近年来,金融机构广泛使用有监督学习方法建立信贷风险预测模型。然而,在新开信贷业务中,带有结果标签的数据通常较为稀缺,导致有监督建模缺乏有效的训练数据。本文设计了一种新的迁移学习方法,来缓解跨地区新开信贷业务的训练数据稀缺问题,进而建立有效的信贷风险预测模型。本文改进了半监督模型Tri-training,然后将其融入迁移学习,创新性的提出了Trans TRIT迁移模型。Trans TRIT引入了置信度约束,并按照“少数服从多数”的原则来筛选辅助样本,最后利用集成学习提高模型的泛化能力。与其他迁移方法相比,Trans TRIT使用更灵活,预测结果更鲁棒,时间和空间性能上优于特征迁移。本文以美国最大的网络借贷平台Lending Club的公开数据为例,将拥有数据量多的地区作为源域,数据量少的地区作为目标域。本文基于不同的地区和基学习器设计了六组实验,分别将Trans TRIT同传统模型及其他迁移模型的预测效果进行对比,来评价该模型的有效性。实验结果表明:在大部分地区下,Trans TRIT展现出更好的风险预测效果;该模型不易受到基模型及源域数据量变化的影响;随着源域数据量的增加,以XGBoost作为基模型的Trans TRIT能够更有效的处理混杂数据,进而稳步提升风控效果。本文认为可以通过Trans TRIT模型对信贷数据进行跨地区迁移,来帮助金融机构在新开信贷业务前期进行风险防控。