P2P网络借贷是金融业与互联网结合的产物,是一种新型的借贷融资方式,近年来规模增长迅速。但是在P2P网络借贷规模迅速增长的同时,P2P贷款的信用风险也受到了广泛关注,不断爆发的P2P跑路事件,为借款人带来了巨大的损失,也给P2P行业的发展敲响了警钟。传统的P2P网贷个人风险评价主要采用专家评分法,这种基于规则的方法很难准确的识别借款人的信用风险,而部分P2P网贷平台尝试使用的逻辑回归、支持向量机等监督学习方法,效果比较依赖于数据的质量,数据量较少且数据不平衡等问题会对风险评估的结果造成影响。目前,集成学习方法Cat Boost模型在若干领域得到了较好的应用,同时软信息由于丰富的信息特征也在风险控制领域受到关注,但是目前的软信息主要是将收入认证等应用在信用风险识别中,文本类软信息的研究较少,而文本类软信息含有较为丰富的个人信用风险的信息,因此对文本类软信息的利用是研究的热点问题。为了构建有效的P2P个人信用风险识别方案,本文融合软信息与Cat Boost模型构建信用风险识别方案,并基于遗传算法对模型进行参数优化,用以提高P2P平台信用风险识别的能力。本文对P2P个人信用风险识别方案进行了研究,首先,本文基于相关理论与文献对影响P2P个人信用风险的影响因素进行研究,本文将影响因素划分为硬信息以及软信息,分别构建了硬信息指标体系以及软信息指标体系。其次,本文使用LDA主题模型对文本类软信息进行处理,形成软信息指标。第三,本文融合软信息与Cat Boost模型构建了P2P个人信用风险识别模型;第四,本文采用人人贷的实证样本,对比分析了支持向量机(SVM)、Cat Boost以及Light GBM模型,验证了本文构建的Catboost模型的有效性。最后,本文融入软信息与Cat Boost模型构建了P2P信用风险识别方案。本文得到的结论如下:(1)本文在相关理论的基础上,设计了20个硬信息指标,并采用借款描述信息作为软信息,并采用LDA主题模型形成软信息指标;(2)通过构建融入软信息与Cat Boost的信用风险识别模型,在人人网的样本上进行实证,可以看到从各个模型评价指标来看,Cat Boost模型的性能都是最佳的。(3)通过对Cat Boost模型的重要性变量得分进行分析,可以看到,软信息形成的主题指标对模型的分类效果具有重要影响,对于提高模型的预测性能具有重要的意义。本文的研究对于进一步提高P2P信用风险识别的性能具有一定的参考价值,为促进P2P平台提高自身信用风险管理能力提供一定的参考依据。