python可以爬網貸數據嗎

㈠ 手機上的python怎麼運行操作，代碼在電腦上運行的出手機卻不行

如何讓自己在電腦上寫的python腳本在手機或android系統上運行

可以安裝一個Python模擬器，比如QPython。

安裝完這個apk，就可以在Android上運行Python腳本了。

關於QPython3L，網上搜索使用說明：

QPython - 使用說明

A. 面板

圖 － QPython 社區

你可以在社區中遇到其他 QPython 用戶，你可以問問題，參與話題討論，向開發者提交 BUG / 建議等等。

此外，我們將會積極地推動 QPython 最終完全開源， 因此也歡迎熱心的用戶加入我們，我們迫切地需要你們在下列領域幫助我們：

其他

㈡ p2p網貸風險防控

摘自雜志文章《基於公開信息的網路借貸平台預警機制研究----利用BP神經網路法》，原文發表於《現代商貿工業》(國內統一序號：CN42-1687/t；ISSN 1672-3198)，2019年第1期，第134頁。[本文為全文]
一.導言
近年來，P2P行業出現井噴式發展，對我國金融體系的完善、中小企業資金缺口的彌補、個人現金流的補充都具有重要意義。然而，隨著行業競爭的激烈，P2P行業的各種風險也在不斷顯露。2016年以來，我國P2P頻現龐氏騙局、跑路等事件，涉案金額巨大，社會影響極其惡劣。目前，我國金融監管從業人員的數量遠遠少於金融機構，職權不清導致其難以履行真正的職能。基於這一背景，本文試圖利用最易獲取的公開數據建立一個有效的預警模型，從而幫助監管者完成對海量金融機構的低成本有效篩選。
國務院總理李克強在2014年9月達沃斯論壇上公開發出「大眾創業、萬眾創新」的號召。伴隨著「雙創」這個詞的，還有「互聯網金融」。在十二屆全國人大三次會議上，李克強總理首次公開提及互聯網金融。這是政府部門首次公開提及互聯網金融行業。自此，P2P網貸行業在中國進入野蠻生長期。從2012年開始，新增P2P平台數量逐漸增加，2014-2015年達到頂峰，最高月份新增平台數量達到256家。然後，新增平台數量逐漸減少，網貸平台總數從2017年開始逐漸穩定。
巴菲特說過，「退潮了才知道誰在裸泳。」隨著互聯網金融的退潮，中國經濟的主基調將呈L型，熱錢將逐漸退出網貸市場，國家相關扶持政策也將收緊，有問題的網貸平台數量將逐漸上升。2015年7月，最糟糕的一年，問題平台多達171家，之後問題平台數量開始逐漸減少。然而，自2017年12月以來，問題平台數量一直呈上升趨勢，2018年7月，問題平台多達131家。冰冷的數據背後，是無數因為平台跑路而支離破碎的家庭，以及全國公安經偵部門巨大的破案壓力。
本文以網路公開信息為基礎，選取13個指標作為P2P網路平台風險預警指標體系，建立了包括輸入層、隱含層和輸出層的BP神經網路預警模型。利用Python軟體對建立的神經網路進行訓練。在期望輸出值和樣本輸出值的誤差降低到標准范圍後，建立預警模型。
第二，建立基於公開信息的風險預警模型的必要性
隨著信息技術的快速發展和使用，人們的生活方式發生了巨大的變化。金融就是利用海量信息實現資金的最有效配置。隨著互聯網信息的使用，金融業本身也必將迎來巨大的變革。在這場革命中，金融不再只是紐約證交所西裝革履的經紀人的專利。信息技術打破了金融參與的門檻，現在每個人都可以參與這場資金的盛宴。就像現在大家都已經接受了使用支付寶一樣，「騙子」、「賭博」、「薅羊毛」等負面標簽也會逐漸從網貸平台上淡出，逐漸成為人們理財的一種選擇。面對復雜多變的網貸平台風險，有必要建立有效的網貸平台風險預警模型。
(一)實時監控的必要性
網貸平台的風險不是一成不變的，但是大量網貸平台的人工檢測，不僅效率低下，也是對公共資源的極大浪費。只有利用網路預警模型，才能實現對網貸平台的實時監控，以最小的人力物力完成平台風險的前期排查。
(2)個人使用的必要性
(3)需要
隨著中國網貸行業市場清理的加速，一些網貸平台傾向於渾水摸魚。與典型的網貸迅雷公司相比，持續時間長，金額相差極大。在杭州的網貸平台跑路潮中，很明顯很多公司上線才幾個月。這些公司正是利用了當前經偵部門壓力大、精力不足的空檔，大有一槍換一槍的趨勢。因為金額比較小，增加了被騙投資者維權的難度。因此，利用這種模式可以快速警示沒有太多歷史記錄的新公司，將這種「欺詐游擊戰」的不良勢頭扼殺在萌芽狀態。
第三，網貸風險預警指標體系的設置
(一)國內外網貸機構的差異
