随着互联网的发展,互联网金融公司和网络借贷平台也在逐步兴起,具有着快速发展并成为普惠金融主力军的潜力。但这与现如今信用风险识别体系不完善,客户群体质量参差不齐,我国各大平台信用风险问题频出相矛盾。同时传统的信用评分卡模型不仅主观性强,且效率偏低。随着时代的发展,用户的数据量以及数据的维度都在不断地增大。机器学习模型引入信用评分系统不仅尽可能排除了传统方法中主观判断带来的影响,而且也与大数据时代相适应。因此,建立一套基于机器学习,特别是近年来火热的集成学习的信用评分卡模型有重要的意义。本文使用了美国网络信贷平台Lendingclub在2018年上半年的开源数据,对信用风险问题进行了研究。在对数据集进行了基本的处理后,进行了不平衡数据的处理,超参数的优化,并基于此建立了 XGBoost模型,并与逻辑回归、支持向量机、随机森林、lightGBM等多种模型进行了对比,验证了 XGBoost模型在信用风险问题上的优异性能。之后本文进行了融合模型的建模,使用了基于不同学习器的stacking融合模型,参考已有文献的做法,初级学习器使用已建模的各个模型,次级学习器使用逻辑回归模型,取得了比单个模型更好的结果;同时本文试图提出一种基于特征子集划分的融合模型,将特征集划分为数个特征子集进行融合模型建模,使得效果更进一步。最后,本文使用融合模型的结果建立了信用评分卡模型。该信用评分卡模型能够较好的识别用户的信用风险程度。对于评分卡模型所给出的低分用户和高分用户,识别都较为准确,能帮助使用者进行判断。