随着“互联网+”时代的到来,消费金融逐步成为互联网金融服务的重要组成部分。由于消费金融主要面向中低收入、缺乏信用记录的客群,传统的信用风险评估模型适用性欠佳。大数据技术是IT产业一次重大技术变革,在数据爆炸的时代,大数据可以有效提高无抵押信用贷款行业的风险识别能力。随着移动互联、网络社交,以大数据技术等为核心的创新技术的驱动下,数据已经成为消费金融机构的核心财务。客户在互联网上的大量的信息,客户个人特征数据、电商类数据、社交类数据、支付类数据等,可以通过大数据进行信息集中、整合与加工,并建模开展信用评级,预测风险保证公司可持续经营。通过大数据技术与云计算的运用,为建立多层次、多维度的信用风险评估体系提供可能。论文互联网消费金融风控为研究对象,瞄准网络消费信用贷款对大数据风控和反欺诈的迫切需求,针对网络借贷提出了系统的大数据金融实证研究方案,并在此基础上建立了网络借贷信用风险评估模型,丰富和完善了信用风险管理的理论与方法。针对目前消费金融样本普遍不足和样本属性稀疏的问题,提出了一种基于生成式对抗网络(GAN)的消费金融小样本数据训练方法,通过GAN产生与真实样本具有相同特征的客户样本来扩大样本量,以解决消费金融企业初期数据样本不足的问题。采用K-means聚类算法,对某消费金融企业工薪贷产品客户数据进行训练,最终获得客户细分模型,通过对客户轮廓的细分,了解不同细分类客户的属性特征,更有针对性的实施风控策略。采用逻辑回归、随机森林等多种算法对客户的授信额度进行了训练,最终获得客户信用等级概率模型。通过该模型可针对客户的风险属性、个人属性等维度预测应授予客户的贷款额度,可以帮助实施贷前审批、贷中调额等主要业务。在上述的模型基础上设计并实现了一种支持实时高并发的数据仓库及其私有云体系结构,能集成各种分布式数据并行处理框架,并针对消费金融数据稀疏的实际特点与应用场景,提出了相应的任务调度处理方法,提升了数据读写与分析的效率,具有较好的开放性和可扩展性。