P2P借贷,也就是个人对个人的借贷,其属于一种互联网金融产品。P2P借贷具有降低融资成本和提高金融市场效率的潜力。相对于传统金融,P2P小额信用贷款则有着贷款数额较小、期限较短、利率较高、且无需担保的信用贷款的特点。众所周知,由于P2P信贷的客户群体较差,所以其经常面临贷款的偿还和催收问题。对比美国等发达国家,我们发现其市场和公司生存情况因为成熟的风险管控政策和技术而趋于稳定。而包括我国在内等发展中国家的P2P市场正处于摸索阶段,风险管控问题已成为P2P企业可持续发展之路上必须攻克的难题。近些年来,由于互联网金融行业的风靡,越来越多的国内外学者开始对P2P贷款进行研究,并且取得了不错的成效。但是,这些研究尚且存在着一些方面的不足。首先是目前鲜有把用户的行为及社交数据纳入模型中进行考量的研究。而大数据时代,人们的社交数据缤纷繁复且数量庞大,用户的社交网络可以很大程度的完善用户画像,反映信用状况。其次,目前大多数研究中,信用评分卡均是使用传统的逻辑回归模型。然而针对P2P借贷,线性模型的预测精确度还不能令人满意。针对以上两点,本论文的创新性主要体现在以下两个方面:首先,本论文通过LDA/Deep Walk等降维/嵌入方法提炼挖掘了用户的行为社交数据,并将其作为重要的有效特征因子纳入到模型的构建和训练当中;其次,本文创新性地提出梯度提升决策树(Extreme Gradient Boosting,XGBoost)和因子分解机(Factorization Machine,FM)的集成学习二阶段混合信用评分卡模型。通过对某跨国P2P信贷公司印尼市场的数据进行数值分析我们发现,本研究提出的结合社交数据的集成学习二阶段混合模型能在模型稳定性和预测精确度上超过基准模型。总而言之,本文以数据驱动公司运营决策,通过结合社交数据的模型来进一步指导P2P公司的风险运营管理和实践,提升P2P企业的运营管理效率和抗风险能力。