随着大数据时代的到来,互联网金融行业逐渐发展了起来,在当今普惠金融的大环境下,其与传统金融组成了一种全新的金融模式。第三方支付平台、P2P网贷平台以及众筹股权平台是我国目前的主要互联网金融模式,尤其是P2P网贷平台近几年在我国发展迅速。我国P2P网贷平台对借款人的信用信息需求较大,但是目前尚未有合规来源获取到借款者的信用信息,使得网贷平台承受较大的运营风险。网贷平台在对各类信用不同的借款者进行放贷时,投资者对不同的决策错误的接受程度不同,即如果将信用等级较低的客户误判断为信用等级较高的客户,投资者将面临较大的本金和利息损失,但如果将信用等级较高的客户误判断为信用等级较低的客户,投资者的本金虽得到了保障,但同时又会损失一部分利息收益。鉴于上述现实情况,本文实证部分以人人贷中的个人借贷数据为例,结合我国P2P网贷运作模式的基本特点,充分权衡投资者的利益与投资风险,对不同价值类别的借款人选取恰当的信用风险评估模型,以期降低借款人的信用风险,最大限度地保障网贷平台和投资者的利益。本文的研究主要从以下几个方面展开:首先根据借款人的借款间隔、借款次数、借款金额进行基于RFM模型的聚类分析,将借款人分为重要保持客户、重要发展客户、一般客户和低价值客户,充分探索挖掘借款人内在价值的分布特征和变化规律,有效提高P2P平台在借款人管理方面的效率和精度。其次将收集到的15个与借款人信用等级相关的指标进行量化和标准化处理,由于特征值重要性的划分直接影响到对借款人信用风险的评估精度,因此本文用随机森林筛选出影响程度相对重要的特征变量,并结合相关性检验,筛选出用于构建信用指标评价体系的特征变量有9个。然后对四类不同价值类别的借款人选用恰当的风险评估模型。选用随机森林模型和支持向量机模型作为风险评估模型,并将模型的准确率、精准率、召回率作为模型的评估标准。研究结果表明,随机森林模型更适用于评估重要保持借款人与重要发展借款人的信用风险,可减少将信用等级低的借款人误判为信用等级高的分类错误,投资者可以在损失小部分投资利益的同时规避了大部分的投资风险,从而实现利益最大化;而支持向量机模型更适用于评估一般借款人和低价值借款人的信用风险,可减少将信用等级高的借款人误判为信用等级低的分类错误,投资者可以在规避风险的同时实现小部分的收益。最后根据四类借款人计算出整体借款人的综合预测精度,并和单一模型对全部借款人的预测精度进行比较,得到借款人进行价值分类后,整体借款人的预测精度有了一定程度的改善。再结合我国P2P网贷平台的实际运营模式以及对借款人信用风险的评估结果,分别从监管部门、网贷平台、投资者和借款者四个角度提出建议。