根据银监会数据,近年来我国商业银行不良贷款余额持续攀升,不良贷款率也居高不下,不良贷款问题严重影响银行资产的质量,甚至会带来金融风险。因此,需要建立能够准确预测我国商业银行不良贷款率的模型,对商业银行不良贷款率进行预估,并及时识别出未来不良贷款率可能上升的情况,从而对银行资产质量变坏进行预报和预警。本文对于我国36家上市银行进行分析,基于以往对不良贷款率影响因素的文献研究采用了反映宏观经济情况及银行自身情况的40个指标,使用机器学习经典算法中基于线性模型的方法、基于核空间的方法及基于树模型的方法构建预测不良贷款率的回归模型及其变动方向的分类模型,并比较三类算法的性能,得到最优模型。此外本文还根据选出的最优算法,分析了不同类型银行下影响其不良贷款率的重要属性。以往不良贷款率的相关研究都是基于同频数据构建模型,为了充分挖掘高频数据信息,本文采用了混频数据,为了验证混频数据的优越性,本文最后还将混频数据同频化并训练出最优的模型然后与混频数据构建的模型作对比。经过本文的研究表明:模型选取上,基于树的模型明显优于线性模型和支持向量机,在银行不良贷款率的回归预测模型中,XGBoost模型预测效果最好;在银行不良贷款率变动方向分类预测模型中,梯度提升树预测效果最好。在指标重要性方面,影响国有银行及股份制银行不良贷款率的主要因素是货币政策:一年期基准贷款利率、国内信贷规模;影响城市商业银行不良贷款率的主要因素是反映其风险抵御能力的不良贷款拨备覆盖率及其中小企业贷款的比例;影响农商行不良贷款率的主要因素是贷款规模及其贷款业务结构,个人贷款业务中的个人信用卡贷款及个人住房贷款在总贷款中的比例对农商行不良贷款率的影响尤为重要。在数据选取方面,混频数据优于同频数据。