近年来随着消费金融的迅猛发展,个人信贷业务也快速发展起来,不仅各种网贷平台增多,而且贷款品种也逐渐丰富,几乎涵盖了个人生产和生活的方方面面。然而来自信用风险的挑战也日趋严峻,通过对申请人信用评分进行风险评估显得尤为重要。目前,虽然有较多的信用评分模型,但不同模型各有优劣。以往的研究发现单一模型训练速度较快,但预测精度与稳定性差;若能够选取合适的基分类器进行集成,可在一定程度上降低预测误差,提高准确性;并且在实际过程中,由于信用评分数据集自身局限性,正负样本类别差异极大,不平衡问题的处理对模型性能也有重要影响。基于以上问题,本文进行了如下研究:本文利用随机森林方法进行特征选择,该方法在拟合数据后,能够对所有特征属性进行重要性度量,相较于金融风控中常用的信息值的特征选择方法避免了对每个特征的分箱操作,可直接获得特征重要性排序,实现更为简单,选择特征的速度更加高效;根据特性重要性排名与业务逻辑,最后选择重要性大于0.1的特征,一共选取27个特征作为入模变量。为检验不同类型模型在实际中的应用情况,选取逻辑回归（LR）、决策树（DT）、朴素贝叶斯（NB）与支持向量机（SVM）四种在信用评分分类预测性能较好、认可度较高的单一模型进行实验;之后分别以LR、NB、DT、SVM四种单一模型分别为基分类器进行Bagging集成,检验同质集成模型的分类性能;根据不同的基分类器进行集成可以相互补充,提高信用评分模型分类预测的精度与准确性,为检验实际分类效果,以LR、NB、DT、SVM四种性能较好的分类算法为基分类器,通过bootstrap进行抽样构建数据子集自适应投票选择AUC最高的基分类器进行集成,构建一种新的异质集成模型进行实验。针对信用评分数据集中正负样本类别不平衡性问题,提出了一种改进的Balance Cascade方法,该方法通过抽取正类样本与负类样本构成平衡数据集训练Adaboost分类器,将分类错误率控制在一定范围内,确保移除正类样本的准确性;之后根据正负样本的不平衡比例,设置一个可调参数,通过不断移除一定比例的正样本,使得剩余正负样本比例接近此参数,对不同正负样本比例下的数据集进行实验,结合新的分层模型进行训练,寻找最优的比例参数。由于RF与XGBoost在信用评分中准确性方面具有的较大优势,所以选择RF与XGBoost作为第一层的基分类器,而第二层模型不应太复杂,太过复杂的话可能会导致模型在训练集上过拟合、泛化效果差等问题,所以该层模型选用较为稳定的单一模型逻辑回归为基分类器,通过在阿里天池竞赛上的信用数据集实验结果显示,当正负样本比例设置为2时,基于改进Balance Cascade方法的信用评分集成模型准确率达到0.80,精确率0.90,召回率为0.84,F1值为0.88,AUC值0.74,相较于单一分类模型、Bagging集成模型、自适应选择AUC的异质集成模型,基于改进Balance Cascade方法的集成模型效果更好,更加稳定。