第一步 数据清洗，我们首先针对那些三个月内没有发生点击，没有发生购买，没有发生贷款同时没有白条贷款的用户，有529个用户，认为在未来一个月不带款，因此数据清洗掉。
第二步 数学建模 采用滑窗法采样扩充训练样本。
第三步 特征选择与筛选。在特征提取的时间窗口，分别为1,5,10,15,30,50,all.
针对loan表，提取贷款金额与贷款天数，贷款金额与贷款次数，贷款次数与贷款天数，贷款金额与时间窗口总天数，贷款次数与时间窗口总天数，贷款天数与时间窗口总天数，分别提取统计特征，统计特征包括均值，标准差，散度，偏度，变异系数，最大值和最小值，峰值到时间序列两端的统计值。针对里面的，贷款金额与贷款天数时间序列，贷款金额与贷款次数，贷款次数与贷款天数时间序列，分别求取微分序列，并同时将其统计特征作为特征用于训练。
针对click表，提取点击次数与点击天数，点击次数与窗口总天数，点击天数与窗口总天数。提取时间序列的统计特征，这包括均值，标准差，散度，偏度，变异系数，最大值和最小值，峰值到时间序列两端的统计值。
针对order表，提取部分品类的分布特征，购买的天数，购买次数等，分品类对次数的分布特征（方差和均值等）。
针对btloan表，提取分期的统计特征和是否免息的统计特征，和他们之间的关联特征。
针对固有特征，主要提取用户的性别，年龄，限额，激活日期等用户的固有属性特征。
交叉特征，提取loan-click交叉特征，loan-order交叉特征和loan-btloan交叉特征和order-btloan交叉特征。
第四步 模型stack。采用不同参数的xgb和不同参数的lgb，用LR做stack集成，得到最终的提交结果。