近年来,随着互联网技术的发展,金融创新不断取得突破,互联网信贷行业也在快速成长。虽然相比于传统的银行信贷,它在某些方面取得了巨大的突破。但其仍然面临着巨大的信用违约风险,这对互联网信贷平台的各方参与者来说都存在巨大的潜在危害。对于信贷平台来说,应对信用风险的一个重要措施就是提高对风险交易用户的识别能力,建立预报警示机制。不少研究表明机器学习算法在识别违约用户方面有比较好的表现,但互联网信贷平台涉及到的数据特征量大且复杂,并且其影响也是非线性的,单一模型很难在所有方面得到一个比较优良的结果。模型融合可以起到将各模型优势互补的作用,体现“集体智慧”。本文基于群决策思想,将不同信贷风险预测模型进行融合,来识别风险用户。群决策思想的模型融合本质上是一种加权平均融合,但其以优化预测结果的不确定性为目标函数。本文从如下两个方面对群决策融合的具体实施过程进行了优化。一、由于群决策使用信息熵作为优化方法,所以本文提出在进行模型融合前可以对模型概率预测值进行调整,以保证预测结果在0.5时不确定性最大。二、将群决策融合方法与模型动态选择思想相结合,提出了基于聚类的群决策融合方法。既能够实现参与融合的模型的动态选择,又实现了权重的动态调整,对样本预测更有针对性。群决策融合有以下几方面特点:（1）常用的动态权重方法大都基于模型的预测误差或其他效果指标来确定权重,群决策则是使用信息熵作为优化目标,来实现权重的动态调整。（2）基于聚类的群决策对不同的样本单独选择表现最优的几个模型进入到模型融合阶段,然后使用群决策计算动态权重。既能够实现参与融合的模型的动态选择,又实现了权重的动态调整,对样本预测更有针对性。（3）交互性,群体中所有个体间彼此影响,可以对不同质的模型进行融合,集成各学习器的长处。利用相关平台的用户数据进行实证分析,研究群决策的模型融合方法在信用违约预测方面的实际效果如何。由于数据主要是平台用户的行为记录等“足迹”信息,单位价值量比较低,所以在特征工程中从RFM、Nunique、分组统计、文本挖掘等多角度进行特征提取,以尽可能提取有效信息。模型建立过程中,将数据集划分为训练集、验证集、测试集三部分,在训练集上用随机森林、XGboost、Light GBM、GBDT和神经网络等算法训练违约预测的模型,并采用网格法进行调参;对验证集样本进行Kmeans聚类,根据CalinskiHarabasz准则确定聚类数目中心点,并且计算中心点和个体学习器在各簇上的AUC值。当新的样本进入预测时,计算其与各簇中心点之间的距离,选取最近的那簇样本作为“相似样本”,通过个体学习器在相似样本上AUC值选取3个最优模型作为参与融合的基模型,然后根据最佳分类阈值对基模型的预测结果进行修正,将修正后的基模型预测结果以及模型AUC输入到群决策算法中即可得到最终的融合结果。此外为了验证基于聚类的群决策融合方法是否优于普通的群决策融合方法,本文也计算了普通群决策的融合结果及其效果指标,作为对照。基于某移动支付平台的实证结果显示,在个体学习器方面,XGboost、Light GBM和神经网络模型在AUC指标上表现都优于随机森林和其它模型,XGboost在KS值上表现最好。模型融合结果显示,群决策融合后的结果预测效果优于单一模型,并且相比于普通的群决策融合方法,基于聚类的群决策融合后的模型在AUC值与KS值上有明显提升。基于群决策的信贷风险对于互联网信贷的风险管控是有一定帮助的。