近年来,随着经济与互联网技术的快速发展,越来越多的人开始依赖互联网满足生活中方方面面的需求,包括医疗、消费、学习等各个方面,很多人开始适应并追求超前消费来满足日常需求。在此环境下,汽车贷款行业应运而生。然而相比于其他国家,国内的汽车贷款起步较晚,目前的汽车贷款比例只有39%,而国外的汽车贷款比例已经达到70%,可见现阶段我国的汽车贷款行业仍处于初步发展阶段,因而如何通过提高对汽车贷款逾期识别的精准度来有效进行汽车贷款的风险防范,从而促进汽车贷款的发展,是当前我国汽车贷款业务迫切需要解决的问题。本文选取一家金融公司的真实个人汽车贷款数据作为研究对象,基于此研究样本,在进行数据预处理后,本文提出基于SMOTE-ENN重采样方法的Stacking集成学习模型用于个人车贷的逾期识别,并使用集成学习方法不断优化模型效果,旨在提高个人车贷逾期识别的精度。该篇论文主要包括以下五个组成部分:第一章,主要介绍了本文的研究发展的背景、意义、国内外的研究发展现状以及这篇文章的主要研究内容和方法技术路线。第二章,对本文采用的SMOTE过采样、ENN欠采样、SMOTE-ENN组合采样的三种重采样算法以及Bagging、Boosting、Stacking三种集成算法的原理展开详细叙述。第三章,详细介绍本文的数据来源与数据内容,并进行异常值处理和缺失值处理等数据清洗工作,接着进行特征构建,并利用IV值进一步进行特征筛选,并对预处理完的数据集进行描述性统计分析。由于数据的非平衡性,分别使用三种重采样方法处理数据,最终得到四份数据集用于后续的实证分析。第四章,首先选取用于评价集成模型效果的指标,接着分别使用单模型、Bagging算法、Boosting算法、Stacking集成算法对数据进行建模预测,得出单模型与集成算法在这五个指标上的表现,其中单模型包括Logistic回归模型、决策树,Boosting选取了XGBoost、Light GBM两种算法,Stacking将前三类模型中的Logistic回归、随机森林、XGBoost三种模型融合在一起。最终得出SMOTE-ENN组合采样最有效,集成模型效果远优于单模型,Stacking集成算法表现最佳,且特征筛选能够比较显著的提升模型效果。证明了集成学习在个人车贷逾期识别上的可行性和有效性。第五部分,对本文进行总结及展望,提出本文还可以进行深入研究的方向。