随着信息技术的快速发展和经济领域的巨大变革,以大数据等技术为支撑的互联网正在对人们的生活产生各种各样的影响。其中,互联网技术使得个人信贷业务不再仅仅局限于传统的商业银行,而是挖掘了更多的潜在用户,扩大了个人信贷业务总量。然而,由于客户量巨大且分散,单笔金额交易量较小,消费总次数多等特点对市场监管造成了诸多不便,带来用户无法按时还款,恶意透支信用等问题,导致金融市场乱象纷起。因此,如何筛选个人信用评估的重要指标,规范指标体系,构造有效的个人信用评估模型,以此来控制潜在的放贷风险,降低可能的误判损失是各大商业银行、金融机构以及网贷平台有待解决的问题,具有极大的理论意义和应用价值。论文中使用的数据来源于东证期货杯的比赛数据,数据取自某贷款机构的历史业务数据,初步清洗和预处理之后共计2510条数据进入研究。数据包括用户的个人身份状况、征信报告记录、用户借款明细及到期未还款相关信息等,挑选整理得到共20个因素作为备选指标,并将用户违约与否作为响应变量,有违约和不违约两种情况。备选指标的20个因素在通过卡方检验、Lasso以及IV信息量准则三种变量筛选方法之后得到12个变量用以建模;完成变量选择后,将筛选出的变量分别纳入Logistic回归模型、决策树算法模型和基于决策树的Boosting算法模型中,分析用户违约的主要因素以及各因素对响应变量的影响是正向还是负向;最后根据分类准确率和ROC曲线下的面积AUC值来评估三个模型的分类效果。模型结果表明:Logistic回归模型、决策树算法模型和基于决策树的Boosting算法模型的分类准确率分别为71%、72%和83%,AUC值分别为0.805、0.802和0.823。个人信用评估指标及建模研究主要是综合用户的个人身份信息和借还款记录等方面的信息,进而全面了解用户的还款意愿和还款能力,以便识别潜在的违约用户,可以降低授信机构的误判损失和授信风险,避免用户恶意透支等情况,为建立稳定有序的金融市场提供基本保障。