本發(fā)明涉及多屬性決策領(lǐng)域，特別涉及一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法。

背景技術(shù)：

P2P網(wǎng)絡(luò)借貸(peer-to-peer lending)是近年來(lái)新興的個(gè)人對(duì)個(gè)人的直接信貸模式。我國(guó)第一家P2P網(wǎng)絡(luò)借貸平臺(tái)成立于2007年，隨后便呈現(xiàn)出爆發(fā)式增長(zhǎng)趨勢(shì)。根據(jù)第一網(wǎng)絡(luò)借貸數(shù)據(jù)顯示，截止2015年12月，我國(guó)P2P網(wǎng)絡(luò)借貸平臺(tái)總數(shù)達(dá)到4948家，總成交金額達(dá)11805.65億，貸款余額5582.2億。

P2P網(wǎng)絡(luò)借貸的運(yùn)營(yíng)對(duì)經(jīng)濟(jì)運(yùn)行和投資決策產(chǎn)生了重要影響，如何科學(xué)地評(píng)估P2P網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展?jié)摿Τ蔀橐粋€(gè)重要的現(xiàn)實(shí)課題，目前關(guān)于P2P網(wǎng)絡(luò)借貸研究大多停留在定性分析層面，科學(xué)且客觀(guān)的定量分析文獻(xiàn)相對(duì)較少,對(duì)于P2P網(wǎng)絡(luò)借貸平臺(tái)評(píng)估的研究卻較為缺乏，難以為中小投資者提供投資決策參考。并且，這些研究普遍存在方法簡(jiǎn)單且定性、權(quán)重主觀(guān)和非數(shù)據(jù)驅(qū)動(dòng)等不足，難以給出科學(xué)、客觀(guān)且合理地效率評(píng)估，甚至?xí)?dǎo)致?tīng)?zhēng)議的出現(xiàn)(如2015年出現(xiàn)短融網(wǎng)狀告融360的網(wǎng)絡(luò)借貸評(píng)級(jí)糾紛)。

TOPSIS法(technique for Order Preference by Similarity to Ideal Solution,逼近理想點(diǎn))是由Huang等提出的一種有限方案多目標(biāo)決策與評(píng)估方法，該方法具有簡(jiǎn)便、靈活、易用等優(yōu)點(diǎn)。

指標(biāo)賦權(quán)是應(yīng)用TOPSIS法進(jìn)行評(píng)估的重要環(huán)節(jié)，目前常用的方法包括:專(zhuān)家評(píng)估法、AHP等主觀(guān)賦權(quán)法和熵值法、組合賦權(quán)等客觀(guān)賦權(quán)法，這些方法盡管具有方便、簡(jiǎn)單等優(yōu)勢(shì)，但其科學(xué)性、客觀(guān)性和合理性仍然缺乏堅(jiān)實(shí)的理論基礎(chǔ)。

更進(jìn)一步，P2P網(wǎng)絡(luò)借貸行業(yè)積累了一定的運(yùn)營(yíng)數(shù)據(jù)，這些運(yùn)營(yíng)數(shù)據(jù)隱含了指標(biāo)重要程度等關(guān)鍵信息，如何結(jié)合原始數(shù)據(jù)提取數(shù)據(jù)內(nèi)在的隱含信息進(jìn)行數(shù)據(jù)驅(qū)動(dòng)賦權(quán)，目前關(guān)于這方面的模型和算法研究也相對(duì)較少。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明是為了解決上述問(wèn)題而進(jìn)行的，目的在于提供一種客觀(guān)、科學(xué)和實(shí)用的P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法。

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，具有這樣的特征，包括以下步驟：

步驟A，建立數(shù)據(jù)驅(qū)動(dòng)賦權(quán)的改進(jìn)TOPSIS方法的非線(xiàn)性數(shù)學(xué)規(guī)劃模型；

步驟B，利用智能優(yōu)化算法求解非線(xiàn)性數(shù)學(xué)規(guī)劃模型，得到TOPSIS方法的最優(yōu)權(quán)重以及

步驟C，利用數(shù)據(jù)爬蟲(chóng)抓取的P2P網(wǎng)絡(luò)借貸平臺(tái)的運(yùn)營(yíng)數(shù)據(jù)，使用智能優(yōu)化算法求解得到最優(yōu)權(quán)重建立P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的TOPSIS評(píng)估模型。

