P2P借贷欺诈检测：一种大数据方法

摘要

P2P借贷直接连接借款人和出借人，无需金融机构作为中介。这种新型的众筹形式为出借人带来了更多的投资机会，但也带来了前所未有的违约和欺诈风险。本研究进展论文聚焦于一种特定类型的欺诈——贷款申请欺诈，由于中国缺乏全国性信用评级系统，此类欺诈可能在中国P2P借贷网站的出借人中尤为突出。我们提出了围绕贷款申请欺诈问题的研究问题（包括其类型、特征及检测方法），并阐述了我们的研究方法与项目计划。具体而言，我们计划开发基于数据挖掘的方法，并采用大数据方法来解答这些研究问题。借助来自多种来源的大量数据，我们将探索如何更有效地利用关于用户行为和交易历史的丰富数据集，以更高效地检测贷款申请欺诈。

关键词 ：P2P借贷 · 贷款申请欺诈 · 金融欺诈检测 · 大数据方法

1 引言

近年来，由于网络和信息技术的进步，全球范围内的众筹得到了快速发展。自2013年（常被称为中国互联网金融时代的元年）以来，众多众筹平台和网站迅速在中国涌现。在这股基于网络的金融创新浪潮中，点对点（P2P）借贷已成为最重要和最显著的众筹形式之一。

P2P借贷与传统的金融贷款实践有很大不同。传统上，金融机构（例如银行）从众多个人客户（或出借人）那里吸收存款，并向他们支付存款利息。然后，该机构将资金贷给借款人（例如企业），并收取更高的利率。在此过程中，出借人和借款人仅通过金融机构间接连接。作为信用中介，金融机构能够在做出贷款决策时评估借款人的可信度并判断其还款能力，从而在很大程度上降低违约风险。相比之下，P2P借贷的特点是缺乏金融中介机构。P2P借贷网站仅仅是人们买卖贷款的市场。也就是说，除了提供平台以促成贷款交易并提供借款人及其贷款的必要信息外，P2P借贷网站并不评估借款人的可信度、评估与贷款相关的金融风险，也不帮助出借人做出投资决策。因此，出借人必须承担比使用传统金融机构时更高的风险。

更严重的是，出借人可能成为这些众筹平台上新型金融欺诈——贷款申请欺诈的受害者。例如，借款人可能以申请医疗应急贷款为名，而实际借款目的是购买奢侈品。企业主可能虚构借款请求，为不存在的项目募集资金，谎报公司财务状况，夸大公司的盈利前景和还款能力。在获得足额贷款资金后，这些借款人可能违约，给出借人造成财务损失。此类欺诈不仅给出借人带来经济（甚至情感）上的伤害，也对P2P网站造成巨大损害，破坏其声誉。2014年，中国广州的四家纸业公司实施了虚假贷款，导致一家名为My089的P2P网站产生高达¥100,000,000的坏账风险[29]。

贷款申请欺诈的存在可能归因于以下几个原因。首先，由于P2P网站上的所有用户（借款人和出借人）均为匿名，出借人无法获取借款人身份、收入和信用记录的完整且准确的信息。这种信息不对称使得出借人极易受到贷款申请欺诈的影响。其次，中国尚未建立全国性信用评级系统来报告个人的信用记录。因此，从借款人的角度来看，实施欺诈或贷款违约的后果并不严重，对其未来获得贷款的机会产生的负面影响也极小。第三，尽管中国大多数P2P借贷平台已通过仔细核实借款人的身份、职业、收入和房产所有权，在加强风险管理方面做出了巨大努力，但这一过程在很大程度上依赖人工，容易出错。恶意借款人仍有可能伪造资料，利用误导性或虚假信息诱使出借人资助其借款请求。

