聪明的投资者—非完全市场化利率与风险识别 | 未央网

扫描分享

本文共字，预计阅读时间。

五、实证分析结果

1. 利率、其他信息与违约风险

在利率市场化的情况下，利率是借款人使用资金的成本，应当可以直接反映出违约风险的水平，也就是说借款人设定的利率越高意味着借款人违约的可能性越高，同时，相同的利率应当反映出相同的违约风险。因此，基于在上文中提到的P2P网络借贷平台非完全市场化利率的现状，本文首先需要探究人人贷借贷利率是否包含了借款人的违约风险？如果答案是肯定的，那么本文接下来将考察该利率是否能够全部反映出违约风险？换言之，将考察相同利率的两笔借款其背后的违约风险是否一致。

为了考察人人贷借贷利率是否包含了借款人的违约风险，我们可以根据计量模型设计中的公式（1），以借款利率为核心解释变量，以借款人最终是否违约为被解释变量，看借款利率对违约概率有没有预测功能。此外，为了排除借款期限、人人贷关于利率的限制这些因素的干扰，我们对这两个因素进行了控制。表5的模型（1）描述了回归的结果。

从模型（1）的结果可以看到，利率的系数为0.082，在1%的统计水平下显著性。同时模型的拟R2达到4.4%。该结果说明：尽管人人贷的利率设定并非完全市场化的，但借款利率还是部分反映了借款人的违约风险。其内在的机制可能在于：对于那些风险较高而利率设定较低的订单，投资者虽然并未直接参与利率的设定，但是却可以采用"以脚投票"的方式，不参与这些订单，从而使得"幸存订单"的利率在一定程度上反映借款人的违约概率。

本文更想了解的是：人人贷交易中相同的借款利率是否具有相同的违约风险？根据公式（2）的设定，我们可以在控制利率的情况下，引入订单以及借款人的其它公开信息，包括订单的期限、信贷额度、认证信息的个数、借款人的风险水平来辅助预测其违约概率，此外，为了排除人人贷对利率设定制度变化的影响，我们也对2012年之前的样本进行了控制。

结果如表5的模型（2）所示。从模型（2）可以看到，利率仍在5%的统计水平下显著，说明在引入了订单借款人其它公开信息之后，利率对于借款人的违约概率仍有一定的预测功能。同时，所引入的三个借款人的公开信息变量都在1%的水平下显著，具体而言，我们发现借款人认证信息的个数（cert_num）越多，借款人的违约概率越低，由（risk level）的系数显著为正可知当借款人信用等级为HR时，其违约概率越高，这意味着人人贷的信息认证体系一定程度上反映了个人诚信状况；个人信贷额度（credit line）在1%的水平下显著为正，这可能意味着人人贷对于违约概率较高的借款人赋予了过高的信贷额度；总体来说，个人其它公开信息的显著性说明其这些息对于借款人的违约行为也有较强的预测作用，而这些预测作用并没有完全体现在利率当中。另一方面，观测模型的解释力度可以发现，在引入了借款人其它公开信息之后，模型的解释力度由原来的4.4%提升为37%，再次说明对于预测借款人的违约概率而言，借款人的这些公开信息包含了大量未被包含在利率之中的信息。事实上，全部样本的违约率为6.3%，因此如果我们以6.3%作为违约的阈值对表5中的模型进行判断准确度验证，那么模型（1）预测借款人违约、且借款人确实违约的预测准确率为69.32%，预测借款人违约、但借款人实际没违约的预测错误率为45.06%；模型（2）预测借款人违约、且借款人确实违约的预测准确率为96.02%，预测借款人违约、但借款人实际没违约的预测错误率为24.90%。这些结果也说明在Probit模型中引入这些信息可以使得违约概率的预测更为精准。

2. 投资者对于风险的识别

根据上文，我们已经发现利率不能完全反映出违约风险--换句话说，相同的借款利率，其背后的违约风险可能是不一样的。那么投资者能否识别其背后的差异呢？

根据公式（3）的设定，我们首先要识别出由借款人其它公开信息能反映出来的、而利率没有反映出来的那部分违约风险。为此，我们分别利用表5中模型（1）和模型（2）分别估算借款人的违约概率，后者与前者的差额即反映了新信息所反映出的违约概率。

如前文所述：如果投资者足够聪明，那么他们就应该能够发现相同利率的订单其背后对应的不同违约风险，因此我们对订单的投资者个数以及竞标时间进行检验，得到结果如表6所示：

3. 稳健性检验

作为对上文实证结果的稳健性检验，我们首先考虑了样本选取是否影响本文的结果。尤其是之前我们把样本限定为订单金额在20万元以下的样本，那么对于不同借款额度，前面的结果是否依然稳健？为此，我们把订单的借款额度分别限定在5万元和10万元，对上述两个问题进行稳健性检验，表7和表8中显示了稳健性检验的结果。结果表明，无论借款额度限定在5万元还是10万元的样本，相较于之前的结果，变量系数和符号都比较稳定，其显著性水平的分析也没有明显变化，说明上文的结果具有较好的稳健性。