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，還具有這樣的特征：其中，步驟A，包括以下步驟：

步驟A-1，確定評(píng)估對(duì)象A_i(i＝1,2,…,m)的評(píng)估值為X_i＝(x_i1,x_i2,…,x_in)；

步驟A-2，定義評(píng)估對(duì)象A_i和A_k的相似性

其中||X_i-X_k||代表X_i和X_k之間的歐氏距離；

步驟A-3，確定權(quán)重為ω＝(ω₁,ω₂,…,ω_n)時(shí)，評(píng)估對(duì)象A_i和A_k的評(píng)估結(jié)果的距離f_ik(ω)定義為：

以及

步驟A-4，確定最優(yōu)權(quán)重為

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，還具有這樣的特征：其中，步驟B，包括以下步驟：

步驟B-1，定義罰函數(shù)和權(quán)重-學(xué)生映射分別為：

其中，罰因子λ的取值范圍為[10,20]；

步驟B-2，初始化：設(shè)N個(gè)學(xué)生S和教師T組成一個(gè)班級(jí)，學(xué)生成績(jī)?yōu)檫m應(yīng)度值F(S)，教師為具有最優(yōu)成績(jī)的學(xué)生個(gè)體，即：

步驟B-3，教學(xué)階段：教師通過(guò)教學(xué)使得學(xué)生的成績(jī)接近平均成績(jī)，學(xué)生則通過(guò)向教師和平均成績(jī)學(xué)習(xí)來(lái)改進(jìn)自己的學(xué)習(xí)成績(jī)：

其中，TF∈{1,2}為教學(xué)因子，T為教師，S_M為平均成績(jī)，r₁為[0，1]的隨機(jī)數(shù)，

教師完成教學(xué)后，根據(jù)學(xué)生是否進(jìn)步，從而更新學(xué)生的成績(jī)：

以及

步驟B-4，學(xué)習(xí)階段：在學(xué)習(xí)階段，學(xué)生之間通過(guò)互相交流學(xué)習(xí)，差的學(xué)生向優(yōu)秀學(xué)生學(xué)習(xí)從而提高自身的學(xué)習(xí)成績(jī)：

其中，S_i,S_j,i≠j為隨機(jī)選擇的兩個(gè)學(xué)生，r₂為[0，1]上的隨機(jī)數(shù)，

學(xué)生相互交流學(xué)習(xí)后，根據(jù)學(xué)生是否進(jìn)步，從而更新學(xué)生的成績(jī)：

步驟B-5，判斷是否終止迭代：根據(jù)終止條件判斷是否達(dá)到足夠精度或達(dá)到最大迭代次數(shù)，如果是則停止迭代，輸出教師T為最優(yōu)解，否則轉(zhuǎn)入(2.3)-(2.4)繼續(xù)迭代；以及

步驟B-6，輸出最優(yōu)教師T為步驟C的最優(yōu)權(quán)重

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，還具有這樣的特征：其中，步驟C，包括以下步驟：

步驟C-1，計(jì)算評(píng)估指標(biāo)和數(shù)據(jù)標(biāo)準(zhǔn)化：假定評(píng)估對(duì)象集A_i(i＝1,2,…,m)在指標(biāo)S_j(j＝1,2,…,n)上的評(píng)估值為a_ij,指標(biāo)矩陣為A＝(a_ij)_m×n，為便于統(tǒng)一不同評(píng)估指標(biāo)的量綱并比較大小，采用線(xiàn)性變換對(duì)指標(biāo)矩陣進(jìn)行標(biāo)準(zhǔn)化處理：

