对于传统借贷越来越难以满足小微企业与个人需求的问题,国务院提出“互联网+”普惠金融的政策,鼓励互联网企业创新金融产品,网络借贷得以迅速发展。然而,国内网络借贷起步晚,国家对于平台监管力度低,网贷平台良莠不齐;其次,平台征信体系不完善,风险预测模型老旧等特点给“有心人”创造了机会,近年来,由于平台卷款跑路或借贷人故意骗贷等行为给社会造成了巨大的影响,引起国家领导人的高度重视,十九大将“防止发生系统性金融风险”作为新时代金融治理的核心要义,政府要求各地按照银监会提出的“三个办法一个指引”来取缔非法网络借贷平台,并制定相关政策保障合法平台的权益,但是对于合法的网络平台来说,仅仅有法律的保障是不够的,个人行为并非固定不变,一个在贷前表现良好的客户在贷款过程中有可能变成违约的高危客户,因此,构建一个性能良好的分类预测模型对贷款客户进行实时监控,识别违约“坏客户”,从而降低合法网络借贷平台的投资风险将具有重大的商业价值与意义。本文主要研究构建合法网络借贷平台中对于借款人的信用风险评估模型。利用网络借贷平台Lending Club网站提供的借贷数据,探索构建网络借贷信用风险评估模型-Stacking融合模型。同时,使用召回率、ACC值、ROC曲线以及AUC值从不同阈值和留出比例的角度出发,对比分析Stacking融合模型与随机森林、GBDT、XCBoost以及LightGBM的分类效果;其次,使用PSI值从不同样本量和不同训练集正负比例的角度出发,对Stacking融合模型与其余四种模型的稳定性进行了比较。根据本文的研究提出以下建议,首先,建立完善的个人征信体系。通过对比国内外网贷平台中借贷人信息可知,国内有关借贷人信息较少,涉及范围较窄,而对借贷人多方面的考察将有效降低其违约概率,因此,建立完善的个人征信体系对信用风险评估具有重要意义;其次,确保借贷人信息的正确性。由本文研究可知,借贷人数据中包含异常值、缺失值、错误值将影响最终分类模型的分类准确度,因此,在获取借贷人信息时要尽可能确保其有效性,从而降低错误数据对模型的影响;最后,在技术不断发展与相关理论不断完善的情况下,继续研究信用风险评估模型,不断的进行改进与优化。