近年来,商业银行的信贷规模一直保持快速增长,信用卡发放量更是呈现逐年上升的趋势,但信用风险问题也随之突显。在此情景下,面对大量的信贷申请,如何快速且准确地完成申请者的信用风险评估,不仅已成为各商业银行重点关注的问题,而且也引起了学术界越来越多的学者所关注。关于信用风险评估,机器学习算法的应用逐渐受到学界和业界的认可。然而,国内研究大多基于较单一的模型展开评估,基于多模型相融合视角展开的研究尚不多见,这显然极大地影响了评估效率的提升。基于上述背景,本文从模型融合的角度,利用多种机器学习算法,以期构建一套更高效的信用风险评估模型。在此基础上,应用国内A商业银行的用户信贷数据集作为样本数据对申请者的信用风险予以实证评估。具体地,首先对样本数据中的用户标签表进行数据预处理,并利用RFM模型为指导对交易行为表作特征衍生;随后,基于Light GBM算法和Pearson相关系数相结合的特征选择方法,对重要特征进行筛选;接着,使用Borderline＿SMOTE算法处理不平衡样本,并据此构建了Logistic回归、KNN、随机森林以及Light GBM共4组单一模型;最后,将AUC值大于0.85的KNN、随机森林以及Light GBM三组模型作为初级学习器,稳定性很好的Logistic回归作为次级学习器,通过两层Stacking集成框架进行模型融合,依此构建最终的信用风险评估模型并作相应实证评估。本文得出以下结论:在信用风险评估指标方面,用户的交易行为特征对信用风险评估有重要贡献,在Light GBM的特征重要度排名中,有14个交易衍生特征排名前20;在信用风险评估模型构建方面,通过对比四组单一模型的预测结果,表明Light GBM模型的整体性能优于其余三组模型,同时本文构建的Stacking融合模型整体性能相比于Light GBM模型又得到了进一步提升,并且该融合模型具备很好的可伸缩性,因此验证了本文所建融合模型的有效性;在对Stacking融合模型的应用方面,本文利用Stacking融合模型分析得到的预测概率绘制提升图以及建立信用评分卡,结果均表明该融合模型具有较强的客户分组区分能力和预测能力,同时将融合模型应用于符合真实业务场景的未平衡新样本,验证了该融合模型具备一定的实用价值。