随着人们消费观念的转变,我国信贷业务逐年增加,但随之暴露出来的信用风险问题也越来越严重,为减少信贷机构的损失,需要找到一个科学有效的方法进行个人信用评估,依此对客户进行“好”与“差”的判别。关于个人信用评估方法的研究,从早期的定性分析法到定量分析法再到如今的组合优化方法,学者们一直都在寻找各方面性能俱佳的个人信用评估模型。目前单一的个人信用评估模型研究进步空间有限,学者们通常会选用组合方法将单一模型优势互补。关于客户的信用数据往往是高维的,甚至存在一些不相关的特征,在当今广泛运用的机器学习算法当中,这些不相关的特征通常会影响分类器的准确度,所以进行特征选择必不可少。本文针对信用评估中样本数据含有噪声、指标多的复杂特点,将随机森林融合支持向量机(RF-SVM)模型引入到个人信用评估问题中,以获得更高的预测精度。在通过对大量支持向量机分类模型研究的基础上,发现支持向量机具有全局最优、易推广性等特点,但传统支持向量机模型难以解决筛选重要性程度较高指标的问题。因此,本文以德国某商业银行的真实信用数据作为实验样本进行实证研究,将实验样本划分为训练集和测试集,利用随机森林的特征选择算法,对所选用的实验样本进行特征选择以保留重要性程度较高的特征,结果得到了一个包含11个特征的新实验样本集,然后将按照该方法筛选后的11个特征样本集输入到支持向量机模型当中。最后,为验证本文所提出模型的预测结果可信度,将其与个人信用评估领域认可度最高的Logistic回归模型及单独的全变量支持向量机模型进行结果比对,从模型的准确率及稳定性两方面对其进行分析,发现Logistic回归个人信用评估模型的准确率为76.2%,但其稳定性远不及另外两类模型;而全变量的支持向量机个人信用评估模型准确率为75.8%,虽然其第一类误判率及稳定性与RF-SVM模型水平相当,但准确率过低;本文构建的的个人信用评估模型准确率为76.5%,且稳定性也较好。因此,由以上结果表明,本文构建的随机森林融合支持向量机模型在解决个人信用评估问题中预测效果较好,同时也具有较好的稳定性,值得推广。