因此，开发高效且有效的策略和技术来检测贷款申请欺诈显得尤为迫切。本研究旨在解决P2P借贷环境下的欺诈检测问题。由于P2P借贷是一种相对较新的现象，针对贷款请求欺诈检测的研究尚不多见，这使得该任务具有挑战性。然而，另一方面，商业分析、云计算和大数据领域的最新进展也为开发创新的大数据方法用于金融欺诈检测带来了新的机遇。随着关于用户在线行为、购买记录和社交网络的数据日益增多，挖掘用户及其数字足迹的大规模多维数据、交叉验证P2P借款人信用状况以及检测欺诈性贷款请求成为可能。

具体而言，本研究旨在解决四个研究问题：
- P2P借贷中存在哪些不同类型的贷款申请欺诈？
- 可以使用哪些features and variables来检测贷款申请欺诈？
- 哪些methods and techniques在检测贷款申请欺诈方面更有效且高效？
- 如何利用“big data”来提升贷款申请欺诈检测的性能？

本文的其余部分组织如下。在下一节中，我们将回顾关于P2P借贷和金融欺诈检测的文献。第3节将描述我们的研究方法并列出项目计划。最后一节总结了该研究的潜在贡献并对全文进行总结。

2 文献综述

2.1 P2P借贷

P2P（点对点）借贷是一种在线拍卖平台，允许个人在没有中介金融机构的情况下从他人处获得贷款。P2P借贷是众筹的一种类型，众筹广义上定义为“通过向大量人群筹集资金贡献来资助项目或事业，通常通过互联网进行”[31]。其他类型的众筹包括捐赠型、奖励型和股权型[6]。

自诞生以来，P2P借贷已引起公众、媒体和学术界的广泛关注。第一个P2P借贷网站Zopa.com于2005年在英国推出。此后，许多国家涌现出大量P2P借贷网站和平台。在美国，两大最大的P2P借贷网站是Prosper和LendingClub。例如，成立于2006年的Proposer已拥有超过两百万名会员，并提供了超过20亿美元的贷款[27]。作为中国首个P2P借贷网站，拍拍贷已吸引了超过五百万用户，成为领先的P2P平台之一[26]。中国其他大型P2P借贷网站还包括宜信、My089、eDai365等。最近两年，中国出现了大量新的P2P借贷网站。

在典型的P2P网站上，个人用户（称为借款人）可以创建一个借款请求（称为贷款列表），以特定金额进行拍卖。借款人还必须指定其愿意支付的最高利率。其他个人（称为出借人）可以通过承诺为该贷款列表出资一定金额，并指定其愿意接受的最低利率，来对借款请求进行出价。拍卖通常会持续数天。

与贷款列表一同展示的还有关于借款人的关键信息，包括用户名、信用等级（由拍拍贷评定）、借款历史以及借款人的可选图片。同一页上的表格记录了已对贷款列表出价的出借人、他们的出资金额以及他们愿意接受的利率。

借款人可以选择开放式或封闭式拍卖模式。在封闭式模式下，如果借款请求已获得足够的资金，则会立即关闭。在开放式模式下，如果借款请求在其指定期限结束前已足额funding，出借人可以继续竞争并降低最终利率。无论采用何种拍卖模式，只要借款请求获得足够的资金支持，就会生成一笔贷款。每笔贷款的期限为6至36个月，借款人每月还款额将根据中标出借人的出资比例进行分配。按照还款计划正常还款的贷款状态为“正常”。贷款状态也可能为“逾期一个月”或“逾期两个月”。逾期三个月及以上的贷款被视为违约。

尽管P2P借贷为出借人带来了新的投资机会和渠道，但也带来了前所未有的挑战和风险，其中违约是出借人在向陌生人出借资金时必须承担的最大风险。为了保护出借人的投资并最小化违约风险，每个P2P网站都采用了各种风险管理措施，如身份验证和信用等级评估。尽管用户的真实身份从不会在网站上公开，但P2P平台在允许用户进行任何交易之前，总会通过其社会保险号码、驾照号码、银行账号或其他有效身份证件来核实用户身份。P2P网站通常还会收集并向公众提供有关借款人的额外信息。例如，拍拍贷会根据借款人在拍拍贷内的收入、职业、教育水平和信用记录，为其分配一个从AA（高质量）到HR（低质量）的字母信用等级[26]。借款人的房产所有权、过去和当前的逾期还款情况、现有信贷额度以及银行卡使用率也可能在网站上披露。

