作为金融创新的产物,个人消费信贷在普惠金融的政策支持下呈现了欣欣向荣的势态。面对快速增长的个人信贷需求,为了尽可能挖掘出潜在用户和降低不良贷款带来的损失,构建一个准确高效的个人信用风险评估体系对于各银行业金融机构来说是刻不容缓的。论文从解决信贷数据不平衡性和构建具有良好预测能力的信用风险预测模型两个方面开展研究。对于数据不平衡性,本文尝试将深度学习中的生成式对抗网络（Generative Adversarial Network,GAN）作为数据过采样方式,学习违约样本分布并合成“新”违约样本加入原始数据集中以平衡违约样本和正常样本。对于大数据环境下个人信贷数据在特征维度和样本数量上的激增,本文尝试应用机器学习中前沿的集成学习模型,选择了近年来在机器学习竞赛中有着出色发挥的XGBoost模型和LightGBM模型搭建信用风险预测模型。首先,针对生成式对抗网络能否作为数据过采样方式,论文在KEEL公开数据集中选取了6个不同不平衡比的数据进行了实验。实验证明,对于传统的分类算法生成式对抗网络都能有效增强分类效果;与其他传统过采样方式相比,生成式对抗网络在更多的数据集上表现更优。然后,论文将生成式对抗网络与集成学习模型结合,在信贷数据上进行了实验。论文选取了信捷消费金融公司的信贷数据,进行了数据预处理与特征工程,最终选择559个特征进行模型构建。其次选择了XGBoost、LightGBM、决策树和逻辑回归分别建模,实验结果表明,结合生成式对抗网络和LightGBM的模型在AUC值和KS值上表现最优,能够作为有效的信用风险预测模型。同时LightGBM模型给出的特征重要度说明消费行为数据等金融弱相关的变量能够提供不错的预测能力。最后,论文设计并实现了个人信用风险预测系统,将基于GAN和LightGBM的信用风险预测模型应用到该系统中。该系统为用户提供了系统用户管理功能、待测数据集上传与数据处理功能、用户风险预测功能和决策管理功能。