Research Article

نهج مجموعة التراص للتنبؤ بالموافقة على القروض باستخدام تقنيات التعلم الآلي

DOI:

10.3791/68832

⸱

September 23rd, 2025

 , 
1VIT-AP School of Business, VIT-AP University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تطور هذه الدراسة نموذجا لمجموعة التراص يدمج XGBoost و CatBoost (نموذج تعزيز التدرج) و LightGBM (نموذج تعزيز التدرج الفعال) و AdaBoost و Extra Trees للتنبؤ بالموافقات على القروض باستخدام بيانات Kaggle. من خلال تحقيق دقة بنسبة 98٪ ، فإنه يحدد العوامل الرئيسية مثل الدخل ودرجة الائتمان ، مما يعزز قرارات عادلة وفعالة بشأن الموافقة على القروض و / أو رفضها.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أدت ابتكارات الإقراض الرقمي والتكنولوجيا المالية إلى قلب الأنظمة المصرفية الراسخة رأسا على عقب، وغيرت الشمول المالي وتوافر الائتمان في الدول في جميع أنحاء العالم. تبحث هذه الدراسة في كيفية تغير منصات الإقراض الرقمي من نظير إلى نظير (P2P) ، مع التركيز على كيفية تغيير تقنيات مثل الذكاء الاصطناعي والتعلم الآلي للطريقة التي تتم بها الموافقة على القروض. تسلط دراسة شاملة للأدبيات الضوء على الفرص والمشاكل في النظام البيئي للإقراض الرقمي ، مثل تقييم المخاطر الخوارزمية ، وثقة العملاء ، والاستبعاد المالي ، والثغرات التنظيمية. تقترح هذه الورقة نهجا قويا للتعلم الآلي يستخدم نموذج مجموعة التراص للتنبؤ بدقة بالموافقات على القروض من أجل معالجة هذه المشكلات. تمت معالجة البيانات مسبقا باستخدام تقسيم اختبار التدريب ، والتحليل الاستكشافي ، وترميز الملصقات باستخدام مجموعة بيانات Kaggle المتاحة للجمهور والتي تضمنت التركيبة السكانية لمقدم الطلب والخصائص المالية والتاريخ الائتماني. مع XGBoost الذي يعمل كمتعلم فوقي ، تشتمل المجموعة على نموذج تعزيز التدرج ، وتعزيز التدرج الفعال ، و AdaBoost ، ومصنفات الأشجار الإضافية كمتعلمين أساسيين. بدقة 98٪ ، تم تقييم النموذج باستخدام مقاييس بما في ذلك الدقة والدقة والاستدعاء والدرجة F1 ومقاييس الخطأ (MAE- متوسط الخطأ المطلق ، MSE- متوسط الخطأ التربيعي ، و RMSE- جذر متوسط الخطأ التربيعي). وفقا لدراسات الارتباط ، فإن العوامل بما في ذلك الأصول والدخل ودرجات CIBIL لها تأثير كبير على الموافقات على القروض. تفوق النموذج على الطرق التقليدية ، وأظهر التوازن والتعميم عبر كلا الفئتين. تم التأكيد على فائدة هذه النماذج لتحديدات الائتمان الآلية المستندة إلى البيانات في استنتاج الورقة.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في المرحلة الأخيرة من التحول التكنولوجي للصناعة المصرفية، دخل مزودي الخدمات المالية الجدد من خارج النظام المصرفي الراسخ إلى السوق1. شركات التكنولوجيا الكبرى (شركات التكنولوجيا الكبيرة التي تركز بشكل أساسي على الإقراض مباشرة أو مع المؤسسات المالية) والتكنولوجيا المالية (التكنولوجيا المالية ، بما في ذلك نماذج مثل إقراض P2P وبدائل الائتمان عبر الإنترنت للبنوك التقليدية) تشق طريقها بشكل كبير في قطاع التمويل ، مما يشكل تحديا للخدمات المصرفية التقليدية على الرغم من جهود البنوك للتكيف مع المشهد الرقمي2. يشير هذا التطور السريع إلى تحول في النظام البيئي المالي، حيث يعيد اللاعبون غير التقليديون بشكل متزايد تشكيل طريقة الوصول إلى الخدمات المالية وتقديمها3. إن ظهور الإقراض الرقمي له علاقة سلبية بالائتمان المصرفي ، مما يشير إلى أنه مع دخول المقرضين الجدد إلى السوق ، قد تفسح الخدمات المصرفية التقليدية المجال للائتمان الرقمي البديل4. وقد تم تحفيز هذا التحول بشكل أكبر بسبب الأزمة المالية العالمية لعام 2008، والتي قللت بشكل كبير من ثقة العملاء في الخدمات المالية وساعدت في دفع التوسع في التكنولوجيا المالية أو مشاريع التكنولوجيا المالية5. التكنولوجيا المالية هي مصطلح للجمع بين التكنولوجيا والتمويل ، والذي يشير إلى تطبيق التكنولوجيا لتقديم الحلول المالية6. مع نضوج التكنولوجيا المالية ، شوهد أحد أكثر تطبيقاتها تحولا في صعود إقراض P2P ، والذي يشار إليه أيضا باسم خدمات الإقراض عبر الإنترنت7. يتمثل الابتكار الأساسي لإقراض P2P في المطابقة المباشرة للمقرضين والمقترضين. يقدم المقترضون طلبات للحصول على قروض صغيرة غير مضمونة ، ويستخدم العديد من المستثمرين منصات الإقراض لتقييم طلبات القروض وتمويلها8. يعمل إقراض P2P بشكل مشابه للبنك ، لكنه يستخدم الإنترنت والتكنولوجيا المتطورة لتمكين ترتيبات الإقراض والديون عبر الإنترنت 9. أصبح نجاح هذا النموذج وقابليته للتوسع واضحا مع إطلاق ZOPA.com ، أول منصة P2P في التاريخ ، والتي ظهرت لأول مرة في المملكة المتحدة في عام 2005. ومنذ ذلك الحين، نما الإقراض عبر الإنترنت بشكل كبير، حيث وصل إلى أكثر من 100 مليار دولار بحلول عام 2015، ومن المتوقع أن يصل إلى أكثر من 1 تريليون دولار في عام 202510. تطور الإقراض الرقمي، لا سيما في الاقتصادات الناشئة، مع تكامل التكنولوجيا المالية11. يعزز دمج التكنولوجيا المالية في الإقراض الرقمي الشمول المالي، لا سيما في الأسواق الناشئة. تتيح حلول المدفوعات عبر الهاتف المحمول وبلوكتشين معاملات P2P والإقراض الصغير، مما يقلل من الحواجز أمام الخدمات المالية12. هذا التحول النموذجي مدفوع بدمج تقنيات مثل blockchain والذكاء الاصطناعي (الذكاء الاصطناعي) والتعلم الآلي وأنظمة الدفع الرقمية لخلق بيئة مالية أكثر شمولا وكفاءة وتركز على العملاء13. تستخدم منصات الإقراض الرقمية التكنولوجيا لتسريع التطبيقات وتوفير النفقات وتعزيز تقييم مخاطر الائتمان ، مما يسمح للشركات الصغيرة والأفراد بتلقي التمويل بسرعة أكبر14. يستخدمون البيانات الضخمة ، و blockchain ، الذكاء الاصطناعي ، والتعلم الآلي لتحسين تقييم المقترضين وخفض التكاليف وتعزيز الشمول المالي15. أحدث التعلم الآلي ، على وجه الخصوص ، ثورة في إدارة المخاطر من خلال الاستفادة من مصادر البيانات البديلة16. وهو يتجاوز نهج تقييم الائتمان التقليدية من خلال الاستفادة من البيانات غير التقليدية، وتعزيز تصنيفات المقترضين، والتنبؤ بالتطورات الاقتصادية17. تقلل هذه الطريقة من مخاطر التخلف عن السداد عن طريق زيادة دقة تقييمات المقترضين والمساعدة في التنبؤ بالتحولات في الاقتصاد18. أحد أهم آثار الإقراض الرقمي هو قدرته على معالجة صعوبات الشمول المالي، لا سيما في الاقتصادات الناشئة والمناطق المهمشة19.