然而，尽管存在这些验证和防范措施，出借人能够获取的关于借款人的信息仍然非常有限；信息不对称这一根本问题依然存在。信息不对称是指在交易中，一方比另一方拥有更多或更好的信息[2]。在传统借贷环境中，作为借款人与出借人之间的中介，金融机构能够获取借款人的详细信息，并具备先进的风险评估工具。因此，它们能够有效缓解信息不对称并降低投资风险。然而，与银行不同，P2P出借人无法获得关于借款人的全面信息。因此，借款人与出借人之间的信息不对称显著加剧。

2.2 P2P借贷的前期研究

关于P2P借贷的文献主要关注信息不对称条件下出借人的借贷决策过程。总体而言，已有研究主要围绕两类研究问题展开：（a）哪些类型的信息会影响出借人的借贷决策？（b）哪些因素与违约相关或可用于预测违约？

对于第一个问题，研究发现两种信息——硬信用信息和软信息——在出借人决定是否对贷款请求出价时发挥作用[18]。硬信用信息指的是关于借款人的量化参数（例如信用评分或等级、负债收入比、房产所有权以及信用卡数量）。显然，信用评分高且负债收入比低的借款人更容易获得贷款请求的资助。

然而，也有研究指出，信用等级较差的借款人提交的贷款请求也可能成功获得资金。在这种情况下，通常是软信息使出借人信任借款人，并相信其能够按时还款。软信息是指未体现在硬信用信息中的借款人特征，例如借款人的个人资本（如性别、年龄、种族、外貌）[18]。波普和辛多尔发现，女性、白人或亚裔借款人提出的贷款请求更有可能吸引资金[25]。类似地，杜阿尔特等人发现，出借人倾向于认为外貌有吸引力的借款人更值得信赖[11]。另一种重要的软信息与借款人的社会资本有关，可以通过借款人的好友数量以及其朋友对借款人贷款请求所提供的担保数量来衡量[3,18,19]。在这种情况下，社会资本作为借款人贷款质量或可信度的信号。

对于第二个研究问题，大多数研究指出，信用等级较高的贷款通常具有较低的违约率。然而，个人或社会资本较好的借款人可能在贷后还款表现上并不一定良好，并且相比硬性评分较高的借款人更容易发生违约[4,10,12,14–17]。

需要注意的是，违约并不一定是由虚假贷款申请引起的。一个诚实可信的借款人提出的有效且合法的借款请求，也可能由于借款人意外的财务困境、失业或健康问题等各种原因而最终导致违约。然而，另一方面，违约通常是虚假贷款申请的必然结果，因为虚假贷款申请旨在通过欺骗出借人以获取经济利益。

2.3 欺诈检测

韦氏法律词典将欺诈定义为“在交易中涉及重要事实的虚假陈述或隐瞒，且行为人明知其虚假性或罔顾其真实性，并具有欺骗他人的意图，而他人合理地依赖该虚假陈述或隐瞒并因此受到损害”。贷款申请欺诈可被视为一种金融欺诈。普阿等人将金融欺诈分为四类[24]：内部欺诈（即企业虚假财务报告）、保险欺诈（即虚假保险索赔）、信用卡欺诈（即虚假购买）和电信欺诈。

统计方法和数据挖掘技术已广泛用于检测金融欺诈。在数据挖掘方法中，首先从大量关于交易或用户行为的历史数据中提取常规模式或模型。然后将任何新数据与这些常规模式进行比较，并对显著偏离常规模式和模型的交易或行为发出警示。例如，信用卡公司可以通过分析客户的购买历史中的常规模式，为其建立“行为画像”，并根据其月均消费以及常去的购物地点对交易进行分类。客户在异常地点出现月均消费突然大幅增加的情况，可能预示着存在欺诈性交易。

