Credit risk prediction is a critical task for financial institutions to minimize the risk of default and optimize lending decisions. In the context of rapid advancements in machine learning techniques, many classification methods have been developed to improve credit risk prediction capabilities. This study applies a stacking model to assess credit risk, combining predictions from various machine learning models, including XGBoost, Random Forest, and CatBoost. A meta-model, logistic regression, is used to optimize predictions from base models to generate the final prediction. Data is processed using the SMOTE technique for balancing, and the hyperparameters of the base models are optimized through Bayesian optimization. The results show that the stacking model achieves an accuracy of 95.503 % and an ROC-AUC score of 98.15 %, demonstrating the high reliability of the predictions. These results highlight the applicability of machine learning models in credit risk assessment, supporting financial institutions in making individual credit decisions.Dự đoán rủi ro tín dụng là nhiệm vụ quan trọng đối với các tổ chức tài chính nhằm giảm thiểu nguy cơ vỡ nợ và tối ưu hóa quyết định cho vay. Trong bối cảnh sự phát triển nhanh chóng của các kỹ thuật học máy, nhiều phương pháp phân loại đã được phát triển để cải thiện khả năng dự đoán rủi ro tín dụng. Nghiên cứu này áp dụng mô hình stacking để đánh giá rủi ro tín dụng, kết hợp dự đoán từ nhiều mô hình học máy khác nhau, bao gồm XGBoost, Random Forest, và CatBoost. Một mô hình meta, hồi quy logistic, được sử dụng để tối ưu hóa dự đoán từ các mô hình cơ sở để đưa ra dự đoán. Dữ liệu được xử lý bằng kỹ thuật SMOTE để cân bằng và các siêu tham số của các mô hình cơ sở được tối ưu hóa thông qua phương pháp tối ưu hóa Bayesian. Kết quả cho thấy mô hình stacking đạt được độ chính xác 95,50 % và chỉ số ROC-AUC đạt 98,15 %, chứng tỏ độ tin cậy cao của các dự đoán. Kết quả này cung cấp về khả năng ứng dụng của các mô hình học máy trong việc đánh giá rủi ro tín dụng, hỗ trợ các tổ chức tài chính trong việc ra quyết định cấp tín dụng cho cá nhân.