近年来,互联网金融在我国快速发展,许多金融机构暴露出信用风险问题。信用评分模型通过客户信息预测可能发生的信用风险,为信贷风险管理提供决策支持。本文面向个人信贷业务,首先针对信贷客户数据高维度的特点,对原始的信贷客户数据进行特征选择,并在此基础上建立了基于静态属性和多模式结合搜索策略(A Credit Feature Selection Based on Importance And Classification Ability,FSICA)方法的风险贷前预测模型,实现了信贷客户的贷前风险评估;然后利用信贷客户的动态属性,对流水数据进行时间序列分析,并在此基础上建立了基于动态属性和自回归移动平均(Auto-Regressive and Moving Average Model,ARMA)方法的风险贷后预警模型,实现了信贷客户的贷后风险预警;最后将两种模型通过并联的方式组合起来,实现了对信贷客户的信用评分。具体研究内容及创新点如下:(1)提出了一种基于多模式结合搜索策略的特征选择方法。该方法结合过滤(Filter)、嵌入(Embedded)和封装(Wrapper)模式的优点。首先使用两种过滤和两种嵌入方法从特征类别相关性和分类能力两个方面对特征进行综合度量;然后采用序列后向选择(Sequential Backward Selection,SBS)搜索策略对特征进行选择,并以分类精度作为评价指标对特征子集进行度量,从而获取最优特征子集。实验结果表明,该算法可以达到特征降维的效果,并且提高分类算法的性能。(2)提出了一种使用动态流水数据进行信用评分的新型方法。首先,本文对原始的银行数据进行处理,得到动态流水数据;其次,根据时间序列分析理论,建立动态流水数据的ARMA模型,获取贷款人在还款期间的账户状态;然后,本文通过账户状态得到账户余额;最后,通过预测的账户余额与贷款金额的大小关系给出贷款人的标签。为了验证本文方法的有效性,本文在模型上使用了来自某银行的1694个样本,得到的总体准确率为90.7﹪。结果表明,该方法具有较强的可行性和良好的应用前景。(3)结合以上两种方法,提出了两种风险评估模型:基于静态属性和FSICA方法的风险贷前预测模型和基于动态属性和ARMA方法的风险贷后预警模型,最后将两个模型组合起来构建了一个基于风险贷前预测和风险贷后预警的组合模型,实现了客户的信用风险评估。实验结果表明,组合模型能够对信贷客户的贷前、贷后进行风险的评估,具有很好的应用价值。综上所述,本文提出的三种面向个人信贷业务的信用评分模型:基于静态属性和FSICA方法的风险贷前预测模型、基于动态属性和ARMA方法的风险贷后预警模型和基于风险贷前预测和风险贷后预警的组合模型,能够准确地实现客户的风险评估。不仅能在贷款前帮助金融机构识别客户资质,还能在贷款过程中帮助他们及时地发现风险,减少损失。