$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
הלוואות דיגיטליות וחידושים בתחום הפינטק הפכו את מערכות הבנקאות המבוססות, ושינו את ההכללה הפיננסית ואת זמינות האשראי במדינות ברחבי העולם. מחקר זה בוחן כיצד פלטפורמות עמית לעמית (P2P) והלוואות דיגיטליות משתנות, תוך שימת דגש על האופן שבו טכנולוגיות כמו בינה מלאכותית ולמידת מכונה משנות את אופן אישור ההלוואות. מחקר מעמיק של הספרות מדגיש את ההזדמנויות והבעיות במערכת האקולוגית של ההלוואות הדיגיטליות, כגון הערכת סיכונים אלגוריתמית, אמון לקוחות, הדרה פיננסית ופרצות רגולטוריות. מאמר זה מציע גישה חזקה של למידת מכונה המשתמשת במודל אנסמבל ערימה כדי לחזות במדויק אישורי הלוואות על מנת לטפל בבעיות אלה. הנתונים עובדו מראש באמצעות חלוקת מבחני רכבת, ניתוח גישוש וקידוד תוויות באמצעות מערך נתונים נגיש לציבור של Kaggle שכלל נתונים דמוגרפיים של המועמדים, מאפיינים פיננסיים והיסטוריית אשראי. כאשר XGBoost משמש כמטא-לומד, האנסמבל משלב את מודל הגברת השיפוע, הגברת שיפוע יעילה, AdaBoost ומסווגים של עצים נוספים כלומדים בסיסיים. עם דיוק של 98%, המודל הוערך באמצעות מדדים הכוללים דיוק, דיוק, זיכרון, ציון F1 ומדדי שגיאה (MAE- שגיאה מוחלטת ממוצעת, MSE- שגיאה ממוצעת בריבוע ו- RMSE- שגיאה ממוצעת ריבועית שורש). על פי מחקרי מתאם, לגורמים הכוללים נכסים, הכנסה וציוני CIBIL יש השפעה משמעותית על אישורי הלוואות. המודל עלה על שיטות קונבנציונליות, והראה איזון והכללה בשתי המחלקות. התועלת של מודלים אלה לקביעות אשראי אוטומטיות ומבוססות נתונים מודגשת בסיכום המאמר.