随着移动互联的快速发展,各行各业均依靠“互联网+”的理念积极与其相融合迸发出新的创造力,其中互联网金融主流发展模式之一的P2P网贷行业依靠互联网金融的高效性与普惠性进入了高速发展的阶段。但由于P2P行业属于新兴行业,从业门槛低,从业素质稂莠不齐,由于信息不对称导致无法有效评估借款人信用水平而产生的信用风险在平台端快速聚集,久而久之P2P行业必然产生逆向选择,即为了降低风险缩减业务量,导致P2P市场萎缩,互联网金融发展停滞。基于此背景,本文以网贷违约用户为研究对象,利用银联大数据商务平台提供的有关借款人各方面特征的数据集,通过现代统计技术与数据挖掘技术,对个人互联网贷款信用评估问题进行研究,本文研究主要分为四部分:第一,查阅文献对互联网金融这一概念进行界定,从而引出本文所研究的P2P(Peer to Peer)网贷模式;第二,为了选取信用评估变量具有科学性以及扎实的理论基础,查阅信用评估相关文献,在前人研究的基础上选取并改进适用于互联网金融的有效信用评估变量;第三,通过对XGBoost模型理论进行梳理,构建基于遗传算法与XGBoost算法相结合的遗传XGBoost信用评估模型;第四,与传统模型优缺点进行比对以挖掘各类模型应用场景,最后根据入模特征重要性排序,分析研究信用违约客户普遍存在的经济行为特征。研究结果表明:借款人违约风险与其他金融机构对该借款人最近一次的放款金额、借款人近六月异地交易金额标准差系数、借款人近六月异地交易金额均值、用户年龄等因素呈显著性相关关系;通过对各类传统分类模型在相同数据集条件下进行对比发现,遗传XGBoost模型分类性能优于逻辑回归、高斯核SVM模型,适合作为存在类别不平衡情况的个人网贷信用评估模型,而SVM模型由于存在计算量大、无法量化违约概率等缺陷,不适用于以数据量大、纬度高为特征的互联网金融信用风险评估。