P2P网贷,其英文的字面意思是“个人对个人”,是由传统金融机构的一些“小额信贷”逐渐演变发展而来的。自2006年出现以来,国内P2P行业发展迅速,截止到2019年2月份,我国P2P网贷平台共有6556家,其中出现提现困难、经侦介入、跑路、延期兑付等问题的平台累计有2701家,除去转型及停业的平台,正常运营平台数量仅为1058家。在P2P网贷平台蓬勃发展的表象下,是隐藏的系统性风险的聚积,对于P2P网贷平台而言,最为严重的风险类型就是信用风险。P2P网贷平台的借款人一旦发生了违约事件,产生的直接影响就是投资者与P2P网贷平台的经济损失,如果发生了大规模的借款人违约现象,就会使得平台资金链断裂,平台运营受损,影响投资者对平台的信任,同时阻碍了行业健康的发展。因此急需要研究适应于我国P2P网贷行业的个人信用风险评估方法,满足中国P2P网络信贷参与者对借款人信用风险度量的要求。而对这些问题的解决,无论是对于投资者还是对于平台本身而言,都具有很重要的现实意义,同时也为完善整个金融体系的个人信用风险评估框架有着很大的实践意义。在P2P个人信用风险评估领域,随着研究的深入,定量研究逐步从传统的统计方式走向了机器学习模型方式。相比于传统的统计方式,非参数模型和机器学习模型对于信用风险评估能取得更好的效果,而且机器学习模型的对于P2P网贷行业大数据特征能够做到很好的契合,使用机器学习模型对于P2P网贷行业的信用风险评估是一个行之有效的方案,也是未来的行业趋势。但是,目前大部分学者的研究更多的是集中在现有模型的使用以及优化算法与集成模型的简单结合上,缺少对于模型和特定问题的深入优化改良。本文研究中采用的是Stacking集成模型,并且对其运用不仅仅只是单纯的套用模型,还针对模型的先天的不足,进行了多层次优化。Stacking模型存在两个问题。首先,处理多分类问题的效果并不好。第二,如果模型要得到更好的结果,需要针对不同的问题构造不同的Stacking组合。对于P2P的信用风险评估,本文主要关注Stacking的第二个问题。本文创新之处在于应用蚁群进化算法优化Stacking集成算法,通过蚁群的进化迭代得到Stacking集成组合的最优解。同时在应用蚁群算法优化的过程中,本文还设计了动态加权以及“自有信息”加权的双重加权环节进一步改进蚁群算法,以解决蚁群算法陷入局部最优的问题,以及更好的利用现有学习器与数据的信息,使得模型快速准确的迭代出最优的解。本文对于构建的模型使用了真实的P2P平台——人人贷的平台交易数据进行了实验验证。通过实验可知,本文设计优化的动态加权ACO-Satcking模型能够在P2P网贷信用风险评估中有优异的表现,相比于实验对比的其他模型都能有显著的提高,并且能通过模型的迭代,高效准确的寻找到Stacking模型的最佳组合,近一步提升集成模型的性能,以满足P2P网贷行业日益提高的信用风险度量需求。