如今,互联网金融是一个热点话题,它是由传统的金融领域和新兴的互联网技术融合的产物。结合了互联网和金融各自领域的优势,互联网金融具有高效、便捷、透明度高等一系列的特点。“互联网金融”一词也多次出现在《政府工作报告》中,要求促进“互联网金融健康发展”。但是,由于法律监管体系不完善,监管技术有缺陷等诸多方面的原因,相比传统金融,互联网金融暴露出来的风险更大,引发金融系统性风险的可能性也更高。本文针对P2P平台存在的风险进行了分析,可分为两类,一类是站在网贷平台出借人的角度,具有“出借后收不到款项”的风险（或称“第一类风险”）;一类是站在保险公司的角度,针对已购买“小额贷款保证保险”的借款人,具有“理赔后收不到款项”的风险（即“第二类风险”）。无论是P2P平台贷款人面临的“第一类风险”,还是保险公司面临的“第二类风险”,都可以通过建立事前的信用评分体系得到部分解决,而针对“第二类风险”所涉及的小额贷款保证保险,除了信用评级的建立,还可结合该类保险自身的定价因素,即分类费率因子来针对不同的借款人实施不同的价格。本文将p2p平台借款人的信用风险进行实证研究,将是否违约作为被解释变量,最后得出显著的影响因素,并基于这些影响因素的分类,建立信用评级,再结合信用风险度量方法实施分类费率的厘定。对于借款人信用评级部分,采用logistic模型以及lasso logistic模型,区分70%训练集和30%测试集,筛选出显著变量,纳入信用评级模型;对于小额贷款保证保险分类费率厘定部分,结合信用评级,采用信用风险度量方法、信用风险转移矩阵以及财产保险定价中的纯保费法进行费率厘定。在进行二分类回归分析时,对解释变量作预先woe（weight of evidence,证据权重）值处理,即将分类变量处理为连续型变量,筛选出显著的解释变量,得到回归方程。回归结果中,学历、所在公司规模、所在公司类型、工资（月薪）、是否有车贷、借款额、借款期限（月）、借款类型8个变量均在1%的显著性水平下对违约概率显著影响。通过观察Woe处理前的系数可知,所在公司规模、是否有车贷、借款额3个变量对违约概率有正向影响,学历、所在公司类型、工资（月薪）、借款期限（月）、借款类型5个变量对违约概率有反向影响。在模型检验方面,相比于传统的logit模型,lasso logit模型在预测小额贷款平台借款人信用风险方面更加适合。在信用评级方面,按照之前得到的8个显著变量,按照借款人信息满足的条件不同,将其信用评级划分为AA、A、BB、B、CC、C、DD、D八个等级。其中AA级为最优质客户,D级为违约客户。在小额贷款保证保险分类费率厘定方面,首先得到每一信用评级各年的信用风险转移矩阵,如某一BB级的客户在4年后的信用评级及其概率,再结合不同信用评级的贴现因子算出其平均贷款现值,将每一信用评级的贷款现值小于平均贷款现值的那部分进行加权汇总,权重为其概率,得到的汇总值即为纯保费的现值,再除以其贷款金额,也就得到了该保险的纯保费率。