从2008年开始,小贷公司经历了从试点到快速成长,从竞争激烈再到快速减少的阶段。2020年6月末相对2019年年末减少了200多家,并且多家出现亏损现象,小额信贷公司要想长期经营下去,普惠金融要想持续发展,风险控制变得尤为重要。近几年的政府工作报告和行业峰会也不断地提及要加强普惠金融的监管和风险控制,2020年7月的普惠金融圆桌论坛中,专家们也一致认为要鼓励数字技术赋能普惠金融,完善征信体系,加强信息风控。在当今金融科技开始遍布国内外,业务信息量大,办理速度快的大环境下,必须依靠技术手段进行风险的管理,以大数据、互联网、云计算、人工智能为核心的新型金融科技为信贷的创新发展赋能,从而减少信息不对称,更精准的评价客户的风险。国内外的学者在信贷风控的研究上做出了很多的贡献,从简单的线性模型到复杂的非线性模型,再到机器学习。信贷行业在国内发展的比较迅速,但是在信用风险评估的研究方面,国内相对国外起步比较晚,并且以往的研究中涉及的数据量相对比较小。纵观历来学者的研究,针对单一模型的研究比较多,组合模型的研究比较单一。本文基于多个分类模型和组合模型,以某小额信贷公司真实的数据为样本,对借款人的信贷风险进行了研究。首先针对独立的分类模型进行了理论的介绍,对其算法和使用场景进行了简要的介绍,接着对于模型的评估方法进行了分析。之后介绍了样本集预处理的方法和步骤,为后续的建模做铺垫。本文随机采样了某信贷公司近两年中真实发生过借贷行为的三万多条数据作为样本集,进行研究和分析,分别用逻辑回归、支持向量机、随机森林、XGBoost四种算法进行风控建模,训练,预测,模型评估和优缺点的分析,四个独立的模型也各有优缺点,逻辑回归模型有更高的稳定性,支持向量机模型更适合推荐算法,在二分类问题上表现比较差,随机随林模型表现出了最高的精确率,XGBoost整体表现出了比较平衡的精确度和召回率,对好坏客户有较好的区分能力。最后还对四种模型进行了融合建模,目的是把不同模型的优势集中起来,提升精确率、敏感性和稳定性,本文把支持向量机、随机森林、XGBoost三种模型分别给予一定的权重进行训练,得到一级模型,再用逻辑回归作为二级模型作为训练,最终得到了一个四种算法结合起来的组合模型,进行初步的训练,得到了更高的精确率和对好坏客户的区分度。不同的模型有不同的适用场景,反欺诈模型需要更敏感的模型,也就是较高的召回率,建议优先选择逻辑回归和XGBoost模型;信用评估业务要求跟高的精确度和稳定性,建议优先选择融合模型和随机森林模型。本实证分析还进一步研究对比了样本的均衡程度对模型表现的影响。为了解决样本不均衡验证的问题,本研究采用无监督的SMOTE算法,此算法更不易产生过拟合的问题。结果表明,支持向量机模型对于数据的不均衡很敏感,召回率波动会比较大,而XGBoost模型和随机森林模型对数据是否均衡相对不太敏感,在样本正负比例均衡时,模型表现的变动不明显。所以在实际问题中,信贷评估模型的选用,不仅要考虑业务场景的需求,而且要考虑已有数据集正负样本比例的问题。本文选取了用户在不同手机软件的行为轨迹数据,作为部分特征变量,比较新颖,随着移动电子设备在人们生活中越来越重要,相信这类特征变量的分析是风控建模未来的趋势。本研究不仅搭建了单独的算法模型,而且尝试采用对多个独立的模型用并行和串行相结合方式进行融合,得到了更具适合风险评估场景的模型,这是对融合模型的一次大胆尝试,也给后续的研究提供了新的思路。本文对于信用评估模型的研究,在风控模型的特征变量的选择和模型的选型上,对信贷公司进一步开展业务都有一定的借鉴意义,进而为其降低放贷成本,获得更多的利润提供可能性。同时为金融机构的授信提供更多的实践经验和建议。最后对于征信体系的建设,在保障信息安全的前提下,本文提出了从科技手段和规则制度上解决数据孤岛,实现流通的建议,最终达到推动普惠金融持续健康地发展,助力国家普惠金融战略的落地的目的。