[发明专利]一种基于时空集中性的网贷欺诈团伙识别与预警方法

说明书

本发明涉及一种基于时空集中性的网贷欺诈团伙识别与预警方法。现有方法都是针对个人欺诈识别，没有考虑到团伙欺诈识别。本发明方法的风控流程分为数据获取、特征提取框架、集成预测算法、团伙欺诈识别、个人欺诈识别五大模块，还包括三个阈值需要调控。本发明方法首先收集借款申请人的数据，提取基本特征、地理特征、行为特征，然后做初步欺诈预测，对于判断为低风险贷款，处理为安全贷款，而对于判断为高风险贷款，对不同地区贷款密度利用空间集中性和时间集中性再次欺诈识别，对于判定为非团伙欺诈贷款的再进行个人欺诈贷款识别。本发明方法结合团伙与个人的方法更全面地实施风控，并且能得到较高精确度。

技术领域

本发明属于计算机技术领域，涉及一种基于时空集中性的网贷欺诈团伙识别与预警方法，旨在解决突发的、有组织的欺诈团伙识别。

背景技术

随着互联网的快速发展，网贷作为一种新兴的贷款方式改变着人们的生活。不同于西方国家，我国信贷体系起步晚，覆盖率不高。这导致很多人难以方便、快捷地获取急需的贷款。但我国的手机、互联网覆盖率很高，因此网贷这一互联网+的产物孕育而生。网贷较传统贷款具有手续简便、形式灵活、交易成本极少、可供贷款的金额充裕等优势，所以我国网贷产业近年来日益发展。据统计，2018年仅P2P网贷交易量已达到19,366.33亿元。但由于网贷服务较传统贷款，是面向没有任何担保，也没有在传统的信贷服务覆盖下的借款人，所以在没有全面风险控制的情况下，会给网贷公司带来严重的损失。

一些研究者从不同的研究角度采用不同的研究方法来验证他们的结论。就研究角度而言，Dorfleitner和Priberny分析了借款人的描述性文本信息对违约率的影响，H.Liu等人发现手机的使用与网贷违约率之间存在相关性。不同的机器学习方法也被用来预测违约的可能性，如随机森林分类、逻辑回归、神经网络。但这些都是针对个人欺诈识别，没有考虑到团伙欺诈识别。

因为网贷欺诈以网贷借款者在还款期内未还款来表现，所以欺诈用户的欺诈行为很难立即捕捉，当发现大量贷款在非常相近的时间逾期，为时已晚。欺诈者通过不停地测试风控系统的漏洞，得到可以通过风控体系的评分。此时，欺诈者便会申请大量类似的贷款，给网贷机构带来损失。但在这种风控体系(模型)与欺诈者激烈的对抗中，得到较高评分的贷款成本需要很强的信息完备性，成本会很高，通过风控体系的欺诈用户贷款的评分不高。下调模型预测欺诈的阈值，可以得到对坏账的较高覆盖率，本发明可以细化地对贷款进行团伙欺诈识别，再进行个人欺诈识别，因而也不失精确度。结合我们提出来的新指标KNearest Neighbor Index(KNNI)，将KNNI运用到一个较小的观察窗口，低于一定阈值就可判断该笔贷款具有时空集中性。该笔贷款同时具有高欺诈可疑与时空集中性，可以判断其为团伙欺诈贷款。若不具备时空集中性，对高欺诈可疑用户再次筛选得出个人欺诈贷款。

发明内容

本发明的目的是针对现有技术只考虑个人欺诈风控而忽略团伙欺诈风控的不足，提供一种基于时空集中性的网贷欺诈团伙识别与预警方法，该方法为结合个人欺诈与团伙欺诈识别的较为全面反欺诈方法。

步骤1.数据获取与特征提取：

1.1.数据获取：通过嵌入在手机APP中的SDK(软件开发工具包)，在贷款申请人授权的情况下，收集借款申请人的数据，将该数据被处理成结构化数据模式以便数据分析；

1.2.特征提取：所述特征包括基本特征、地理特征、行为特征；

所述的基本特征包括贷款申请人的年龄、性别、贷款金额、信用级别、是否为首次贷款；

所述的地理特征包括贷款申请人的申请贷款时的GPS位置，该GPS对应的省份、城市，身份证所在的省份、城市，根据贷款申请人申请时的所在的城市与身份证所在的城市是否一致确定该申请人是否为外地人；