基于贷款申请关联关系打击非法诈骗的处理方法及系统

摘要

本发明提供了一种基于贷款申请关联关系打击非法诈骗的方法，包括筛选银行流水账单，获取贷款申请人信息、获取疑似非法诈骗贷款及关联贷款申请信息、疑似非法诈骗贷款申请群集再确认、获得高度疑似非法诈骗贷款申请群集和整理输出信息。所述贷款申请关联关系打击非法诈骗的方法和系统具有工作效果高、可广泛实际使用等优点。

说明书

技术领域

本发明涉及一种打击非法诈骗的方法，特别涉及一种基于贷款申请关联打击非法诈骗的方法，属于非法集资分析处理领域。

背景技术

非法诈骗是指骗取贷款罪、贷款诈骗罪。

非法诈骗不论是对于社会还是群众都带来了极大的危害。一方面，非法诈骗损害参与者利益，使其遭受经济上的损失。非法诈骗犯罪分子通过欺骗手段骗取贷款后，往往对资金肆意挥霍、转移或者非法占有，致使贷款不能返还。另一方面，非法诈骗严重扰乱了社会正常的经济、金融秩序，极易引发社会风险，容易引发社会不稳定，严重影响社会和谐。

非法诈骗往往规模大、参与人员多，资金兑付比例低，处置难度大，容易引起大量社会治安问题。近年，非法诈骗类犯罪发案越发频繁、涉案金额屡创新高。

当前，非法诈骗已成为激化矛盾、影响社会稳定的突出问题，属于典型的经济犯罪，具有严重的社会危害性，但如何从正常贷款中识别出疑似非法诈骗贷款，仍然是一个难题。目前，主要通过对帐户具体操作行为进行监控的方式识别疑似非法诈骗贷款，如申请号为201910138922.1的发明专利中提到的方法，该方法虽然能够识别出一定的非法诈骗贷款，但监控内容单一，很多非法诈骗贷款不易被识别出，尤其是家族式的诈骗贷款更具有隐蔽性。

