P2P贷前反欺诈风控体系构建 近年来,随着互联网金融的兴起,其衍生品P2P开始普及,P2P平台如雨后春笋般展露头角,无论是平台数量还是交易额都大幅增长,2016年P2P交易规模已达到14955.1亿元。P2P的发展满足了大量个人消费者的小额贷款需求,但是,目前P2P市场情况复杂,借款用户的资质参差不齐,平台与借款人之间存在逆向选择、信息不对称等问题,导致P2P平台的坏账率居高不下,P2P平台的收益率也逐年降低。 为了降低用户的违约率,减少平台的运营风险,建立一个可靠的贷前反欺诈风控体系十分重要。本文先用文献分析法,研读了一批文献,发现国内关于P2P行业的征信体系不够完善,对用户的甄别大多仍依靠主观判断的方法,本文需要建立客观并且可量化的风控体系,选择分类效果良好的模型,继续查阅文献,最终确定了 GBDT,Xgboost和随机森林三个模型。 文献里也提到了用户的某些特征对用户的分类帮助很大,给建模工作提供了思路。接着用大数据建模法,本文共计获得了609名用户的完整数据。 首先将用户的数据量化,提取出33个特征。接着从特征里提取出强规则,只要用户的特征触发了强规则,直接拒绝该用户的申请。 下一步分别计算33个特征的IV值,如果IV值过小则表明该特征对筛选用户帮助不大,删除该特征不进入建模环节,最终取得32个有效特征。最后用数据训练上述三个模型,用ROC曲线以及混淆矩阵比较三个模型的预测结果,发现三个模型各有千秋,于是用投票法将三个模型结合在一起,结合后的总模型准确率得到了进一步的提高。 以上两个部分组成了本文的风控引擎,具体流程如下:用户填写完信息以后,先通过强规则引擎的判断,如果触发了强规则,则立即拒绝,接着再通过风控模型的判断,两者均通过就给予用户放款。 本文来源：https://www.wddqw.com/doc/ac8372eb2a160b4e767f5acfa1c7aa00b42a9dd2.html