من أجل التنبؤ بقبول القروض بدقة عالية باستخدام مجموعة بيانات Kaggle المنظمة ، تقترح هذه الورقة نموذجا جديدا لمجموعة التراص يجمع بين نموذج تعزيز التدرج ، ونموذج تعزيز التدرج الفعال ، و AdaBoost ، والأشجار الإضافية ، و XGBoost. لتحسين القدرة التنبؤية على التكيف والتعميم ، تجمع هذه الطريقة بين العديد من المتعلمين المتقدمين مع XGBoost كمصنف فوقي ، على عكس الأبحاث السابقة التي تستخدم بشكل متكرر نماذج فردية أو مصنفات تقليدية. كان أداء النموذج جيدا في كل من فئات القروض المقبولة والمرفوضة ، بمعدل دقة مثير للإعجاب بلغ 98٪. يوفر هذا التطور المنهجي طريقة عملية وقابلة للتوسيع لأتمتة قرارات الموافقة على القروض في إعدادات الإقراض الرقمي ، لا سيما في تطوير النظم الإيكولوجية المالية.

الهدف من هذا البحث هو إنشاء نموذج جماعي قوي للإقراض الرقمي يتنبأ بدقة بقبول القروض من خلال الجمع بين نموذج تعزيز التدرج ، ونموذج تعزيز التدرج الفعال ، و AdaBoost ، و Extra Trees ، و XGBoost. بالإضافة إلى ذلك ، يسعى إلى دراسة مدى أهمية المتغيرات الديموغرافية والمالية (الدخل وقيمة الأصول والدرجة المحدودة لمكتب المعلومات الائتمانية CIBIL (الهند) على خيارات القروض ، وتقييم مدى جودة أداء نموذج المجموعة مقارنة بالنماذج الأكثر تقليدية باستخدام مقاييس التصنيف والخطأ ، والتأكيد على كيف يمكن لمناهج المجموعة زيادة الكفاءة والتعميم والإنصاف. الهدف الأساسي هو التحليل الإحصائي لكيفية تأثير ميزات مقدم الطلب على الموافقة على القروض وتقييم أداء خوارزميات التعلم الجماعي.

يواصل P2P والإقراض الرقمي تحويل المشهد المالي على مستوى العالم ، مما يمثل الفرص والتحديات.

