2013年以来,互联网消费金融行业在我国发展迅猛,不断满足人们各个场景下的消费信贷需求。但我国征信体系尚不健全,借款人与平台间信息不对称现象更加明显,大量厂商风险识别及风险控制能力不足。2019年消费金融行业平均不良贷款率达2.63%,面临着过度信贷、网络黑产恶意欺诈、骗贷、平台过度催收等问题,给平台、社会、信贷用户造成巨大的财务损失和恶劣影响。因此,如何有效利用互联网产生的海量多维数据,建立一套高效准确的互联网消费金融违约预测风控模型,具有极大的研究意义和现实价值。风险管理是金融业务的核心,一个好的风险管理系统能及时识别欺诈、违约等风险,避免平台产生损失。但目前互联网消费金融风控模型的研究大多基于传统模型,如评分卡、逻辑回归、决策树等等,随着移动互联网的高速发展,全球数据规模达40ZB,传统模型在当前数据规模下的运行效率、预测价值已不再满足工业界需求。本文重点针对互联网金融中信贷违约问题,创新性地选择LightGBM算法,构建基于特征工程的互联网消费金融模型,并基于工业界真实样本数据,通过数据处理、特征工程、模型训练、性能度量、模型调优,提出一套完整的个人消费贷款违约预测模型,并选择AUC指标进行模型性能度量。本文通过互联网消费金融风险来源及特征的理论分析,与大数据风控模型搭建全流程的实证研究,发现大数据背景下利用特征工程和LightGBM算法构建的互联网消费金融风控模型具有显著优势,能对借款人进行有效的信用风险评价,预估违约概率,实现对借款人信用风险的评价和控制。本文研究成果对工业界风险控制具有一定的参考意义。