本文是一篇項目管理論文，本文主要以A信托為例，用實證的方法研究了信托公司開展互聯網借貸的風險管理。首先，文章通過對國內外相關文獻的研究，結合信托公司開展互聯網借貸項目的現狀，利用數據分析的方法對A信托公司287994條客戶數據進行描述統計，發現樣本中借款人以來自全國各地年輕男性為主，有著短期、小額的臨時資金需求。
1 緒論
1.1研究背景
全世界已經進入數字經濟的時代。聯合國2021年召開的全球貿發會議報告中提到，數字數據已經成為了一類新的戰略和經濟資源，在全球貿易和發展中扮演著愈發關鍵的角色，而且在2019年末新型冠狀病毒的大流行以來，數字數據的重要性得到了更進一步的加強1。世界各國都非常重視數字數據，在利用數字數據的國家中，中美兩國從規模和經濟效益方面均處于國際領先地位，在超大規模數據中心方面，美國和中國合計占全球1/2，中美兩國還占全球頂尖人工智能研究人才的七成比例，占人工智能創業公司資金超九成，兩國的互聯網公司和運營數字數據的企業市值也占全球約九成。

項目管理論文怎么寫

中國近年來正在大力建設數字中國，大數據建設戰略已經上升到國家層面。信通院發布的白皮書中提到，我國數字經濟增加值在2020年占GDP比例約38.6%，增加值規模達到了39.2萬億元2，數字經濟已在我國的經濟、社會、人文、自然各領域縱深交融，并有望長足發展。國家統計局發布的《2020年國民經濟和社會發展統計公報》中指出，2020年末我國手機網民人數已達9.86億人3，伴隨著智能手機和移動互聯網的普及，數字經濟開始向人民群眾普及和滲透，并以多樣化的方式推動經濟轉型和更高質量的發展。
金融發展是經濟發展的內生需求，以互聯網、信息、數據為特征的互聯網金融快速興起和發展，互聯網金融在云計算、搜索引擎等互聯網技術的基礎之上，實現了資金在實體經濟以及人與人之間的高效整合和利用，成為了一種新型且便捷的金融服務實體經濟的模式。在此背景下，出現了互聯網借貸、互聯網支付等多種互聯網金融模式，這些模式也極大的拓展了金融服務的邊界、提高了金融運行的效率，降低了金融交易的成本。
............................
1.2研究意義與創新
1.2.1理論意義和現實意義
理論意義方面，“項目”是在限定的資源及限定的時間內需完成的一次性任務1。信托項目完美的符合這一定義，即：一方面，每個獨立的信托項目均有成立日期和終止日期，具備“一次性”的屬性，另一方面，此類業務的每一個項目之間交易條件、風控措施乃至后期管理上均有所不同，具備“非標準化”的屬性。風險管理是項目管理“九大知識領域”中極為重要的一環，在互聯網借貸項目風控審批環節中，需要對項目的風險進行識別并設置相應的風險控制措施，在互聯網借貸項目的實施期管理中，也應及時就項目運行過程中暴露出來的風險點及時做出調整，修改項目準入條件，以達到“受人之托、代人理財”這一項目開展的終極目的。
而文章的現實意義總結有以下四點：
第一，“互聯網+信托”繁榮發展的同時，風險也隨之而來：一方面，高達5%+的不良率和不良貸款規模亟需有效的控制，針對這類貸款客戶的貸前準入審核風險管理研究顯得日益重要，另一方面，互聯網平臺倡導效率至上、客戶體驗至上，金融機構傳統的人工審核發放貸款的模式難以匹配互聯網上巨量的貸款申請需求，所以，借助互聯網的大數據技術來提升數據運算效率、解決人工審核瓶頸、提高客戶識別精度、降低貸款信用風險變得至關重要。
第二，不同于信托公司以往服務的大中型企業、房地產企業和國有建設類企業，互聯網借貸市場的借款主體主要是全國各地的自然人借款人，信托公司初期面對這一市場時缺乏較為專業的認識，導致與互聯網巨頭旗下的各助貸機構談判時處于相對被動的地位。對信托公司已開展的互聯網借貸項目的歷史數據進行全面分析研究，尤其是對各因素如何影響違約率的研究，有助于信托公司提升對互聯網借貸項目的認識，為信托公司開展互聯網借貸項目的有效風控、穩健發展提供參考。
............................
