由于中国信贷业务的高速发展,金融机构信用风险管理体系面临着严峻考验。近些年各大银行将个人信贷业务视为银行业务的重要组成部分,信用卡消费、个人汽车贷款、耐用品贷款、住房按揭贷款、助学贷款等各种个人消费贷款业务的快速发展需要银行等金融机构具备快速高效的业务处理能力。个人信用评分技术处理信贷业务具有快速高效、标准、定量的特点,这使得个人信用评分方法受到广泛关注和研究。虽然信用评分技术在国外发达国家已经发展成熟,但是在国内还处于起步阶段。国内不管是对指标体系的选择还是模型的建立都没有形成统一的标准,各商业银行等金融机构都有各自的指标体系,使用的方法也严格保密。目前国内个人信用评分模型研究的方法主要分为统计方法与非统计方法,研究重点在模型的精度和稳定性方面,很多模型得不到推广的主要原因是两者不能很好的统一。本文在分析比较国内外机构对个人信用评分指标体系选择的差异后,结合真实样本数据,建立适当的信用评分指标体系。然后选择个人信用评分中常用的模型,根据样本数据对单个模型建模并进行实证分析,比较各个模型的预测效果。预测结果显示Logistic回归模型虽然预测精度比最高的神经网络低,但模型稳定性好;神经网络的预测精度最高,但模型不稳定;Bayes判别的精度和稳定性都不错,但是模型的限制比较严格;决策树的预测精度与稳定性在四个模型中最差。为了得到精度较高与稳定性好的模型,本文首次运用优势矩阵法也即Odds-Matrix来筛选模型和估计模型的权值系数,得到精度和稳定性都比单个模型好的Logistic回归和神经网络的混合模型。优势矩阵法相比其他方法具有权值对优势比变化不敏感、可以时刻对权值更新和简单易操作的特点。对于大样本数据,其精度也超过了等权重法、最小二乘法和回归法。