随着我国经济的快速发展,信贷消费、个人贷款等业务在各类金融机构中所占的比重越来越大,信用消费方式在我国经济和人们日常生活中也得到了广泛应用。如何全面准确地分析和评估个体信用风险情况并依此进一步开展各种个性化金融服务,不仅成为了商业银行、小额贷款公司等传统金融机构进行信用风险管理和控制的一个重要核心环节,也成为P2P网贷等新兴的互联网金融机构所需要解决的一大痛点。通过对个人基本属性、借贷相关等信息分析,并利用机器学习方法来量化信用风险,对于解决个人信用风险问题具有重要的意义。本文数据爬取自网贷平台人人贷官网2016～2018年用户真实交易数据,通过对贷款人违约情况的分析,构建了一套基于模型融合方法的风控模型,来达到对违约用户的精准识别,对于解决个人信用风险问题具有一定的参考价值。文章介绍了本文将采用的机器学习分类算法:Logistic回归、SVM、决策树、随机森林、Adaboost、GBDT、XGboost,以及两种模型融合方法:Blending和Stacking;接着数据清洗过程中采用KNN方法对缺失数据进行了填补,并根据箱线图法排查异常值,由于此数据是一个非平衡数据,因此还采用了一种Borderline1-SMOTE算法对样本进行平衡处理;在探索性分析过程中发现贷款人的年龄、性别、学历、地区、行业、年利率、贷款用途、贷款金额以及平台给用户的初始信用评级等特征均对违约行为有一定的影响;特征工程部分首先对特征进行标准化、编码化处理,在特征筛选时先用IV值来初筛,将IV值小于0.02的特征予以剔除,然后利用相关系数图剔除掉相关性较大的特征中IV值较小的特征,最后用随机森林进行特征终筛,将重要性得分低于0.01的特征予以剔除;基于对本文业务场景的判断,本文选取了Precision、Recall、AUC、F2等指标作为本文的评价指标。在模型构建环节分别采用Logistic回归、SVM、随机森林、Ada Boost、GBDT以及XGBoost等机器学习算法构建了单模型的个人信用风险评估模型,依据在测试集上的表现情况,模型特点以及遵循模型多样性的互补原则,分别构建了两层的Blending和Stacking融合模型。经对比发现,模型融合方法在对违约用户的识别能力上相较单模型有了显著提升,且Stacking融合方法比Blending方法表现更优,接着采用学习曲线证实了融合模型良好的泛化性能,以及使用不同平衡比和PSI两种方法验证了融合模型的稳定性。由此可以得出结论,模型融合方法在集成了各个分类算法优点的基础上达到了提升的效果,在解决个人信用风险问题上有较大的应用价值。