步驟C-2，確定理想解和負(fù)理想解：記評(píng)估對(duì)象集A_i在指標(biāo)S_j的最優(yōu)值和最差值分別為：

則理想解A⁺和負(fù)理想解A^-分別為：

步驟C-3，計(jì)算貼近度：評(píng)估對(duì)象A_i的貼近度C_i定義為：

其中,ω_j代表指標(biāo)S_j的權(quán)重,分別表示評(píng)估對(duì)象A_i與理想解A⁺和負(fù)理想解A^-的加權(quán)歐氏距離,C_i衡量了評(píng)估對(duì)象偏離負(fù)理想解的程度,C_i的值越大,評(píng)估結(jié)果越優(yōu)。

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，還具有這樣的特征：其中，最優(yōu)權(quán)重滿(mǎn)足：評(píng)估指標(biāo)相似性越高，評(píng)估結(jié)果相似性也越高，評(píng)估結(jié)果的距離也越小，也就是說(shuō)評(píng)估對(duì)象A_i和A_k的相似性越高，評(píng)估結(jié)果的距離f_ik(ω)也越小，因而,所有評(píng)估對(duì)象的相似性與距離的乘積之和也越小，亦即，最優(yōu)權(quán)重ω^*是如下非線(xiàn)性數(shù)學(xué)規(guī)劃模型的最優(yōu)解：

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，還具有這樣的特征：其中，C_i用于評(píng)估P2P網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展指數(shù)。

本發(fā)明提供的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，還具有這樣的特征：其中，所述智能優(yōu)化算法為教與學(xué)優(yōu)化算法。

發(fā)明作用和效果

根據(jù)本發(fā)明所涉及一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，提出一種從原始的客觀(guān)數(shù)據(jù)出發(fā),直接使用評(píng)估指標(biāo)矩陣確定權(quán)重的數(shù)據(jù)驅(qū)動(dòng)賦權(quán)方法，能夠解決傳統(tǒng)賦權(quán)方法的主觀(guān)性、不一致性等問(wèn)題，增強(qiáng)權(quán)重的科學(xué)性和客觀(guān)性；提出了以評(píng)估結(jié)果之間的距離最小化為目標(biāo)，建立了數(shù)據(jù)驅(qū)動(dòng)的非線(xiàn)性規(guī)劃模型，改進(jìn)TOPSIS法能夠科學(xué)、合理且客觀(guān)進(jìn)行評(píng)估，能夠解決當(dāng)前對(duì)待評(píng)價(jià)對(duì)象進(jìn)行客觀(guān)量化評(píng)估的迫切要求；能夠?yàn)镻2P網(wǎng)絡(luò)借貸平臺(tái)評(píng)估提供一個(gè)客觀(guān)、科學(xué)和實(shí)用的評(píng)估方法，有助于提升P2P網(wǎng)絡(luò)借貸的運(yùn)營(yíng)管理和投資決策效率。

附圖說(shuō)明

圖1是本發(fā)明在實(shí)施例中的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法的流程圖。

具體實(shí)施方式

以下參照附圖及實(shí)施例對(duì)本發(fā)明所涉及的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法作詳細(xì)的描述。

圖1是本發(fā)明在實(shí)施例中的一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法的流程圖。

如圖1所示，一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法具有以下步驟：

步驟A：建立數(shù)據(jù)驅(qū)動(dòng)賦權(quán)的改進(jìn)TOPSIS方法的非線(xiàn)性數(shù)學(xué)規(guī)劃模型，進(jìn)入步驟B。

步驟A包含有以下步驟：

步驟A-1：確定評(píng)估對(duì)象A_i(i＝1,2,…,m)的(標(biāo)準(zhǔn)化)評(píng)估值為X_i＝(x_i1,x_i2,…,x_in)，進(jìn)入步驟A-2。

步驟A-2：定義評(píng)估對(duì)象A_i和A_k的相似性

其中||X_i-X_k||代表X_i和X_k之間的歐氏距離，進(jìn)入步驟步驟A-3。

步驟A-3：確定權(quán)重為ω＝(ω₁,ω₂,…,ω_n)時(shí)，評(píng)估對(duì)象A_i和A_k的評(píng)估結(jié)果的距離f_ik(ω)定義為：

