伴随着互联网时代的来临以及社会经济的不断发展,银行等金融机构相继推出在线借贷申请业务,互联网企业也围绕贷方机构匹配等借贷周边服务开发了许多在线应用平台。同时,随着数据挖掘技术的不断发展,机器学习算法凭借自身优势被广泛应用于金融风控领域并取得了优异的成绩,然而,目前已有研究中仍然存在以下问题:问题1:基于逻辑回归等传统机器学习算法的借贷违约预测模型有着较好的可解释性,但预测精度有限。问题2:基于集成算法,深度学习算法的借贷违约预测模型预测精度较高,但自身无法提供明确的可解释性,对于公众的说服力不足,无法在拒绝借款需求时给与申请人明确的拒绝理由。总的来看,目前针对在线借贷违约预测的已有相关工作无法兼顾预测性能与可解释性两方面需求;在此背景下,本文提出了一种适用于在线借贷违约预测场景的Stacking融合模型对该问题进行预测;同时为提供明确的业务指导,使用SHAP模型结合融合模型中的XGBoost基模型对在线借贷违约原因进行分析,本文工作主要集中在以下3个方面:（1）结合原始数据实际情况进行有针对性的数据预处理和特征工程,并在此基础上构建多个备选基模型;在所有备选基模构建完成后,借助AUC值,KS值等评价指标对不同基模型的表现情况进行比较分析。（2）在基模型预测结果的基础上,借助RFE特征递归消除算法选择融合模型所使用的基模型,并基于逻辑回归算法构建Stacking融合模型;之后将该模型预测效果与目前已有研究中的模型预测效果进行比较,证明本文模型能够有效对在线借贷违约行为进行预测。（3）在利用融合模型保证预测性能的基础上,为了增强模型的可解释性,基于SHAP模型对影响在线借贷违约行为的关键因素进行分析,为借贷机构提供业务指导和决策参考。实验结果表明,本文提出的Stacking融合模型AUC值为0.7416,较对比研究中的最优模型提升了0.0005,KS值为0.3602,较对比研究中的最优模型提升了0.0008,能够有效对在线借贷违约行为进行预测。同时,通过特征重要性分析发现,申请人信用子等级、借款金额、借款利率以及债务收入比等因素对于最终违约概率影响较大,贷方机构在发放借款时应当重点关注借款申请人这部分特征的情况。