互联网金融作为传统金融的重要补充,为金融行业增添新的活力。然而,由于经济交流中的信息不对称和个人信用报告的不完整等问题,互联网金融信用风险一直备受金融机构和国家监管部门的关注。P2P网贷作为互联网金融中的小额个人借贷平台,不仅惠及了传统金融机构难以惠及的小额资金需求者,而且有效调动了个人闲散资金,提高了金融市场的公民参与度,进一步活化了金融市场。然而,由于P2P网贷行业前期准入门槛低、相关法律法规不完善以及平台方风控技术不足等问题,中国P2P行业经历了从繁荣到低迷的一系列时期。近几年,随着一系列互联网金融相关政策的施行和互联网技术的改进,P2P网贷的行业风险和平台风险都被有效地降低,以小额借贷为主的中国P2P网贷行业的未来也呈现大好趋势。根据动态信用风险理论,未来中国P2P网贷的风险将主要集中在借款人的信用风险方面。因此,认识P2P网贷与传统机构之间的差异,挖掘可以评估P2P网贷借款人信用风险的变量,建立可以有效识别P2P网贷借款人信用风险的模型,将成为P2P网贷平台和相关金融机构的主要关注方向。与传统线下借贷不同的是,P2P网贷平台上的借款人地域跨度较大,借款人“硬信息”的真实性难以验证,单纯依靠“硬信息”建立的信用风险识别系统可能难以反映借款人真实的信用风险情况。鉴于此,本文从评估中国P2P网贷平台借款人信用风险出发,以丰富借款人信用风险评价指标和建立优越的借款人信用风险评价模型为主要目的,以挖掘借款人“软信息”中的信用风险识别因子为主要方向,以预测准确度更高的机器学习方法为评估路径,在控制重要“硬信息”的基础上,探索“软信息”对借款人信用风险的识别效果,构建基于借款人“软信息”的BP神经网络信用风险评价模型。本文利用数据挖掘方法获取了中国运转良好的P2P网贷平台——人人贷平台上的借款人相关数据。实证部分首先使用二元Logistic回归对借款人的信息指标进行初步筛选,然后使用合适的实证样本建立借款人BP神经网络信用风险评估模型,用测试样本检验模型的评估效果,并比较BP神经网络信用风险评价模型与Logistic回归模型的信用风险预测效果。结果显示,借款人的声誉资产和个人陈述文本等“软信息”中包含有大量的信用风险识别因子,如成功借款次数、描述文本长度、文本情感倾向等都可以从一定程度反映借款人的信用风险状况,在传统的“硬信息”指标中加入合适的软信息可以有效提升信用风险模型的预测准确率。本研究还证明了BP神经网络模型在信用风险评估方面的优越性。