近年来,互联网金融的飞速发展对商业银行的信用卡业务造成了重大冲击。而信用卡业务已成为零售银行业务的主要利润来源。保持客户忠诚度对当前遭受互联网金融入侵的信用卡业务而言具有深远意义。目前学术界对客户忠诚度的实证研究主要是在特定行业背景下研究客户忠诚度的影响变量;对客户忠诚度预测问题的研究主要集中于不同忠诚度模型的探索上。但是所用数据基本是问卷调查数据或者数据的时间跨度较小（比如一个月）,对于时间跨度较大的数据集的研究比较少。针对上述情况,本文着重研究从时间跨度较大的信用卡客户交易数据中挖掘有效指标,并开创性地提出了基于XGBoost算法的信用卡客户忠诚度预测模型。具体工作包括以下方面:1.对客户真实的信用卡交易记录数据进行了属性筛选、数据类型转换、缺失值处理等数据预处理工作;由于本文所用数据时间跨度较大,数据预处理后的指标较为粗糙,不利于对客户忠诚度的预测,故在客户客观属性数据的评价指标体系的基础上进行了客户忠诚度影响因素的指标细分。2.通过分析特征重要性,发现购买次数、是否金卡、最大消费金额是影响信用卡客户忠诚度最为重要的三个因素。此外,在排名前一半的特征中,有四个特征属于客户行为特征,且属于对指标进行细分后产生的属性。这表明,本文在对时间跨度较大的信用卡交易数据进行建模时,指标细分是非常有必要的。3.针对信用卡客户忠诚度预测展开了对比研究。以XGBoost、逻辑回归、SVM、决策树四种基本模型来构建客户忠诚度预测模型框架。本文通过对高忠诚客户判别正确率（准确率）和全体样本判别正确率两个指标结果的综合分析,得到XGBoost预测性能最佳的结论。