在P2P市场中代替“看不见的手”的算法在哪里

◆ ◆ ◆

本文简单探讨P2P市场机制，在此基础上探讨匹配撮合服务的可能性。

◆ ◆ ◆

P2P市场机制基本定义与假设

首先，我们回顾一些基本定义与假设。P2P市场为“网络借贷是指个体和个体之间通过互联网平台实现的直接借贷。”[2]利率决定一般是平台决定借款利率或者贷款人自主决定，这里我们假设是贷款人自主决定。网络借贷信息中介机构“以互联网为主要渠道，为借款人与出借人(即贷款人)实现直接借贷提供信息搜集、信息公布、资信评估、信息交互、借贷撮合等服务。”[2]作用是降低信息不对称，减少成本。另外，也假设不存在增信与担保等外部因素影响借款人贷款人行为。当然“禁止向出借人提供担保或者承诺保本保息”[2]，“不得提供增信服务”[2]也是监管要求。

网络借贷信息中介机构提供的信息平台在此充当了P2P市场。我们可以认为这是一个信息不完全、充分竞争的市场。每位借款人或贷款人，都了解自己主观预期，并观察市场，参与市场竞争并修正自己的偏好以及预期，最终达到市场出清。利率在其中起到价格信号作用。市场一如既往的起到“看不见的手”的作用，每个人不用去了解其他人的主观预期。

◆ ◆ ◆

现有网络借贷信息中介机构存在的问题？

但不论借款人还是贷款人都必须承担未来不确定性风险。“决策者面对的不确定性划分为两类：环境不确定性和行为不确定性。”[1]其中环境不确定性风险是双方都要承受，并且要决定利率对自己是否符合自己风险预期。在去中介的P2P市场，对于借款人，在信息中介机构提供的信息基础上，如风险等级评定等，独立决定该利率是否与承担的贷款人行为不确定性风险相一致。

正如哈耶克所说“每个人对他直接的生活方式和前途负责，这是市场加给我们的负担，也是市场经济能够成功的原因”。在没有金融中介的借贷市场更是如此。

让借款人都成为信用风险专家，让贷款人都成为融资规划专家，其实是有悖于社会化分工的也是有悖于互联网模式强调简洁易用。接下来，我们来探讨下在P2P市场匹配撮合算法的优势与可行性。

◆ ◆ ◆

P2P市场匹配撮合算法的优势与可行性

最简单的模式，分析借款人风险承受与偏好等级，分析贷款人风险等级，相互匹配，效果可想而知，并不能如意。金融产品标准化的过程，就是希望能让买卖双方根据不同的风险偏好和预期收益选择，如此极大的增加了市场的流动性，但也忽略了不同贷款项目内容的差异性以及其他相关外部性。如果我们用张五常教授《卖桔者言》中桔子案例类比P2P市场贷款项目。杨小凯教授有段精彩的评论“如要完全消除吃桔子的外部性，一个桔子一个价，因为每个桔子味道、大小都与其它桔子略有差别。但实际上桔子顶多分三等或四等价，因为要精确定价有费用，所以市场与桔子定价的外部效果是测量费用和不精确测量造成的外部性之间的最优折衷。”

[3]但假设借助于传感器等其他手段，能够低成本的量化桔子的更多维度特征，自然我们将得到更好的匹配结果。在P2P市场，借助于金融大数据，包括市场数据，个人金融画像[4]数据等，我们是否能构建更合理的P2P匹配市场？

既然我们将P2P市场不再是标准化商品市场而是差异性匹配市场。价格不再是唯一因素，即利率不再是唯一因素。匹配才是更重要的，“匹配在经济学术语中的可以解释为，我们如何从生活中得到即是我们所选择的，同事也是选择我们的事物”[5]。按照诺贝尔获奖者稳定匹配理论与市场设计领域先驱埃尔文·罗斯的证明，如果参与者对物品的偏好是严格的，则在给定初始禀赋条件下，最终将得到稳定匹配。我们继续假设，P2P市场有足够的参与者，并且在合理的保护好参与者的安全与隐私前提下得到偏好信息。

接下来，假设我们有的数据集包括：

1) 市场数据，包括宏观以及行业数据。

2) 借款人，贷款人个人金融属性以及画像。可参考文章[4]中描述。

3) 贷款项目数据。

关于匹配模型，首先容易想到的是参考推荐系统模型，即借款人为User，贷款项目为Item，样本集为历史P2P成交记录，并且以贷款期限起始日期关联市场信息，成交记录为正样本，通过模型推测当前市场信息条件下借款人为贷款项目贷款的可能性。考虑到金融交易样本特点，一般推荐算法中基于用户的协同过滤算法或基于Item的协同过滤算法等可能不太合适。可以考虑使用逻辑回归模型以及矩阵奇异值分解(SVD)等模型。也听说有将WORD2VEC模型应用到USER-ITEM推荐,感觉对于金融交易的稀疏矩阵数据，以及需要更多主题标识匹配，深度学习模型应该更有优势。

在有充足数据以及样本条件下，通过深度学习模型预测P2P市场借款人行为应该可以得到较理想结果。但这样的匹配结果真能代替了看不见的手更好的实现公平与效率吗？借助金融大数据，当鼓励人们去授权那些他们本会保守为秘密的重要信息时，市场结果能被大幅的改进了吗？但历史交易样本不能保证每个交易都是在已有信息下理性行为，所以我们很难断言市场匹配结果被改善了。

希勒教授在其著作《新金融秩序》[6]探讨如何更好的应对、管理不确定的金融风险。书中举例：一位想成为小提琴演奏家的年轻人，为培训费贷款，但由于演奏家的收入前景不确定性太强，该梦想风险很大。如果未来小提琴家的收入低于预期时，她不用全而偿还贷款，这笔贷款可以使她更轻松地追寻梦想，因为她所承担的风险已限定在一定范围内。如果这是一笔P2P贷款，年轻的小提琴演奏家面对的环境不确定性和行为不确定性该由谁分担？也许借助于大数据以及相关算法，可以为该笔P2P贷款匹配那些有一定经济基础的音乐爱好者，他们也许乐意分担了她的风险。

金融的核心功能之一是对经济风险进行定价，从而增加流动性，促进社会资源更优化分配。在P2P市场用风险等级或风险评分标记风险，特别是对于非系统风险，即将很高维的相关数据映射到一维，很多有价值的信息丢失了。在大数据时代，允许我们更高效的处理海量数据，通过算法以更合理的方式匹配、分配、对冲风险。这将值得长期探索。