近年来,依托互联网金融科技的进步,“现金贷”这一新的金融产品发展迅猛。现金贷用户的违约预测变得越来越重要,但由于现金贷业务的新兴性及金融数据的敏感性,对于初创现金贷公司或拓展现金贷业务的公司来说,无法获取足够的有标签用户数据进行模型建立,为了解决风控平台的“冷启动”问题,同时拓展传统风控违约预测建模思路,本文结合“迁移学习”方法,利用某公司的信用贷数据和现金贷数据建立迁移学习预测模型,研究迁移学习在风控领域的应用的可行性。本文首先对目前风控领域的研究与应用进行了梳理,介绍了文中算法涉及的相关理论基础;之后针对实证数据的特点进行了简单的介绍,并进行预处理和特征工程,利用现金贷数据结合Logistic Regression算法和XGBoost算法建立传统模型并分析评估了模型效果;然后利用信用贷数据作为辅助数据,现金贷数据作为目标数据,分别使用Tradaboost迁移学习算法及基于XGBoost和K-means的迁移学习框架建立了预测模型并与传统模型进行对比,结果表明迁移学习算法可以在一定程度上提高模型预测能力,弥补样本不足情况下的模型预测能力较差的问题,同时,本文提出的基于XGBoost分类器的源域样本筛选方法效果较为显著。最后,本文结合模型效果及具体业务特点,提出了迁移学习模型在现金贷业务中应用的方式和方法。通过深入分析模型效果和具体业务,本文认为迁移学习方法针对无大量用户样本数据的冷启动情况有一定的帮助,迁移学习方法在现金贷风控平台的建设中具有一定的应用价值。