随着个人借贷的与日俱增,个人信用风险成为商业银行等金融机构所面临的主要风险之一,是导致金融体系不稳定的影响因素,如何精确评估个人的信用风险是金融机构防范风险的核心环节,而个人信用评级产品正是有效控制信用风险的工具。目前业界中主流的个人信用评级方法主要采用逻辑回归,原因是其具有较好的稳健性和可解释性。但随着信息采集技术的发展,个人的征信数据变得逐渐复杂化且来自不同的行业,传统的个人信用评级产品难以适应如此高维度的数据。而机器学习技术能拟合数据间的复杂关系,逐渐被用于个人信用评级产品的开发中,但因复杂的机器学习技术预测机制不明,并未真正取代传统的个人信用评级产品模型。因此,本文使用Stacking算法和可解释性机器学习（置换特征重要性和SHAP）制作个人信用评级产品,助力信贷公司的高质量信用风险管理。本文的产品研发过程为:首先,使用Stacking算法构建个人信用评级模型,并将置换特征重要性和SHAP等可解释性机器学习方法加入模型中对其进行解释分析,如此将会保证个人信用评级模型的预测精度和解释性。为了检验Stacking模型的稳健性,本文经拍拍贷的信贷数据检验后得出Stacking模型在不同的数据集上均拥有稳健、良好的预测性能。其次,将个人信用评级模型的输出转换为个人信用分值,并将其划分为四个等级。其中,A级为优质的贷款客户;B级为较优质的贷款客户;C级为存在还款困难因素的贷款客户;D级为难以还款的贷款客户。最后,将该产品与传统的个人信用评级产品做性能检测,得出该产品更为优异,并将其部署上线。本文经实证研究得出Stacking算法和可解释性机器学习的结合能很好地适用于个人信用评级领域,开发的产品兼具较好的准确度和解释性能。