本文主要研究了个人信用评估问题。首先介绍了信用评估的发展背景以及P2P网络信贷的现状,然后介绍了构建信用风险评估模型常用的方法,包括统计方法和非统计方法,重点介绍了Logistic回归和Probit回归的理论基础,本文以美国的Lending Club公司为例,选用该公司部分贷款人信息数据,对个人信用风险评估进行研究。在构建Logistic回归和Probit回归模型中,进行了数据预处理,先对缺失值采用删除和均值插补的方法处理,然后进行数据不平衡处理和数据抽样,最后对特征变量进行粗筛选和细筛选,其中我们引入了WOE值和IV值的概念,并选取了IV值大于0.02的与信用风险评估可能相关的15个特征变量。接着进行了描述性统计分析和相关性分析,相关性分析删除两个变量,排除模型的多重共线性,运用Logistic回归和Probit回归构建了个人信用风险评估模型,并运用判别矩阵、ROC曲线和AUC值对模型的预测能力进行了检验。最后结果表明Probit回归和Logistic回归一样,具有较好的预测能力。由于模型结果比较难解释,Probit回归的应用并不多,但Logistic回归并不能完全替代Probit回归。同时贷款利率、贷款目的、工作年限、验证状态、贷款状态、年度收入等13个指标构成了Logistic回归方程和Probit回归方程,模型具有有效性,Lending Club公司作为网络信贷界的鼻祖,可以为我国P2P网络信贷的信用风险研究,乃至整个互联网金融的良性发展提供参考价值。