因此，亟待设计一种有效的方法综合多个信息对出现的非法诈骗现象进行打击。

发明内容

为了解决上述问题，本发明人进行了锐意研究，基于贷款申请关联关系，得到了一种打击非法诈骗的系统及处理方法，从而完成本发明。

本发明的目的在于提供以下方面：

一方面，本发明提供了一种基于贷款申请关联关系打击非法诈骗的方法，包括以下步骤：

S1、筛选银行流水账单，获取贷款申请人信息；

S2、通过与其它金融机构信息匹配，获取疑似非法诈骗贷款及关联贷款申请信息；

S3、通过疑似非法诈骗贷款申请与关联贷款申请比例，再次确认疑似非法诈骗贷款申请群集；

S4、与银行交易流水比对，获得高度疑似非法诈骗贷款申请群集；

S5、整理输出信息。

在步骤S1中，包括以下子步骤：

S11、通过TRANSLATE函数去除符号乱码；

S12、通过REPLACE函数去除空格和分隔符。

在步骤S2中，包括以下子步骤：

S21、对申请人进行过滤，去除不存在非法诈骗可能性的贷款申请人；

S22、通过筛选条件，初步筛选出具有非法诈骗可能性的贷款申请人；

S23、关联具有非法诈骗可能性的贷款申请人的相关贷款，获得贷款申请集群；

S24、去重汇总，获得关联贷款申请列表；

S25、二次筛选，获得疑似非法诈骗贷款申请群集。

步骤S22包括如下子步骤：

S221、判断贷款申请人是否有严重刑事犯罪记录；

S222、判断贷款申请人名下有无房产；S223、判断贷款申请人成年时间是是否小于等于6个月；

S224、判断贷款贷款申请人连续缴纳社保时间是否小于等于6个月。

步骤S23包括以下子步骤：

S230、将具有非法诈骗可能性的贷款申请人信息与其它金融机构信息数据进行关联匹配，关联出贷款申请人主要亲属和次要亲属；

S231、将本次贷款申请与贷款人的主要亲属的贷款申请进行关联，得到贷款申请主要亲属关联贷款申请；

S232、将本次贷款申请与所述贷款申请人的其它贷款申请进行关联，得到贷款申请人关联贷款申请；

S233、将本次贷款申请与贷款申请次要亲属的贷款申请进行关联，得到贷款申请次要亲属关联贷款申请。

步骤S25包括如下子步骤：

S251、判断贷款申请人是否有严重刑事犯罪记录，

S252、判断贷款申请人成年时间是是否小于等于3个月，

S253、判断贷款申请人连续社保缴纳时间是否小于等于3个月。

步骤S3包括如下子步骤：

S31、获得疑似非法诈骗贷款申请占关联贷款申请的比例，

S32、当所述比例小于阈值时，则认为步骤S25中得到的疑似非法诈骗贷款申请为正常申请，将其从疑似非法诈骗贷款申请群集中删除，当所述比例大于等于阈值时，则确认其仍然为疑似非法诈骗贷款申请，所述阈值为70％。

步骤S4包括以下子步骤：

S41、根据贷款申请人进行银行流水账单数据的关联，判断是否存在流水交易，若无，则认为其申请的贷款不是高度疑似非法诈骗贷款申请；

S42、利用数据库中的SUBSTR函数和TO_DATE函数将银行流水数据中的“交易日期”进行提取转换；

S43、利用数据库中的MONTHS_BETWEEN函数将转换后的“交易日期”和当前时间做比较，利用数据库中的TRUNC函数取整数，如果结果小于等于1，视为同一个月的流水交易，即当月的流水交易；

S44、筛选出具有当月流水交易的贷款申请人的贷款申请，得到高度疑似非法诈骗贷款申请群集。

另一方面，本发明还提供了一种基于贷款申请关联关系打击非法诈骗的系统，该系统包括贷款申请人确认部1、其它金融机构信息匹配部2、疑似非法诈骗贷款申请群集验证部3、资金关联部4和高度疑似非法诈骗贷款申请群集输出部5。

根据本发明提供的一种基于贷款申请关联关系打击非法诈骗的方法和系统，具有以下有益效果：

本发明所具有的有益效果包括：

(1)本发明所述系统和方法简单，可以广泛投入实际应用；

(2)本发明所述系统和方法工作效果高，可以高效地排查出高度疑似非法诈骗贷款申请，大大减小了公安厅或相关部门的排查工作，并且，大大提高了排查效率。

附图说明

图1示出一种优选实施方式中基于贷款申请关联关系打击非法诈骗的方法的流程图；

图2示出一种优选实施方式的基于贷款申请关联关系打击非法诈骗的系统的示意图。

具体实施方式

下面通过对本发明进行详细说明，本发明的特点和优点将随着这些示例性说明而变得更为清楚、明确。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

一方面，本发明提供了一种基于贷款申请关联关系打击非法诈骗的方法，如图1所示，该方法包括如下步骤：

S1、筛选银行流水账单，获取贷款申请人信息；

S2、通过与其它金融机构信息匹配，获取疑似非法诈骗贷款及关联贷款申请信息；

S3、通过疑似非法诈骗贷款申请与关联贷款申请比例，再次确认疑似非法诈骗贷款申请群集；

S4、与银行交易流水比对，获得高度疑似非法诈骗贷款申请群集；

S5、整理输出信息。

具体的，在步骤S1中，所述筛选银行流水账单，获取贷款申请人信息，为从银行流水账单数据中筛选出贷款申请人信息，银行流水账单中包含了大量的信息，包括符号、空格、分隔符、数字等，需要从银行流水账单数据的大量贷款申请信息中确认或筛选出贷款申请人。

在一个优选的实施方式中，在步骤S1中，包括以下子步骤：

S11、通过函数去除符号乱码；

所述符号乱码是指姓名中不会出现的字符，例如“、！、@、#、￥、％、……、&、*、、)、”等，优选通过ORACLE数据库中的TRANSLATE函数对客户人字段中的符号乱码进行去除，

