一种基于集成学习的信用风险预测方法

本发明涉及信用风险预测技术，具体涉及一种基于集成学习的信用风险预测方法，包括：针对信用风险预测任务，分别构建LightGBM、XGBoost、CatBoost三种基础模型，并进行初始化；对原始数据集进行全面的预处理；对处理好的数据进行特征选择及数据平衡处理；通过训练完成后的三种模型独立完成数据的信用风险预测，并采用集成学习策略整合模型预测结果；定期或在模型性能出现衰退迹象时，进行模型性能评估。本发明通过集成多个模型并采用加权软投票融合模型，可以有效规避单一模型的局限性，能够综合各模型的优点，提高模型对新数据的泛化能力和预测借款人违约风险的准确性，从而更好地应对市场变化和风险挑战。