张 晖，张志明

铜陵学院金融学院，安徽铜陵，244061

1 引 言

随着信息技术的高速发展和互联网的普及，征信领域发生了巨大的变化。大数据征信逐渐开始取代传统征信模式。传统征信数据来源单一，主要以传统商业银行的违约记录作为征信依据，覆盖人群范围较小，不能准确判断个人实际征信状况。大数据征信以互联网为平台，采用数据抓取和数据挖掘技术，运用合理的算法判断个人或企业的信用状况。其数据种类多样，来源广泛，具备综合判断的能力。近年来，个人信用模型不断完善，从早期的判别分析模型到今天的基于机器学习的个人征信模型层出不穷。本文通过P2P平台，在经过用户允许的情况下，采集1 000名用户的个人信息，运用四种不同的机器学习方法进行对比，将数据按照7∶3比例划分，70%数据用于训练，30%数据用于验证模型，分析在有限数据情况下不同算法的准确度。

2 个人征信模型发展综述

个人征信模型是以评分对象过去的社会经历和交易记录为数据，采用数理统计的方法，分析和判断个人的信用状况。1941年，Durand在其编写的《消费者分期付款信贷的风险因素》一书中，提出了数理统计模型用于消费者授信决策的统计方法［1］。1958年，Fair等利用判别分析法建立了第一个真正现代意义上的商业化信用评分系统FICO，其产品在商业金融领域迅速得到了广泛应用［2］。

计算机和信息技术的发展提高了个人征信模型的数据处理能力。在互联网时代，个人征信的数据来源海量增长，机器学习的方法有助于处理大数据性质的征信数据。……