近年来,随着金融领域逐步放宽民间资本的准入门槛,各类线上线下贷款机构迅速发展,信贷市场规模日益增大,带动了信用服务市场规模稳定增长,激发了各类金融机构对信用评估模型的开发需求。信用评估模型的性能高度依赖于原始数据的质量,但现实中信用数据的缺失问题却是无法避免的,这大大降低了信用评估模型的有效性和准确性。在实际中,大多数信用模型通过直接删除缺失样本或者用简单的均值,众数值填补的方法来解决这个问题,但是这些方法都会造成巨大的信息损失或者偏差。为了给信用评估中的数据缺失问题提供一种新的填补思路,提高信用评估模型的准确性与可用性,本文提出了一个新的缺失数据填补模型,即基于贝叶斯网络的迭代填补模型。该模型由两个阶段构成:准备阶段和填补阶段。准备阶段的主要任务是基于完整数据集训练贝叶斯网络。训练之后,模型及参数库就会将描述各变量之间依赖关系的结构网络以及每个变量的条件概率分布参数值储存起来。第二阶段是填补阶段,完成多变量迭代填补任务。在EM算法交替迭代使得似然函数递增求最优参数思想的启发下,模型以后验概率递增作为主要思想进行迭代,利用准备阶段生成的贝叶斯网络,依次对缺失变量的值进行更新。理论证明,该模型的主算法具有单调收敛性。与其他经典缺失值填补方法相比,本文方法的优势在于,利用了变量之间的概率依赖关系来估计缺失值,无需对概率分布作出前提假设,既适用于离散型变量也适用于连续型,既适用于单变量填补,也适用于多变量填补。为了验证本文提出的填补模型在信用评估缺失数据填补方面的有效性,本文以UCI数据库中两个著名的信用评估建模基准数据集以及人人贷平台真实信贷交易数据作为实验数据展开了对比实验。实验结果表明,无论是填补准确性还是填补之后信用评估模型性能,采用本文模型填补的结果都优于众数填补法和EM填补法这两个经典缺失值填补方法。