随着网络技术的蓬勃发展,人们对信息化的依赖和习惯需要更高的信息处理效率,传统的金融体系已不能满足人们的资金融通需求,互联网金融因此应运而生。互联网金融是一个新兴的领域,它将互联网技术与互联网思维应用到传统金融业。经过不断的发展,形成了三种主要的业务模式:第三方支付、众筹和P2P网络贷款。在互联网金融模式下,交易的双方直接对接,不存在第三方中介压缩利润,在一定程度上降低了双方的交易成本,从而提升了利润空间;借助信息科技技术迅速完成信息的获取、处理、分析与交易,省去了排队的时间,使得效率大大提高,优化了用户体验;在这种模式下的客户覆盖范围更加广泛,针对不同的群体提供个性化服务,提高了资源配置的效率。但与此同时,互联网金融法律政策体系不完善、违约成本低,加剧了信用风险,导致金融乱象多发。自2015年以来,P2P网贷平台屡屡发生爆雷事件,许多在线借贷平台因涉嫌非法集资或集资诈骗等而受到调查和处罚。一系列的负面事件对互联网金融业造成了不利影响,破坏了金融市场的秩序,给监管带来了巨大的挑战,使投资者损失了金钱与投资信心。因此,对其进行信用风险评估是非常必要的,可以为投资者提供理论参考,减少财产损失。本文从同花顺数据中心选取互联网金融概念的上市公司共76家作为研究对象。根据互联网金融的特点以及数据真实性、可获得性确定了财务指标与非财务指标来构建信用风险评价体系。财务指标主要从偿债能力、营运能力、盈利能力、成长能力、每股指标五方面选取了19个数据指标,非财务指标主要从公司特征与公司治理两方面选取了7个数据指标。采用因子分析法对众多数据指标提取出八个互不相关的综合指标,并将其命名为盈利能力、短期偿债能力、每股指标、经营能力、互联网技术能力、外部治理能力、股权结构与董事会结构。通过实证分析比较Logistic回归、支持向量机、KMVLogistic和KMV支持向量机四种模型下的分类预测准确率。对于Logistic回归模型和支持向量机模型,将得到的八个公因子作为自变量分别代入上述两个模型;由于传统的KMV模型使用历史波动法求解股权价值波动率,但不能反映出随时间变化的真实波动,故本文使用EGARCH模型来求解股权价值波动率,确定KMV各个参数的取值后,最后求得违约距离DD。将八个主成分因子与违约距离DD共同作为自变量代入Logistic回归与支持向量机模型,可以得到KMVLogistic组合模型和KMV支持向量机模型。通过实证分析表明,盈利能力、短期偿债能力、互联网技术能力与外部治理能力是衡量互联网金融上市公司信用风险的重要的因素。将高信用风险公司与低信用风险公司的违约距离通过对比发现,高信用风险公司的平均违约距离明显小于低信用风险公司的违约距离,证明了高信用风险公司与低信用风险公司的违约距离是有显著差异的,也进一步说明了违约距离这一指标对于评估信用风险的重要性。组合模型KMV支持向量机模型对总体的分类预测准确率最高,其次为KMVLogistic模型,然后为支持向量机模型,最差的是Logistic回归模型。Logistic回归模型、KMVLogistic和KMV支持向量机模型更容易把互联网金融上市公司误判为高信用风险,支持向量机模型容易把互联网金融上市公司误判为低信用风险。相比以前学者对互联网金融上市公司的信用风险评价研究,本文的创新之处为:在KMV模型中确定股权价值波动率时,采用EGARCH（1,1）代替传统的历史波动率法来计算股权价值的动态波动率,可以更好地反映真实的波动性。基于EGARCHKMV模型求解出违约距离,与提取出的综合指标共同作为自变量,代入Logistic回归模型与支持向量机模型,构建出组合模型KMVLogistic模型和KMV支持向量机模型,从单一模型,组合模型,有无加入违约距离的模型等多维度来评估模型预测信用风险的效果。