随着中国经济快速稳健发展,人们的生活水平不断提高、消费观念不断升级,这极大促进了中国消费金融行业的发展。但近两年国家监管部门逐步加大对消费金融行业的监管力度,导致不少客户回流银行,这为商业银行发展信用卡业务提供了新机遇。面对激烈的市场竞争及复杂的内外经济环境,商业银行如何更有效、更快速地对信用卡申请者进行信用评估成为各银行近年来关注的重点问题之一。目前越来越多的学者青睐于利用融合模型提高对个人信用评估的预测能力,并取得一定的研究成果。但多数研究直接指定融合模型中的基模型,而实际中融合模型中的多个基模型之间需要存在差异。针对此问题,本文基于一个信用违约情况数据集,构建个人信用评估融合模型,其构建过程包括:数据预处理、平衡正负样本、筛选变量、建立单一模型并筛选基模型、建立融合模型以及对比分析模型性能。在建立模型部分,本文首先综合考虑了模型的预测精度(AUC值和KS值)及模型之间的差异性(Q统计量),从逻辑回归、决策树、BP神经网络、K近邻、支持向量机5种单一模型中筛选出BP神经网络、决策树模型作为融合模型的基模型。然后通过5折交叉验证对两个基模型进行训练,并将得到的各样本的预测概率值作为新的特征变量加入到原数据集中,至此完成融合模型的第一层学习。为了保证融合模型的稳定性,本文利用逻辑回归模型在新组合的数据集上进行训练,进而完成融合模型的第二层学习。经过实证分析发现:本文构建的融合模型的预测精度及模型的稳定性优于单一模型以及集成模型,故本文建立融合模型的过程对个人信用评估的研究具有一定技术参考意义。