现代经济是信用经济,信用作为特定的经济交易行为,是商品经济发展到一定阶段的产物,而个人信用评估在促进信用经济发展和社会信用体系建设中发挥着极其重要的基础作用。2008年次贷危机发生后,人们普遍意识到个人信用信息服务对经济金融运行的深刻影响和重要作用,从防范非系统性风险上升为防范系统性风险,利用新技术推动个人信用评估的发展显得尤为重要。个人信用评估本质上是分类问题,即将信用好的客户与信用差的客户区分开,所以适用于分类问题的方法大多可以用于个人信用评估。个人信用评估方法日益丰富,从早期的统计学方法到非统计学方法,再到组合方法,学者们一直在寻找准确性和稳定性俱佳的个人信用评估模型。鉴于单一的个人信用评估模型提升空间有限,而组合模型方法可以将单一模型优势互补,故本文选用组合模型的方法构建个人信用评估模型。组合模型的构建方法主要有两种,一种是串行结构组合方法,另一种是并行结构组合方法。两种组合方法原理各不相同,串行结构组合方法中单一模型按顺序学习,组合模型中某个单一模型出现了错误,将影响到下一个单一模型,使组合模型的最终结果不可靠。并行结构组合方法中单一模型相互独立,某个单一模型的错误对整体结果的影响较小,并行结构组合模型具有较强的稳定性,因此得到了更为广泛的应用。故本文选择并行结构组合方法对单一模型进行合成,并采用加权投票的方式对单一模型的输出结果进行合成。本文将C&RT与SVM进行并行组合,既能发挥C&RT可解释性强、稳定性高的优点,也能发挥SVM对数据没有假设条件、分类精度高的优点,使C&RT模型与SVM模型提供的分类信息相互补充,同时组合模型的预测结果成为单一模型预测结果的组合,使组合模型在信用评估中分类预测的准确性、稳定性、可解释性都得到增强。在UCI德国个人信用数据集上的测试结果表明,组合模型在对样本的分类精度和稳定性上均优于单一模型,显著降低了消费信贷风险。