当前社会下,贷款已成为人们消费的重要手段,同时能够促进货币流通。但是,随着信贷规模的不断扩大,金融风险问题发生的频率也在不断上升。贷款各个银行的主营业务,因此如何有效进行信用贷款的风险管理是各大商业银行亟待解决的重要问题。只有具备良好的风险管理能力,银行的发展才能更加平稳顺利,同时各个银行风险管理能力的提高对社会稳定也有着重要意义。在贷款流程开始之前,金融机构往往掌握着海量且复杂的借贷人信息,本文需要解决的问题就是如何在海量的信息中洞察出同信贷违约结果密切相关的变量,通过分析这些重要变量,有效地识别出存在违约风险的用户。为解决上述所提出的主要问题,本文从信贷背景出发,构建了一个分层特征选择和融合训练模型框架,通过当下主流的二分类预测模型对信贷数据集进行训练并得到最终的预测结果。在研究过程中主要涉及到了三个重点子问题:第一,针对信贷数据集的不平衡和多重共线性问题,提出相对应的解决方法;第二,针对信贷数据集的高维且复杂的特点,提出了一种分层特征选择框架,包括特征预筛选和特征的二次筛选两个阶段,对每个阶段所使用的算法和整体框架进行了详细介绍并分析其有效性;第三,为了得到更好的违约预测结果,将使用分层特征筛选框架得到的最优特征子集运用到之后的模型训练阶段,主要采用逻辑回归模型和Light GBM模型以及两者使用voting融合方法之后的融合模型,对最优特征子集进行训练得到预测结果。最后,围绕上述几个问题本文进行了证明实验,从数据的预处理和探索性分析开始到最后得到实验结果以及实验结果的分析,本文都做出了详细介绍和流程展示。实验结果最终证明了本文所提出的分层特征筛选框架和融合模型的使用都对信贷违约预测结果的提升具有有效性。本文所具有的创新点主要有以下三点:第一,在特征的预筛选阶段,对Relief过滤式筛选算法进行了改进,针对不平衡的信贷数据集更多地关注少数类也就是“违约”用户,更加具有现实意义,对最后的预测结果也有提升作用;第二,是在特征的二次筛选阶段,利用SBS后向序列搜索算法同Light GBM算法相结合,利用封装式特征选择方法,完成对信贷数据集的二次筛选,得到最优特征子集,不仅能得到对预测结果影响较大的特征,还大大减少了高维数据集的维数,在效率上得到了有效的提升;第三,在模型训练阶段,将逻辑回归模型和Light GBM模型融合使用,融合方式采用软投票的方式,对前一阶段得到的两个最优特征子集进行取交集处理并放入融合模型进行训练,得到了比单一训练模型更好的预测效果,从了验证了融合模型的有效性。