第一步 資料清洗，我們首先針對那些三個月內沒有發生點選，沒有發生購買，沒有發生貸款同時沒有白條貸款的使用者，有529個使用者，認為在未來一個月不帶款，因此資料清洗掉。

第二步 數學建模 採用滑窗法取樣擴充訓練樣本。

第三步 特徵選擇與篩選。在特徵提取的時間視窗，分別為1,5,10,15,30,50,all.

 針對loan表，提取貸款金額與貸款天數，貸款金額與貸款次數，貸款次數與貸款天數，貸款金額與時間視窗總天數，貸款次數與時間視窗總天數，貸款天數與時間視窗總天數，分別提取統計特徵，統計特徵包括均值，標準差，散度，偏度，變異係數，最大值和最小值，峰值到時間序列兩端的統計值。針對裡面的，貸款金額與貸款天數時間序列，貸款金額與貸款次數，貸款次數與貸款天數時間序列，分別求取微分序列，並同時將其統計特徵作為特徵用於訓練。


針對click表，提取點選次數與點選天數，點選次數與視窗總天數，點選天數與視窗總天數。提取時間序列的統計特徵，這包括均值，標準差，散度，偏度，變異係數，最大值和最小值，峰值到時間序列兩端的統計值。
 針對order表，提取部分品類的分佈特徵，購買的天數，購買次數等，分品類對次數的分佈特徵（方差和均值等）。
 針對btloan表，提取分期的統計特徵和是否免息的統計特徵，和他們之間的關聯特徵。
 針對固有特徵，主要提取使用者的性別，年齡，限額，啟用日期等使用者的固有屬性特徵。
 交叉特徵，提取loan-click交叉特徵，loan-order交叉特徵和loan-btloan交叉特徵和order-btloan交叉特徵。
第四步 模型stack。採用不同引數的xgb和不同引數的lgb，用LR做stack整合，得到最終的提交結果。