随着全球经济的蓬勃发展,我国对外开放水平不断提高,市场经济体制日益完善,金融事业也面临着前所未有的挑战,如银行贷款业务拓展的难度日益加大,传统商业银行依靠净息差的经营模式难以为继等。商业银行为了获取新的盈利增长点,逐步向拥有稳健利润,客户群众多,中间业务占用资金低等诸多优势的零售化业务发展,因此,零售化业务成为银行事业发展的重要组成部分之一。作为零售业务的核心,个人借贷业务无处不在。无论是人民生活中、商品交易市场、银行贷款业务还是在资本市场的投资中都离不开信贷业务,它是市场经济的基础,具有客户基数大、客户分散、风险和收益平衡等特点。因此,对贷款风控的精准性要求越来越高,对潜在的违约需要及早预警,征信体系需要完善,逐渐成为金融行业的共识。针对金融机构个人信贷的违约测算问题,以国内竞赛公开的个人信用贷款数据集和某知名P2P平台借贷人数据集为例,用python作为数据分析和模型构建的工具,从数据预处理、数据分析、特征筛选、数据集划分、机器学习模型建立、评价系统构建与效果评估各个阶段入手,结合金融风控专业知识,总结建模经验,对金融机构等提出具有参考意义的方法和意见。本文的主要研究内容如下:（1）数据预处理与特征工程。采用国内竞赛公开的个人信用贷款违约数据进行研究与分析。首先,对原始数据进行预处理,包括缺失值分析与填补,特征类型转化,特征编码,归一化处理等。其次,进行特征衍生和特征筛选,依赖信息法的IV值和Pearson相关性系数对特征进行初筛,然后用Light GBM重要性对特征进一步筛选。最后,针对真实数据类别不平衡的情况,采用SMOTE算法进行样本扩增,通过对数目较少的违约样本生成拟合数据来平衡两类样本数据,使得违约样本数和正常样本数相对平衡。（2）贷款风控模型构建。通过引入Logistic回归、朴素贝叶斯、决策树和XGBoost和多层感知机5种不同的机器学习算法,使用网格搜索法调整参数,构建个人信用贷款的基础模型。再结合Stacking和Voting方法融合多种基础模型,探索不同组合方式下的风控模型预测结果。基于最优模型表现的组合方式,提出一种Voting-LR算法。该算法先作为特征处理器来构造新特征,然后将得到的预测概率值作为新的特征输入训练贷款风控模型。（3）贷款风控模型实证研究。选取准确率、精准率、召回率、KS值以及AUC值评估指标来评估模型的效果。实验发现,对比5种个人信用贷款基础模型中,预测效果最好是XGBoost算法,优于其他的机器学习算法。两种融合方法在一定程度上均能提升基础模型的准确率。整体上,Voting融合的效果好于Stacking。在Stacking融合方法下,最佳融合模型是输入层为XGBoost、MLP,输出层为LR。而在Voting融合中,最佳融合模型的组合方式为MLP、XGB和LR。Voting-LR算法的效果好于Stacking融合方法和Voting融合方法的所有组合,并且结构简单,在可解释性上也表现良好。最后将融合算法应用在P2P网贷借款人信用风控系统,有效提高了P2P网贷借款人违约预测准确率。本文采用机器学习算法和融合模型对贷款平台上真实个人贷款风险进行预测研究,可以有效的对借款人的违约可能做出预判,在金融机构的信贷风控中具有应用价值,可以有效提高金融机构风控系统的预测能力,促进国内个人信贷市场的健康发展。