進(jìn)入步驟A-4。

步驟A-4：確定最優(yōu)權(quán)重為應(yīng)滿(mǎn)足：評(píng)估指標(biāo)相似性越高，評(píng)估結(jié)果相似性也越高，評(píng)估結(jié)果的距離也越小，也就是說(shuō)評(píng)估對(duì)象A_i和A_k的相似性越高，評(píng)估結(jié)果的距離f_ik(ω)也越小，因而,所有評(píng)估對(duì)象的相似性與距離的乘積之和也越小，亦即，最優(yōu)權(quán)重ω^*是如下非線(xiàn)性數(shù)學(xué)規(guī)劃模型的最優(yōu)解：

步驟B：利用智能優(yōu)化算法TLBO(teaching-learning-based-optimization,教與學(xué)優(yōu)化)求解所述非線(xiàn)性數(shù)學(xué)規(guī)劃模型(參見(jiàn)公式(3))，得到所述TOPSIS方法的最優(yōu)權(quán)重進(jìn)入步驟C。

步驟B包含以下步驟：

步驟B-1：定義罰函數(shù)和權(quán)重-學(xué)生映射分別為：

其中，罰因子λ的取值范圍為[10,20]，進(jìn)入步驟B-2。

步驟B-2：初始化：設(shè)N個(gè)學(xué)生S和教師T組成一個(gè)班級(jí)，學(xué)生成績(jī)?yōu)檫m應(yīng)度值F(S)，教師為具有最優(yōu)成績(jī)的學(xué)生個(gè)體，即：

進(jìn)入步驟B-3。

步驟B-3：教學(xué)階段：教師通過(guò)教學(xué)使得學(xué)生的成績(jī)接近平均成績(jī)，學(xué)生則通過(guò)向教師和平均成績(jī)學(xué)習(xí)來(lái)改進(jìn)自己的學(xué)習(xí)成績(jī)：

其中，TF∈{1,2}為教學(xué)因子，T為教師，S_M為平均成績(jī)，r₁為[0，1]的隨機(jī)數(shù)，

教師完成教學(xué)后，根據(jù)學(xué)生是否進(jìn)步，從而更新學(xué)生的成績(jī)：

進(jìn)入步驟B-4。

步驟B-4：學(xué)習(xí)階段：在學(xué)習(xí)階段，學(xué)生之間通過(guò)互相交流學(xué)習(xí)，差的學(xué)生向優(yōu)秀學(xué)生學(xué)習(xí)從而提高自身的學(xué)習(xí)成績(jī)：

其中，S_i,S_j,i≠j為隨機(jī)選擇的兩個(gè)學(xué)生，r₂為[0，1]上的隨機(jī)數(shù)，

學(xué)生相互交流學(xué)習(xí)后，根據(jù)學(xué)生是否進(jìn)步，從而更新學(xué)生的成績(jī)：

進(jìn)入步驟B-5。

步驟B-5：判斷是否終止迭代：根據(jù)終止條件判斷是否達(dá)到足夠精度或達(dá)到最大迭代次數(shù)，如果是則停止迭代，輸出教師T為最優(yōu)解，否則轉(zhuǎn)入(2.3)-(2.4)繼續(xù)迭代，進(jìn)入步驟B-6。

步驟B-6：輸出最優(yōu)教師T為步驟C的最優(yōu)權(quán)重

步驟C：利用數(shù)據(jù)爬蟲(chóng)抓取的P2P網(wǎng)絡(luò)借貸平臺(tái)的運(yùn)營(yíng)數(shù)據(jù)，使用所述智能優(yōu)化算法求解得到最優(yōu)權(quán)重建立P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的TOPSIS評(píng)估模型。

所述步驟C包含以下步驟：

步驟C-1：計(jì)算評(píng)估指標(biāo)和數(shù)據(jù)標(biāo)準(zhǔn)化：假定評(píng)估對(duì)象集A_i(i＝1,2,…,m)在指標(biāo)S_j(j＝1,2,…,n)上的評(píng)估值為a_ij,指標(biāo)矩陣為A＝(a_ij)_m×n，為便于統(tǒng)一不同評(píng)估指標(biāo)的量綱并比較大小，采用線(xiàn)性變換對(duì)指標(biāo)矩陣進(jìn)行標(biāo)準(zhǔn)化處理：

