近年来,国民的消费观念逐渐改变,个人信贷业务呈现出爆发态势,信用贷款业务为广大居民提供了帮助,给各类金融机构带来了利润,信贷风险也成为了重点关注问题。信贷违约已经有很多基于单一来源数据的研究,但融合多源数据的研究较少。在大数据时代,通常单个特征的技术、信息和经济价值较小,需要使用特征集,才可能提取相关维度的充分信息。所以,本文从业务意义出发,开展多源数据特征工程工作,尽可能挖掘客户申请贷款信息、信用局信息、历史行为信息中影响违约风险的因素。实证分析中,首先根据业务意义对申请信息数据进行了处理,包括处理缺失数据和清洗异常值,根据文献经验构建均值类、比率类衍生特征,通过SPCA方法压缩31维高度相关的二元变量等。之后,依据不同数据集的特性,构建衍生特征并解释其业务逻辑,分别建立XGBoost与LightGBM违约风险预测模型,通过模型预测评价指标变化,和基于模型构建的特征重要性指标情况,验证了多源数据的必要性和特征提取工作的有效性。最后,本文选用训练速度与预测效果综合表现更佳的LightGBM模型,利用交叉验证方法进行调参、特征选择,剔除了重要性较低的变量,保证了本文多源数据处理及整合工作的可扩展性,并且通过模型融合方法获得了稳健性更好、预测效果表现更优的模型。本文的信贷数据处理与建模思路,为正确认知并有效识别互联网金融个人贷款问题中的信贷风险提供了参考和借鉴,有助于尽可能地减少“信息不对称”导致的信贷供给问题,提高信用贷款贷前审批的科学性。同时,本文提出的建立信用评分体系并拓展应用场景以获取数据沉淀的一系列建议,也将帮助互联网金融公司业务发展形成良性循环。