中国银行业自1985年开始推广信用卡业务以后，信用卡的市场规模开始快速上升。其中，农商银行作为中国金融市场发展不可或缺的重要主体，也积极进入信用卡市场。但是农商银行在进入信用卡市场时，要面临各大商业银行的市场竞争以及对信用卡逾期风险控制能力的挑战。农商银行在对信用卡逾期风险进行管理时，主要采用专家评分卡的形式对客户的逾期风险进行评分，但是这种方法的滞后性较强，同时也忽略了农商银行客户的特点，因此在实际应用中并不能很好的预测信用卡客户的逾期风险。目前，在互联网金融企业中，数据挖掘方法被广泛使用，并且取得了一定的效果，应用较多的数据挖掘方法有支持向量机、随机森林等方法，虽然在某些场景中取得了较好的成果，但是进一步提升预测精度存在一定的难度。目前在机器学习领域，集成学习方法是研究的热点。集成学习方法能够提升弱学习器的性能，其中Catboost模型是一种较新的集成学习模型，在预测性能上有了进一步的提升，目前已经开始被应用在各种领域中。因此，本文将Catboost模型用于农商银行信用卡逾期风险的预测中，对提升农商银行信用卡逾期风险预测的精准度，提升农商银行信用卡风险控制水平，提供一定的参考。
　　本文对农商银行A信用卡逾期风险预测进行研究。首先，本文研究了信息不对称、行为经济学等相关理论，通过这些理论的研究对信用卡的消费逾期行为的相关因素进行了深入的分析，主要包括信用卡消费行为因素、信用卡产品因素、持卡人属性因素以及信息类因素，同时建立了描述各个因素的指标体系。其次，本文分析了当前农商银行信用卡逾期风险评估方法的不足，并构建了基于粒子群优化的CatBoost模型用于预测信用卡逾期风险。第三，本文搜集农商银行A的信用卡交易数据，对CatBoost模型进行实证分析，并与SVM、随机森林以及BP神经网络进行对比，实证结果验证了CatBoost模型在各个性能指标上均有所提升。最后，本文通过CatBoost模型对指标重要性的计算，分析了对预测具有重要影响的各个指标并进行理论分析。
　　本文的研究结果如下：（1）目前农商银行信用卡逾期风险评估方法中，专家规则评分法主要基于专家的经验，采用的数据指标有限，并且具有较大的滞后性，无法反应客户的动态行为以及状态变化。从实际预测效果来看，目前各农商银行的信用卡逾期率较高，说明该方法很难真实反应客户的逾期风险。而目前学术界研究的数据挖掘模型稳定性较差，并且基于单个模型的预测容易遇到性能瓶颈，因此很难做进一步优化；（2）从实证分析结果来看，本文构建的CatBoost模型在样本外的预测效果最好，对比其他模型在各个性能指标上均有所提升；（3）从影响逾期风险预测的指标重要性来看，信息类因素指标人行征信以及资料完整度的得分以及排名均较高，从信息不对称的角度出发，收集客户在金融系统的数据是预测逾期行为的重要因素。从消费行为角度来看，过去7天、过去30天的刷卡金额以及笔数对预测逾期行为也有重要的影响，短时间内的消费异常可能说明持卡人基于非理性行为产生了过度的消费，从“心理账户”以及“自我控制”来看，持卡人产生非理性决策，最终发生逾期行为。信用卡的利率、还款日、分期对逾期行为也有一定的影响，说明“幼稚拖延”以及“成熟提前”也在某种程度上导致了信用卡逾期风险的发生。
　　本文的研究对进一步提升农商银行A对信用卡逾期风险的预测水平具有一定的参考，也为其他农商银行对信用卡逾期风险进行管理提供了借鉴。