Warum ich bei Fastinvest ganz kalte Hände bekomme

Published May 19, 2019, 4:06 p.m. by finsteininvest

Vor kurzem habe ich angefangen bei FASTINVEST Kredite zu finanzieren. Dabei ist mir etwas ins Auge gefallen. Die Kreditbeträge sehen alle ziemlich ähnlich aus.

Eine Liste von P2P bezogenen Kreditrisiken gibt es bei P2P Game

Und jetzt klingelt bei mir gerade das Thema "Betrugsrisiko". (Obacht! Ich unterstelle FASTINVEST nicht, dass sie betrügen!).

Mit der Hilfe von Benfords Gesetz (dieser Link führt zu einem Dokument; 7 Seiten, die unbedingt gelesen werden sollen können Ungereimtheiten bei Krediten aufgespürt werden. Mit diesem Gesetz kann nicht die Aussage getroffen, dass Betrug im Spiel ist - nur, dass irgendetwas anders ist.

Tja, bei FASTINVEST ist etwas anders. Ich habe die ersten Ziffern der Rechnungsbeträge der 1500 Kredite (Stand 08:00, 19.05.2019) analysiert. Die Anzahl der Kredite, die mit 1 oder 2 anfangen ist gleichverteilt. Kredite, die mit 4 beginnen bilden den absoluten Ausreißer!

Ich werde die Lage mit einer Anfrage an FASTINVEST klären. Wenn ich keine absolut zufriedenstellende Antwort bekomme bin ich raus!

Nachfolgend der Code, den ich für die Analysen verwendet habe:

'''
fi_benford.py

16.05.2019
'''

# Benötigte Bibliotheken laden
from bs4 import BeautifulSoup
import pandas as pd
import numpy as np
import matplotlib.pyplot as pyplot

# Liste initialisieren. In dieser werden alle Kreditbetraege
# gespeichert.
amounts = []

def load_amounts(file, amounts):
loans_1 = open('loans_1.html', 'r')
soup = BeautifulSoup(loans_1, 'html.parser')
loans = soup.find_all("tr")
for loan in loans:
loan_amount = loan.find_all("td", "text-center text-nowrap")
for amount in loan_amount:
elements = amount.text.split()
amount = elements[1].replace(',','')
amounts.append(amount)
return(amounts)

# Ich habe die drei Seiten lokal gespeichert.
# Hier lohnt es sich nicht einen Scraper zu schreiben.
amounts = load_amounts('loans_1.html', amounts)
# Fortschrittsausgabe
print(len(amounts))
amounts = load_amounts('loans_2.html', amounts)
print(len(amounts))
amounts = load_amounts('loans_3.html', amounts)
print(len(amounts))

# Den nachfolgenden Code habe ich von
# https://data-science-blog.com/blog/2016/09/21/benford-analyse/
# kopiert und ganz leicht angepasst.
x = np.arange(1,10)
benford = np.round(np.log10(1+1/x) * 100.0, decimals=2)
benfordFrame = pd.DataFrame({'Digit': x, 'Benford Verteilung': benford})

firstDigits = [str(amount)[0:1] for amount in amounts]
percentDigits = np.asarray([[i, firstDigits.count(str(i))/float(len(amounts))*100] for i in range(1, 10)])

percentDigitsFrame = pd.DataFrame({'Digit':percentDigits[:,0], 'Fastinvest Verteilung':percentDigits[:,1]})

fig = pyplot.figure()

ax = fig.add_subplot(111)
ax2 = ax.twinx()

percentDigitsFrame.plot('Digit', 'Fastinvest Verteilung', kind='bar', ax=ax2, width = 0.4, color="green", position=0, legend=False)
benfordFrame.plot('Digit', 'Benford Verteilung', kind='bar', ax=ax, width = 0.4, color="blue", position=1, legend=False)

lines, labels = ax.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax2.legend(lines + lines2, labels + labels2, loc=0)

ax.set_ylim(1,35)
ax2.set_ylim(1,35)

pyplot.show()