【摘要】信用卡市场具有信贷信息不对称的特征,是信用卡风险产生的主要原因之一。在信贷信息不对称条件下,如何利用统计分析、数据挖掘等高新技术,建立可靠的分析模型,对信用卡用户的行为进行风险识别和预测,具有非常重要的意义。本文首次把改进后的非参数随机森林分类(RFC)方法应用到信用卡信用风险的评估中,并和其他模型进行比较,发现非参数随机森林方法往往要优于基准的Logitic模型和SVC模型。实证发现职业、年龄、家庭人口数、月刷卡额、学历、家庭月收入对信用风险有显著影响,而性别、婚姻状况等对信用风险影响不显著。