在信用贷款不断发展的今天,客户出现信贷违约的概率越来越高。由于影响客户信贷风险的因素众多,部分存在信贷风险的客户在一些自身潜在因素的影响下会出现无法按照合同规定日期偿还本息的情况,金融机构资产或收益就有可能会遭受损失。因此,提出一种预测精度高、运行速度快的信贷风险预测算法是十分重要的。本文在深入研究现有信贷风险预测算法的基础上,对普遍应用于信贷风险预测领域的极端梯度提升（e Xtreme Gradient Boosting,XGBoost）算法进行了研究。XGBoost算法是一种集成学习算法,具有泛化能力强、支持并行化学习、防止过拟合等优点。但由于信贷数据中存在的无关特征会导致XGBoost算法的收敛难度增大,加之XGBoost算法中超参数众多,不同超参数对实验结果影响巨大,而现有的优化算法时间复杂度高且优化结果较差。因此,本文提出基于强化学习和XGBoost的信贷风险预测算法。该算法包含以下两个创新点。（1）针对于随机森林特征选择算法在构造决策树的过程中很有可能会生成巨大而且复杂的决策树的问题,提出基于后剪枝随机森林的信贷特征选择算法。该算法通过使用后剪枝算法对随机森林特征选择算法中的每棵决策树进行后剪枝操作,提升了随机森林特征选择算法中每一棵决策树的性能,从而提高了随机森林特征选择算法的整体特征选择能力。（2）针对于XGBoost算法超参数众多且现有优化算法效果不佳的问题,提出基于强化学习的改进Q-learning算法优化XGBoost算法的超参数。该算法以传统的Q-learning算法为基础,改进了Q-learning算法中Q值表的迭代过程,克服了传统的Q-learning算法在优化XGBoost算法超参数时奖励值传递较慢的难题。这一改进使信贷风险预测过程更为有效和快捷。为阐述本文提出的算法相比于传统的机器学习和深度学习算法更具有优势,本文采用German Credit Data、Australian Credit Approval和Credit Approval Data Set三个公开信贷数据集进行对比实验。算法的评价指标使用精确率、召回率、准确率以及AUC值。实验结果表明,本文提出的后剪枝的随机森林特征选择算法和改进的Q-learning算法在对比实验中表现良好,本文算法相比较与集成学习和深度学习算法具有更强的鲁棒性,能够较好地解决信贷风险预测问题。