组合模型在网络借贷反欺诈中的应用研究

发布时间：2020-03-22 16:26

【摘要】：伴随着网络借贷行业的兴起和繁荣,形形色色的欺诈事件在不断增加,甚至还形成了专门的黑色产业链,欺诈成了网络借贷行业难以规避的隐痛。网络借贷平台的风险控制能力是决定其是否能长期运行和健康发展的一个重要因素,是否能有效控制欺诈风险对网络借贷平台能否长期运行和健康发展更是起到至关重要的作用。为了丰富网络借贷平台的反欺诈手段,本文借鉴前人经验,提出了GBDTLogistic regression组合模型欺诈评分卡的理论并进行了实证分析,建立GBDTLogistic regression组合模型欺诈评分卡的具体步骤为:将多个原始变量作为GBDT模型的输入自变量,将是否欺诈作为GBDT模型的因变量,对GBDT模型进行参数选择和调优,然后通过调优后的GBDT模型生成欺诈概率,将其生成的欺诈概率进行WoE转换之后作为自变量与挑选的其余原始自变量一起经过因子分析转换生成因子得分,将因子得分作为Logistic regression模型的自变量输入,得到Logistic regression结果,然后再根据Logistic regression系数和因子分析结果将因子项还原成输入变量的方程,最后根据评分公式生成评分卡。本文分别对Logistic regression欺诈评分卡、GBDT模型、GBDT-Logistic regression组合模型欺诈评分卡进行了实证分析,并对这三种模型的结果进行了对比,对比结果表明,GBDT-Logistic regression组合模型欺诈评分卡比GBDT模型更稳定、更具可解释性;且GBDT-Logistic regression组合模型欺诈评分卡比Logistic regression欺诈评分卡区分能力和排序能力更强。
【图文】：

论文结构

接着就是实证分析，，此部分详细阐述了建立 Logisticregression 欺诈评分卡、GBDT 模型、GBDT-Logistic regression 组合模型欺诈评分卡的过程，并对三个模型的结果进行了对比和评估，生成 GBDT-Logistic regression 组合模型欺诈评分卡的具体步骤主要有：(1)业务访谈及数据调研；(2)好坏客户定义； (3)生成宽表；(4)建模样本分类；(5)筛选变量；(6)GBDT 模型开发及训练；(7)将 GBD模型生成的欺诈概率及原始变量进行 WoE 转换；(8)因子分析；(9)Logistiregression 模型开发及训练；(10)将因子项还原成欺诈概率及原始变量方程；(11生成欺诈评分卡，为每一个借款客户生成一个欺诈分，并对生成的欺诈评分卡的效果进行评估。最后是结论和展望，主要描述本文的结论、本文研究的局限性及未来的研究方向。论文结构如图 1.1 所示。引言研究背景及研究意义、论文内容及结构文献综述国内外反欺诈手段研究

函数曲线,人口增长,最早,函数

图 3.1 sigmoid 函数tic 函数最早是 Verhulst 为了研究人口增长而定义的，1978 年，对人口不控制的话，人口的增长会呈现几何级数增长趋势，而 4老师认为人口不可能无止尽的增长，于是让 Verhulst 去研究Verhulst 在 1983 年到 1947 年之间，发表了多篇研究人口增长 1945 年的一篇论文中，定义了 logistic 函数曲线来描述人口始人口呈指数增长，随着时间的流逝，人口增长趋势变缓，到饱和停止增长。 3.1 所示，logistic 函数有如下性质：(1)单调性;(2)有界性；(导性，导数公式如下： ( ) = ( )( ( )) logistic 函数的上述性质，我们将这个函数应用到线性回归的如( 3.9 ),( 3.10 )式所示：￡ ¨(P) = ∑ ( )
【学位授予单位】：对外经济贸易大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F724.6;F832.4

【相似文献】