P2P网络借贷是一种创新的金融形式,它可以满足中小企业以及个人的借款需求。然而在实际的运行中,P2P借贷是存在较大的风险,P2P借贷平台面临着信用分险、技术风险以及合规风险等问题,其中信用风险是最突出的风险之一。本文研究是基于美国P2P借贷平台LendingClub 2016年至2019年的数据集来研究P2P网络借贷中违约风险的问题。一直以来,统计学家有着普遍的共识就是数据和特征决定了机器学习的上限,而模型和算法只能逼近这个上限,因此,本文在进行模型建立前,也是将主要精力用在特征工程处理方面。首先,由于原始数据存在大量缺失的特征,并且大部分变量都与目标变量无关,所以本文采用人工分析与IV值的大小共同对预测变量进行筛选,并且利用决策树信息最大化来处理进行IV值计算时数值型变量的分箱处理。其次,为了探究不同模型的预测效果,并且考虑到所使用的数据集中有部分字符型变量（离散特征）,因此本文在模型方面上选择可以处理离散特征的模型Catboost与LightGBM算法,并最终对不同的Catboost模型与LightGBM模型进行Sta cking融合进行对比实验。最后,由于在实验中,考虑到模型可能表现出一定的近期效应,即拟合的模型对于近期测试集的预测效果明显好于远期的预测效果,因此本文通过尝试建立滚动预测来对该假设进行验证的同时,也尝试寻找最佳的训练集所需要的月份。实证过程中,本文对比了Catboost、LightGBM算法以及Stacking融合的模型在同一训练集与测试集的效果,发现LightGBM算法不仅在预测精度上表现较好,模型的泛化效果不错、同时对于处理大量数据下运行速度也很快,因此综合表现较为良好。基于以上的研究,P2P网络借贷可通过建立LightGB M等相关机器学习模型,正确评价借款人信用,实现对借款人违约概率的有效预警,进而有效防范或降低P2P借贷交易中存在的违约风险,避免逆向选择和道德风险问题;同时,本文研究也对我国P2P行业的发展起到借鉴作用,为国家宏观调控、把握政策导向提供了素材。