يعمل الإقراض الرقمي على تحويل سريع في المشهد المالي العالمي ، ويوفر بديلا للخدمات المصرفية التقليدية20. وتؤكد هذه النظرة العالمية كيف أن السياقات الإقليمية تشكل بشكل فريد نضج الإقراض الرقمي. يتوسع الإقراض الرقمي ولكنه لا يزال غير ناضج من الناحية التكنولوجية ، في حين أن الأتمتة والتسجيل التنبؤي يحققان الكفاءة ، ولا تزال المنصات تعتمد بشكل كبير على أنظمة الطرف الثالث لفحوصات الخلفية ، مما يحد من المتانة21. وعلى الرغم من التوسع السريع، لا يزال الاستبعاد المالي يمثل مشكلة رئيسية على مستوى العالم، حيث يفتقر ما يقدر بنحو 44٪ من البالغين في البلدان النامية إلى الخدمات المالية الرسمية، مما يستلزم إصلاحا عاجلا وبنية تحتية أفضل ومبادرات محو الأمية الرقمية. تظهر هذه القيود أيضا في النقاط البارزة الأخرى في القطاعات المتقاربة ، والتحديات المستمرة في معالجة البيانات ، وتكامل النظام22. مع تعمق التكامل الرقمي ، تتصاعد الثغرات الأمنية عبر مجال التكنولوجيا المالية. لمعالجة هذه الأمور ، تم اقتراح إطار عمل يركز على الأمن لحماية المعاملات الرقمية23. لوحظت تطورات مماثلة في الأسواق الناشئة الأخرى. في كينيا، في حين أدت تطبيقات الأموال عبر الهاتف المحمول والقروض الرقمية إلى تحسين الوصول المالي، لا تزال خصوصية البيانات مصدر قلق مستمر، واللوائح الأخيرة لها تأثير محدود، مما يشير إلى أن هناك حاجة إلى آليات إنفاذ أقوى، وعمليات تدقيق رسمية، ومبادئ توجيهية واضحة للتنمية24. يعكس هذا اتجاها أوسع حيث غالبا ما تتخلف الأطر التنظيمية عن ابتكار التكنولوجيا المالية. يختلف المشهد التنظيمي للتكنولوجيا المالية عن المشهد المصرفي التقليدي. على سبيل المثال ، ما لم تكن القروض عالية المخاطر ، فإن تطبيق القانون يكون له تأثير أقل على أسعار الفائدة في التكنولوجيا المالية25. على وجه الخصوص ، هناك حاجة ماسة لتحسين الإشراف واستخدام تحليلات البيانات والتحديثات التنظيمية للحد من نمو التكنولوجيا المالية غير القانوني وانتهاكات الخصوصية26. بالإضافة إلى التنظيم ، يتوقف نجاح الإقراض الرقمي أيضا على الثقة ، لذلك تلعب الثقة دورا مهما في قرارات الإقراض. الثقة في عربات العين أكثر تأثيرا من الوسطاء27.

يظهر تطور مواز في النظام البيئي للإقراض الرقمي في الهند28. تتوسع أعمال الإقراض الرقمي بسرعة ، بسبب التقدم في التكنولوجيا المالية ، والتدابير التنظيمية المفيدة التي ينفذها بنك الاحتياطي الهندي (RBI) ، وزيادة ثقة المستهلك بعد تفشي COVID-1929. ومع ذلك ، مع الابتكار تأتي المخاطر. في حين أن تطبيقات أو منصات الإقراض الرقمي غير المرخصة تعمل على تحسين الوصول ، إلا أنها تشكل مخاطر شديدة على المستهلك ، مثل المضايقات وأسعار الفائدة المرتفعة وإساءة استخدام البيانات بسبب ضعف اللوائح. لذلك فإن تعزيز حماية المستهلك والمساءلة أمر بالغ الأهمية لتعزيز الشمول المالي المسؤول30. مخاطر التخلف عن سداد المقترضين والتطبيقات الاحتيالية كبيرة للإقراض الرقمي. لا تحمي تدابير حماية المستهلك الجيدة المستهلكين فحسب ، بل تؤثر أيضا بشكل إيجابي على الأداء المالي حيث يعمل أمن البيانات والشفافية على تحسين مؤشرات الربحية مثل عائد الأصول (ROA) والعائد على حقوق الملكية (ROE)31. وعلى الصعيد العالمي، هناك تركيز كبير على التحسينات التشغيلية، مع زيادة التركيز على تعزيز أنظمة إنشاء القروض، وتشجيع استخدام تكنولوجيا الهاتف المحمول، ووضع استراتيجيات واضحة للوفاء بالمعايير التنظيمية وتوقعات المستهلكين32. لمعالجة هذه المخاطر ، يتم استخدام التحليلات المتقدمة والذكاء الذكاء الاصطناعي بشكل متزايد للتنبؤ بالمقرضين ذوي المخاطر العالية ، وقد أثبت اكتشاف القيم المتطرفة باستخدام مؤشرات مثل القروض الفاشلة ومدة السداد وتسجيل الائتمان فعاليته33. باستخدام النموذج الاجتماعي والتقني كدليل ، اكتشفنا أن المخاطر تأتي من كل من أصحاب المصلحة وعدم وجود ترابط بين تصميم النظام الأساسي والمكونات التنظيمية34. يهيمن اعتماد النماذج الديناميكية مثل UTAUT2 على شرح اعتماد المستخدم ، مع ظهور الثقة كمؤشر رئيسي لنية الاقتراض35. يتم أيضا استخدام خوارزميات الكشف عن الاحتيال القائمة على التعلم الآلي ، مثل نماذج Random Forest و SVM36. وفقا لنتائج الدراسة ، يمكن لنماذج التعلم الآلي تقييم معلومات الائتمان الشخصية بشكل كاف وتحديد احتمالية التخلف عن سداد القرض. كان أداء الشبكة العصبية العميقة أفضل أداء (الدقة: 0.94)37. اكتشفت الدراسة ، التي استخدمت Naïve Bayes بدقة 94٪ ، أن خصائص مثل سعر الفائدة ووقت السداد والوصف والدرجة الائتمانية وتاريخ القرض والجنس ودرجة الائتمان لها تأثير كبير على نجاح القرض38. وفي الوقت نفسه ، توجد احتمالات لكل من مخاطر الدفع المسبق والتخلف عن السداد ، وقد تم التنبؤ بالأحداث المهمة التي تؤدي إلى إنهاء القرض وخسارة الأرباح للدائنين باستخدام الانحدار اللوجستي متعدد المتغيرات ، وكانت الدقة الإجمالية للنموذج 76.63٪39. وفقا للدراسة ، يمكن زيادة إيرادات أندية الإقراض بدقة عالية تبلغ 68٪ من خلال استخدام نموذج تعزيز التدرج الفعال للتنبؤ بمخاطر التخلف عن السداد على منصات الإقراض الرقمية40. في الوقت نفسه ، تتطور نماذج الذكاء الاصطناعي الأكثر تعقيدا ، مثل التعلم العميق متعدد المشاهدات ، والذي يجمع بين المتغيرات المختلفة (مثل استخدام التطبيق والأنماط السلوكية) ويؤدي أداء أفضل من التقنيات التقليدية ، لا سيما في المواقف التي تكون فيها البيانات التاريخية محدودة41. تؤكد الدراسات من الصين أن تحسين تنبؤات التخلف عن السداد والشمول المالي ، مع نماذج مثل نموذج تعزيز التدرج و LGBM تتفوق على التقييمات التقليدية القائمة على الائتمان42، تساعد النمذجة الديناميكية للنظام أيضا في محاكاة تقلبات أسعار الفائدة على منصات P2P ، مما يوفر نظرة ثاقبة لسلوك المستثمر المقترض في ظل ظروف مختلفة43. ثبت أن نموذج تعزيز التدرج الفعال يحسن التنبؤ الافتراضي وربحية النظام الأساسي40، في حين أن الشبكات العصبية العميقة تتفوق أيضا على النماذج التقليدية عند التدريب المناسب37، وتحقيق الاستقرار في الأسواق الرقمية من خلال إدارة أفضل للمخاطر44لضمان الاستدامة ، تكتسب التكنولوجيا التنظيمية زخما ، مثل أتمتة العمليات الروبوتية التي تساعد المؤسسات المالية في مواءمة المتطلبات التنظيمية مع خطط العمل ، وتعزيز الامتثال والكفاءة التشغيلية45. الجدول 1 يلخص الدراسات الرئيسية التي تستكشف تطبيق التعلم الآلي في عمليات الإقراض الرقمي والموافقة على القروض.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

