消费金融公司是指不吸收公众存款,以小额、分散为原则,为中国境内居民个人提供以消费为目的的贷款的非银行金融机构。中国银行业保险监督管理委员会于2009年8月正式下达《消费金融公司试点管理办法》,开启了国内消费金融公司试点运营大幕。虽然我国消费金融公司的起步较晚,但其发展非常迅速,已展现出巨大的潜力。由于消费金融公司提供的个人信贷业务具有无担保、无抵押等特点,风险相对较高,银保监会因而设立了严格的监管标准。从保障消费金融公司自身的持续稳健运营的角度出发,建立一套行之有效的个人信用评价和风险防控机制已经成为当务之急。注意到传统的专家评分方法在处理消费金融公司大量的实时网络数据时存在效率低下、精准度难以保证等问题,考虑将时下热门的机器学习方法应用于消费金融领域的个人信用评价和风险控制。本文选取随机森林模型和Xgboost模型对消费金融公司的贷款客户进行逾期风险评估,并与经典的Logistic模型进行比较分析,实际数据分析的结果表明所采用的机器学习思想和方法在个人信用评估和风险防控领域具有相当的优势。本文的主要研究内容包括:1.介绍了数据的来源,并对数据进行了描述性分析,发现了一些有趣的规律,对于模型的构建所选用特征有了初步的指导作用。2.对数据进行清洗,首先删除缺失率比较高的变量,然后再剔除异常值。3.进行特征衍生和特征筛选。在特征衍生过程中,主要依据业务逻辑与数据逻辑这两条准则进行特征衍生。本文采用模拟退火和贪心算法对特征进行筛选,这也是本文的创新之处,采用这种方法的优点是可以跳出局部最优,效果比较好,运算速度比较快。4.选取Logistic模型、随机森林模型和Xgboost模型分别建模,并比较它们的精确性,发现Xgboost模型的精确性最好,随机森林模型次之。提出按比例加权求和的方法来融合随机森林模型和Xgboost模型,并验证其可提升模型的精确性。在模型的评价方面,本文采用了ROC曲线和AUC值。