在英美等西方發達國家，P2P平台只是一個純粹的信息中介，不參與任何借貸交易，也沒有任何賠償投資人損失的責任。因為英美等發達國家有比較完善的個人徵信系統，投資者可以根據借款人的信用狀況和財產歸屬自由出價，確定合適的資本收益率。此外，英國等國家有比較完善的監管政策和規范，有專門的部門對P2P進行監管，職責明確。比如美國的證券交易委員會，英國的市場行為管理局和P2P金融協會，規范的政策和完善的監管有效的控制了這些國家P2P的風險。
雖然徵信系統在國內逐漸普及，但普遍來說一切都不完善，P2P目前也沒有許可權與國家徵信系統對接，借款人的風險很難得到全面客觀的暴露。因此，投資者往往開始尋求「可靠」、「有保障」的P2P平台。這也使得P2P平台不得不宣傳自己的「擔保」、「國資背景」、「自有保障基金」來增加自己的信用。這使得P2P平台只是另一種銀行，形成了一個惡性循環，當一個小企業違約時，P2P公司為了平台本身的聲譽，會選擇掩蓋過去，最終不得不跑路。目前我國資管新規已經明確表示要打破剛信支付，但是借款人在接受投資的時候還需要一段時間才能虧損。
(二)網貸平台風險因素
網貸平台的風險可以
從系統風險和非系統風險兩個層面進行分析，結合網貸平台自身特點，篩選出最能代表性的風險因素。
網貸平台的系統性風險主要有政策風險、法律風險和經濟周期風險。猶豫政策上的寬松法規的不健全等，導致平台數量瘋長並引發惡性競爭，甚至會出現劣幣驅逐良幣的情況。另外經濟周期的影響也是無法忽視的，隨著全球經濟的轉冷反全球化趨勢的越發嚴重，很多大型金融機構都無法支撐何況新興的網貸平台。但本文目標更多是從微觀角度檢測企業風險，因此暫不考慮經濟周期。
網貸平台的非系統風險有信用風險、品牌風險、技術風險等。為了盡可能爭取客戶很多平台會有意放寬放款條件，這導致了大批老賴的進入以及部分投機分子的薅羊毛行為。有證據顯示，現在很多從平台拿到貸款的人有意在網上製造平台負面信息，以期待平台倒閉後自己也不用還清貸款，這些行為無疑大大增長了平台自身的風險。如果出現了技術性問題導致官網無法打開或資金無法提現等情況很容易觸及投資者敏感的神經，造成擠兌現象。
（三）預警模型指標設立
但是值得注意的是，在網貸相關法律法規還並不完善的當下，相關數據的獲取難度較高且真實程度也值得懷疑，因此本文利用大數據思維，主要利用在互聯網上公開的人人都可以輕松得到的信息作為預警模型的輸入指標，通過指標內部的非線性邏輯來反應一家平台的風險程度。一個惡性非法的網路借貸平台必然會盡可能的擴大自身的影響力、同時做好反調查准備，在監管單位有所反應之前圈到足夠的錢，這種行為很難不在網路上留下痕跡。因此，社會公開信息指標的引入可以有效彌補官方觀數據的不足及真實性問題，增強預警模型的可信度和有效性。
綜上所述，網貸平台風險評估體系如表1所示，各指標的原始數據如表2所示。
四、BP神經網路的設計
（一） BP神經網路概述
BP神經網路中BP是back propagation的縮寫，譯為反向傳播，因此BP神經網路又稱誤差反向傳播神經網路，是1986年由Rumelhart和McClelland為首的科學家提出的概念。BP神經網路通過採用誤差逆向傳播演算法，由程序自動學習演算使得誤差降至最小值，以得到最接近真實情況的權值。
BP神經網路屬於多層感知機，是由多個感知機層全連接組成的前饋神經網路，全連接是指層上任一神經元與臨近層上的任意神經元之間都存在連接，該模型擁有出色的處理非線性問題的能力。 BP神經網路具有輸入層，隱含層和輸出層，理論上已經證明一個隱含層的BP神經網路可以實現任意非線性映射，可以滿足絕大部分場合的需要。
（二）BP模型神經節點設置
本文採用的是標准結構的BP神經網路，包括一個輸入層、一個隱含層和一個輸出層。其中，輸入層的節點數為13，由輸入指標的數量決定；輸出層的節點數為1，其中健康平台的平台值為0，問題平台值為1。
隱含層的節點數選擇和輸入層神經單元以及輸出層神經單元數量有關。但目前還沒有很好地確定依據，根據任務來確定隱含層節點的數量是比較困難的。因此，目前還是主要以過往的成功經驗為依據，一般參考的經驗公式是：L=log2n，n為輸入節點數，因此隱含層的節點數為3。
（三）BP模型參數設置
