En la economía global del siglo XXI, el rápido crecimiento de la industria financiera, particularmente en el crédito personal, impulsa el crecimiento económico y la prosperidad del mercado. Sin embargo, la rápida expansión del negocio de crédito personal ha traído un crecimiento explosivo en la cantidad de datos, lo que plantea mayores requisitos para la gestión de riesgos de las instituciones financieras. Para resolver este problema, este documento construye un modelo de evaluación inteligente del riesgo de crédito personal en el contexto de los grandes datos. En primer lugar, basado en el algoritmo de selección de características de optimización de bosque, combinado con la inicialización basada en la prueba de chi-cuadrado, la siembra global adaptativa y estrategias de búsqueda codiciosa, se identifican con precisión los factores de riesgo clave a partir de datos de alta dimensión. Luego, se utiliza el algoritmo XGBoost para evaluar el nivel de riesgo crediticio de los clientes, y se mejora el algoritmo tradicional de búsqueda de gorriones utilizando mapeo caótico de tienda, búsqueda de seno y coseno, aprendizaje inverso y estrategia de mutación de Cauchy para mejorar el rendimiento de optimización de los parámetros del algoritmo. Finalmente, utilizando el conjunto de datos de Lending Club para un análisis empírico, el experimento muestra que el modelo mejora la precisión de la evaluación del riesgo de crédito personal y aumenta la capacidad de control de riesgos.