自从金融诞生以来，风险就伴随其左右，随着网络贷款平台的迅猛发展，信用风险问题层出不穷。2016年8月，监管部门发布了《网络借贷信息中介机构业务活动管理暂行办法》，为行业的规范发展指引了道路。无论是出于金融机构本身对于预期损失和收益估算的需要，还是基于监管部门对金融机构的要求，金融机构都需要对信用风险各项指标做预测。2004年颁布的《新巴塞尔资本协议》充分反映了一笔交易的信用风险既包含债务人的违约概率，也包含因违约造成的损失严重程度即违约损失率。
　　现行的信用风险预测模型大都以放贷初始时刻所能观测到的借款方特征如收入水平、信用分数等作为输入项X，以最终预测的违约概率与违约损失率作为输出项Y，然后选择合适的方法建立用输入项来预测输出项的有监督学习模型。本文立足于违约概率和违约损失率的研究，以美国最大的网络借贷平台lending Club公开数据为研究样本，创新性的提出了基于过程性可观测信息的信用风险研究框架。传统的信用风险预测模型通常是对放款之前历史数据的观测和收集，形成一个包含被观测的输入项X和输出项Y的数据集，从而以该数据集为训练数据完成对模型的训练和建立，但忽视了从观测到X至观测到Y的过程中可能发生的与X和Y密切相关的其它能被观测的事件即过程性可观测事件，很容易造成信息的不完全挖掘，降低算法的准确率。据此，本文构建了基于过程性可观测信息的信用风险研究框架并提出分层模型和混合模型。
　　相比传统预测信用风险的单一模型，本文提出的基于过程性可观测信息的信用风险研究框架无论对于数值型数据的预测准确度还是类别型数据预测准确度都能得到较大程度的提高，对信用风险领域关于借款方的风险评价，完善风控体系具有重要的理论意义和实践意义。