近年来,我国经济取得了飞跃式的发展,广大人民对物质文化的需求不断发生改变,人们的消费观念也随之有了很大的改变,“提早消费”的观念正在被越来越多的人们接受,尤其是被年轻人广泛接受,消费贷的热度在不断攀升的同时带来了一系列的问题,比如存在着多头借贷和高违约率等现象。一方面在数据来源上,一些可以用于反映信用的数据分散在多个金融机构中,难以有效的整合,数据的使用效率被大大降低,且以往的研究大多集中于对方法的创新和改进上,忽略了对数据集的探索。另一方面从模型方法上,当前的机器学习模型对违约人群的预测精度较高,但存在解释性差的问题,传统的基于逻辑回归的信用评分卡模型可解释性强,稳定,但是精度不如机器学习模型。针对这些问题,本文主要利用包含了用户身份财产信息、银行卡信息、交易信息、偿还贷款信息、发放贷款信息、申请贷款信息、多头借贷信息的多源数据对个人信用风险进行评估,将XGboost等机器学习和基于逻辑回归的传统信用评分卡模型组合为融合的信用评分卡模型,以达到在多源数据环境下增强模型的预测精度和可解释程度的目的。本文的主要工作具体如下:第一部分首先阐述了文章的选题背景和研究的理论意义,其次对国内外关于信用评价领域的文献进行了研究和梳理,再次总结了本文的研究内容和论文框架,最后对本文的创新点进行了说明总结。第二部分主要是介绍了信用评价模型的相关理论和方法,包括了以逻辑回归模型为基础的传统信用评分卡模型和XGboost等集成学习方法,并且对模型的评价指标进行了简单的概括和描述。第三部分对多源数据融合的基本思想和研究方法进行了阐述,首先说明了多源数据融合的界定和特征,其次对于多源数据融合下数据的处理方法进行了说明,包括数据不平衡的处理,数据缺失值和逻辑错误的处理等,最后对多源数据融合下的信用评分的特征进行了说明。第四部分首先介绍了本文选取的多源数据的基本特征,对多源数据间的逻辑关系进行了梳理,删除存在逻辑错误的样本,其次根据数据来源不同对数据缺失值分别进填补处理,再次分别构造了多源数据下传统的信用评分卡模型和单一的XGboost集成学习模型,最后分别对两种模型进行KS和AUC等指标的评价。第五部分是多源数据融合的信用评分卡模型的构建,首先构造了多源数据融合的子评分模型,其次构建多源融合数据的信用评分卡模型并评估模型的性能和稳定性,最后对传统信用评分卡模型、XGboost集成学习模型和多源数据融合的信用评分卡模型进行模型的对比,最终结果发现多源数据融合的信用评分卡模型效果上优于传统的信用评分卡模型和单一的XGboost机器学习模型。第六部分主要是本文的结论与展望,总结了本文的主要结论,并且对以后多源数据融合等研究方向进行了展望。通过本文的研究发现,与单一的用户消费数据相比,数据进行融合后的多源数据能较为全面的涵盖用户各方面的特征,通过分别对不同来源的数据分别建模并最终进行组合的信用评分模型能对用户的信用行为进行较为精准的刻画。本文的创新点主要是探究了多源数据融合视角下的信用评分卡模型的构建。融合了用户不同场景,不同来源的数据,包括用户的身份及财产信息、银行卡信息、发放贷款信息、偿还贷款信息、交易信息、申请贷款信息和多头借贷信息,对多源数据分别构建子评分模型,实现了机器学习方法和传统信用评分卡模型的融合,将机器学习模型的输出结果最终转化为直观的评分卡,构建了基于多源数据融合的个人信用评分卡模型。