金融科技在近年來成為國際間最熱門的詞彙之一，其中又以 P2P 網際借貸 平台最為熱門。P2P 網路借貸平台是藉由「微型借貸」、「共享經濟」與「群眾 募資」結合而形成的一種新型替代性金融服務。而 P2P 網路借貸平台即是扮演雙 方的仲介角色，意味著這些過程皆不經過金融機構，也相對銀行來說需要承擔較 高的違約風險。因此本研究嘗試使用美國最大 P2P 網路借貸平台-Lending Club 之 歷史數據進行分析，並使用 RapidMiner 資料探勘平台進行建模，採用簡單貝氏、
隨機森林及邏輯斯迴歸三種演算法預測違約風險，有別於過去研究，在過程中加 入雙層交叉驗證之變數選擇及參數最佳化等，以求得更客觀之預測結果。
研究結果顯示使用雙層交叉驗證進行變數選擇及參數最佳化之模型準確率 比單層交叉驗證低，此與預期相符，使用雙層交叉驗證可以使模型不高估準確率，
擁有更客觀之預測結果。其中隨機森林的準確率為最高，達 92.66%。而各演算 法使用雙層交叉驗證變數選擇之結果不盡相同，本研究將同時出現在兩種演算法 以上之變數與目標變數進行相關性分析，從而提供以下建議，供貸款機構進行貸 款審核時之參考。
1. 本研究以 Lending Club 來看，借款人選擇較短之貸款期間(36 個月)為佳，但 同時也需注意到借款人之年收入狀況。
2. 借款人申請貸款之目的為債務整合與小型企業貸款將有高違約風險，貸款機 構在進行審核時必須多加留意。而申請目的為信用卡與房屋裝潢有較低的違 約風險，貸款機構可多放貸給該類型之借款人。
3. 當借款人曾有債務清算之紀錄，貸款違約風險相當高，建議貸款機構在進行 信用評估時，可將借款人是否有債務清算紀錄納入主要衡量標準。
4. 當借款人每月償還金額愈接近月收入時，償債能力愈低，而導致違約風險上 升，表示每月償還金額占所得比過高之借款人較不適合再提供貸款。
5. 房屋持有狀況為租賃之借款人違約風險高，表示無房屋資產之客戶須更謹慎 地審核，而持有狀況為抵押房屋貸款時，意味其已有一定的信用條件，因此 貸款違約風險較低。
6. 借款人在過去 24 個月內開太多帳戶及被查詢信用狀況次數太多，違約機率 相對較高。表示借款人在短時間內開立太多帳戶可能會有洗錢的疑慮，又或 借款人在短時間內申請貸款太多次(可能反映個人信用狀況不佳才多次遭拒 絕)，貸款機構對該類貸款者需多加留意。
7. 借款人之貸款帳戶循環使用率愈高及及循環使用餘額愈低時，皆有較高之違 約風險。表示借款人已有高度循環使用之其他貸款，可能無法再負擔多餘之 貸款，貸款機構可考慮不再放貸給該類借款人，進而降低貸款違約風險。
最後本研究使用模型準確率最高之隨機森林模型，針對 2015 及 2017 年資料 進行違約風險之模擬預測，預測準確率達 86.31%及 90.94%，其結果可提供貸款 機構在審核貸款時之參考。
參考文獻
一、 中文文獻
王志瑋（2018）。銀行業因應網路借貸發展的策略之個案研究（未出版之碩士論 文）。國立臺灣科技大學，臺北市。
王明俐（2018）。台灣P2P 網路借貸影響因素之探討（未出版之碩士論文）。淡江 大學，新北市。
梅驊（2016）。全球 P2P 網路借貸現況與台灣發展趨勢探討（未出版之碩士論 文）。國立臺灣科技大學，臺北市。
曾俐雯（2017）。P2P lending 貸款特性對違約機率之影響─以 Zopa 為例（未出 版之碩士論文）。國立臺灣大學，臺北市。
趙毓馨（2015）。群眾募資法制之研究- 以 P2P 借貸及股權模式群眾募資平台為 中心（未出版之碩士論文）。國立政治大學，臺北市。
二、 外文文獻
Chen, D., & Han, C. (2012). A Comparative Study of online P2P Lending in the USA and China. Journal of Internet Banking and Commerce, 17(2), 1-15.
Dong, G., Lai, K. K., & Yen, J. (2010). Credit scorecard based on logistic regression with random coefficients. Procedia Computer Science, 1(1), 2463-2468.
Dorfleitner, G., & Oswald, E. M. (2016). Repayment behavior in peer-to-peer microfinancing: Empirical evidence from Kiva. Review of Financial Economics,
30, 45-59.
Duarte, J., Siegel, S., & Young, L. (2012). Trust and Credit: The Role of Appearance in Peer-to-peer Lending. The Review of Financial Studies, 25(8), 2455-2484.
Emekter, R., Tu, Y., Jirasakuldech, B., & Lu, M. (2015). Evaluating credit risk and loan performance in online Peer-to-Peer (P2P) lending. Applied Economics, 47(1), 54-70.
Ghatge, A. R., & Halkarnikar, P. P. (2013). Ensemble Neural Network Strategy for Predicting Credit Default Evaluation. International Journal of Engineering and
Innovative Technology, 2(7), 223-225.
