伴随着居民的生活水平不断改善、消费能力不断提高,信贷方式的多样化、贷款门槛的慢慢降低,越来越多的人们开始通过贷款进行消费。人们的消费观念慢慢向贷款消费转变倾斜,这使得信贷机构面临的信用风险逐渐增大。因此对信贷机构的管理水平与风险控制均提出了更高的要求,也对信贷机构能够更准确地识别出存在潜在违约风险客户的能力有了更高的要求。对于信贷业务每年动辄数万亿资金体量而言,即使预测准确率仅仅是微小的提升,都将帮助信贷机构避免巨大的经济损失。更准确的识别出借款人的风险,不仅可以帮助信贷机构识别出风险客户和优质客户,降低违约风险。同时也有助于维护信贷市场的秩序和稳定,推动其良性发展。本文选择对信贷违约预测进行研究,基于机器学习方法,提出一种改进的违约预测模型,预测未来客户是否会产生违约行为。以期为信贷机构做出贷款审批的管理决策提供一些依据,帮助其降低客户违约风险、减少坏账率。为信贷机构制定控制信用风险相应对策、加强风险控制提供一些思路。本文提出基于Bagging算法集成LightGBM模型对信贷数据进行预测。首先,针对信贷数据数量庞大、信息复杂的特点,对数据进行预处理后,选择面对高维数据可以更快地给出特征指标重要性的随机森林模型计算各个指标的重要性值。根据重要性对指标进行排序,保留重要性值大于0.005的指标。其次,对每个训练样本集,使用SMOTE算法进行过采样增加少数类样本的数量以平衡数据。再次,选择基于树的LightGBM算法作为基分类器结合Bagging集成算法构建集成模型,分别训练10个LightGBM基分类器。再运用Bagging算法进行集成模型,然后采用投票方法即得票多的类别作为集成模型的最终预测结果。理论上集成模型将结合Bagging和Boosting的优势,具有更强的预警能力和稳健性。最后,考虑到类不平衡问题会导致传统的基于混淆矩阵的准确率等模型评价指标出现虚高的情况,使得评价结果不够准确、有效,本文采用ROC曲线和AUC值对模型进行评估。并将集成模型与未集成的单个LightGBM模型、传统统计方法中的Logistic回归模型以及传统机器学习方法中的随机森林模型进行对比分析,验证模型的效果。结果表明,在本文选取的信贷数据集上,集成模型的ROC曲线靠近左上角且其AUC值为0.9324,表现要明显优于其他三个模型。较未集成的单一LightGBM模型提高了 1个以上百分点,较Logistic回归更是大幅提升了百分之二十七,较随机森林也提升了百分之三左右。说明本文提出的集成模型具有更好的预测准确性,适用于信贷违约预测。并且在本文选取的数据集上,机器学习的方法预测精度明显高于传统的Logistic回归,说明对于高维度、复杂的信贷数据的处理,选择机器学习更为适合。本文创新性地选择基于树的LightGBM算法作为基分类器,再结合Bagging集成算法构建集成模型运用于信贷领域的预测。所提出的模型不只使用了一种集成方法,而是将两种集成方法结合使用对基分类器进行集成,进一步提升模型对信贷数据的预测精度。理论上集成模型将结合Bagging和Boosting的优势,具有更强的预警能力和稳健性。但本文所构建的模型虽然整体效果较其他模型更好,尤其对负类样本的预测更为精准,这对信贷违约预测尤为重要,可对正类样本的预测效果还不够理想,仍存在可进一步优化提升的空间。