近年来借贷市场份额逐年提升,借贷产品渗透到日常消费、经营的方方面面。与此同时,信贷风险也逐步攀升,借贷预测精度一直难以提升的主要原因是借贷数据有规模大、维度复杂和极度不平衡等特性。且随着时间推移,部分特征会有分布漂移的问题产生。为此,本文以Lending Club的历史贷款数据为例子,通过优化违约预测模型来解决数据不平衡、特征分布漂移现象,降低违约风险,帮助精准筛选优质借贷申请来维护良性的借贷环境使之可持续发展。本文从个人信息、贷款信息、银行账号信息和信用信息四个维度对贷款数据进行数据预处理和特征的构建,初步丰富模型的描述能力。研究通过在集成模型基础上引入动态代价敏感项来降低比例失衡的训练样本对预测模型的影响,并创新设计量化出借贷期望损失值来作为代价敏感项。其核心是改进了近年来表现优异的集成算法XGBoost和LightGBM,将优化后的损失项加入迭代学习过程中,以达到提升整体预测精度和提高违约类检出的目的,优化后的算法命名为ES-XGB和ES-LGB。研究引入PCE宏观经济数据作为时间衰退系数来消除特征时间趋势,使得训练和预测样本同分布提高模型的泛化能力。本文构建完整的借贷预测系统图,规范借贷预测流程。数值实验证明本文所提出的算法模型ES-XGB和ES-LGB相较于其它集成模型在借贷预测中表现更好,月粒度的PCE数据可以有效消除特征的趋势性进一步提升违约预测模型的预测能力。论证了期望损失代价敏感和宏观经济统计量的加入优化适用于借贷预测场景。