随着经济、技术的发展,新的消费形式潜移默化的促使了人们超前消费观的形成,贷款逐渐成为了新消费形式下的主要承载对象。互联网金融应运而生,将个人信贷业务广泛的开展到人们的生活之中,信贷的发展不仅解决了个人资金短缺的问题,还加快了社会资金的周转,促进了整体的消费。可信贷的高风险性一直是人们十分在意的问题,如何帮助贷款机构建立全面、完善、准确的风险评估模型,提前防范违约风险、甄别关键风险特征,成为了一个重要研究问题。如今人工智能领域的快速发展为信贷风险识别提供了新的思路,利用相关机器学习技术辅助金融系统的决策,是防控信用风险的重要发展方向。本文利用Lending Club的真实借贷数据,建立了贷前风险评分模型和贷后违约预测模型,并对影响信贷风险的关键特征进行了识别。本文的主要研究内容和方法包括:首先,针对贷前申请阶段,通过对变量进行卡方分箱、WOE编码和计算IV值,筛选出了影响客户信用风险的11个重要特征,再利用这些特征建立了基于Logistic的贷前风险评分模型,通过评分尺度化将回归结果转化为了评分卡的形式,使模型更具直观性和可解释性;然后,针对贷款发生后,通过加入客户还款表现的信息,构建了基于XGBoost的贷后违约预测模型,通过网格搜索调参,使模型取得了更好的效果,并基于SHAP值对模型进行可解释性分析,识别重要风险特征;最后,结合具体样本,展示两个模型在贷前风控和贷后风控管理中的应用,突出模型的真实性和实用性。研究发现:客户的信用等级、工作年限、省份、收入贷款比、按揭账户数、欠款总额等是影响客户贷款申请风险评分的重要因素,评分低于450分的为高风险客户,高于550分的为低风险客户,当以487分为界限划分客户时,评分卡模型达到最佳的效果;XGBoost模型在贷后的违约预测上,有着出色的效果,网格调参方法能有效提升模型的性能,相比其他机器学习模型,XGBoost模型表现最好,通过SHAP值识别出了贷后变量中剩余未还本金和已收利息是是否违约的重要影响因素。