信用风险评价一直是企业发展与经济社会发展重点关注和研究的问题。随着电信运营商业务规模的持续扩大和消费型创新产品的不断推出,违约、套费等现象的频繁发生给企业带来巨大的坏账风险。传统的信用风险评价方法一直以金融行业数据为分析基础,存在数据来源单一、评价维度覆盖率低、缺乏全面性与关联性等问题。移动通讯设备在当今移动互联网络时代的迅速普及,使得移动通信用户数据呈现爆发式增长,对比金融行业数据,电信数据具有覆盖人群面广、数据量庞大、数据维度全面性强和真实性高等诸多优点。将电信数据引入信用风险评价模型,可以提高信用风险判别的准确性和适用性,能够有效地解决电信业务中类似套费、违约等痛点问题。本文在充分吸收信用风险评价理论知识的基础上,选取真实的电信用户数据进行处理与分析,构建电信用户信用风险评价模型。主要工作如下:(1)研究并提出了一种不均衡数据集处理的融合算法。分析和梳理了不均衡数据集产生的问题及处理方式,从数据样本的角度提出随机合成少数类过采样与最近邻规则欠采样混合的采样方法,有效地对少数类样本稀疏域进行采样并使异类边界清晰,提高了输入模型前电信用户数据集的质量。(2)从业务角度分析电信特征,研究并提出了一种基于随机森林的过滤式特征选择方法。结合电信业务对特征进行处理与分析,以随机森林特征重要度排序为依据迭代地进行过滤式特征选择,最大限度消除了冗余特征对分类模型效果造成的负面影响,最终选出七个特征组成最优特征子集进行拟合。(3)研究并提出了一种基于逻辑回归(Logistic回归)与梯度提升决策树(GBDT)融合的信用风险评价模型。该模型以可输出分类概率的Logistic回归算法为基础模型,利用GBDT算法可以有效构造新特征且能够组合特征的特性,弥补Logistic回归单模型对特征捕获性差的缺点来构造融合模型。融合模型优化了分类效果并提高了预测性能,能够满足于电信信用风险评价的需求。综上所述,本文针对数据与特征分别提出混合采样算法与过滤式特征选择方法进行优化,通过融合算法构建信用风险评价模型,为电信运营商在信用风险识别与控制方面提供了可行的思路。