融合互联网技术与金融科技的P2P网贷正从扩张式发展步入合规化发展阶段,已成为解决借贷市场中短期小额资金流动性问题的重要渠道之一。在以P2P网贷平台为纽带形成的双边市场中,借款人、网贷平台和投资者等利益相关方之间尚未实现完全信息对称化,且当前P2P网贷所服务的借款人多为央行征信报告中的信用白户,故如何以较低成本、更高效率且更精准地甄别网贷借款人,是数年来学者们和业内人士一直致力于解决的核心问题。本文运用前沿的随机森林算法,在P2P网贷环境下构建借款人的信用风险评估模型,对借款人的信用风险进行多分类预测,探究这一机器学习模型对P2P网贷市场的适用性,为网贷平台对借款人的信用风险控制提供新的研究方向。通过引入随机森林算法,以借款人的信用评级作为目标变量,选取人人贷平台中的17917个散标借贷交易项目作为实验样本。在变量选择中,运用importance()函数、varSelRF包和随机森林模型变量选择方法综合得到最优变量组合。在模型构建中,针对原始数据集中不同信用评级的借款人数量分布严重不平衡的变量,先对训练集数据予以SMOTE均衡化处理,再经过参数优化,得到最优随机分割变量数mtry和决策树数量ntree。据此,基于最优参数组合即得到P2P网贷借款人信用风险评估的随机森林模型。研究结果表明:随机森林算法适用于P2P网贷环境下借款人的信用风险评估,且具有较好的分类性能;在候选的35个变量中,实地认证、年利率等变量对借款人的信用风险评估影响较大,这对于网贷平台和投资者的贷款决策具有启发意义。此外,基于最优参数组合构建的随机森林模型的评估结果表明,该信用风险评估模型所得到的借款人信用评级对借款人的信誉要求较人人贷平台更为严苛。