Ứng dụng học máy và học sâu trong nghiên cứu tài chính: Một nghiên cứu về dự báo khả năng hoàn trả khoản vay của khách hàng

Tóm tắt

Trong bối cảnh cho vay ngang hàng (P2P lending) ngày càng phát triển, việc đánh giá khả năng trả nợ của khách hàng trở nên cần thiết, không chỉ giúp nhà đầu tư cá nhân hạn chế rủi ro mà còn phát hiện các cơ hội đầu tư tiềm năng. Nghiên cứu này đề xuất việc áp dụng học máy và học sâu để phân tích hành vi, thông tin nhân khẩu và lịch sử tín dụng của người vay, qua đó dự báo khả năng hoàn trả khoản vay. Các thuật toán được áp dụng trong bài nghiên cứu bao gồm: Logistic Regression (LR), K-Nearest Neighbor (KNN), Extreme Gradient Boosting (XGB), Light Gradient Boosting Machine (LGBM) và học sâu: Long Short Term Memory (LSTM), Artificial Neural Network (ANN). Kết quả sau khi xử lý và tối ưu hóa cho thấy các mô hình Ensemble Learning như XGB, LGBM đem lại kết quả vượt trội so với các mô hình máy học truyền thống với độ chính xác mô hình đạt hơn 85%. Các đặc trưng như tỷ lệ lãi suất (int_rate), xếp hạng tín dụng (subgrade) và số tiền vay (loan_amnt) có ý nghĩa đặc biệt quan trọng trong việc dự đoán này. Với kết quả dự đoán, chúng tôi kỳ vọng rằng nghiên cứu sẽ cung cấp một công cụ hỗ trợ đắc lực cho nhà đầu tư cá nhân trong việc đánh giá và lựa chọn hồ sơ vay, từ đó góp phần vào việc thúc đẩy một thị trường cho vay ngang hàng minh bạch và hiệu quả hơn.