网贷通过互联网开展便捷的贷款业务,满足了不同人群的借贷需求。伴随着网贷业务的发展,网贷欺诈也愈演愈烈。不同于传统信贷存在强关联性的借贷数据,网贷数据往往呈现弱关联性。这给网贷反欺诈建模带来了困难。不同于常见的网贷研究角度,本文通过研究坏账在时间、空间上异于正常贷款的表现特点,发现了坏账中潜在欺诈行为在时空维度上具有更强的联系性。通过对网贷放贷过程中的时空联系性进行建模来完善风控体系,可以阻止对时空异常网贷的放贷,来避免经济损失。主要工作如下:(1)本文通过对网贷数据进行时空分析,挖掘出了坏账与正常贷款在操作周期、时空多样性、城市内聚集性和时空爆发角度上的差异。对网贷发生的省份、城市、经纬度,本文通过运用滑动窗口统计这些地理因素在不同大小时间窗口下的网贷数量,以此对网贷建立时空联系特征。本文并将其结合原始特征及其衍生特征组成基础模型的特征,并利用Light GBM模型对网贷欺诈进行预测。(2)本文结合卷积神经网络对网贷的时空联系建立了两种新颖的建模方式。不同于对网贷的地理信息,简单地运用滑动窗口提取时空统计值。一方面,建立观测网贷与邻近网贷的时空二维矩阵;另一方面,通过对观测网贷与邻近网贷进行长短期记忆网络模型(LSTM)学习输出的时间上趋势值,组成时间趋势值的空间矩阵。最后,本文通过对这两种时空特征矩阵利用卷积神经网络(CNN)提取观测贷款的时空联系特征向量作为时空联系特征,相比于简单地运用滑动窗口,预测效果在KS值和AUC值上表现更为优异。(3)本文提出了一个创新的相对近邻指标。不同于在固定的空间视角下去观察网贷的时空联系,本文限定固定的近邻网贷数量,对近邻网贷的空间位置点进行凸包计算,来动态地确定邻近域。通过一定时间窗口下大小邻近域的聚集度量的比值,建立了KN相对最近邻指数。另外,本文利用基于LSTM的seq2seq(序列到序列)模型对不同时间窗口下的KN相对最近邻指数提取序列间的特征向量作为时空联系特征,相比基础模型简单运用滑动窗口同样表现更优异。