جمع البيانات

استخدمت هذه الدراسة مجموعة بيانات التنبؤ بالموافقة على القروض المتوفرة على Kaggle. تم استخراج مجموعة البيانات في فبراير 2025 وتتكون من 4269 سجلا تهدف إلى تقييم بيانات القروض والتنبؤ بنتائج الموافقة على القروض. يتضمن 12 عمودا تتضمن معلومات مفصلة عن الملامح الديموغرافية للمتقدمين ، مثل الحالة الوظيفية ، والمعالين ، والعاملين لحسابهم الخاص ، ومبلغ القرض ، ومدة القرض ، ودرجات CIBIL ، والخلفية المالية ، والسمات الخاصة بالقرض. تم استيراد مجموعة البيانات باستخدام مكتبة Pandas وفحصها بصريا باستخدام df.head () لفهم هيكلها وجودتها.

المعالجة المسبقة للبيانات

خلال مرحلة المعالجة المسبقة للبيانات ، تضمنت الخطوة الأولى إزالة عمود المعرف (loan_id) نظرا لافتقاره إلى القيمة التنبؤية وإمكانية إدخال الضوضاء في النموذج. تضمنت الخطوة الثانية ترميز الملصقات ، حيث تم تحويل المتغيرات الفئوية مثل التعليم والعاملين لحسابهم الخاص و loan_status إلى تمثيلات رقمية. تم إجراء هذا التحويل باستخدام Label Encoder من وحدة sklearn.preprocessing. على وجه التحديد ، تم ترميز التعليم على أنه 0 للخريجين و 1 لغير المتخرجين. self_employed 0 ل لا و 1 لنعم ، و loan_status ، المتغير المستهدف ، ك 0 لغير معتمد و 1 للموافق عليه. كانت هذه التحويلات ضرورية لضمان التوافق مع نماذج التعلم الآلي ، والتي تتطلب مدخلات رقمية ، خاصة لتطبيقات الإقراض الرقمي. تم فصل الميزات عن المتغير المستهدف باستخدام X = df.drop (["loan_status"] ، المحور = 1) و y = df ["loan_status]. قدم هذا الإعداد أساسا شاملا لفحص العوامل التي تؤثر على قرارات الموافقة على القروض باستخدام سجلات القروض التاريخية لتدريب نماذج التعلم الآلي الجماعية المتعددة. كان الغرض من هذه النماذج هو تحسين الدقة والمتانة الإجمالية من خلال الجمع بين نقاط القوة التنبؤية لمصنفات متعددة.

