基于特征分析的互联网消费金融风控研究

发布时间：2020-06-10 17:00

【摘要】：2013年底,党的十八届三中全会将“发展普惠金融”确立为国家战略。随后2015底发布推进普惠金融发展规划,而互联网消费金融作为普惠金融的先锋,发展迅猛,其中持牌类消费金融公司、P2P借贷公司、以及电商平台的电商金融占据了消费金融领域的一大半市场。一方面,互联网消费金融打破了传统银行的壁垒,使得借贷者能够在线上直接实现融资,这种创新型金融模式给我国金融改革带来新的机遇,为我国的经济转型、消费升级注入了新的活力。而另一方面,互联网消费金融的负面新闻频频出现,其风控能力备受质疑,因此如何做好风控、形成健康的盈利模式将是互联网消费金融面临的首要问题。分析我国互联网消费金融的发展现状,互联网消费金融产品主要分为三种经营模式:第一,信息资金服务中介;第二,传统消费金融的互联网化;第三,基于电商平台开展金融业务。在互联网消费金融迅猛发展的趋势下,主要面临三类风险:信用风险、技术风险和监管风险。其中欺诈类风险作为信用风险的主要表现形式,是互联网消费金融风控能力的主要指标,因此互联网消费金融反欺诈能力的提升刻不容缓。本文借鉴国内外的研究成果,结合统计学和机器学习等学科知识,以大数据为依托,提出了一套较为合理互联网消费金融的反欺诈模型。该模型主要由统计分析、模型验证、和人工验证三大部分组成,其中统计验证是采用统计方法收集、整理和分析原始数据;模型验证是使用机器学习算法,建立反欺诈模型,验证出有欺诈可能性的用户;人工验证是前两个模块的补充,再次审核可能存在欺诈的用户。基于反欺诈系统的模型框架,本文收集互联网消费金融的行业的实际数据,并以此进行建模与分析。原始数据集中包含用户的消费信息、社交信息和信用信息(异常类型和正常类型)。基于大数据统计分析,发现用户的消费、社交与用户的信用类型正相关,而用户的社交关系对用户的信用评价有明显影响。抽取部分训练集数据分别建立神经网络模型、支持向量机模型和随机森林模型,使用测试集数据进行验证,模型评估表明神经网络的预测效果最理想。最后,总结互联网消费金融反欺诈系统的研究成果,阐述研究中的不足之处,并且对建设互联网消费金融反欺诈系统给出合理的意见。
【图文】：

神经网络结构

神经网络灵活多变：由于神经网络神经元太多，网络层数不固定，，需，其参数设置可能多达几千个，如果参数设置不合理，比如学习速率欠拟合；如果训练样本过少，导致训练误差很小出现过拟合，因此在中，参数的设立变得异常重要。强大的泛化功能：人工神经网络通过样本数据进行训练，自我学习获接权值，具有强大的自我学习能力和自适应能力。神经网络模拟人类与其他机器学习的逻辑语言完全不一致。神经网络通过学习训练样与输出层之间的内在联系，从而找出最优解，这个过程并不依靠先天了人为的思维定势。络从零六年至今经历井喷式发展，目前已有很多网络模型，比如卷积神经网络以及由此衍生的循环神经网络 RNN。卷积神经网络主要用P 神经网络的泛化能力比较强，有很强的自适应性，本文选择 BP 神经

线性可分,支持向量机,情况,惩罚系数

图 3-3 支持向量机线性可分情况言，支持向量机模型同样也给出了计算模型，到高维向量空间中，在高维特征空间建立最优在高纬空间线性可分。根据这一原理，只要。，利用核函数和惩罚系数，对非线性可分问(为
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F724.6;F832

【参考文献】