随着互联网技术的不断发展以及信贷市场的不断扩大,互联网金融借贷平台应运而生,且市场规模飞速增长。行业的迅速发展也伴随着巨大的风险,较高的违约率会给互联网金融平台带来巨大的经济损失和破产风险,甚至引发整个行业的系统性风险。所以,利用前沿的机器学习技术来构建高精度的信贷违约预测模型,对风险防控具有重要意义。已有的信贷违约预测研究中,在模型的特征选择方面主要基于贷款信息特征与用户借贷历史特征进行违约风险预测,未考虑外部影响因素如宏观经济变量对于违约概率的影响。信贷违约模型构建方面,现有研究通常选用单一模型进行预测,然而单一模型无法在不同场景下保持稳定,模型融合方法通过融合的方式平均不同模型的预测结果,进而降低预测错误的风险,提高泛化能力,但对这方面的研究还略有不足。为解决上述问题,本文首先从理论上分析了宏观经济变量对信用风险的影响,在此基础上选取了就业率,个人消费支出等宏观经济指标作为贷款信息以外的特征输入预测模型。同时基于模型融合框架构建了一个两层的Stacking算法,选用经典的逻辑回归（LR）模型,以及近年来在信贷违约预测方面表现优异的集成学习算法,包括随机森林（RF）,梯度提升树算法（GBDT）,极端梯度增强算法（XGB）和轻量梯度提升算法（LGBM）作为基学习器,并在第二层模型中以第一层的预测结果及原始变量作为输入特征。本文使用Lending Club信贷数据集作为研究对象进行数据预处理和实证分析。预处理工作包括通过随机森林对高缺失率的特征进行填补,利用箱线图检测法对异常值进行检测与处理等,并通过贷款发放日期匹配月度的宏观经济变量得到完整数据集。然后对特征进行数据分析,挖掘特征与用户是否发生违约之间的关联性。最后基于方差,IV值以及特征重要性三种方式对特征进行筛选,得到模型的训练和测试样本。在实证分析过程中发现五个单一算法在违约预测方面的表现不俗,其中LightGBM算法的预测效果最优。然后本文对比了仅仅使用贷款特征和加入宏观经济变量信息两种情况下五个单一算法模型的预测效果;其次,针对模型融合框架Stacking,在Stacking的第二层模型构建中,考察了不同的特征组合下基于不同元模型的预测效果。通过对比实验得出主要结论如下:（1）宏观经济变量的引入可以对贷款特征进行补充,提升各贷款违约预测模型的预测效果。（2）在Stacking二层特征选择中,在第一层模型预测结果作为特征的基础上,引入原始的信贷特征和宏观经济变量,元模型选择为随机森林的Stacking二层模型的整体性能表现最优。