ثم تم تقسيم مجموعة البيانات المعالجة إلى مجموعات فرعية للتدريب والاختبار باستخدام وظيفة train_test_split من sklearn.model_selection ، مع استخدام 80٪ من البيانات للتدريب و 20٪ مخصصة للاختبار. وقد كفل ذلك تدريب النموذج على جزء كبير بما فيه الكفاية من البيانات مع الاحتفاظ بعينة تمثيلية لتقييم الأداء. مع تنظيف مجموعة البيانات وتنظيمها واستكشافها إحصائيا، تم وضع الأساس لتنفيذ إطار عمل قوي للتعلم الآلي يهدف إلى تعزيز الدقة التنبؤية في تصنيف الموافقة على القروض. تم إجراء تطوير النموذج باستخدام أربع خوارزميات للتعلم الآلي قائمة على المجموعة: نموذج تعزيز التدرج ، و AdaBoost ، ونموذج تعزيز التدرج الفعال ، ومصنف الأشجار الإضافية. تم اختيار هذه لأدائها المثبت في مهام التصنيف التي تتضمن بيانات جدولية منظمة. تم إنشاء مثيل لمصنف نموذج تعزيز التدرج ، الذي تم تنفيذه من مكتبة نموذج تعزيز التدرج ، بالإعدادات الافتراضية (التكرارات = 1000 ، معدل التعلم = 0.1 ، العمق = 6 ، المطول = خطأ). تم تدريبه باستخدام. تناسب (x_train ، y_train) وتم تقييمه باستخدام .predict (X_test). على الرغم من أن نموذج تعزيز التدرج يعالج تلقائيا ترميز البيانات الفئوية ، إلا أنه لم يتم استخدام هذه الميزة لأن البيانات قد تم ترميزها بالفعل. تم تنفيذ AdaBoost Classifier (التعزيز التكيفي ، الذي يحسن المتعلمين الضعفاء) باستخدام مجموعة sklearn. تم تكوين AdaBoost Classifier باستخدام n_estimators = 100 و learning_rate = 1.0 ، باستخدام جذوع القرار كمقدر أساسي افتراضي. تم تدريبه وتقييمه بطريقة مماثلة ، مما ساهم في المتانة من خلال الترجيح التكراري للحالات التي تم تصنيفها بشكل خاطئ. تم تكوين تعزيز التدرج الفعال ، الذي تم تنفيذه من خلال مكتبة نموذج تعزيز التدرج الفعال (LGBMClassifier) ، باستخدام n_estimators = 100 و learning_rate = 0.1 و max_depth = -1 (عمق الشجرة غير المقيد). يتفوق هذا النموذج ، المعروف بسرعته وكفاءته ، بشكل خاص على مجموعات البيانات الكبيرة ذات الميزات عالية الأبعاد باستخدام أشجار القرار المعززة للتدرج المحسن.

أخيرا ، تم استخدام ExtraTrees Classifier من sklearn.ensemble مع n_estimators = 100 و criterion = "gini" كاستراتيجية تقسيم. على عكس الغابة العشوائية ، تقدم Extra Trees مزيدا من العشوائية عن طريق تحديد نقاط القطع بشكل عشوائي ، مما يساعد على تقليل تباين النموذج وتحسين التعميم. تم إجراء المجموعة باستخدام مصنف التراص الخاص ب scikit-learn ، والذي يعزز التعميم من خلال تجميع التنبؤات من المتعلمين الأساسيين. تم تقييم كل نموذج باستخدام مقاييس التصنيف القياسية ، بما في ذلك الدقة والدقة ودرجة F1 وتحليل الأخطاء ومصفوفة الارتباك. تم حساب هذه المقاييس باستخدام وظائف من وحدة sklearn.metrics لضمان مقارنة الأداء الموحدة عبر جميع النماذج.

تم حفظ النموذج الأفضل أداء (بناء على الدقة ودرجة F1) للنشر باستخدام مكتبة Python. dump(model، "best_model.pkl")، لضمان إمكانية إعادة استخدام النموذج المدرب دون الحاجة إلى إعادة التدريب. لمحاكاة تطبيق في العالم الحقيقي ، تم إنشاء مصفوفة إدخال عينة تحتوي على 11 ميزة باستخدام NumPy وتمريرها إلى وظيفة النموذج .predict (). على سبيل المثال ، أعاد متجه الإدخال [[0 ، 1 ، 1،4100000 ، 12200000 ، 8 ، 417 ، 2700000 ، 2200000 ، 8800000 ، 33000000]] تنبؤا ب 1 ، مما يشير إلى الموافقة على القرض. تم إجراء جميع التجارب في بيئة Python 3.10 باستخدام Google Notebook على Kaggle. تم تطوير النموذج وتقييمه باستخدام مكتبات scikit-learn (v1.3) ونموذج تعزيز التدرج ونموذج تعزيز التدرج الفعال. تم توثيق جميع المعلمات الفائقة بشكل صريح ، وتم ذكر الإعدادات الافتراضية بوضوح عند الاقتضاء. اتبعت إجراءات الترميز النهج الذي وصفته Pedregosa وتم تنفيذها في scikit-learn46. تضمن هذه المنهجية الشاملة والشفافة أن البروتوكول التجريبي قابل للتكرار بالكامل ويلتزم بالمعايير الأكاديمية الصارمة في أبحاث التعلم الآلي.

ويبين الشكل 1 هيكل المنهجية المقترحة، بما في ذلك مرحلة قسم ميزة إعداد البيانات، والتدريب على النموذج وتقييمه.

