近年来互联网消费信贷业务快速增长,但同时由于信贷业务的特殊性,存在数据不平衡问题,并且目前的相关研究普遍将违约预测作为二分类问题,仍需进一步细化。此外,目前研究中模型评价方式仅考虑模型预测的准确性指标,少有研究考虑实际财务成本。因此,目前研究离实际业务存在一定的距离,有进一步探究的空间。本文获取了2个数据集,分别含有39927个和7275个样本的互联网消费信贷违约情况。其中,数据集1用于建模与分析,数据集2用于稳健性检验。基于生命周期理论和计划行为理论,本文选择了若干指标作为信贷违约预测的初始特征,随后基于此进行了特征挖掘。在建模方面,将贷款违约预测问题拓展为多分类问题,将用户分为“正常”“逾期未坏账”和“逾期且坏账”三类,本文采用了两阶段的二分类算法进行了研究。在第一阶段中,预测用户是否会逾期,对预测结果为“正常”的用户进行放款,对预测结果为“逾期”的用户进行第二阶段的预测,预测其逾期天数是否会超过90天,即是否会转变为坏账。第二阶段中,对预测结果为“逾期未坏账”的用户进行放款,对“逾期且坏账”的用户拒绝放款。针对这种数据不平衡的问题,本文采用了一种基于聚类的均值平衡算法。首先,使用mean-shift方法将大类样本进行了聚类,然后通过对聚类后产生的各个小集群分别进行了下一步的降采样。然后,再将这些采样后的结果汇总,与原来数据集中的小类样本进行融合后,生成新的非均衡数据集。这一算法降低了数据的不平衡程度,并且通过聚类算法尽可能多地保留了具有代表性的数据。在模型评估方面,本文将实际财务成本引入模型评价指标中,并基于两阶段分类模型,将二维成本矩阵拓展为多分类的成本矩阵,拓展后的成本矩阵共包含6种情况,分别为“正常”“逾期未坏账”和“逾期且坏账”这3种类别被误判为其余2种类别时的成本情形。例如,当模型未能识别“逾期且坏账”的用户时,成本为损失的贷款本金与额外产生的催收成本之和;模型将“正常”用户误判为“逾期且坏账”用户时,成本为本来能够获得的利息收入。最后,再根据模型评估结果将所有的成本进行加总,得到模型预测结果的总成本,作为模型评估指标之一。建模时,设置了对照组和实验组,仅实验组采用基于聚类的平衡算法,经过随机森林模型、逻辑回归模型、成本敏感决策树模型和XGBoost模型的实证研究得出,实验组的准确率和AUC指标略高于对照组,说明基于聚类的平衡算法有助于提高模型的准确率。同时,实验组的savings score也普遍高于对照组。例如,在随机森林模型中,对照组的savings score为3.20%,实验组的savings score提升到了13.09%,表明实验组比对照组多节约近10%的成本。在实际业务中意味着基于聚类的两阶段分类模型能够为贷款平台节约更多的财务成本,提高经济效益,表明该模型具有一定的实际意义。此外,通过数据集2的进一步验证,得到相似的结论,说明该结论具有一定的稳健性与普适性。