随着计算机技术的不断发展,“互联网+”的概念渗透到各行各业中,互联网与金融行业的结合便产生了互联网金融。互联网金融自引入我国以来,得到极大的发展,金融产品的创新为我们的生活也带来了极大的便利。为了解决个人和小微企业贷款难的问题,催生出了网络借贷平台,灵活应用民间的闲散资金,为有资金需求的人提供帮助。由于P2P网贷平台的门槛低、成本小、收益高,P2P网贷平台自2013起进入了快速发展阶段。然而,由于我国的监管体系还不够完善,很多P2P网贷公司的抗风险能力比较差,导致P2P行业很快爆发各种风险,如平台非法集资、暴力催收;借款客户恶意欺诈等,对P2P行业产生非常大的冲击,甚至对社会经济造成一定影响。因此,风险控制对P2P行业来说至关重要。对于P2P网贷公司来说,控制外部风险就需要完善市场监管制度,取缔资质不合格的平台,保证行业合法合规经营;控制内部风险就需要建立严格的风控体系,控制放款客户的信用风险在比较低的水平,降低不良贷款率,减少投资人的损失,提高公司的效益。因此,对于P2P平台来说,识别个人信用风险十分必要。为了识别个人信用风险的大小,各个P2P网贷公司都会建立自己的风险控制体系,建立风险控制体系的本质就是预测借款客户违约可能性大小,进而判断借款客户是否会违约。从理论的角度来说,这是一个分类问题。目前,常用的判别方法有逻辑回归、随机森林、XGBoost、深度学习等算法。本文主要使用了惩罚逻辑回归、随机森林、XGBoost三种模型对数据集进行初步探索。其中,逻辑回归算法具有较强的解释性与较好的稳定性,但是预测效果并不理想;相比于逻辑回归,随机森林和XGBoost对不平衡数据的预测效果均有较大提升,而且可以输出预测变量的重要性,其中XGBoost模型预测效果更胜一筹。本文使用的数据集包含的预测变量比较多,有的变量之间会存在相关性,有的变量对因变量的影响比较小,这样导致数据集中会存在冗余信息,影响模型的预测精度。由于XGBoost、随机森林和惩罚逻辑回归能够选择出对因变量有重要影响的预测变量从而起到降维的作用,因此本文主要通过XGBoost、随机森林模型和逻辑回归模型来搭建个人信用风险评估模型。本文首先分别建立了单一模型,即分别建立了逻辑回归模型、随机森林模型、XGBoost模型,通过对比单一模型发现,XGBoost的预测效果最佳;然后根据XGBoost模型给出的预测变量的重要性,选择出对贷款违约影响较大的分类变量建立分类预测模型,即针对7个等级建立7个最佳XGBoost模型,该分类预测模型为个人信用风险识别模型提供了新的参考;最后本文根据单一模型的优缺点,建立了逻辑回归与XGBoost的组合模型,最终提高了预测的准确性。本文为了识别违约风险较高的贷款客户,利用数据挖掘技术建立个人信用风险评估模型,发现借款金额、借款利率、个人信用等级、收入水平等对个人信用风险的影响较大;单一模型中XGBoost的预测效果最佳,但是逻辑回归模型比较稳定,解释性较强;组合模型的预测效果比单一模型的预测效果略好,可用于更加严谨、准确的评估个人信用风险,有利于降低贷款的违约率,提高企业的风险防控能力,保障企业资金链的完整,提高企业的盈利能力,促进P2P互联网金融高效快速发展。