消费金融的发展有利于提高中国社会消费能力的提升。随着网贷新规等政策的出台,消费金融市场的规范性逐步增强,消费金融公司也开始向利用大数据等金融科技技术,为消费者提供更好的金融产品与服务的公司进行转变。由于消费金融公司资金成本更高,面临的风险更强,因此提高对违约风险的预测能力,有助于消费金融公司的持续发展。在消费金融公司个人贷款的违约风险方面,消费金融公司主要采用信用评分等方式对个人贷款的违约风险进行评价,但是从现有的消费金融公司个人贷款违约风险来看,该方法并没有有效的降低消费金融公司的个人贷款违约风险,亟需采用新的预测方法。本文以消费金融公司为对象,研究消费金融公司的个人贷款违约风险预测。首先,阐述消费金融公司常用的个人贷款违约风险的方法,常用的指标体系,总结存在的问题。其次,在消费金融公司现有指标基础上,补充驾龄、还款方式、月均净收入、支出频率、支出金额、投资比例、司法诉讼、月均缴税额等指标用于预测贷款违约风险。第三,采用LightGBM模型进行消费金融公司个人贷款违约风险预测的理论机制分析,设计建模过程以及采用粒子群算法进行参数优化的详细过程。第四,搜集消费金融公司个人贷款数据,对各类常用于消费金融公司个人贷款违约风险预测的方法进行对比分析。最后,为消费金融公司提出完善个人贷款违约风险预测的对策建议。本文的研究结论如下:（1）通过搜集X消费金融公司个人贷款数据,本文构建的粒子群优化的LightGBM模型用于消费金融公司个人贷款违约风险预测时,对比常用的信用评分规则法以及各类数据挖掘模型具有更好的预测效果。与消费金融公司常用的信用评分规则对比,在查全率上提高0.185,在查准率上提高0.121,准确率上提高0.177,真负率上提高0.244,AUC上提高0.15。（2）从指标重要性评分来看,本文对原消费金融公司指标体系补充的月均缴税额、司法诉讼、净资产比例、月均净收入等指标有效的促进了对违约风险的预测。