随着我国经济快速发展,人们的消费观念发生了巨大的变化,诸如住房按揭、信用卡、汽车贷款等个人消费贷款的需求逐步扩大,这是商业银行一个重要的利润增长点。在此背景下,商业银行需要积极推动个人信贷业务的发展与创新,个人信用评估便是个人信贷业务发展的关键。目前,我国个人信用制度处于起步阶段,各商业银行之间尚未形成统一的个人信用评估指标体系,不具备可比性,在评估指标选择上未作周详全面的考虑,往往忽略了申请人的信用历史,也未将个人欠税记录、司法记录等失信记录考虑在内,无法进行完整的信用评判,这在无形之中加大了商业银行的信用风险。此外,目前我国商业银行的信用风险管理水平不足,个人信用的评估效率与准确率有待改进提升,缺乏更加科学有效的评估方法。为了降低银行信用风险,在开展个人信贷业务的过程中,需要构建更全面的个人信用评估指标体系,并运用科学高效的个人信用评估方法,对贷款申请人的信用状况进行客观准确的评价。鉴于此,本文从个人信用评估指标与模型两个方面入手展开研究。首先,本文在相关理论的基础上,总结出构建个人信用评估指标体系的五大原则,依据国内外个人信用评估标准,对比分析了我国商业银行现行个人信用评估指标与发达国家、P2P借贷平台的之间存在的差异,取长补短,构建了由自然情况、家庭情况、职业情况、银行关系、信用情况5个一级指标及24个二级指标构成的个人信用评估指标体系。该指标体系涉及指标全面,能在一定程度上减少商业银行与贷款申请人之间存在的信息不对称现象,从而达到全面评估申请人信用风险与违约概率的效果,缓解逆向选择与道德风险带来的损失。其次,本文试图探索更有效率的个人信用评估分类模型。近年来,集成学习算法被证实比传统单分类器拥有更好的分类性能与泛化能力,且在分类问题上有良好的表现。因此,本文选用了最新的集成学习算法——XGBoost集成分类算法作为本文的实证方法,通过贝叶斯优化算法对其参数进行优化,构建了XGBoost-BOA集成分类模型。采用德国、英国及人人贷信用数据集作为实证样本,检验XGBoost-BOA集成分类模型的分类性能,并与其他常见的8种分类模型进行对比。实证结果表明,集成学习算法的分类准确率普遍比单分类器分类性能高;本文提出的XGBoost-BOA集成分类模型在这三个信用数据集的个人信用分类问题上具有良好的表现,且比其他分类模型分类精度更高。本文对个人信用评估指标的完善与个人信用评估方法的改进,有望帮助商业银行量化分析申请人的个人信用,更高效准确地处理贷款审批,有效地规避信用风险,降低损失,也有利于全民信用意识的提升,促进我国信用社会的建设与发展。本文有两点创新之处。第一,在参考国内外个人信用评估标准及相关学者研究的基础上,取其精华,在自然情况指标中新增健康状况指标,在我国欠缺的信用情况指标中新增现有信贷数目、信贷用途、信贷金额、信贷期限、个人司法记录、其他失信记录6个指标,丰富并完善了我国商业银行个人信用评估指标体系。第二,作了XGBoost集成学习算法在个人信用评估领域的应用研究,并对其进行贝叶斯参数优化,从而构建了XGBoost-BOA集成分类模型,通过对比研究证实该模型在德国、英国、人人贷样本上具有较其他分类模型更优的分类性能。第三,本文利用XGBoost算法内置特征重要性柱状图绘制功能对各国数据集的特征变量重要性进行分析,不仅能有效提高模型的可解释性,而且能够帮助商业银行快速识别出对个人信用影响较大的特征指标,对指标选择与权重设置也有一定的借鉴意义。