在经济全球化的背景下,我国信用卡市场发展迅速,银行可以从信用卡业务上获得较大的经济收益,但同时面临着信用卡客户违约的风险。因此对于银行而言,对信用卡客户的风险管控就显得尤为重要。如果银行能够提前判断出客户将要违约,通过采取有效措施提醒客户及时还款,则可以降低客户的违约比例,从而促进银行信用卡业务的良性发展。论文重点关注信用卡客户次月是否违约,以信用卡客户在信用卡使用过程中所产生的信息来建立多个分类模型,将模型融合的结果用来判断客户次月的违约情况,帮助银行预判并控制风险。首先对信用卡违约数据集进行整理,在数据预处理阶段删除了少量的重复值和异常值,对数值型数据进行标准化,对分类型变量进行编码,并利用特征选择来删除对模型贡献较低的变量。针对数据集存在样本不平衡的问题,利用SMOTE算法和基于欠采样结合模型融合的方法来进行解决。然后采用逻辑回归、随机森林和GBDT模型进行建模,并且将这三个模型进行模型融合,分别在不平衡数据集上和处理后的平衡数据集上进行实证分析。其中在不平衡数据集上进行实证分析,结果表明随机森林的分类效果最佳,而基于SMOTE算法以及基于欠采样结合模型融合的方法进行实证分析,结果都表明模型融合的分类效果最佳。将三种实证分析进行比较,可以得到三个主要结论:其一是在信用卡违约识别问题上将不平衡数据集处理为平衡数据集后得到的模型表现更好;其二是基于欠采样结合模型融合的方法在处理样本不平衡问题上要优于SMOTE算法;其三是模型融合直接用在不平衡数据集上表现不好,但是对不平衡数据集进行处理后进行模型融合,此时模型融合是有用的。另外文中针对预测出的违约客户,提出了两点建议,为银行提供指导意见。