信用贷款在银行众多的业务中占有重要的席位,该业务不仅影响着商业银行的盈利,还对我国金融市场的稳健发展和我国宏观经济的增长有重要作用。贷款业务作为商业银行盈利的主要业务之一,必然会遇到贷款违约风险,该风险是商业银行面临的最主要的一种风险,不仅与商业银行自身的安全与效率息息相关,还会影响到金融与经济的稳定发展。本论文将以个人信用贷款数据为样本,对商业银行的贷款违约情况进行预测,具有重要意义。贷款逾期天数作为常见的风险度量指标,具有典型的零膨胀特征。对于零膨胀数据,传统的线性回归不再适用,两部模型是常用的代表方法。考虑到贷款数据具有偏态分布特征,本文构建了一个分位数两部模型——logit-quantile模型。该模型包含两个部分,第一部分采用logistic回归判断客户是否违约,第二部分采用分位数回归以适应逾期天数的偏态分布,对违约的程度进行预测。为了确定对逾期天数有显著影响的风险因素,对模型的两个部分采用Lasso惩罚。在模型求解方面,本文采用了坐标下降法和线性规划法相结合的迭代算法。为了评估logit-quantile模型的性能,还进行了该模型、logit-linear模型和逐步法的模拟分析并进行对比,模拟数据在因变量分布和零通胀比例上均有不同。模拟分析的结果表明,新模型表现出了最好的变量选择效果,尤其在零膨胀比例为80%及高维情形时,该模型的表现仍然最优。最后对某银行样本量为23535的贷款数据进行实证分析,结果显示逾期天数不仅呈现零膨胀特征,而且呈现偏态分布特征。该模型选取了17个与违约有关的影响因素,两个部分的模型中有12个变量重叠。与logit-linear模型和逐步法相比,新模型在预测准确率、召回率和均方误差方面有更好的性能。