作为世界互联网金融发展的高地,中国互联网金融发展全球瞩目。然而在强监管叠加两轮低潮的行业背景下,P2P平台想要强劲发展,风险能否得到控制是决定其平台能否持续发展的关键,而P2P平台最重要的风险就是借款人的信用违约风险。为此,本文将回归微观风控,聚焦对借款人的信用违约风险进行研究。为解决阻碍我国P2P行业信用经济发展的难题,本文基于机器学习算法对P2P平台设计出一款信用评级产品,在传统回归的基础上引入机器学习算法,基于美国最大的P2P网贷公司Lending Club数据进行实证研究分析以及信用评级产品的回测。具体地,首先基于传统Logistic回归以及多种主流机器学习算法（例如支持向量机,XGboost等）分别构建个人信贷风险违约评估模型;其次构建组合模型,由于信用评级产品需要能够解释影响客户发生违约的显著因素,因此本文结合多种机器学习算法筛选重要变量,以最优分箱法对重要变量进行分段并计算其WOE值,并使用WOE覆盖后的数据建立Logistic回归模型;进一步生成信用风险标准评分卡,将组合模型得到的结果通过评分卡中的分数公式转换成标准评分卡形式;最后通过将标准评分卡得到的客户分数与违约概率和评级符号相联系,生成最终的信用评级产品。通过对测试集样本进行回测,其结果表明本文所设计出来的个人信用评级产品对借款人的评级准确率相对较高,能更好的对借款人实际是否会违约的情况进行预测,使得P2P平台可以结合自身业务的情况以及评级对借款者进行合理的筛选,更好的引导投资者进行投资和决策,实现P2P平台风险和收益的匹配。