進(jìn)入步驟C-2。

步驟C-2：確定理想解和負(fù)理想解：記評(píng)估對(duì)象集A_i在指標(biāo)S_j的最優(yōu)值和最差值分別為：

則理想解A⁺和負(fù)理想解A^-分別為：

進(jìn)入步驟C-3。

步驟C-3：計(jì)算貼近度：評(píng)估對(duì)象A_i的貼近度C_i定義為：

其中,ω_j代表指標(biāo)S_j的權(quán)重,分別表示評(píng)估對(duì)象A_i與理想解A⁺和負(fù)理想解A^-的加權(quán)歐氏距離,C_i衡量了評(píng)估對(duì)象偏離負(fù)理想解的程度,C_i的值越大,評(píng)估結(jié)果越優(yōu)。

貼近度C_i用于評(píng)估P2P網(wǎng)絡(luò)借貸平臺(tái)的發(fā)展指數(shù)。

下面通過(guò)具體實(shí)施例來(lái)進(jìn)一步說(shuō)明。

從網(wǎng)貸之家抓取2016年10月份的10個(gè)P2P網(wǎng)絡(luò)借貸平臺(tái)評(píng)估數(shù)據(jù)，其中評(píng)估對(duì)象為平臺(tái)1-平臺(tái)10，評(píng)估屬性為成交積分、人氣積分、技術(shù)積分、杠桿積分、流動(dòng)性積分、分散度、透明度、品牌、合規(guī)性。

表1網(wǎng)貸之家10家P2P網(wǎng)貸平臺(tái)的運(yùn)營(yíng)數(shù)據(jù)(2016年10月)

(1)對(duì)上述20家P2P網(wǎng)絡(luò)借貸平臺(tái)的運(yùn)營(yíng)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化得到X：

(2)計(jì)算相似性矩陣

(3)按照公式(4)建立最優(yōu)權(quán)重應(yīng)滿(mǎn)足的數(shù)學(xué)模型；

(4)按照公式(5)-(10)編制計(jì)算機(jī)程序，共迭代1000次運(yùn)算后，求解得到最優(yōu)權(quán)重ω^*：

(5)按照公式(11)-(13)編制程序計(jì)算10家網(wǎng)貸平臺(tái)的評(píng)估結(jié)果：

C就是各個(gè)P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估結(jié)果，C的值越大，表明對(duì)應(yīng)網(wǎng)貸平臺(tái)的發(fā)展指數(shù)越高，也就是該平臺(tái)的發(fā)展?jié)摿υ胶谩?/p>

實(shí)施例的作用與效果

根據(jù)本實(shí)施例所涉及一種P2P網(wǎng)絡(luò)借貸平臺(tái)發(fā)展指數(shù)的評(píng)估方法，提出一種從原始的客觀(guān)數(shù)據(jù)出發(fā),直接使用評(píng)估指標(biāo)矩陣確定權(quán)重的數(shù)據(jù)驅(qū)動(dòng)賦權(quán)方法，能夠解決傳統(tǒng)賦權(quán)方法的主觀(guān)性、不一致性等問(wèn)題，增強(qiáng)權(quán)重的科學(xué)性和客觀(guān)性；提出了以評(píng)估結(jié)果之間的距離最小化為目標(biāo)，建立了數(shù)據(jù)驅(qū)動(dòng)的非線(xiàn)性規(guī)劃模型，改進(jìn)TOPSIS法能夠科學(xué)、合理且客觀(guān)進(jìn)行評(píng)估，能夠解決當(dāng)前對(duì)待評(píng)價(jià)對(duì)象進(jìn)行客觀(guān)量化評(píng)估的迫切要求；能夠?yàn)镻2P網(wǎng)絡(luò)借貸平臺(tái)評(píng)估提供一個(gè)客觀(guān)、科學(xué)和實(shí)用的評(píng)估方法，有助于提升P2P網(wǎng)絡(luò)借貸的運(yùn)營(yíng)管理和投資決策效率。

上述實(shí)施方式為本發(fā)明的優(yōu)選案例，并不用來(lái)限制本發(fā)明的保護(hù)范圍。