يقدم هذا البحث إطار عمل التعلم الجماعي للتكديس الذي يجمع بين قدرات أربعة مصنفات قوية: نموذج تعزيز التدرج ، و AdaBoost ، ونموذج تعزيز التدرج الفعال ، و Extra Trees للتنبؤ بقرارات الموافقة على القروض بناء على السجلات المالية التاريخية. من خلال الجمع بين استراتيجيات التعزيز والتعبئة داخل بنية النموذج المكدسة46. يتغلب النهج بشكل فعال على أوجه القصور الفردية لهذه النماذج ، مثل التحيز والتباين ، مما يضفي على دقة التنبؤ المعززة وتعميم النموذج. يساهم كل متعلم أساسي بنقاط قوة فريدة من نوعها ، ويتميز نموذج تعزيز التدرج بكفاءة مع المتغير الفئوي ، وهو مصمم للتعامل مع الميزات الفئوية عالية الود ويؤدي داخليا ترميز الهدف باستخدام التعزيز المطلوب47. هذا يتجنب الإفراط في التركيب من خلال ضمان استخدام البيانات السابقة فقط في إحصاءات الحوسبة. في الصيغة

figure-protocol-1,

يمثل كل Ht (X) شجرة قرار مدربة على بقايا النموذج السابق ، ويشير Nt إلى مساهمة التعلم الخاصة بالخطوة. يقوم AdaBoost أو Adaptive Boost بضبط وزن كل مثيل أثناء التدريب ويركز على نقاط البيانات التي تم تصنيفها بشكل خاطئسابقا 48. في الصيغة
figure-protocol-2

يعكس αt أداء المتعلم الضعيف t-th ht (x) ، مع التركيز بشكل أكبر على العينات التي تم تصنيفها بشكل خاطئ سابقا. يشتمل نموذج تعزيز التدرج الفعال على أخذ العينات من جانب واحد (GOSS) المستند إلى التدرج وتجميع الميزات الحصري لأداء أسرع. يوفر تعزيز التدرج الفعال سرعة عالية وأداء عاليين على البيانات واسعة النطاق49.

figure-protocol-3

ft (xi) تمثل شجرة القرار الجديدة المضافة لتقليل الخسارة l (•) بينما Ω (ft) هو مصطلح تنظيم . في المقابل ، تقلل الأشجار الإضافية من التباين عن طريق إضافة العشوائية في تقسيمات شجرة القرار50. يعتمد على مبادئ التعبئة ولكنه يضخ عشوائية إضافية أثناء تقسيم العقدة إلى قاعدة التنبؤ الخاصة به

figure-protocol-4

يحسب متوسط مخرجات M الأشجار العشوائية المدربة بشكل مستقل. لكل تقسيم ، تختار الأشجار الإضافية عتبات عشوائية للميزات وتختار الأفضل بينها ، وبالتالي تقليل التباين وتقديم تنوع عال عبر الأشجار ، مما يحسن التعميم. يتم دمج هذه النماذج بشكل جماعي من خلال مصنف التراص ، والذي يتعلم الجمع بين مخرجاتها على النحو الأمثل لتحديد ما إذا كان يجب الموافقة على القرض. تم تقييم إطار العمل باستخدام مقاييس التصنيف المشتركة واختباره باستخدام عينات المدخلات الحية ، مما يدل على أهميته العملية في بيئات الإقراض الرقمي51. يتم دمج هذه النماذج بشكل جماعي باستخدام مصنف التراص ، والذي يتعلم مزج مخرجاتها بشكل مثالي لتحديد نتائج قبول القروض. تم تقييم أداء النموذج باستخدام مقاييس تصنيف مهمة مثل الدقة والدقة والاستدعاء ودرجة F1 و AUC-ROC ، بالإضافة إلى مصفوفة الارتباك ، لتحديد قدرته على تقليل أخطاء النوع الأول والنوع الثاني. للحفاظ على توازن الفصل ، تم استخدام تقسيم اختبار القطار الطبقي بنسبة 80:20 ، مع التحقق المتبادل بمقدار 5 أضعاف لضمان المتانة وتقليل تباين العينة. علاوة على ذلك ، تم تقييم النموذج بناء على ملفات تعريف واقعية لمقدمي طلبات القروض التي تضمنت معلومات مثل التاريخ الائتماني والدخل وحالة التوظيف ومبلغ القرض ، مما أدى إلى الأحكام الثنائية وتصنيفات الاحتمالات. يوضح هذا الاختبار المكون من مرحلتين فعالية النموذج وعدالته وعمليته في سياقات الإقراض الرقمي في الوقت الفعلي. تكمن حداثة هذا العمل في تصميم المجموعة الهجينة المصممة لتسجيل الائتمان ، مما يجعله نموذجا قويا وقابلا للتفسير وقابلا للتكرار للمنصات المالية الحديثة52 .

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تحليل ارتباط الميزات

أعطت خريطة التمثيل اللوني لارتباط الميزة (الشكل 2) معلومات مفيدة حول العلاقات المتبادلة بين السمات المختلفة. تم العثور على ارتباطات إيجابية قوية بين الدخل ومبلغ القرض السنوي والمتغيرات المتعلقة بالأصول مثل قيمة الأصول الفاخرة وقيمة الأصول المصرفية ، مما يدل على أهمية الملف المالي لمقدم الطلب في تقييم القرض. ومن المثير للاهتمام أن درجة CIBIL كان ...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعمل نموذج مجموعة التراص للتنبؤ بالموافقة على القروض بشكل جيد بشكل استثنائي عبر مقاييس التقييم المختلفة ، مما يدل على دقة وموثوقية كبيرة. وكشفت الخريطة الحرارية للارتباطات أن المؤشرات المالية مثل الدخل السنوي ومبلغ القرض وقيم الأصول مترابطة بقوة ، مما يؤكد أهميتها في تطور القروض ، في حين أن درجات CIBIL لها ارتباط سلبي قوي بحالة القرض ، مما يعزز دورها في تقييم الجدارة الائتمانية. كان لمصفوفة الارتباك الخاصة بالنموذج معدل خطأ منخفض ، حيث اكتشفت بدقة 839 من 854 مثالا مع 15 تصنيفا خاطئا فقط....

