由于互联网行业发展的成熟、互联网金融衍生品的竞相推出以及人们消费观念的转变,银行业的存款业务受到了重大冲击。通过对银行定期存款预测问题的研究,可以帮助银行应对存款业务危机。本文主要是对银行定期存款预测中的关键技术进行研究,提出基于改进的鸡群优化算法的特征选择方法,并构建基于Stacking方法的银行定期存款预测集成模型。主要工作包括:1)针对特征选择问题,提出一种基于改进的鸡群优化（ICSO）算法的特征选择方法。该算法在母鸡位置更新中引入Levy flight策略并且在小鸡位置更新中加入减小惯性权值的非线性策略和公鸡行为影响,以增强算法的全局搜索能力和避免算法陷入局部最优解。为验证本文算法的有效性,将其与其它算法在18个UCI数据集上进行对比实验,结果表明本文算法具有明显优势。同样地,该特征选择方法提升了银行定期存款分类模型的准确率。2)与之前研究中只用单个模型作为分类模型不同,为了预测银行定期存款,本文构建了基于Stacking方法的集成学习模型。此模型由2层模型堆叠而成,第一层由4个基学习器构成:决策树、多层感知机、随机森林、GBDT;第二层仅由一个元学习器逻辑回归构成。第一层训练使用全部的训练集,第二层训练使用5折交叉验证方法。3)本文使用了UCI平台的葡萄牙银行数据集Bank Marketing训练模型。在深入了解银行定期存款预测业务的基础上,通过数据集的探索性分析、SMOTE算法处理类别不平衡以及基于改进的鸡群优化算法的特征选择方法做特征选择等操作,筛选出10个特征变量训练模型。为了验证本文提出的集成模型预测能力的优越性,不仅与4个基学习器单模型对比,并且与基于Bagging方法、基于Boosting方法、基于硬投票法和基于软投票法的模型进行对比。实验结果表明,本文提出的集成模型在准确率、F1值和AUC值3个评价指标中,均高于其它几个对比模型。由此,可得出结论:本文提出的基于Stacking方法的集成模型在银行定期存款预测中有着优良的表现。