在一个更优选的实施方式中，当银行流水账单数据中资金收付标志字段等于“收”或“付”时，才进行符号乱码的去除，当银行流水账单数据中资金收付标志字段不等于“收”或“付”时，放弃对此条信息的处理，以减少处理量，提高处理效率。

S12、通过函数去除空格和分隔符；

在银行电子系统的处理过程中，会在银行流水账单数据中产生大量的空格和分隔符，这些符号会干扰数据的比对和处理，造成数据的识别错误，进而造成数据的浪费，还会导致分析的准确性降低，

在本发明中，优选通过数据库中的REPLACE函数将银行流水账单数据中的空格和TAB分隔去除。

在步骤S2中，所述获取关联贷款申请信息，是指通过与其它金融机构信息进行匹配，得到与申请人有关联的关联贷款申请信息，其中所述申请人为步骤S1中筛选出的申请人。

所述其它金融机构信息是指除贷款申请银行外的其它银行和借贷公司。

在一个优选的实施方案中，在进行匹配之前，还可以具有步骤：

S21、对申请人进行过滤，去除不存在非法诈骗可能性的贷款申请人；

根据本发明，部分申请人经过排查或其它方式，能够确认其不存在非法诈骗可能性，将其过滤掉，不在对其进行分析，以提升分析效率。

优选地，通过白名单的方式进行过滤，设立一个白名单，在白名单中记录有经过调查或其它方式已确认的不存在非法诈骗可能性的贷款申请人。

在一种优选的实施方式中，在步骤S21中，利用数据库中的EXISTS函数进行判断，如果贷款申请人的字符串和白名单中的字符串完全相等，则将这些相等的贷款申请去除。

发明人发现，即便通过白名单去除了一部分不存在非法诈骗可能性的贷款申请人，剩余的申请人仍然很多，如何在如此多的申请人中筛选出具有高概率非法诈骗可能性的贷款申请人，是完成本发明的关键。

根据本发明，在步骤S2中，还包括子步骤：

S22、通过筛选条件，初步筛选出具有非法诈骗可能性的贷款申请人；

发明人根据大量实验分析以及研究后得到了一组可靠的筛选条件，包括：贷款申请人是否有严重刑事犯罪记录、贷款申请人名下是否无房产、贷款申请人成年时间是否小于等于6个月和/或贷款申请人连续缴纳社保时间是否小于等于6个月。

具体的，当一个贷款申请的申请人满足上述任意一项筛选条件时，则认为其是具有非法诈骗可能性的贷款申请人，本次贷款申请具有非法诈骗可能性。

在一个优选的实施方式中，所述步骤S22还可以包括如下子步骤：

S221、判断贷款申请人是否有严重刑事犯罪记录，

通过公安系统查询比对贷款申请人是否有严重刑事犯罪记录，若有，则认为其具有非法诈骗可能性。并在银行流水账单的贷款申请中“有无犯罪记录”字段下添加相应描述，若该申请人有犯罪记录，则认为其具有非法诈骗可能性。

S222、判断贷款申请人名下有无房产；

通过不动产登记信息管理平台比对贷款申请人名下是否有房产，若贷款申请人名下无房产，则认为本次贷款申请具有非法诈骗可能性。

S223、判断贷款申请人成年时间是否小于等于6个月，

若贷款申请人成年时间小于等于6个月，则认为本次贷款申请具有非法诈骗可能性。

在一个优选的实施方式中，通过数据库中的SUBSTR函数、TO_DATE函数将贷款申请人生日提取转换，利用数据库中的MONTHS_BETWEEN函数将转换后的成年日期和当前时间做比较，利用数据库中的TRUNC函数取整数，如果结果小于等于6，则贷款申请被判断是在6个月以内成年的，认为其具有非法诈骗可能性。

S224、判断贷款贷款申请人连续缴纳社保时间是否小于等于6个月，

若贷款申请人连续缴纳社保时间小于等于6个月，则认为本次贷款申请具有非法诈骗可能性。

在一个优选的实施方式中，利用数据库中的COUNT函数统计贷款申请人社保记录字段值，如果结果小于等于6，则认为贷款申请人连续缴纳社保小于等于6个月，认为本次贷款申请具有非法诈骗可能性。