金融欺诈的检测，尤其是内部欺诈和信用卡欺诈的检测，在文献中已通过各种分类、聚类和异常检测方法得到了广泛研究。例如，切基尼等人使用支持向量机（SVM）分析了122家公司的23项财务指标，发现在13年期间存在132起欺诈事件[7]。德乔等人则聚焦于七个主要财务变量，并利用逻辑回归在896家公司中检测出293起欺诈事件[9]。阿巴西等人提出了一种元学习框架，结合了包括SVM、J48、贝叶斯网络、Logit回归和神经网络在内的多种分类方法[1]。除了从公司季度和年度财务报告中提取的12个常见财务变量（如资产质量指数、现金流收益差异、存货增长率等）外，他们还利用了组织层面和行业层面数据，显著提升了内部欺诈检测的性能。类似地，信用卡欺诈检测也通常依赖于分类和异常检测技术，包括贝叶斯分类器[22]、隐马尔可夫模型[30]和关联规则[28]。帕施使用神经网络和遗传算法，在包含13个月共5000万笔信用卡交易的实际数据集中检测欺诈性信用卡交易[20]。巴塔查里亚等人使用相同的数据集，结合支持向量机和逻辑回归模型进行欺诈检测[5]。

近年来，在线拍卖欺诈引起了研究人员的关注。此类欺诈通常发生在电子商务平台（例如易贝）上。串通竞价、围标、虚假陈述、销售假冒商品和三角欺诈等行为均被视为欺诈。为了检测在线拍卖欺诈，已提出多种方法和途径。潘迪特等人通过将在线拍卖交易和用户建模为马尔可夫随机场提取欺诈者的可疑模式，然后采用置信传播方法来检测潜在欺诈者[21]。除了这些技术方法外，研究人员还针对用户、拍卖平台和监管机构提出了许多建设性策略。蔡等人主张在线拍卖用户社区与拍卖平台之间加强协作，以有效应对拍卖欺诈问题[8]。加维什和图奇建议通过增加拍卖平台与用户之间的信息共享、使用合法的第三方托管服务、实施拍卖保险政策以及鼓励买家自我保护来减少欺诈[13]。帕夫卢和盖芬提出利用三种信息技术支持的制度机制（反馈、第三方托管服务和信用卡担保）来增强买家信任并减少拍卖欺诈[23]。

由于P2P借贷是一种相对较新的金融现象，关于此领域的欺诈检测研究较少。特别是在信用评级系统较为完善、能够提供个人信用记录准确且可靠信息的发达国家（例如美国），针对贷款申请欺诈的研究并不多见。此外，由于这些发达国家存在大量针对金融欺诈的法规和法律，个人通过谎报信用记录、使用伪造或被盗身份以及提供误导性或不实信息来实施欺诈行为相对困难。相比之下，中国尚未建立监控和报告个人信用记录的全国性信用评级系统。P2P网站只能基于其自身平台内有限的信用记录来评估借款人信用等级。同时，不同P2P网站与传统金融机构之间也缺乏信息共享。这使得恶意借款人有可能在一个平台上实施欺诈后，继续在其他平台和网站上作案而不被发现或抓获。我们的研究旨在开发用于检测中国P2P平台上此类欺诈性在线贷款申请的方法和技术。