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلف عدم وجود تضارب في المصالح فيما يتعلق بهذا البحث.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم هذا البحث من قبل جامعة VIT-AP ، أمارافاتي ، الهند.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
كاجلhttps://www.kaggle.com/
البانداhttps://pandas.pydata.org/
مكتبة النماذجآي بي إمhttps://www.ibm.com

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. European Systemic Risk Board. Reports of the Advisory Scientific Committee. , Elsevier. (2012).
  2. Vives, X. The impact of FinTech on banking. Eur Econ. 2, 97-105 (2017).
  3. Jacobides, M. G., Drexler, M., Rico, J. Rethinking the future of financial services: A structural and evolutionary perspective on regulation. J Financ. , https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3078138 (2014).
  4. Cuadros-Solas, P. J., Cubillas, E., Salvador, C. Does alternative digital lending affect bank performance? Cross-country and bank-level evidence. Int Rev Financ Anal. 90, 102873(2023).
  5. Murinde, V., Rizopoulos, E., Zachariadis, M. The impact of the FinTech revolution on the future of banking: Opportunities and risks. Int Rev Financ Anal. 81, 102103(2022).
  6. Hurani, J., Abdel-haq, M. K., Camdzic, E. FinTech Implementation Challenges in the Palestinian Banking Sector. Int J Financial Stud. 12 (4), 122(2024).
  7. Sumit, A., Jian, Z. FinTech Lending and Payment Innovation: A Review. Asia-Pacific J Financ Stud. 1 (1), 11-15 (2020).
  8. Balyuk, T. FinTech Lending and Bank Credit Access for Consumers. Manage Sci. 69 (1), 555-575 (2023).
  9. Novaliando, M. A., Purwokerto, U. M. Legal Protection of Consumer Personal Data in the Case of Fintech Peer to Peer Lending. Proc Series Soc Sci Humanities. 14, 118-124 (2023).
  10. Huang, R. H. Online P2P Lending and Regulatory Responses in China Opportunities and Challenges. Eur Bus Organ Law Rev. 19 (1), 63-92 (2018).
  11. Puschmann, T. Fintech. Bus Inf Syst Eng. 59 (1), 69-76 (2017).
  12. Ebirim, G. U., Odonkor, B. Enhancing Global Economic Inclusion With Fintech Innovations and Accessibility. Financ Account Res J. 6 (4), 648-673 (2024).
  13. Sanyaolu, T. O., Adeleke, A. G., Azubuko, A. F., Osundare, O. F. Exploring fintech innovations and their potential to transform the future of financial services and banking. Int J Sch Res Sci Technol. 5 (1), 054-072 (2024).
  14. Omowole, B. M., Urefe, O., Mokogwu, C., Ewim, S. E. Integrating fintech and innovation in microfinance Transforming credit accessibility for small businesses Integrating fintech and innovation in microfinance Transforming credit accessibility for small businesses. Eur J Innov Manag. 27 (9), 562-581 (2024).
  15. Umavezi, J. U. Innovations in Lending-Focused FinTech Leveraging AI to Transform Credit Accessibility and Risk Assessment. IJCATR. 14 (1), 46-61 (2025).
  16. Leo, M., Sharma, S., Maddulety, K. Machine learning in banking risk management: A literature review. Risks. 7 (1), 2319-8656 (2019).
  17. Bazarbash, M. FinTech in Financial Inclusion: Machine Learning Applications in Assessing Credit Risk. IMF Work Pap. 2019 (109), 1(2019).
  18. Berg, T., Burg, V., Gombovi, A., Puri, M. On the Rise of the Fintech. Rev Financ Studies. 33 (7), 2845-2897 (2020).
  19. Gomber, P., Kauffman, R. J., Parker, C., Weber, B. W. On the Fintech Revolution Interpreting the Forces of Innovation , Disruption and Transformation in Financial Services. J Manag Informat Syst. 35 (1), 220-265 (2018).
  20. Anakpo, G., Xhate, Z., Mishi, S. The Policies, Practices, and Challenges of Digital Financial Inclusion for Sustainable Development The Case of the Developing Economy. FinTech. 2 (2), 327-343 (2023).
  21. Digital Lending High Level System Architecture in Indonesia. Sarungu, C. M. 2020 1st Int Conf Informat Technol Adv Mech Elect Eng, , 159-164 (2020).
  22. Allioui, H., Mourdi, Y. Exploring the Full Potentials of IoT for Better Financial Growth and Stability: A Comprehensive Survey. Sensors. 23 (19), 8015(2023).
  23. Fintech future business & Cyber vulnerabilities and challenges. Venkata, T., Rao, V. 2023 IEEE 8th Int. Conf. Softw. Eng. Comput. Syst, , 1-4 (2023).
  24. Flores, A. M., He, M., Wu, W., Munyaka, I. N. S. A License to Prey Investigating the Impact of Digital Loan App Regulations on Permission Requests and Privacy Policies in the Kenyan Market. 2024 IEEE Int Symp Technol Soc. , 1-5 (2024).
  25. Peng, H., Ji, J., Sun, H., Xu, H. Legal enforcement and fintech credit: International evidence. J Empir Financ. 72, 214-231 (2023).
  26. Suryono, R. R., Budi, I., Purwandari, B. Detection of fintech P2P lending issues in Indonesia. Heliyon. 7 (4), e06782(2021).
  27. Chen, D., Lai, F., Lin, Z. A trust model for online peer-to-peer lending a lender ' s perspective. Info Techno Manag. 15 (4), 239-254 (2014).