再確認了BP神經網路模型的輸出層，隱含層和輸出層節點後，還要確定神經網路的傳輸函數和訓練目標等參數。非線性的傳遞函數主要分為Log-sigmoid和Tan-sigmoid兩種。其中Log-sigmoid型輸入值可取任意值，輸出值范圍為（0,1），Tan-sigmoid型輸入值可以取任意值，輸出值范圍為（-1,1）；線性傳遞函數pureline的輸出和輸出可以取任意值。因為本文輸出值都為正數，因此輸入層傳播函數為Log-sigmoid函數，輸出層傳播函數選擇pureline函數，可接受的誤差標准為ε= 0.1，訓練次數為100000，學習速率為0.2，動量因子為0.1。
五、面相Python的BP神經網路的訓練和檢驗
本文綜合參考網貸之家等多個網貸平台評級網站，綜合考慮選擇11家優質網路平台作為低風險樣本，同時選擇6家最近剛剛暴雷的平台作為高風險樣本。並從中隨機抽取兩家低風險兩家高風險作為檢驗樣本，其餘13家為訓練樣本。網路的訓練和檢驗都通過Python來完成。通過整理可以得到一個17×13的矩陣，為取消各指標之間的數量級差別，從而最大程度降低預測誤差，將原始數據歸一化處理。歸一化處理後訓練模型的輸入值如表3所示，檢測模型的輸入值如表4所示。
對於已經訓練完成的BP網路模型，訓練輸入值對建立的BP網路進行檢測，輸出結果如表5所示：
根據檢測結果，檢驗輸出和期望輸出值非常接近，准確率達到了100%，兩者數據誤差滿足誤差要求。因此，建立的BP神經網路模型有較好的風險評估能力，可用來對網貸行業進行監測，達到風險預警的目的。
六、研究結果
構建一個科學有效的網貸平台風險預警模型，可以快速對網貸平台進行初步排查，盡早識別和預警高風險網貸平台，已採取風險防範和化解措施。傳統的數理模型大多通過數理統計、邏輯回歸等方進行預測，這並不適用於網貸平台這一新型金融模式的風險預警上。另外傳統模型也過度於依賴於歷史官方統計數據，但是網貸平台相關法規的不完善，平台自身可以通過調整統計埠等方法肆意修改數據，從而造成預警模型的失靈。本文大量採用網路公開數據，這是網貸平台無力修改的，雖然不能直觀的反應平台風險狀況，但是數據本身的真實性反而能夠保證預警模型的科學有效。另外，由於公開數據的獲得無門檻，從而大大降低了模型使用難度。神經網路的優點就是反應數據之間非直觀的復雜聯系，因此本文大膽使用公開數據，該模型甚至可以成為普通民眾對網貸平台的風險監測工具，若能得到大范圍使用，必將倒逼網貸平台主動走向規范化正規化，讓網貸平台主動走到監管的籠子里，從而讓徹底杜絕大面積平台暴雷，實控人跑路，投資人上訪的不良事件。
參考文獻：
[1]謝平，鄒傳偉.互聯網金融模式研究[J].金融研究，2012（12）.
[2]王崢.我國互聯網金融的風險分析及防範措施[J].時代金融,2014,（8）.
[3]曹一.論加強P2P網路借貸平台的監管[J].金融監管，2011（4）.
[4]陳朝暉，張艷芳.基於BP神經網路的商業銀行風險預警模型研究[J].福建商業高等專科學報，2011（2）.
[5]Tam K Y. Neural Network Models and the Prediction of Bank Bankruptcy [J]. Omega，1991(5).
[6]楊群華 . 我國互聯網金融的特殊風險及防範研究 [J].金融科技時代,2013 (7) .
[7]郭瑩瑩.國內外金融危機預警模型述評[J].科學決策,2013（10）.
[8] 張玉梅. P2P 小額網路貸款模式研究[J]. 生產力研究, 2010 (12).
歡迎進入中國知網~《現代商貿工業》雜志閱讀和參考引用原文
官方網址：http://www.xdsmgy.cn/
相關問答：p2p信貸系統如何開發？ 明確自己的目標，搜集相關資料。建設P2P網路借貸平台的目標已經確定，我們則需要搜集相關的資料。例如：迪蒙p2p信貸平台建設，p2p信貸系統平台的用戶需求，信貸系統平台的發展前景等等。搜集相關資料的目的是：1.規劃網站：p2p信貸平台軟體怎麼開發製作，它可能包括什麼內容。2.用戶體驗：了解用戶需求，從用戶的角度出發，體驗度會比較好。制定p2p信貸平台程序開發計劃。在這一階段需要制定出整個p2p信貸平台開發所需要的人力、物力、費用以及時間等等，還需要制定出整個信貸平台程序的架構圖，模塊，資料庫的製作等等。這一步比較重要，做好這一步可以事半功倍。根據計劃，開始製作p2p信貸平台系統。前台頁面設計，後台程序編程，資料庫表格的設計等等。這些都需要一個開發技術團隊合力完成。代碼方面要認真，因為在p2p信貸平台系統開發製作中，每一個bug都可能會損失一筆不小的資金，每一個系統漏洞都可能引起黑客的攻擊。所以，每一個p2p信貸平台開發公司內必須有一支強大的技術開發團隊。這一步中，細心團結是最重要的。