近年来,社会快速发展使得个人和企业对金融需求日益增加,而互联网金融服务因能够快速满足用户的金融需求而在国内迅速发展。互联网金融通过对用户信息深度挖掘从而为金融企业提供精准金融服务,降低其金融交易成本,并使得社会金融服务资源配置得到最大化。但同时,由于审核门槛低,信息采集简单等原因,互联网消费金融随之产生了道德风险、逆向选择、个人征信短板、贷前数据维度的采集不足等问题,导致其良好发展势头的背后隐藏了信用、欺诈、监管等各种风险。而基于大数据对借贷用户的多维度特征进行分析挖掘,在贷前申请、贷中审查、贷后催收等环节能够有效把控资金风险,可以为企业带来巨大效益。本文对互联网消费金融企业共债、资产交易、行为特征等真实数据特征进行分析,研究用户行为时序特征变换、高阶特征提取,以及基分类器选择和算法融合设计对数据分类预测精度的影响。本文在特征工程与算法上均有创新。特征工程方面,对时间序列特征进行聚类进而发现类别特征子段,对时间切片特征进行WOE（Weight of Evidence）值转换,最后采用时间序列与WOE+衍生特征融合进行训练,观察结果相对于原始特征训练的提升效果;算法设计方面,基于stacking思想对RandomForest、Xgboost、Lightgbm三种强分类器算法进行集成,通过算法将原始高维度、量纲不统一、无线性特性的特征映射到0-1,使其能够巧妙与Logistic Regression线性分类算法相结合,并进行最终的预测。三组实验中,对比相同算法不同特征的结果,发现提取时间序列变换特征与WOE+衍生特征融合相对于原始特征其AUC值提升1%-3%,KS值能提升1%-4%;对比相同特征不同算法的结果,发现本文提出的多算法集成+LR的方法相较于采用传统机器学习算法其AUC值能够提升1%-3%,KS值提升2%-5%。由此可见,本文提出的特征工程与算法上的创新使得数据的表达能力与模型的学习能力均有较大的提升;时间序列特征和WOE变换增加了数据特征的类别信息,不同的算法能使得模型学习到不同层次的数据信息,形成特征和算法上的互补。