  28. Migozzi, J., Urban, M., Wójcik, D. You should do what India does': FinTech ecosystems in India reshaping the geography of finance. Geoforum. 151, 2023(2024).
  29. Asamani, A., Majumdar, J. An Empirical Study of Digital Lending in India and the Variables Associated with its Adoption. Administration Review. 21 (3), 1-13 (2024).
  30. Mark, T. Digital Lending in Emerging Economies: the Nexus Between Financial Innovation and Consumer Protection. Am. J. Financ. Account. 7 (1), 145-168 (2023).
  31. Imanuddin, I., Dewi Anggraeni, R. R., Fridayani, S. Construction of Consumer Protection Against Illegal Online Loan Transactions As a Means of IUS Constituendum in Indonesia. J IUS Kaji Huk dan Keadilan. 11 (3), 539-556 (2023).
  32. Katsamakas, E., Sanchez-Cartas, J. M. A computational model of the effects of borrower default on the stability of P2P lending platforms. Eurasian Econ Rev. 14 (3), 597-618 (2024).
  33. Li, H., Zhang, Y., Zhang, N., Jia, H. Detecting the Abnormal Lenders from P2P Lending Data. Procedia Comput Sci. 91, 357-361 (2016).
  34. Bao, T., Ding, Y., Gopal, R., Möhlmann, M. Throwing Good Money After Bad: Risk Mitigation Strategies in the P2P Lending Platforms. Inf Syst Front. 26 (4), 1453-1473 (2024).
  35. Mudjahidin, A. A., Hidayat,, Aristio, A. P. Conceptual model of use behavior for peer-to-peer lending in Indonesia. Procedia Comput Sci. 197 (2021), 215-222 (2021).
  36. Identifying Features for Detecting Fraudulent Loan Requests on P2P Platforms. Xu, J., Chen, D., Chau, M. 2016 IEEE Conf Intell Secur Informatics, , 79-84 (2016).
  37. Research on Personal Loan Default Assessment Based on Machine Learning. Liu, G. ITM Web of Conferences, 01012, 1-14 (2025).
  38. An application of Naive Bayes classification for credit scoring in e-lending platform. Vedala, R., Kumar, B. R. Proc 2012 Int Conf Data Sci Eng. ICDSE 2012, , 81-84 (2012).
  39. Li, Z., Li, K., Yao, X., Wen, Q. Predicting Prepayment and Default Risks of Unsecured Consumer Loans in Online Lending. Emerg Mark Financ Trade. 55 (1), 118-132 (2019).
  40. Ko, P. C., Lin, H., Do, T., Huang, Y. F. P2P Lending Default Prediction Based on AI and Statistical Models. Entropy. 24 (6), 1-23 (2022).
  41. Loan Fraud Users Detection in Online Lending Leveraging Multiple Data Views. Zhao, S., et al. Proc 37th AAAI Conf Artif Intell AAAI 2023, 37, 5428-5436 (2023).
  42. Fu, G., Sun, M., Xu, Q. An Alternative Credit Scoring System in China's Consumer Lending Market: A System Based on Digital Footprint Data. SSRN Electron J. , 1-51 (2020).
  43. Pang, S., Deng, C., Chen, S. System Dynamics Models of Online Lending Platform Based on Vensim Simulation Technology and Analysis of Interest Rate Evolution Trend. Comput Intell Neurosci. 2022, 9776138(2022).
  44. Tu, Y., Yan, X., Wang, H. Game Theory Analysis of Chinese DC/EP Loan and Internet Loan Models in the Context of Regulatory Goals. Sustain. 15 (9), 1-15 (2023).
  45. Von Solms, J. Integrating Regulatory Technology ( RegTech ) into the digital transformation of a bank Treasury. J Bank Regul. 22 (2), 152-168 (2021).
  46. Barupal, D. K., Fiehn, O. Generating the blood exposome database using a comprehensive text mining and database fusion approach. Environ Health Perspect. 127 (9), 2825-2830 (2019).
  47. Wolpert, D. H. Stacked generalization. Neur Netw. 5 (2), 2941-2259 (1992).
  48. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., Gulin, A. Catboost: Unbiased boosting with categorical features. Adv Neural Inf Process Syst. , 6638-6648 (2018).
  49. Freund, Y., Schapire, R. E. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. J Comput Syst Sci. 55 (1), 119-139 (1997).
  50. LightGBM: An effective decision tree gradient boosting method to predict customer loyalty in the finance industry. Machado, M. R., Karray, S., De Sousa, I. T. 14th Int Conf Comput Sci Educ ICCSE, , 1111-1116 (2019).
  51. Geurts, P., Ernst, D., Wehenkel, L. Extremely randomized trees. Mach Learn. 63 (1), 3-42 (2006).
  52. Sagi, O., Rokach, L. Ensemble learning: A survey. Wiley Interdiscip Rev Data Min Knowl Discov. 8 (4), 1-18 (2018).
  53. Khandani, A. E., Kim, A. J., Lo, A. W. Consumer credit-risk models via machine-learning algorithms. J Bank Financ. 34 (11), 2767-2787 (2010).
  54. Chen, Y. From Statistical Interpretations to Explainable AI in Machine Learning Enhancing Decision-Making in the Lending Industry. , Doctor of Philosophy, The University of Edinburgh. (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Stacking EnsembleLoan Approval PredictionMachine Learning TechniquesDigital LendingPeer To Peer LendingAlgorithmic Risk AssessmentGradient BoostingXGBoost ModelCredit ScoringFinancial Inclusion

Related Articles