根据本发明，在步骤S2中，还包括子步骤：

S23、关联具有非法诈骗可能性的贷款申请人的相关贷款，获得贷款申请集群；

对步骤S22中得到的具有非法诈骗可能性的贷款申请人的贷款申请进行处理，关联出与所述贷款申请有关联的关联贷款申请，进而获得贷款申请集群；

在一个优选的实施方式中，步骤S23还包括以下子步骤：

S230、将具有非法诈骗可能性的贷款申请人信息与其它金融机构信息数据进行关联匹配，关联出贷款申请人主要亲属和次要亲属，

所述贷款申请人主要亲属包括贷款申请人父母、贷款申请人配偶、贷款申请人子女以及上述人员对应的人员ID，

所述贷款申请人次要亲属包括三代以内的旁系血亲，如伯、叔、姑、舅、姨、侄子女、甥子女、堂兄弟姊妹、表兄弟姊妹等。

S231、将本次贷款申请与贷款人的主要亲属的贷款申请进行关联，得到贷款申请主要亲属关联贷款申请。

S232、将本次贷款申请与所述贷款申请人的其它贷款申请进行关联，得到贷款申请人关联贷款申请；

S233、将本次贷款申请与贷款申请次要亲属的贷款申请进行关联，得到贷款申请次要亲属关联贷款申请。

在一个优选的实施方式中，在步骤231中，可以通过如下子步骤进行：

S2311、利用数据库中的REPLACE函数与TRANSLATE函数，去除贷款申请主要亲属表中“人”和“人员ID”字符串中的乱码和空格；

S2312、利用贷款申请主要亲属的人和人员ID分别与贷款申请主要亲属表中的人员人和人员ID进行关联匹配，若匹配出，则说明匹配的人员存在贷款特征，并关联出贷款申请；

S2313、利用贷款申请主要亲属的人和人员ID分别与其它金融机构信息数据中贷款申请的人员人和人员ID进行关联匹配，若匹配出，则说明匹配的人员存在贷款特征，并关联出贷款申请。

根据本发明一种优选的实施方式，步骤S232还可以包括以下子步骤：

S2321、利用数据库中的REPLACE函数与TRANSLATE函数结合使用，去除字符串中的乱码和空格；

S2322、将贷款申请人分别与其它金融机构信息数据中的“贷款申请人”字段进行关联匹配，若匹配出，则说明贷款申请人存在贷款特征，并关联出贷款申请。

在一个优选的实施方式中，步骤S233包括以下子步骤：

S2331、利用数据库中的REPLACE函数与TRANSLATE函数，去除贷款申请主要亲属表中“人”和“人员ID”字符串中的乱码和空格；

S2332、利用贷款申请次要亲属的人和人员ID分别与贷款申请主要亲属表中的人员人和人员ID进行关联匹配，若匹配出，则说明匹配的次要亲属存在贷款特征，并关联出贷款申请；

S2333、利用贷款申请次要亲属的人和人员ID分别与其它金融机构信息数据中贷款申请的人员人和人员ID进行关联匹配，若匹配出，则说明匹配的次要亲属存在贷款特征，并关联出贷款申请。

根据本发明，在步骤S2中，还包括子步骤：

S24、去重汇总，获得关联贷款申请列表；

对步骤S23中关联出的贷款申请进行汇总，得到关联贷款申请列表。

在汇总的过程中，会出现同一个贷款申请人有多个贷款申请，需要对其进行汇总去重，根据本发明一种优选的实施方式，步骤S24按照如下方法进行：

利用数据库中的UNION函数对步骤S23关联出的贷款进行汇总，以去除重复的贷款申请人。

进一步地，所述步骤S24还包括：利用数据库中的TRANSLATE函数将贷款申请人中的符号乱码去除，利用数据库中的REPLACE函数替换字符串中的空字符串，形成关联贷款申请列表。

