自2005年第一家P2P网络借贷平台Zopa在英国成立以来,P2P网络借贷平台在全球范围内得到了快速发展。许多P2P网络借贷平台也相继成立,例如美国的Prosper、Kiva、德国的Auxmoney、日本的Aqush等。Lending club于2014年12月在美国成功上市,成为第一家上市的P2P网络借贷平台。2007年拍拍贷的成立标志着P2P网络借贷平台正式引入中国,并在“普惠金融”理念的带动和国家积极的政策刺激下迅速发展,成为小额信贷市场重要的开拓创新力量。P2P网络借贷作为互联网金融的重要组成部分,在金融脱媒和金融去中心化中扮演着重要角色。P2P网络借贷平台自引进我国以来,在普惠金融和服务小微企业的背景下得到快速的发展,已经成为互联网金融发展的一个重要趋势。作为一种新型的“微金融机构”,P2P网络借贷成为多层次资本市场的一部分,丰富了传统金融行业。由于融资模式和融资渠道的不同,新兴互联网金融平台与传统金融模式相比,具有进入门槛低,操作简单,投资方风险防控能力差的特点。其风险来源和传播也呈现出新的特征,由基础的互联网金融衍生出来的P2P既是一种新的互联网金融产品,也是一种风险防控手段。在国内,目前包括人人贷、拍拍贷都在积极推动数据化风控模型的建设,除了小额分散的风控原则,P2P网贷风控的核心方法在于,通过研究分析不同个人特征数据(即大数据分析)相对应的违约率,通过非线性逻辑回归、决策树分析、神经网络建模等方法来建立数据风控模型和评分卡体系,来掌握不同个人特征对应影响到违约率的程度,并将其固化到风控审批的决策引擎和业务流程中,来指导风控审批业务的开展,这也是本文研究的方向和目标。本文利用拍拍贷平台的借贷数据,通过各种机器学习的算法选择风控模型的因子,并对约定的违约进行预测,得到比较满意的结果。由于本身模型里对应了相应的信用分级,通过与魔镜等级的替换,进行模型的二次验证,得出的召回率(recall)值虽然精度不高,但与构建的模型是契合的。我们从以上的实证中得出结论,利用机器学习是能够正确构建和优化当前风险评估模型,并随着金融信贷行业和机器学习的发展更进一步。模型虽然过于简单,遇到比较复杂的场景或者应用中将会无法运用,但是作为对于风控模型的研究方向,还是非常有实用价值的。