3 研究方法

我们的研究包含多个阶段，采用了多种研究方法。

第一阶段是文献综述。我们回顾了与本研究相关的三个方面文献：P2P借贷、利用数据进行的金融欺诈检测、大数据挖掘与大数据方法，以及中国P2P借贷欺诈的现状。我们搜索并查阅了大量发表在金融、商业和信息系统领域的期刊与会议上的研究，以全面了解P2P借贷领域最前沿的研究进展。我们还研究了以往关于欺诈检测方法和技术的工作，分析了各类方法在检测欺诈性金融交易或行为中的优缺点。目前面临的一大挑战是准确评估P2P借贷欺诈的现状。目前仅有少量研究探讨中国的互联网金融欺诈问题。此外，一些新闻报道披露了在众筹平台和网站上发现的真实欺诈案例。我们将继续寻找此类研究，以进一步深入理解P2P借贷欺诈问题。

我们将在第二阶段开展实地研究。我们将选择中国最大的P2P网站之一拍拍贷网作为本研究的实地组织。通过以往的研究协作，我们与拍拍贷建立了良好的关系，从而能够进入该网站并收集真实数据。我们将访谈拍拍贷负责风险防范与管理的关键领域专家，了解他们在身份验证和贷款审批流程中检测欺诈性贷款请求的知识与经验。我们还将研究欺诈案例的特征，为开发针对贷款申请欺诈的大规模模型做好准备。

第三阶段的任务是开发检测方法和原型系统。与大多数分类应用一样，此阶段的重要步骤之一是特征选择。我们将根据对欺诈检测文献的回顾以及在实地研究中对领域专家访谈的发现，选择并构建一组有助于检测欺诈的特征。我们将采用阿巴西等人提出的元学习框架[1]，并在该框架中整合多种分类算法（例如，决策树、支持向量机和神经网络）。

更重要的是，我们将探索并试验大数据方法以提高检测性能。该方法的特点是依赖来自多个来源、具有多个维度和多种格式的大量数据。使用这种方法可能有助于发现有关金融欺诈的新知识，并开发创新的检测策略和技术。例如，拍拍贷的相当一部分用户是中国最大电子商务网站阿里巴巴.com上的零售商。这些用户通常选择在其借款请求页面上显示其阿里巴巴网店的链接。这可以成为一个独特的外部数据源，包含这些用户的阿里巴巴卖家评分、企业类型、产品类别和销售量等丰富数据。此类数据可用于核实商业贷款的目的以及评估借款人的还款能力。

此外，将采用先进技术挖掘不同格式的数据（例如，结构化与非结构化）。例如，拍拍贷借款人可以撰写一段简短文本，描述借款请求的目的，并提供还款能力的证明。用户（借款人和出借人）可以在网站内就特定贷款请求进行私人电子邮件交流。此外还有一个用户社区，用户可以在其中发布消息以提问、寻求投资建议、分享经验与心得，讨论具体贷款，以及结交朋友。这套非结构化数据可被挖掘用于构建用户的在线行为、社交关系甚至个人背景轮廓，从而协助识别欺诈性贷款请求。

最后阶段将是性能测试与评估。我们将邀请拍拍贷的领域专家提供一个包含已确认的欺诈性贷款请求的数据集，并将其用作我们的训练和测试数据。我们将基于多个性能指标（例如准确率、精确率、召回率和F值），比较不同的特征集和方法。

目前我们已完成第一阶段的工作，正在准备与拍拍贷领域专家的访谈。我们已获得一个初步的数据集，包含2009年至2011年之间的所有贷款请求和支付记录。我们计划尽快编写网络爬虫，以收集在阿里巴巴.com拥有网店的拍拍贷注册用户的相关数据。

4 潜在贡献与结论

本研究的潜在贡献有两方面。首先，我们的研究将揭示一种与众筹相关的新型金融欺诈——P2P贷款申请欺诈。这一问题亟需解决，因为它会增加出借人在P2P平台上的投资风险，并可能导致出借人遭受重大财务损失。据我们所知，目前尚无研究聚焦于这种新型欺诈行为。其次，我们的研究率先采用大数据方法来应对欺诈检测问题。借助来自多种来源的大量数据，我们将能够找到有效利用关于用户行为和交易历史的丰富数据集的方法，从而更有效、高效地检测欺诈。