目前,各商业银行的零售业务发展迅速,零售业务的发展为各银行积累了一定规模的信贷资源以及个人客户。随着农商银行零售业务的转型,农商银行逐渐开始在个人消费贷款市场布局。但是,我国消费金融市场的参与者众多,农商银行只是其中一个市场参与者。农商银行要面对其他商业银行、网络贷款公司、互联网金融公司等带来的竞争压力,同时也面临更为严格的监管压力。对于S农商银行而言,目前在信用风险预测上面的能力相对较弱,该银行主要采用传统的信用风险评分方式,该方法并不适用目前个人消费金融逐渐在线化发展的特点。传统的数据挖掘模型也存在预测性能的瓶颈,而集成学习作为提高数据挖掘模型性能的一种算法框架,能够提高单个数据挖掘模型的预测性能。因此,本文研究集成学习在农商银行信用风险预测中的应用,以提高农商银行信用风险预测的准确性。本文对S农商银行消费贷款的信用风险预测进行了研究。首先本文在理论以及文献的基础上,总结了本文研究的思路以及用到的方法。其次,本文对S农商银行个人消费贷款的业务发展、信用风险现状以及存在的问题进行了分析。目前,S农商银行个人消费贷款的不良率从2012年的0.41%增长到2018年的1.77%,在个人消费贷款增长的同时,不良率增长较快。目前S农商银行的信用评分体系无法有效的区分高风险客户以及低风险客户,因此需要提升信用风险预测的水平;第三,本文设计了个人基本情况、历史违约信息、贷款产品属性、还款能力等维度的指标来判断客户的信用风险。第四,本文基于Stacking集成学习框架,集成BP神经网络、决策树以及逻辑回归模型,提升这些模型在信用风险预测上的性能。第四,本文以S农商银行的数据为实证样本对各个模型进行了实证分析。实证分析结果表明,单独使用逻辑回归、BP神经网络、决策树的准确率都不太高,通过Stacking集成学习提升了原来预测效果较弱的模型。第五,从影响因素的重要排名来看,影响最大的变量是过去收入支出比例,该变量与信用违约存在负向关系,说明贷款者的收入越多,违约风险相对较低。该指标也部分反应了贷款者的消费支出结构,对于消费较为合理的用户,违约风险相对较低。从历史违约来看,历史违约次数越多的客户,未来违约的概率也相对较大。金融净资产与贷款者违约的概率成负向关系,金融净资产越大,客户发生信用风险的概率越小。家庭结构会影响贷款者的信用风险,家里中幼儿与老人占比较高,可能带来较大的消费压力,因此影响客户的信用风险。抵押物价值与信用风险存在负向影响,抵押物价值越高,信用风险越低。贷款者的收入水平越高,其信用风险也越低。本文的研究对于提高S农商银行个人消费贷款信用风险的预测能力,提升信用风险的控制水平有一定的参考价值,也为其他农商银行提供了借鉴。