根据本发明，在步骤S2中，还包括子步骤：

S25、二次筛选，获得疑似非法诈骗贷款申请群集；

所述二次筛选为对步骤S24中得到的关联贷款申请列表进行二次筛选，以筛选出疑似非法诈骗贷款申请群集，

发明人根据大量大量实验与分析以及研究后得到了一组可靠的筛选条件，包括：贷款申请人是否有严重刑事犯罪记录、贷款申请人名下是否无汽车和/或贷款申请人连续缴纳社保时间是否小于等于3个月。

具体的，当一个贷款申请的申请人满足上述任意一项筛选条件时，则认为其是疑似非法诈骗的贷款申请人，本次贷款申请为疑似非法诈骗贷款申请。

在一个优选的实施方式中，所述步骤S25还可以包括如下子步骤：

S251、判断贷款申请人是否有严重刑事犯罪记录，

在关联贷款申请列表中筛选出贷款申请状态为“贷款申请人有严重刑事犯罪记录”的贷款申请，筛选出的贷款申请为疑似非法诈骗贷款申请；

S252、判断贷款申请人成年时间是是否小于等于3个月，

若贷款申请人成年时间小于等于3个月，则认为本次贷款申请为疑似非法诈骗贷款申请。

具体地，利用数据库中的SUBSTR函数、TO_DATE函数将贷款申请人生日提取转换，利用数据库中的MONTHS_BETWEEN函数将转换后的成年日期和当前时间做比较，利用数据库中的TRUNC函数取整数，如果结果小于等于3，则贷款申请人是在3个月以内成年的，并进行筛选；

S253、判断贷款申请人连续社保缴纳时间是否小于等于3个月，

若贷款申请人连续社保缴纳时间小于等于3个月，则认为本次贷款申请为疑似非法诈骗贷款申请。

具体地，利用数据库中的REPLACE函数将贷款申请注册资金字段中的“NULL”字符串替换为空字符串，并利用数据库中的TO_NUMBER函数将字符串类型转换成数值型，如果结果小于等于3，则认为满足条件的贷款申请的贷款申请人连续缴纳社保小于等于3个月，并进行筛选。

在本发明中，根据步骤S251～S253,筛选出的疑似非法诈骗贷款申请，综合后得到疑似非法诈骗贷款申请群集。

在本发明中，所述筛选条件通过以下方式获得：

S201、预估筛选条件，

根据工作经验和已知案例，做出多组可能的筛选条件。

S202、真实样本验证，

选取真实的贷款申请数据，针对某一已查明的非法诈骗贷款申请的样本，按照本发明提供的方法，将筛选条件逐个代入中，确定代入结果与已查明的非法诈骗贷款申请结果吻合度最高的筛选条件，将此筛选条件保留。

优选地，所述真实的贷款申请数据大于100万条数据量。

在一个优选的实施方式中，针对多个已查明的非法诈骗贷款申请的样本，重复步骤S202，得到多个筛选条件，综合得到的多个筛选条件，确定最终的筛选条件。

在步骤S3中，所述疑似非法诈骗贷款申请群集再确认，是指对步骤S1和步骤S2筛选出的贷款申请进行再次确认，以提高判定的疑似非法诈骗贷款申请群集的准确程度，优选地，包括子步骤：

S31、获得疑似非法诈骗贷款申请占关联贷款申请的比例，

将步骤S25得到的疑似非法诈骗贷款申请群集中的贷款申请数量除以步骤S24中获得的关联贷款申请列表中的贷款申请数量；

S32、当所述比例小于阈值时，则认为步骤S25中得到的疑似非法诈骗贷款申请为正常申请，将其从疑似非法诈骗贷款申请群集中删除，当所述比例大于等于阈值时，则确认其仍然为疑似非法诈骗贷款申请。

