近年来,伴随银行等金融机构个人信贷业务的不断发展,金融欺诈问题也逐渐显现。因此,如何根据用户数据分析预测用户行为,制定相应策略优化客户分类,为管理者提供更科学的贷前信用风险评估具有一定的现实意义。目前个人信贷风控方式已由传统的人工审核转向基于机器学习与深度学习,大多数银行等金融机构当前采用基于单一模型的风险评估方式。随着行业不断发展,单一模型性能逐渐满足不了日益复杂的欺诈场景。本文针对个人信贷风险评估的需求,构建了一种基于改进Stacking集成算法的个人信用评分模型,旨在获得性能更优的风控模型。主要研究内容如下:第一,数据处理。信贷业务中获取的数据往往具有很多的不确定性和无规律性,为降低数据本身质量对模型效果的影响,本文对数据集进行了缺失值和异常值的分析处理。同时考虑到风控领域大多数情况下非违约样本相较于违约样本更加丰富,采用了SMOTE采样法对类别不平衡问题进行处理。为个人信用数据的预处理提供了完整方案。第二,设计了一种多维度特征筛选策略。为获得预测能力更强的特征变量,本文依据特征重要性和Ⅳ值两类指标逐层对变量进行打分,并且设计公式对综合得分进行排序。选出贡献度大于85%的特征集作为最终的入模特征变量,从特征筛选入手对模型进行了优化。实验表明,筛选后数据集所训练的模型相较于筛选前,AUC值、KS值、准确率均有所提高,说明本文所设计筛选策略对信用评分模型性能提升有正向作用。第三,构建了一种基于改进Stacking集成算法的个人信用评分模型。传统Stacking集成算法无法体现基学习器性能差异问题,本文结合所研究的信用评分问题对Stacking算法进行了区分度加权和特征扩展处理。并且根据改进的Stacking算法构建了个人信用评分模型以及评分转换规则,将模型输出转换成信用评分卡,为风险控制和信用等级划分提供了科学的依据。实验表明,通过对模型在评价指标的分析,本文所构建的基于改进Stacking算法的个人信用评分模型在关键指标AUC、KS、准确率上分别为0.86、0.583、91.30%,综合指标数据优于传统Stacking模型以及单一模型,说明本文所构建模型在信用评分问题上有较好的性能。