近年来,随着我国经济的发展、政府的扶持以及汽车消费群体的改变,汽车消费信贷行业得到了迅速发展。同时,汽车消费信贷的发展降低了消费者的购车门槛,从而刺激了国内汽车的消费需求,促进了国内汽车销售量的增长,推动了汽车工业的快速发展,因此汽车消费信贷成为中国汽车工业发展的新“助推器”。然而由于国内汽车消费信贷行业发展时间短,许多车贷机构没有完善的业务流程,贷款审核效率慢,并且缺乏风控管理技术,很难在海量信息中识别出可能违约的客户,导致车贷不良贷率居高不下,大量车贷机构倒闭。因此,建立一套行之有效的汽车消费信贷违约风险管理和评估体系,对借款者信用违约风险进行预警和防范具有重大意义。本文以探索准确稳定的汽车消费信贷违约风险评估模型为研究目的,以期为车贷借款人信用违约风险的评估和汽车消费信贷业的健康发展做出贡献。本文从汽车消费信贷机构的角度出发来研究借款人的信用风险评估问题,借鉴个人信用风险评估领域的信用评估风险方法,利用Kaggle数据平台提供的车贷数据,探索基于Stacking模型融合算法的汽车消费信贷违约风险评估模型。在前期准备阶段,首先进行无用特征的删除、异常值处理、决策树离散化以及归一化等数据预处理工作,然后对采用嵌入法与包装法相结合的特征选择方法对数据集进行特征筛选,建立汽车消费信贷违约风险评估指标体系,最后使用SMOTETomek算法对非平衡的数据集进行混合采样,使数据集平衡化。在模型搭建阶段,本文选择Cat Boost、随机森林、XGBoost、Light GBM模型作为初级学习器,Logistic回归模型作为次级学习器搭建了Stacking模型,并使用贝叶斯优化对模型进行调参,最终得到了分类预测能力良好的Stacking模型。在模型效果评估阶段,通过不断改变留出比例,对比分析Stacking模型融合与随机森林、Cat Boost、Light GBM、XGBoost模型等主流机器学习模型的分类能力;其次,使用PSI指标从不同样本量和不同正负比例训练集的角度出发,对本文构建的Stacking模型融合的稳定性进行评价。本文研究结果表明,将改进的特征选择方法、SMOTE-Tomek混合采样与Stacking模型融合相结合来构建的汽车消费信贷风险评估算法具有良好的分类能力和稳定性。同时,本文建议在汽车消费信贷行业内部建立健全数据共享系统,增加模型训练数据来提高模型的分类预测精度;并且应该从借款人的贷款信息、历史信用信息和个人信息三个方向出发构建汽车消费信贷违约风险评估指标体系。