互联网消费金融是一种信贷业务模式,通过为客户提供小额贷款,分期偿还的模式来满足个人消费者对商品和服务的需求。与传统消费金融模式相比,互联网消费金融的服务更加方便快捷,更贴近线上消费场景,覆盖人群范围更广。此外随着国内经济水平的不断发展,大众消费观念的升级,互联网消费金融也逐渐被更多的消费者认可。但在面对数以十万计甚至是数以百万计的贷款用户时,机构也普遍面临着难以量化用户信用风险以及不确定如何充分利用线上数据采集的优势等问题。因此在互联网消费金融发展模式下,如何有效地控制和防范信用风险,如何充分利用大数据建立有效的风险评估模型来解决风险问题,是迫切需要解决的问题。本文旨在通过理论研究和实证研究相结合的方法,探索解决这一问题的可能性。在理论研究部分,本文介绍了国内互联网消费金融行业发展现状、面临的风险难题以及常规的风险管理手段,并在此基础上就传统风控与大数据风控模式进行了对比,并分别介绍了在这两个领域比较流行的模型算法（Logistic算法和XGBoost算法）,同时给出模型选取的理由并介绍主流的模型性能评价指标。在实证研究中,本文选取国内某互联网消费金融机构（A公司）2019年的借贷数据作为样本进行实证分析,其中数据包含了多种维度如用户消费、交通、地址类属性等。在实证环节,第一步先基于变量的相关性、可解释性、IV值和PSI值筛选相关变量,并通过WOE编码的方式对变量进行重编码,以提升变量对好坏用户的辨别能力。第二步分别基于Logistic算法和XGBoost算法构建信用风险评估模型,并使用准确率、AUC、GINI、KS值作为模型效果评价指标对效果进行比对。第三步为了进一步优化两种算法的不足之处,本文提出将XGBoost算法作为一种辅助手段与Logistic算法相结合进行建模的思路,最终在模型准确率和业务解释性上取得了不错效果,弥补了单一 Logistic回归和XGBoost算法在数据处理和业务解释性方面的缺点。通过研究这两种算法在信用风险评估模型上的应用,本文旨在帮助互联网消费金融企业更好地把控借贷环节的信用风险,此外本文提出的通过模型结合的方式构建信用风险评估模型也为机构在风险建模方面提供了一定的思路和选择。