近年来,网贷平台积聚的风险开始显现。许多正常运营的网贷平台由于审核不严格,常常依靠粗放的人工审核方式,缺乏科学的违约风险预警手段,导致借款人的违约率居高不下。而过高的违约率严重影响了网贷平台的正常运转,同时增加了我国的系统性金融风险。在此背景下,如何选择科学的方法进行网贷平台的违约风险预警,降低网贷行业整体金融风险,已经成为学界和业界共同关心的问题。本文的研究目的是比较传统统计学方法与机器学习算法在网贷平台违约风险预警的效果,以确定最适用于网贷平台的违约风险预警工具,为网贷平台的借贷审核提供科学的决策依据,同时解决网贷平台违约率风险过大、人工成本过高的缺点,为网贷平台的良性健康发展提供支持,也能够间接降低我国整体金融风险。在此基础上,本文也指出了一系列可以作为网贷平台违约风险预警的指标,为实务中降低网贷平台金融风险提供参考依据。本文首先介绍了我国民间借贷的发展历史,以及在新世纪转变为网贷平台的历程;然后回顾了国内外学者对于网贷平台违约风险控制的方法;接着介绍了国内外网贷平台的风险控制方法;此后,本文又针对大数据风控方法,具体介绍了各种统计学模型和机器学习算法的理论基础和数学原理;在此基础上,本文选用2015年5月至2017年2月的拍拍贷真实交易数据集进行模型训练和测试。最后,本文得出了模型训练的结果,发现机器学习的集成学习算法在样本外测试集的准确率平均值高达89.49%,明显超过Logistic模型在样本外60.94%的准确率,说明机器学习算法的违约风险预警能力总体强于Logistic模型。并且本文还在机器学习算法内部进行比较,发现AdaBoost算法的预测准确性最高,其在样本外的准确率达到91.70%,并且在训练集中的训练结果也较为稳定,因此,本文建议选择机器学习中的AdaBoost算法（基分类器为决策树）处理网贷平台的违约风险预警问题。最后,本文通过Logistic回归模型的显著性结果,得到了一系列有助于网贷平台违约风险预警的预警指标,并且建议将Logistic模型得到的显著指标与机器学习算法相结合,在实务中搜集用户对应的指标信息,并且通过训练后的机器学习算法进行违约风险预警。除此之外,本文也讨论了机器学习算法在区分违约样本时准确率不足的局限性。虽然机器学习算法区分违约样本的能力优于Logistic模型,但是也仅能识别约13%的违约样本,本文认为这是随着时间的推移,违约样本数据特征改变的结果,因此建议在未来的研究中进一步考虑行业因素、宏观经济背景等对违约风险的影响,同时建议网贷平台之间、网贷平台与其他机构之间能够相互共享信息,提供用户更加多维的数据特征,以进一步提升机器学习算法的样本外预测分类能力,提高机器学习算法的违约风险预警能力。此外,本文还讨论了数据样本时间段较为单一对本文结论普适性的影响。本文没有考虑到网贷平台发展的不同阶段的具体情况,在不同时间段内统计学模型和机器学习算法的违约风险预警效果可能会有较大差异,这些均可能影响到本文结论的准确性,将在未来的研究中进一步改进。