近10年来,随着经济的高速增长,我国个人贷款市场呈现出超常规的发展趋势,规模的快速增长为银行带来了巨大利润,同时也埋下了巨大隐患,尤其是近期住房市场火爆、房价居高不下,社会也渐渐由“全民存款”向“全民负债”转变。美国“次贷危机”的教训告诉我们,在宏观经济和货币政策出现巨大变化时,个人贷款具有很大的脆弱性和传染性,并且,个人贷款的风险暴露往往发生在协议生效的数年之后。在货币政策从紧的背景下,如何防范我国个人信贷中的风险,降低借款人违约的可能,是我国商业银行面临的重要课题,也一直受到众多学者的广泛关注。在对借款人违约行为的研究中,借款人“自愿”违约和受制于外部环境造成的“被迫”违约具有很大区别,自愿违约是一种自内而外的行为,是由借款人职业类型、收入、受教育程度等一系列自身属性决定的,需要银行在贷前审查时做出判断；被迫违约是一种自外而内的行为,是由于借款人所处的经济环境发生巨大变化,例如CPI上涨、利率升高等,迫使其为了维持生计不得不进行违约。因此,借款人违约行为是由多种复杂因素决定的,需要进行系统研究。1999年,《新巴塞尔资本协议》的诞生为商业银行准确计量风险提供了多种工具,自此,全世界的商业银行可以在统一、高效、公平的框架之内计量风险资产和相应的资本充足要求。新协议提出了多种新的统计学方法和人工智能算法,使得银行可以更加准确的计算其资产面临的风险状况,同时,新提出的压力测试概念可以帮助银行提前判断那些有可能发生而未发生的风险对资产的影响。本文针对山东省某地级市商业银行的个人贷款数据进行了实证研究。首先,通过结合国家宏观经济政策变化对数据中出现的波动进行解释,并进行单因素分析；其次,针对借款人属性及其违约情况建立Logit判别模型,分析借款人本身的各种特征对其违约概率的影响；再次,本文引入了神经网络方法中较为先进的支持向量机(Support Vector Machine)建立模型,并将样本分为训练组和测试组,通过对支持向量机进行训练和调整,得到了具有很高预测精度的模型；最后,本文在微观角度进行了压力测试,通过模拟三个宏观经济变量的波动,来观察每个样本的承受能力以及银行总体资产面临的风险状况。本文的研究结果表明,年龄相对较小、婚姻稳定、教育程度高、工作及收入稳定、提供抵押品、贷款期限较短等因素均能显著降低借款人的违约概率。在支持向量机的实证分析中,可以看出该模型在个人信贷违约判别中具有非常高的预测精度,在本文的11351个贷款样本中,实现了100%的预测准确率。支持向量机相比于传统的神经网络模型,在判别效率、准确度、计算规模等方面都具有巨大优势、适合在银行的实际操作中进行广泛推广。本文通过对样本进行微观压力测试,发现样本银行的个人信贷资产具有很大的脆弱性,很难抵御大的宏观经济冲击,当面临房价下跌、CPI上升、利率提高时,借款人对于还款压力增大的容忍具有很大的局限性,很容易出现“理性逾期”、“资不抵债”,以及为了维持最基本生活而不得不停止还贷的情况。最终,本文认为,在目前货币政策从紧和控房价的背景下,央行及监管部门应使经济“软着陆”,并密切关注政策实施过程中银行个人贷款违约情况的变化,防止风险集中爆发。