自2009年我国开展消费金融试点工作以来，消费金融公司便逐渐在国内兴起。作为一种专门提供小额、不需要担保和抵押的消费贷款的非银行金融机构，因实现了真正的普惠金融而迅速发展，截止2016年，已有十多家消费金融公司成功打入消费金融市场，但因起步较晚，大部分公司成立时间较短，所以公司的风险管理机制并不健全，其面临的信贷风险问题日益凸显。
　　市场竞争的加剧和风险管控的需要，要求企业从传统的运营模式逐步向以客户、数据为中心，以信息为基础的人工智能模式转变。目前国内消费（信）贷有关企业大部分对客户贷款的审批是基于人工审核的，有加入对客户未来逾期预测的企业仍大部分是基于经验或传统统计的，这样不仅无法满足客户的实时放款需求，而且也无法有效地降低企业较高的坏账率。因此，伴随着人工智能技术的发展，采用机器学习或是数据挖掘方法对客户进行多方位、深层次的分析，进而建立一个可稳定应用于实际业务的逾期预测模型就显得尤为重要。
　　本文以企业真实的现金贷客户相关数据为基础，运用逻辑回归和树集成方法构建现金贷客户的逾期预测模型并应用于实际业务，数据在经过合并、清洗、预处理、特征构建和特征选择后进行建模，实证结果表明，XGboost模型相比其他模型无论在模型整体的表现性能还是对坏客户的分类效果上均有一定优势，加之其远远优于其他模型的运算速度，于是将它选择为本文的最终模型，并针对本文样本数据不平衡问题进行了相应优化，最后根据优化结果提出两点实际应用。这无论是对学术界研究现金贷客户的信用风险问题还是对消费金融公司的发展以及消费金融市场风险的管理均有一定的价值和意义。