随着我国经济产业的飞速增长,金融产业发展也趋向多元化,其中网贷行业因填补对小额贷款用户的市场空白,迅速成为发展势头最强劲的行业之一。而在2017年针对网贷行业监管政策的落地,信用风险便成为影响网贷行业平稳发展的最重要的风险因素。因此为了使得网贷行业逐渐走入健康稳定的发展道路,需提高网贷平台控制信用风险能力。当前国内多数网贷平台主要采用基于规则引擎和基于传统机器学习模型系统处理信用评估问题,但预测结果并不理想,前者的评估方式有较强主观性,而后者因考虑训练效率,采用较小的样本集,导致模型拟合度过高,缺乏泛用性。而随着深度学习技术被广泛应用,为构建网贷平台信用评估方法提供了新的方向。因此本文提出了一种基于深度学习技术的网贷平台信用评估模型并构建相应的指标体系,希望对网贷平台的信用评估研究提供新思路。本文主要设计并实现了基于深度学习技术的网贷平台信用评估模型,其主要由三部分组成:改进的DBN无监督特征学习,Softmax分类以及采用人工蜂群算法替代BP算法进行全局参数优化。模型首先利用DBN做预训练用于特征学习,初步计算出模型的初始参数,在DBN预训练时本文引入了动量学习率,以提升了参数优化过程中的抗数据振荡能力,之后在DBN模型后加了一层Softmax分类器,用来处理多种信用分类的预测,最后采用人工蜂群算法对整个模型进行全局参数微调。相比传统神经网络本模型和改进前的模型克服了深层神经网络因随机初始化权值参数和数据振荡而产生容易陷入局部最优的情况提升了训练效率,提高模型的预测准确率,同时相比传统信用评估处理的二分类问题,本模型进一步提供了对于多分类信用预测的能力,满足业务对于多种信用人群的多重定位,而人工蜂群算法替换原有的BP算法是一种新的尝试,人工蜂群算法的全局优化效果和收敛速度相比BP算法效果更优。本文的实验过程主要采用某网贷平台的真实业务数据,借鉴相关文献总结关于信用评估指标的选取原则,挑选了38个具有代表性的特征指标并量化其中的定性指示,再通过T检验筛选后保留了35个特征指标。在完成网贷平台信用评估模型的指标体系构建的基础上,从业务数据中选取23890组样本数据,将样本分为训练样本19112组,测试样本4778组,对模型进行训练测试,通过对比现有基于规则引擎和基于传统机器学习的信用评估系统和改进前的DBN-Softmax模型的预测结果,验证了模型对网贷平台信用评估的预测准确率上有所提升,证明了模型的可操作性和实用性,为各网贷平台应用深度学习技术提供了实践参考。