P2P网络借贷具有互联网金融的实效性、便捷性和普惠性等特点，对推动利率市场化和小微金融的发展起着至关重要作用。然而P2P网贷市场参与要素众多、变量关系多，使其呈现复杂性特征、以非线性方式作用于外界。P2P网贷利率作为这一非传统金融的市场价格指标，也呈现复杂性、非线性特征，其波动又关系到众多市场参与者的切身利益，从而使得P2P利率波动特征以及未来趋势的确定具有重要现实意义。
　　由于P2P网络借贷利率的波动具有复杂性、非线性特征，传统基于线性范式的研究方法显然是不适用的，且一般的单一预测模型和简单组合预测模型很难对其进行准确预测。本文基于分解-重构-集成的思想构建了一种基于非线性范式的多尺度组合预测模型，进而对P2P网贷综合利率进行影响因素分析和预测。
　　首先采用集合经验模态分解法（EEMD），将P2P网贷综合利率序列分解为有限个独立的本征模态函数（IMF）和一个残差项，然后采用均值重构法（fine-to-coarse reconstruction）将分解得到的IMF和残差项重构为高频分量、低频分量和趋势项，并赋予这三个重构分量以经济含义。其中，趋势项是P2P网贷综合利率长期走势的决定性因素，其与原始序列的相关程度最高，方差贡献度也最高。趋势项在长期呈现下降趋势，究其原因，一是P2P市场内部自我净化的结果，二是影响序列长期走势的外部因素所致，外部影响因素有宏观经济状况以及Shibor银行间拆借利率。低频分量代表中期重大事件产生的影响，其与原始序列的相关系数和方差贡献度次于趋势项。其影响幅度较大，市场本身难以消除重大事件的影响，将低频分量从原始序列中分离开来，可以清晰地看出重大事件对原序列的影响程度以及影响周期。高频分量代表短期市场供需失衡和不规则事件对原始序列的影响，其影响频率较高，对于P2P网贷利率的中长期影响不大，主要体现在短期。最后，针对不同重构分量的波动特点，对高频分量和低频分量序列采用ELMAN神经网络进行预测，针对具有线性下降倾向的趋势项采用ARIMA(p,d,q)模型预测，并将各分量预测结果进行简单加总作为最终预测结果。实证分析表明，本文构建的多尺度组合预测模型的拟合效果优于单一预测模型以及简单组合预测模型，具有较高的预测精度。在文章的最后，结合理论和本文实证分析提出相关建议。