P2P平台全称是互联网金融点对点借贷平台,最早是源于一种对等的计算机网络,主要模式是通过互联网的平台,将小额的资金累积起来集中借给资金的需求方的一种民间借贷形式。我国最早一家P2P平台诞生于2007年,发展到今天已经将近11年了,平台数量已突破6000多家,撮合贷款规模超6万多亿人民币。然而繁荣的背后暴露出不少的问题,信用审核体系缺失和以高息吸引投资人的模式,导致平台发生挤兑危机,大部分平台面临倒闭、跑路、无法提现,造成投资者重大经济损失,严重影响了我国金融秩序与社会稳定。建立一套评估和防范平台信用风险的机制,帮助投资者筛选出一批具有良好信誉的平台,无论从经济发展还是市场监管的角度,都显得尤为重要。最初的信用评估模型大多基于定性分析,效率低下且极易受到主观因素的影响。后来,众多学者纷纷提出定量的模型用于评估风险，如Logistic回归分析、判别分析等传统理论。随着计算机技术和人工智能的兴起,以数据驱动为核心的机器学习理论受到学术界的关注,大量新兴的现代化模型被用于信用评估中,如决策树、神经网络、遗传算法、随机森林等都取得了不错的效果并被广泛运用。本研究旨在探索P2P平台信用评估这一问题,首先介绍了主流的Logistic回归、判别分析、决策树、神经网络模型的理论及其应用的优缺点,对于传统基于先验知识的统计方法与数据驱动的现代化模型提出了自己的看法。然后介绍了 PSO(粒子群优化)的基础理论,采用了基于PSO算法与BP神经网络模型相结合的信用风险评估模型。最后在实证分析部分,从权威的第三方平台手工收集了 220家P2P平台数据,通过科学的手段对数据进行处理。将该样本数据用来测试PSO-BP神经网络模型的预测精度和推广度,并与主流的信用评估模型进行对照实验。研究结果表明:从模型的分类精度来看,基于PSO算法优化后的BP神经网络模型分类精度相较于多层感知器、决策树模型并未得到有效提升,但都高于传统Logistic模型。从模型的可靠性(预测精度)来看,传统Logistic模型明显优于多层感知器和决策树模型,但是经过PSO算法优化后BP模型可靠性有了很大的提升,并且高于Logistic回归模型。因此综合模型的分类精度和可靠性来看,基于PSO算法优化后的BP神经网络模型效果最好的。