互联网金融行业随着IT技术的发展快速崛起。2017年国内估值超过10亿美金的独角兽企业中,互联网金融行业数量排在第二,并以超过七千亿人民币的总估值排在各行业的首位,整个互联网金融行业炙手可热。仅仅一年不到,2018年互联网金融企业出现集体“暴雷”,仅仅在7月一个月内,就有130多家互联网金融企业陆续倒闭。在持续“暴雷”的现状下,互联网金融行业的发展举步维艰,同时也让人们对互联网金融的认识回归理性。互联网金融行业的发展不是靠投机,靠高收益,而是为人们的生活带来便利。互联网金融在支付领域的发展正是得益于提升了人们的支付效率,通过二维码支付、芯片卡支付等技术为人们的生活带来便捷,这才是互联网金融所应当承载的核心价值。借贷业务是互联网金融行业的核心业务,如何让互联网的新技术去优化传统金融的运行逻辑,更好地把控借贷风险,让需要资金且具备还款能力的用户更加便捷的得到借款,使得资金更加高效合理地被利用,是当务之急。因此,本文旨在运用机器学习技术构建有效的风控模型,从而帮助互联网金融企业更好地把控借贷风险。其中主要的研究工作有:第一,从多个维度提取互联网金融平台借款用户的样本数据,其中包括用户的消费数据、运营商数据、同盾等第三方提供的用户相关数据,然后对数据进行进一步处理,通过特征工程提取用于构建模型的数据。第二,针对经典的机器学习算法(逻辑回归、支持向量机和决策树)和集成学习算法(随机森林和lightGBM),分别构建风控模型,并对模型进行调优。第三,从构建的风控模型中挑选出性能比较好的逻辑回归模型、线性支持向量机模型、随机森林模型和lightGBM进行Stacking融合,进一步提升模型性能。第四,对用不同类型的机器学习算法和用不同方式构建的风控模型进行比较,了解其性能差异,同时找到性能最好的风控模型。本文通过研究不同类型的机器学习算法在互联网金融风控模型上的应用,为互联网金融风控模型的构建提供了方法,从而帮助互联网金融企业更好地把控借贷风险,同时,也为模型算法的选择提供了思路。此外,本文通过模型融合的方式进一步提升了风控模型的性能,为模型的性能改善提供了指引和借鉴。