随着世界经济的快速发展与多种金融国际化与自由化措施的推动,国内外信用卡市场不断成长,各种消费贷款迅速升温。信用卡作为一种高风险高收益的金融产品,已经成为消费信贷中发展最快、最富创新活力的金融支付工具之一,也是国内外商业银行激烈竞争的重要对象。在信用卡市场的快速发展之下,各大信用卡机构的管理水平直接影响到信用卡业务的利润,因此,如何建立有效的信用评估准则来控制信用风险是目前各大商业银行热点关注的问题。它不仅具有一定的理论研究意义,也对商业银行的发展、利润的获取有着重大的意义。本文以信用卡逾期的相关数据为研究对象,建立基于多模型集成的信用卡逾期风险预测模型,为金融机构对客户关系的管理与维护提供了决策依据。主要内容包括如下四部分:第一,训练样本类别不均衡处理。在大多数信用卡逾期数据中,逾期样本的比例往往比较小。本文采用了 adaptive synthetic sampling approach算法来处理样本类别的不均衡,主要思路是根据训练样本的分布来合成新的逾期样本。第二,子模型的训练及筛选。对信用卡训练数据分别建立各个子模型,包括随机森林模型、极端树模型、梯度提升树模型和极端梯度提升树模型四个子模型。分别对每个模型进行交叉验证得出平均准确度、训练集和测试集平均准确度差距、以及测试集的准确度的标准差,根据层次分析法结合这三个评价指标为每个子模型进行打分,剔除掉得分较低的模型。第三,子模型进行集成。在筛选后的子模型中,分别用模型对训练数据集进行预测,将子模型的预测结果作为新的特征,仍然保留原来的数据标签,然后通过逻辑回归模型重新对新的数据进行训练,从而得到最终模型。第四,验证集成模型的效果。以新的测试集（未参与模型的训练）为准,分别用集成模型和子模型对测试集数据进行预测,分别以KS值和AUC值为模型效果的参考指标。对比发现,集成模型相比较于各个子模型KS和AUC值提升效果很大,AUC值相较于子模型平均提升0.014,KS值相较于子模型平均提升0.023,说明集成模型相对于单模型对逾期样本与非逾期样本的区分能力有了很大提升。