基于大数据的互联网金融欺诈行为识别研究

摘要

随着当今社会进入互联网时代，互联网已经与我们的生活息息相关。在人们的生活习性、生活工作节奏、工业发展上都可以看出，互联网的应用至关重要。基于互联网的网络信贷以其申请便利、审批迅速、低门槛等特性，在信贷行业内迅速找到了自己生存的空间。但同时，其行业风险也引起了关注。据数据显示，P2P网络平台信贷中，每100起拒贷的案件中，就有16起出现不同方式的欺诈行为，即利用P2P平台的网络申请特性骗取钱财。所以，对互联网金融平台中出现的骗贷等欺诈行为的识别，对进件客户是否有欺诈属性的预测至关重要。本文即以此为出发点，探索并解决互联网金融行业中出现的欺诈问题。
　　随着社会发展，当代信贷审批业务利用用户的财产信息、银行流水等信息进行审核。虽然审批流程已极大进步，但仍然审批速度慢，门槛高，不能达到人们的预期。随着互联网以及科技手段的进步，近几年已逐步出现利用数据挖掘、统计建模等预测手段对客户进行风险预测，从而对客户的风险进行评级。这在优化了审批流程的同时，也大大节省了审批的人力消耗，大大提高了信贷行业的效率。当“大数据”时代来临后，对互联网金融的信用风险控制，以及对欺诈行为的预测、防御都提出了更高的要求。本文旨在利用互联网和大数据环境下的数据优势，利用随机森林算法，对用户进行欺诈风险的预测。本文应用信用评分这种方式对用户可能的欺诈概率进行量化，进而根据用户的信用评级来分类。

目录

声明

摘要

1 绪论

1．1 研究背景

1．1．1 互联网金融的现状及发展趋势

1．1．2 P2P行业的风险概述

1．2 研究意义

1．3 国内外研究现状

1．4 研究目的

1．5 研究内容

1．6 论文实验路线

1．7 创新之处

2 基于大数据的创新征信模式

2．1 互联网征信与欺诈识别

2．2 互联网征信及其发展

2．3 互联网行为数据与个人信用的关系

2．4 互联网征信的优劣分析

2．4．1 互联网征信的优势

2．4．2 互联网征信可能存在的问题

2．4．3 行业痛点

3 基于大数据的用户分类方法探究

3．1 数据爬虫

3．1．1 爬虫概述

3．1．2 爬虫在本文中的应用

3．2 随机森林

3．2．1 决策树算法概述

3．2．2 Bagging集成算法

3．2．3 随机森林算法概述

3．2．4 随机森林算法的实现过程

3．2．5 随机森林的优点

3．3 逻辑回归模型

3．3．1 Sigmoid函数

3．3．2 逻辑回归常规过程

4 实证分析

4．1 数据说明

4．1．1 数据整合

4．1．2 规则制定

4．2 各规则描述性统计

4．3 各规则评分及指标重要性度量

4．4 模型验证

4．5 计算信用评分

4．6 实证结论

4．7 逻辑回归建模及对比

4．7．1 参数估计

4．7．2 模型验证

4．7．3 与随机森林算法的对比

5 结论与展望

5．1 结论

5．2 展望

参考文献

致谢

在学期间发表的学术论文及研究成果