伴随着社会经济的快速发展,我国信贷市场规模迅速扩大,商业银行迎来了新的发展前景。与此同时,伴随着互联网技术的不断精进,线上信贷交易业务种类也在不断增加,信贷业务面向人群也在日益壮大。网络为信贷行业提供了新的发展平台,但是伴随而来的在信用贷款方面的问题也在日益凸显,如还款逾期、不良贷款等,这些问题同时也给银行带来了极大的经济损失,制约着银行业务的进一步扩展。因此如何有效防范信贷违约风险、减少银行损失成为了商业银行正在面临的亟需解决的重要问题之一。本文基于某银行提供的客户真实信贷数据集来探究解决问题的方法,首先对其进行数据清洗,然后使用SMOTE过抽样法对数据集进行类别不平衡处理,使得数据集中对应两类别的样本量相当。再然后基于预处理后的数据集提取特征,先根据IV值初步剔除无预测能力的特征变量,对剩余的特征变量,结合熵权TOPSIS综合排序法得到每个变量在Logistic回归模型中的特征系数、在随机森林模型中的特征重要性和在XGBoost模型中的特征重要性的综合评分排序,将变量按排序从高到低逐个增加进入XGBoost模型进行训练,根据测试集AUC值的变化情况,确定最优特征集里的特征个数。最后选用Logistic回归算法、支持向量机算法、随机森林算法、LightGBM算法分别构建逾期风险预测模型,结合各模型预测结果评估指标值和本文研究目的,选出最适合融合的两个模型（支持向量机和随机森林）作为初级分类器。使用逻辑回归算法将支持向量机模型和随机森林模型进行融合,构建基于两层框架的Stacking融合模型。通过参数优化,本文提出的Stacking融合模型最终预测准确率达到了90.1%,高于融合前最高的随机森林模型的88.3%,对逾期客户的分类正确率达到了95%,高于融合前最高的支持向量机模型的87%。因此无论是从模型预测整体准确率还是从对逾期客户的分类正确率来说,融合模型相较于融合前的各模型都有了提升,特别是对实际逾期客户的识别率,有了极大的提升,符合银行对于识别违约样本高准确率的要求,说明本文构建的融合模型可信度较高,能够为商业银行及其他金融机构在对申请贷款的客户进行信用评估时提供可靠的依据,在一定程度上减少客户信用违约带来的损失,有利于防范金融风险,促进借贷平台良性发展。