在过去,由于传统金融机构的贷款申请的手续和审批程序复杂繁琐,很多企业和个人存在融资困难的问题。随着互联网金融迅速发展,使得审查的风险和借贷成本得以有效降低,传统的借贷的内部运作也越来越公开和透明化,因此小额贷款成为可能。网络借贷是指资金供需双方通过互联网平台实现的直接借贷,是互联网金融的重要组成部分。而在现今社会利用互联网平台存在的优势,其在我国金融行业里迅速成长。然而优势的背后也必然存在着大量的隐患,由于其降低了借贷的门槛衍生了一系列包括非法集资、携款潜逃、电信诈骗等问题。无论对于借贷方还是平台都存在巨大的风险,双方均存在信息不对称的问题。对于借贷平台来说,信贷业务的不断扩大,借贷用户的质量也是参差不齐,伴随而来的不断增大的风险如用户欺诈和信用风险等也直接导致了其远高于银行信贷平台的坏账率。如何面对高维、复杂的用户信贷数据进行全方位的反欺诈风险预警是我们近几年一直致力解决的问题。为了有效地评估信用风险,本文基于Lendingclub2019年一整年的数据,其中包含518112条信贷用户数据和150左右的变量,特征变量中包括对用户的借贷时间、借贷数额、借贷利率、一段时间内的交易次数、所有交易的信用额度以及构建的一些衍生变量如负债比率等。然后对进行数据预处理,包括无效值、缺失值、异常值以及不平衡数据,用适合的方法进行数据清洗,得到高质量的数据集,再通过卡方分箱对变量进行筛选,本文选用了逻辑回归、GBDT、XGBoost、Light GBM、随机森林、Stacking集成等方法进行建模和对比分析,并计算每个模型的AUC和KS值并从模型效果以及可解释性等角度进行综合评估。从结果来看集成学习的模型总体上比逻辑回归模型的效果要好,其中Stacking集成学习算法的效果最好。但在模型可解释性角度来说还是选择Logistic回归模型,因此基于Logistic回归模型建立了信用评分卡,计算借贷用户的信用分数,基于此提出一些建议。