2 文獻綜述
2.1相關概念綜述
互聯網借貸具有“互聯網+借貸”兩大屬性，是傳統金融與互聯網結合的產品之一。2020年11月2日人民銀行和銀保監會聯合發布的《網絡小額貸款業務管理暫行辦法》中，對互聯網借貸業務進行了定義，即利用互聯網技術合法積累的數據信息，分析借款人風險，線上完成借款審批和回收的小額貸款業務[5]。
在我國，信托公司是指依照《中華人民共和國公司法》和《信托公司管理辦法》規定設立、主要開展信托項目的金融機構。信托公司營業范圍中具備發放貸款資格和經營資金信托資格，可以根據相關政策法規合法發放貸款。 根據上述定義，信托公司開展互聯網借貸項目，即是指信托公司按委托人的意愿或為受益人的利益，通過大數據、云計算等技術手段，運用過往項目開展過程中通過互聯網平臺積累的合法客戶信息以及數據信息，通過互聯網向申請貸款的借款人進行貸款審批、貸款發放、貸款回收的一種項目模式。
推而廣之，信托公司開展互聯網借貸的風險管理，即：信托公司就借款申請人的個人資信、放款金額、還款意愿等進行貸款前評估和貸款后追蹤，從而實現三重目的：第一，避免向還款意愿較低、違約可能性較高的借款申請人發放貸款；第二，積累已違約借款人的信息，避免對違約客戶再一次審批放款，并做好此類客戶的貸后還款跟蹤工作，盡可能回收已發放的貸款；第三，分析已違約借款人的個人信息數據，用項目管理中風險管理的思維方式，改進貸款審核和審批系統，對具有相同特征的其他借款申請人進行貸款額度限制或者拒貸，進而實現信托項目“受人之托、代人理財”的最終目的。
..............................
2.2信托公司開展互聯網借貸的風險成因的綜述
對互聯網借貸風險成因的研究，國內外學者已有諸多論述，其中主要的風險成因研究方向有：一是信息不對稱問題的研究；二是借款人特征的研究，還根據借款人特征研究衍生出了信用風險評級這一細分領域，下面主要就這兩大方面和第三個衍生角度進行國內外研究成果的綜述。
2.2.1信息不對稱問題的國內外研究現狀
上世紀70年代，三位美國經濟學家Joseph E.Stiglitz、Gcorge A.Akcrlof和Andrew Michacl Spence提出了信息不對稱理論，信息不對稱理論在信貸領域的研究認為，信貸風險主要產生于信息不對稱，負責審批和發放貸款的金融機構機構難以充分獲取貸款申請人的全部信用信息，進而導致逾期或違約；而Pascal L. Ghazalian提出，傳統金融機構在發放貸款的過程中實時監控道德風險，非常重視違約風險，并通過互保來降低道德風險，因而在互聯網金融背景下也可以部分參照傳統業務的風控模式[11]。Sidney Tsang等人在研究基礎上，針對存在欺詐行為的專家系統上，提出了決策樹和神經網絡的研究方法[12]。
國內方面，人行與金融研究所組成的聯合課題組指出，互聯網信貸風險高發的原因在于缺乏征信信息來衡量借款人的違約概率，認為互聯網信貸本質上是利用互聯網促進信貸交易和消除信息不對稱[13]；龔丹丹指出，信用風險具有傳染性，如果管理不善，該行業的風險可能很高，關鍵是需要建立和完善個人征信系統，依靠互聯網的大數據技術提供具體的指導，可以幫助改善信用報告系統和信用評估[14]；王文革認為在互聯網借貸平臺倒閉潮中逆勢壯大的螞蟻金服、京東數科等互聯網金融龍頭企業，其之所以能夠控制較低的不良率，核心在于其金融業務服務的對象與第三方支付業務、綜合零售基本重疊，平臺用已經成熟的互聯網生態識別篩選客戶、累積用戶特征，服務于客戶的信用風險評估和貸款發放，因此螞蟻金服、京東數科等平臺們才能在解決項目起步時征信信息匱乏問題的同時，牢牢把控用戶風險[15]。
..............................