在一个优选的实施方式中，所述阈值通过以下方式获得：

S321、预估比例，

根据工作经验和已知案例，预估多个阈值。

S322、真实样本验证，

选取真实的贷款申请数据，针对某一已查明的非法诈骗贷款申请的样本，按照本发明提供的方法，将阈值逐个代入中，确定代入结果与已查明的非法诈骗贷款申请结果吻合度最高的阈值，将此阈值保留。

优选地，所述真实的贷款申请数据大于100万条数据量。

在一个优选的实施方式中，针对多个已查明的非法诈骗贷款申请的样本，重复步骤S322，得到多个阈值，将阈值平均后，得到最终的阈值。

在一个更优选地实施方式中，所述阈值为70％。

在步骤S4中，所述获得高度疑似非法诈骗贷款申请群集，是通过将步骤S3中确认的疑似非法诈骗贷款申请与银行交易流水比对分析得到，当贷款申请人存在当月流水交易时，其贷款申请为高度疑似非法诈骗贷款申请。

优选地，可以包括以下子步骤：

S41、根据贷款申请人进行银行流水账单数据的关联，判断是否存在流水交易，若无，则认为其申请的贷款不是高度疑似非法诈骗贷款申请；

其中，当疑似贷款申请集群列表中的贷款申请人等于银行流水账单数据中的“客户人/姓名”或等于“交易对手姓名/人”时，说明所述贷款申请存在流水交易；

S42、利用数据库中的SUBSTR函数和TO_DATE函数将银行流水数据中的“交易日期”进行提取转换；

S43、利用数据库中的MONTHS_BETWEEN函数将转换后的“交易日期”和当前时间做比较，利用数据库中的TRUNC函数取整数，如果结果小于等于1，视为同一个月的流水交易，即当月的流水交易；

S44、筛选出具有当月流水交易的贷款申请人的贷款申请，得到高度疑似非法诈骗贷款申请群集。

其中，对每个月的流水交易进行监控。

在步骤S5中，所述整理输出信息是指将步骤S4得到的高度疑似非法诈骗贷款申请群集的信息进行整理，包括去重、提炼贷款申请人、账户信息、客户人、交易对手人等，以供有关部门排查。

另一方面，本发明还提供了一种基于贷款申请关联关系打击非法诈骗的系统，如图2所示，包括贷款申请人确认部1、其它金融机构信息匹配部2、疑似非法诈骗贷款申请群集验证部3、资金关联部4和高度疑似非法诈骗贷款申请群集输出部5。

其中，所述贷款申请筛选部1用于从银行流水账单数据中确认或筛选出贷款申请人；

所述其它金融机构信息匹配部2用于对确认出的贷款申请人在其它金融机构信息内进行关联贷款申请的匹配，得到与所述贷款申请有关联的关联贷款申请，即贷款申请群集；

所述疑似非法诈骗贷款申请群集验证部3用于对其它金融机构信息匹配部2匹配后获得的贷款申请群集进行验证，验证其是否为疑似非法诈骗贷款申请群集；

所述资金关联部4用于根据当月流水状况进一步确定所述疑似非法诈骗贷款申请群集是否为高度疑似非法诈骗贷款申请群集；

所述高度疑似非法诈骗贷款申请群集输出部5用于将资金关联部4确定的高度疑似非法诈骗贷款申请群集的贷款申请信息进行归结，输出高度疑似非法诈骗贷款申请的信息。

根据本发明一种优选的实施方式，所述其它金融机构信息匹配部2包括白名单过滤部21、贷款申请筛选部一22、贷款申请关联部23、关联贷款申请汇总部24和贷款申请筛选部二25。

