中国的汽车产业随着经济的飞速发展而发展,中国已成为世界排名第一的汽车消费市场和世界最大的消费潜力市场。汽车产销量增长对汽车金融形成明显的带动效应,中国的汽车金融渗透率从五年前的13%提升到了目前将近40%。随着汽车金融渗透率的提升,对风险控制能力的要求也越来越高,相关企业也开始将科技手段与汽车金融风险控制相结合。由于汽车贷款的标的金额较高,驱动骗贷机构伪造资料或哄骗无信用记录人通过分期购车的形式获得车辆,再将汽车通过非法途径进行转让。因此对于购车人的反欺诈风险识别成为目前风险控制的关键点。本文利用互联网金融公司用户的样本数据,探讨机器学习技术在反欺诈模型上的应用情况,研究客户的相关特征,提出建立反欺诈规则的建议。建立在工业界比较认可的逻辑回归模型,并将它作为标准。建立支持向量机、Adaboost、XGBoost反欺诈模型,介绍各类模型的主要参数,探索最优的参数组合来优化模型效果。结合机器学习分类模型的评价指标,对比各个模型性能,最后得出结论:XGBoost在本次研究中模型效果最优,模型性能相比于逻辑回归有较大提升。最后结合特征分析与反欺诈模型为企业建立反欺诈体系提供参考,并对未来反欺诈体系发展进行展望。