3信托公司開展互聯網借貸項目現狀與機器學習技術原理 .............. 16
3.1信托公司開展互聯網借貸項目現狀 ............................ 16
3.1.1互聯網借貸市場發展現狀 ................................ 16
3.1.2信托行業開展互聯網借貸項目的發展歷程 .................. 18
4 數據處理與變量描述統計 ........................... 25
4.1 A信托公司開展互聯網借貸項目的情況介紹 .................... 25
4.2數據來源 ................................. 27
4.3數據處理 ............................ 28
5 模型檢驗 .............................. 40
5.1模型穩定性判別 ............................ 40
5.1.1混淆矩陣 ........................... 40
5.1.2 ROC ..................... 41
5 模型檢驗
5.1模型穩定性判別
要驗證模型的準確性，首先要對模型的穩定性進行判別，本文主要采取混淆矩陣和ROC曲線的判別方法來對模型進行驗證。
5.1.1混淆矩陣
混淆矩陣能夠比較全面的反映模型的性能。對樣本進行準確預測的樣本個數與樣本總數相除，得出的值就是樣本分類中的模型準確率，我們把混淆矩陣引入到模型評價之中以便對模型具有的實際效果進行更為精確的度量。
我們對樣本中違約的客戶稱之為“違約客戶”，對沒有違約的客戶稱之為“普通客戶”，那么：
本身為“違約客戶”，模型得出為“違約客戶”，記為TN；
本身為“普通客戶”，模型得出為“普通客戶”，記為TP；
本身為“違約客戶”，模型得出為“普通客戶”，記為FP；
本身為“普通客戶”，模型得出為“違約客戶”，記為FN；
將以上四個指標帶入二維矩陣之中，則可得到“混淆矩陣”，如下表5-1：

項目管理論文參考

.........................................
6 總結與展望
6.1研究結論
本文主要以A信托為例，用實證的方法研究了信托公司開展互聯網借貸的風險管理。首先，文章通過對國內外相關文獻的研究，結合信托公司開展互聯網借貸項目的現狀，利用數據分析的方法對A信托公司287994條客戶數據進行描述統計，發現樣本中借款人以來自全國各地年輕男性為主，有著短期、小額的臨時資金需求。選取“借款人是否違約”作為因變量，選取客戶的基本信息（性別、年齡、出生地）和貸款信息（貸款金額、綜合利率、分期數、下單時間）共7個維度作為自變量進行描述分析，并采用互聯網金融最常用的3種機器學習模型（隨機森林、邏輯回歸、貝葉斯）對違約風險及逾期識別率進行比較，總結出了如下結論：
（一）差異化準貸政策
研究顯示，A信托開展互聯網借貸項目的優質客戶符合“年齡18-25歲之間、利率15-18%、借款期限1-3個月，在18-24點申請借款”的這部分客戶，而違約風險最高的客戶是“年齡30-40歲，利率19%以上，借款期限選擇最短1周或最長6個月，在凌晨到早上6點申請借款”這部分人群。性別、出生地、借款金額、都不是客戶違約的主要影響因素。因此，在定制風險控制措施和受理借款人的借款申請時，應重點關注風險較高的這部分客戶群體，如果同時滿足年齡30-40歲，利率19%以上，借款期限選擇最短1周或最長6個月，在凌晨到早上6點申請借款這幾個要素，則應減少審批額度或拒貸，從而降低客戶違約風險。
（二）合理避免人工審核資料
互聯網借貸與傳統金融機構借貸相比最大的差別在于審批效率，A信托同樣如此。對于互聯網借貸審批而言，由于其申請總量大、單筆金額低，期限通常較短等特點，如采用傳統金融機構的人工審核模式將難以在成本效益上完全覆蓋申請人群。所以信托公司應更快構建以機器學習為理論支持的全自動在線審批流程，避免對申請信息中的資料進行人工復核，如避免讓客戶提供工作證明、收入證明、房產證明、學歷證明等第三方證明文件，一方面可以提高審批效率，另一方面也可以提升客戶體驗。
參考文獻（略）