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“開放時間”輸入為1時，借款人貸款成功率較高，因為這意味著招標(biāo)時間更較長。</p><p>　　關(guān)于信用評級，違約變量具有第二高的相關(guān)性。當(dāng)前違約率似乎對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)兩個不同的信用評級的：A和D，并顯示了兩者之間的區(qū)別?，F(xiàn)在“貸款規(guī)模”與“起始利率”相對較高，“融資選項”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)包括了信用評級的信息，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”似乎是有問題的信貸</p><p>　　評級A不相關(guān)，而信用評級D卻相反地呈負相關(guān)關(guān)系。這是反直覺的。擁有房產(chǎn)似乎對借款人貸款成功產(chǎn)生負面影響。因為該變量的檢驗結(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

28、級A中呈較小的正相關(guān)，而在信用評級D呈負相關(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，其財務(wù)管理比信用評級D的更好?！笆杖搿弊兞康南嚓P(guān)性比較，也許是因為收入是由自己上報的及其不準(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)?！?，“信用評級”，“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)，我們將運用Logistic回歸模型和查詢方法構(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)計劃貸款項目的參數(shù)和借款人的貸款信息，對貸款成功率進行估算。因為正常的回歸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回歸運用到研究中，來檢驗起始利率是如何影響拍賣成功率的。logistic回歸是根據(jù)以下描述logistic概率函數(shù)（例如，見[21]）。</p><p>　　其中f（z）表示貸款成功率，獨立變量定義如下：</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回歸是分開計算信用評級的，以匹配更精確的結(jié)果。其原因是不同信用評級的借款人表現(xiàn)區(qū)別很大，如表2所示。另一個原因是，該信用評級本身是決定貸款成功與否的一個重要因素。將它作為變量添加到模型非常困難的，因為它是無間隔的序數(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)模”、“債務(wù)收入比率”或“當(dāng)前違約率”的增加都會導(dǎo)致貸款成功率的降低。所有的自變量在統(tǒng)計上是顯著的。Logistic回歸模型沒有相應(yīng)系數(shù)來確定R2，我們用McFadden's Pseudo-R2來替代。</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)?！?，再依次是“起始利率”、“債務(wù)收入比率”和“當(dāng)前違約率”，Pseudo-R2增大到0

33、.208，但額外增加的獨立變量并不能使模型更有意義。接下來，我們將運用查詢方法驗證模型。</p><p><b>　　查詢方法 </b></p><p>　　查詢方法是是一種運用直觀數(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)庫將檢索參數(shù)價值在一定范圍內(nèi)（+/-25％）的相似的貸款項目。這確保了查詢結(jié)果將給出足夠數(shù)量的相似貸款項目?！爱?dāng)前違約率”被設(shè)置為一個虛擬變

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

35、所有的方法使用了6個月的數(shù)據(jù)，然而如果相似貸款項目低于20個時，用于查詢方法的數(shù)據(jù)樣本應(yīng)該拓展到12個月。當(dāng)數(shù)據(jù)樣本拓展到12個月時，BDA的用戶自然而然會提高警惕。</p><p><b>　　最終利率的回歸</b></p><p>　　貸款項目的最終利率是通過一般回歸模型估計得出的。表5中的回歸變量之間的相關(guān)性基于信用評級A的項目?！白罱K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)?！敝g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。模型也有多重共線性的風(fēng)險，因為自變量“起始利率”和“貸款規(guī)?！敝g的相關(guān)性為0.55。然而這兩個變量對模型至關(guān)重要，所以并沒有剔除。</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”。因為“最終利率”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級，如表6。通過t檢驗，每個回歸系數(shù)分別呈現(xiàn)出對應(yīng)的p值。幾乎所有的變量呈現(xiàn)5%的顯著性水平，但有兩個例外：在信用評級C下的“貸款規(guī)?！迸c信用評級HR下的“債務(wù)收入比率”。</p><p>　　R2在0.5和0.7之間，且觀測值的數(shù)量均勻分布在各個信用評級。因為這里僅使用了已完成的貸款項目，所以觀測值的數(shù)量遠遠小于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，隨著信用評級變差，最終利率迅速提高。整個回歸模型預(yù)測最終利率的結(jié)果是合理的?？v觀相關(guān)的殘差圖，當(dāng)一些變量運用異方差檢驗時，存在不平等的變動（增加）方差，尤其是普遍價值范圍之外的。但是，因為我們沒有計算BDA的預(yù)測區(qū)間（點估計仍然是無偏的），所以這似乎不太嚴(yán)重。</p>

39、<p>　　查詢方法和Logistic回歸方法的比較</p><p>　　關(guān)于查詢方法和Logistic回歸方法之間簡單的交叉驗證，我們繪制了圖3和圖4。圖3中，BDA基于以下貸款項目運行：信用評級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，這兩個方法給出了類似的結(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，其實際上很可能接近于零。對于更高的起始利率（高于17%），實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)?！睆?000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，查詢方法有一定的波動。這僅僅是一個橫截面的數(shù)據(jù)，然而，總的來說，兩種方法應(yīng)該產(chǎn)生類似的結(jié)果。</p><p><b>　　借款人決策建議網(wǎng)站</b></p><p>　　BDA已經(jīng)被運用為一個網(wǎng)站。當(dāng)借款人進入網(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、款項目參數(shù)和查詢方法的標(biāo)準(zhǔn)。然后借款人可以看見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。在這個例子中，估計最終利率為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的結(jié)果。首先，我們可以看到查詢方法的搜索標(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。最后的分析是查詢方法。搜索標(biāo)準(zhǔn)在結(jié)果狂的最開始顯示。在這種情況下，總共有51個相似的貸款項目，其中24個獲得了資助。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個相似項目將被列出，借款人可以手動查看這些項目信息。</p><p><b>　　結(jié)論</b></p>

45、<p>　　本研究的主要目的是建立一個決策支持工具，幫助在P2P反向拍賣的貸款環(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)動的查詢方法。該工具使借款人在定量的作出評估和戰(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，正如以前的文獻的建議。為了獲得較低的最終利率，借款人必須選擇一個較低的起始利率。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

46、考慮這兩個因素并作出權(quán)衡。借款人決策建議（BDA）通過估算的成功率量化了這一決策并估算了最終利率。此外，借款人可以通過改變貸款規(guī)模，微調(diào)最終利率和貸款成功率。通過設(shè)置一個較小的貸款規(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滿意的起始利率，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可以擴大到其他有充足數(shù)據(jù)的網(wǎng)上拍賣。拍賣不必是多單元，但成功率是相通的，例如，使用秘密保留價格機制的拍賣（例如eBay）。最終利率的估算自然就可以更廣泛運用。對最終價格的可靠估算對于任何拍賣機制下的賣家都是有利的。數(shù)據(jù)的可用性可能是BDA運用過程中最大的約束。</p><p>　　拍賣網(wǎng)站的好處之一是可以訪問其原始資料，這些拍賣數(shù)據(jù)為提