其中，所述白名单过滤部21用于过滤掉经过确认的测试帐号等不存在非法诈骗可能性的贷款申请；

所述贷款申请筛选部一22用于对经过白名单过滤部21过滤后的贷款申请进行初步筛选；

所述贷款申请关联部23用于关联出与所述贷款申请有关联的关联贷款申请，获得贷款申请集群；

所述关联贷款申请汇总部24用于对贷款申请关联部23得到的贷款申请集群进行汇总，得到关联贷款申请列表；

所述贷款申请筛选部二25用于对关联贷款申请汇总部24汇总的关联贷款申请列表进一步筛选，得到疑似非法诈骗贷款申请群集。

在进一步优选的实施方式中，所述贷款申请关联部23包括贷款申请主要亲属关联贷款申请部231、贷款申请人关联贷款申请部232和贷款申请次要亲属关联贷款申请部233。

其中，所述贷款申请主要亲属关联贷款申请部231用于对于贷款申请的主要亲属的贷款申请进行关联；所述贷款申请人关联贷款申请部232用于对与所述贷款申请人的贷款申请进行关联；所述贷款申请次要亲属关联贷款申请部233用于对与贷款申请次要亲属的贷款申请进行关联。

在更进一步优选的实施方式中，所述贷款申请筛选部一22的筛选条件包括：(a)贷款申请人有无严重刑事犯罪记录，(b)贷款申请人名下有房产，和(c)贷款申请人连续缴纳社保小于等于6个月；所述贷款申请筛选部二25的筛选条件包括：(a)贷款申请人有无严重刑事犯罪记录，(b)贷款申请人名下有汽车，和(c)贷款申请人连续缴纳社保小于等于3个月。

根据本发明一种优选的实施方式，所述疑似非法诈骗贷款申请群集验证部3用于，将贷款申请筛选部二25得到的贷款申请数量除以关联贷款申请汇总部24汇总的关联贷款申请列表中的贷款申请数量，得到疑似非法诈骗贷款申请占关联贷款申请的比例。

在进一步优选的实施方式中，当比例大于等于70％时，则贷款申请筛选部二25得到的贷款申请群集即为疑似非法诈骗的贷款申请群集。

根据本发明一种优选的实施方式，资金关联部4进行如下处理：根据贷款申请人进行银行流水账单数据的关联，并筛选在当月具有流水交易的贷款申请，认定为高度疑似非法诈骗的贷款申请集群。

所述高度疑似非法诈骗贷款申请群集输出部5能够将高度疑似非法诈骗贷款申请群集的信息进行整理，包括去重、提炼贷款申请人、账户信息、客户人、交易对手人等，并进行输出或展示。

实施例

将本发明所述方法于2019年6月初在某金融贷款平台进行运行，对某金融贷款平台的贷款申请进行非法诈骗筛查，筛选银行流水账单后，获取贷款申请人信息，如表一所示：

表一

通过与其它金融机构信息匹配后，筛选出有犯罪记录疑似非法诈骗贷款申请如表二所示：

表二

通过与其它金融机构信息匹配后，筛选出无房产的疑似非法诈骗贷款申请如表三所示

表三

同样地，根据贷款申请人是否6个月内成年和贷款申请人连续缴纳社保时间是否小于6个月，筛选出疑似非法诈骗贷款申请，并将结果合并，初步筛选出具有非法诈骗可能性的贷款申请人，如表四所示：

表四

将上表中贷款申请关联出疑似非法诈骗贷款申请群集，如表五所示：

表五

对表五中的信息进行二次筛选，筛选条件为贷款申请人是否有严重刑事犯罪记录、贷款申请人名下是否无汽车和贷款申请人连续缴纳社保时间是否小于等于3个月，获得疑似非法诈骗贷款申请群集，如表六所示：

表六

根据表六与表五的数据，计算疑似非法诈骗贷款申请占关联贷款申请的比例，例如表五中何某相关贷款数为5，表六中何某相关贷款数为4，则其比例为80％，大于设定阈值70％，确认与何某相关的贷款为疑似非法诈骗贷款申请，得到表七：

表七

将表七种的贷款申请人进行银行流水账单数据的关联，其中贷款申请人存在当月流水交易的贷款申请保留，结果如表八所示：

表八

将表八中的贷款申请人、账户信息、客户人、交易对手人等内容提供给相关部门，对其进行重点人工排查。此次，共排查出58笔高度疑似非法诈骗的贷款申请，某金融贷款平台对排查出的贷款申请进行人工重点检查，确认21笔贷款申请确实存在非法诈骗现象。

以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。