个人信贷是市场经济的基础,广泛存在于商品交易、资本市场投融资和银行贷款等各个经济生活领域。完善的个人信贷体系和成熟的运作机制将有力地保证和促进个人信用经济的发展。但是,个人信贷风险可能带来的损失也不容忽视。我国目前的征信系统还不完善,银行在贷款申请人提供的信息不完全的情况下不愿承担过高风险,只能提高个人信贷的门槛,并增加审批信贷的步骤,以保障自身的利益,进而导致信用贷款的受益面不广。随着互联网技术的发展和革新,综合利用各种信用评估模型对客户的信用等级进行评估成为当前个人信贷领域的新趋势。建立一套在个人信贷的信用评估方面具有实践意义的指标和模型体系对于个人信贷的发展具有非常重要的意义。本文基于2011年—2016年某银行个人信贷明细数据样本,采用Logistic回归、随机森林、朴素贝叶斯等信用评估模型进行实证研究,并将建模分析过程细分为信用评估模型构建、与信用等级划分模型构建两大部分。在信用评估模型的构建方面,通过将三类评估模型的评估结果进行对比,本文发现Logistic回归模型在本文的数据集上的预测效果最优,预测的准确率达到85%以上。与此同时,本文对信用评估模型输出的指标重要性排序进行分析,最终发现贷款种类、贷款用途、贷款人登记类型、执行年利率四个变量对于信用风险的评估具有显著影响,对已有信用评估的指标体系进行了有益的补充。在信用等级划分模型的构建方面,本文在进一步基于样本的信用评分结果进行信用等级划分时,发现基于违约金字塔原理构建的信用等级划分模型能够保证信用等级高而违约损失率低的分布特征,但存在信用得分区间分布不均匀,个别信用等级得分区间过短导致信用等级区分度较低与评级不稳定的问题。因此,本文从改进局部寻优方案、全局目标函数、分段寻优三方面对基于违约金字塔原理的信用等级划分模型进行了优化,在保证违约损失率严格递增分布特征的同时,通过实证检验得到信用得分区间较为均匀的信用等级划分结果。