MỘT MÔ HÌNH HỌC SÂU CHO BÀI TOÁN XẾP HẠNG TÍN DỤNG

Hoàng Thanh Hải; Thân Quang Khoát

doi:10.34238/tnu-jst.9608

MỘT MÔ HÌNH HỌC SÂU CHO BÀI TOÁN XẾP HẠNG TÍN DỤNG

Thông tin bài báo

Ngày nhận bài: 17/01/24 Ngày hoàn thiện: 14/05/24 Ngày đăng: 14/05/24

Các tác giả

1. Hoàng Thanh Hải , Trường Đại học Kinh tế và Quản trị Kinh doanh - ĐH Thái Nguyên
2. Thân Quang Khoát, Đại học Bách khoa Hà Nội

Tóm tắt

Cho vay tín dụng là hoạt động kinh doanh chủ yếu của một ngân hàng. Do đó, các ngân hàng cần một mô hình có độ chính xác cao để quyết định khách hàng nào được cho vay. Trong những năm gần đây, việc sử dụng học sâu để lựa chọn khách hàng phù hợp thu hút được sự quan tâm lớn. Tuy nhiên, việc thiếu hụt dữ liệu, sự đa dạng của loại dữ liệu, hay mất cân bằng trong dữ liệu có thể làm giảm độ chính xác của các mô hình phân loại dựa trên học sâu. Mục tiêu nghiên cứu của chúng tôi trong bài báo này là xây dựng một mô hình phân loại tín dụng dựa trên học sâu. Chúng tôi sử dụng bộ dữ liệu được công bố trên kho lưu trữ UC Irvine Machine Learning, một kho lưu trữ các bộ dữ liệu được sử dụng nhiều trong học máy. Kiến trúc mô hình được thiết kế để phù hợp với hai loại dữ liệu đầu vào của mô hình, dữ liệu định tính và dữ liệu định lượng. Mô hình được đề xuất có độ chính xác tương đối cao trong lớp các mô hình học sâu trên cùng bộ dữ liệu. Chúng tôi cũng xem xét lợi nhuận thu được của ngân hàng khi sử dụng mô hình. Kết quả cho thấy mô hình mang lợi mức lợi nhuận đáng kể cho ngân hàng.

Từ khóa

Xếp hạng tín dụng; Học sâu; Lợi nhuận; Mất cân bằng dữ liệu; Thiếu hụt dữ liệu

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] B. Baesens,D. Rösch, and H. Scheule, Credit risk analytics: measurement techniques, applications, and examples in SAS, John Wiley & Sons, Inc, New Jersey, 2016.

[2] C. Serrano-Cinca and B. Gutiérrez-Nieto, “The use of profit scoring as an alternative to credit scoring systems in peer-to-peer (P2P) lending,” Decis. Support Syst., vol. 89, pp. 113–122, 2016.

[3] R. Setiono, B. Baesens, and C. Mues, “Recursive neural network rule extraction for data with mixed attributes,” IEEE Trans. Neural Netw, vol. 19, pp. 299–307, 2008.

[4] J. R. Quinlan, Programs for Machine Learning, Morgan Kaufmann: San Mateo, Canada, 1993.

[5] D. Martens, B. Baesens, T. Van Gestel, and J. Vanthienen, “Comprehensible credit scoring models using support vector machines,” Eur. J. Oper. Res., vol. 183, pp. 1488–1497, 2007.

[6] C. Wang, D. Han, Q. Liu, and S. Luo, “A Deep Learning Approach for Credit Scoring of Peer-to-Peer Lending Using Attention Mechanism LSTM,” IEEE Access, vol. 7, pp. 2161-2168, 2019.

[7] X. Dastile and T. Celik, “Making deep learning-based predictions for credit scoring explainable,” IEEE Access, vol. 9, pp. 50426–50440, 2021.

[8] G. Li, H.D. Ma, R.Y. Liu, M. D. Shen, and K. X. Zhang, “A two-stage hybrid default discriminant model based on Deep Forest,” Entropy, vol. 23, 2021, Art. no. 582.

[9] J. Nagidi, “Best ways to handle imbalanced data in machine learning,” Dataaspirant Homepage, [Online]. Available: https://dataaspirant.com/handle-imbalanced-data-machine-learning/ [Accessed Jan. 15, 2024].

[10] J. Brownlee, “Random Oversampling and Undersampling for Imbalanced Classification,” Machine Learning Mastery Homepage, [Online]. Available: https://machinelearningmastery.com/random-oversampling-and-undersampling-for-imbalanced-classification/. [Accessed Jan. 15, 2024].

[11] German Credit Data, “UC Irvine Machine Learning Repository,” [Online]. Available: https://archive.ics.uci.edu/dataset/144/statlog+german+credit+data. [Accessed Jan. 15, 2024].

[12] P. Selva, “Train test split – How to split data into train and test for validating machine learning models?” [Online]. Available: https://www.machinelearningplus.com/machine-learning/train-test-split/ [Accessed Feb. 23, 2024].

[13] H. Yoichi, “Emerging trends in deep learning for credit scoring: A review,” Electronics, vol. 11, no. 19, 2022, Art. no. 3181.

[14] W. Zhang, D. Yang, S. Zhang, J. H. Ablanedo-Rosas, X. Wu, and Y. Lou, “A novel multi-stage ensemble model with enhanced outlier adaptation for credit scoring,” Expert Syst. Appl., vol. 165, 2021, Art. no. 113872.

[15] L. Yu, S. Wang, and K. K. Lai, “An intelligent-agent-based fuzzy group decision making model for financial multi criteria decision support: The case of credit scoring,” Eur. J. Oper. Res., vol. 195, pp. 942–959, 2009.

[16] N. Arora and P. D. Kaur, “A Bolasso based consistent feature selection enabled random forest classification algorithm: An application to credit risk assessment,” Appl. Soft Comput., vol. 86, 2020, Art. no. 105936.

[17] D. R. Edla, D. Tripathi, R. Cheruku, and V. Kuppili, “An efficient multi-layer ensemble framework with BPSOGSA-based feature selection for credit scoring data analysis,” Arab. J. Sci. Eng., vol. 43, pp. 6909–6928, 2018.

[18] D. Tripathi, D. R. Edla, and R. Cheruku, “Hybrid credit scoring model using neighborhood rough set and multi-layer ensemble classification,” J. Intell. Fuzzy Syst., vol. 34, pp. 1543–1549, 2018.

[19] S.K. Trivedi, “A study on credit scoring modeling with different feature selection and machine learning approaches,” Technol. Soc., vol. 63, 2020, Art. no. 101413.

[20] S. Acharya, I. V. Pustokhina, D.A. Pustokhin, B. T. Geetha, G. P. Joshi, J. Nebhen, E. Yang, and C. Seo, “An improved gradient boosting tree algorithm for financial risk management,” Knowl. Manag. Res. Pract., 2021, doi:10.1080/14778238.2021.1954489.

DOI: https://doi.org/10.34238/tnu-jst.9608

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