Guo, Y., Zhou, W., Luo, C., Liu, C., & Xiong, H. (2016). Instance-based credit risk assessment for investment decisions in P2P lending. European Journal of
Operational Research, 249(2), 417-426.
Jin, Y., & Zhu, Y. (2015). A Data-Driven Approach to Predict Default Risk of Loan for Online Peer-to-Peer (P2P) Lending. 2015 Fifth International Conference on
Communication Systems and Network Technologies, 609-613.
Li, S., Qiu, J., Lin, Z., & Qiu, J. (2011). Do borrowers make homogeneous decisions in online P2P lending market? An empirical study of PPDai in China. International
Conference on Service Systems and Service Management, 11, 1-6.
Lin, M., Prabhala, N., & Viswanathan, S. (2009). Judging Borrowers by the Company They Keep: Friendship Networks and Information Asymmetry in Online Peer-to-Peer Lending. Management Science, 59(1), 15-35.
Malekipirbazari, M., & Aksakalli, V. (2015). Risk assessment in social lending via random forests. Expert Systems with Applications, 42(10), 4621-4631.
Pan, S., & Zhou, S. (2019). Evaluation Research of Credit Risk on P2P Lending based on Random Forest and Visual Graph Model. Journal of Visual Communication and
Image Representation.
Ramcharan, R., & Crowe, C. (2013). The Impact of House Prices on Consumer Credit:
Evidence from an Internet Bank. Journal of Money, Credit and Banking, 45(6), 1085-1115
Serrano-Cinca, C., Gutiérrez-Nieto, B., & López-Palacios, L. (2015). Determinants of Default in P2P Lending. PloS one, 10(10).
Sutrisno, H., & Halim, S. (2017). Credit Scoring Refinement Using Optimized Logistic Regression. 2017 International Conference on Soft Computing, Intelligent System
and Information Technology, 26-31.
Tsai, K., Ramiah, S., & Singh, S. (2014). Peer Lending Risk Predictor.
Vedala, R., & Kumar, B. R. (2012). An application of Naive Bayes classification for credit scoring in e-lending platform. 2012 International Conference on Data
Science & Engineering, 81-84.
Vinod-Kumer, L., Natarajan, S., Keerthana, S., Chinmayi, K. M., & Lakshmi, N.
(2016). Credit Risk Analysis in Peer-to-Peer Lending System. 2016 IEEE
International Conference on Knowledge Engineering and Applications, 193-196.
Forest optimized by genetic algorithm with profit score. Electronic Commerce
Research and Applications, 32, 23-36.
三、 網路資源
Fintech 金融科技新創公司(一)：Lending Club（2016）。科技產業資訊室。取自 h ttps://iknow.stpi.narl.org.tw/post/Read.aspx?PostID=12757
主要國家 P2P 借貸之發展經驗與借鏡（2018）。中央銀行。取自 https://www.cb c.gov.tw/public/attachment/892717204371.pdf
共享經濟（2019）。維基百科。取自 https://zh.wikipedia.org/wiki/%E5%85%B1%E 4%BA%AB%E7%B6%93%E6%BF%9F
普惠金融（2019）。MBA 智庫百科。取自 https://wiki.mbalib.com/zh-tw/%E6%99
%AE%E6%83%A0%E9%87%91%E8%9E%8D%E4%BD%93%E7%B3%BB 群眾募資（2019）。維基百科。取自 https://zh.wikipedia.org/wiki/%E7%BE%A4%
E7%9C%BE%E5%8B%9F%E8%B3%87
Crowd-funding: An Infant Industry Growing Fast. (2014). OICU-IOSCO. Retrie ved from https://www.iosco.org/research/pdf/swp/Crowd-funding-An-Infant-In dustry-Growing-Fast.pdf
Global Fintech Report Q1 2019. (2019). CB Insights. Retrieved from https://ww w.cbinsights.com/research/report/fintech-trends-q1-2019/
Highlights. (2019). LendingClub Statistics. Retrieved from https://www.lendingcl ub.com/info/statistics.action
How it works. (2019). Lending Club. Retrieved from https://www.lendingclub.co m/investing/peer-to-peer
How to Correctly Validate Machine Learning Models. (2018). RapidMiner resou
rces. Retrieved from https://rapidminer.com/resource/correct-model-validation/
Loan Statistics. (2019). LendingClub Statistics. Retrieved from https://www.lendi ngclub.com/info/demand-and-credit-profile.action
Marketplace Summary. (2019). NSR invest. Retrieved from https://www.nsrplatfo rm.com/app/#!/
Personal Loan Rates and Fees. (2019). Lending Club. Retrieved from https://w ww.lendingclub.com/loans/personal-loans/rates-fees
The Global Alternative Finance Market Benchmarking Report. (2020). Cambrid
ge Centre for Alternative Finance. Retrieved from https://www.jbs.cam.ac.u
k/faculty-research/centres/alternative-finance/publications/the-global-alternative-finance-market-benchmarking-report/United States Credit Card Rates. (2020). Financial Advisory. Retrieved from htt ps://north-america.financialadvisory.com/credit-cards/