$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
As inovações em empréstimos digitais e fintechs derrubaram os sistemas bancários estabelecidos, mudando a inclusão financeira e a disponibilidade de crédito em países ao redor do mundo. Este estudo examina como as plataformas de empréstimo peer-to-peer (P2P) e digital estão mudando, enfatizando como tecnologias como inteligência artificial e aprendizado de máquina estão mudando a forma como os empréstimos são aprovados. Um estudo minucioso da literatura destaca as oportunidades e problemas no ecossistema de empréstimos digitais, como avaliação de risco algorítmica, confiança do cliente, exclusão financeira e brechas regulatórias. Este artigo sugere uma forte abordagem de aprendizado de máquina que usa um modelo de conjunto de empilhamento para prever com precisão as aprovações de empréstimos a fim de resolver esses problemas. Os dados foram pré-processados usando particionamento de teste de treinamento, análise exploratória e codificação de rótulos usando um conjunto de dados Kaggle acessível publicamente que incluía dados demográficos, características financeiras e históricos de crédito dos candidatos. Com o XGBoost servindo como meta-aprendiz, o conjunto incorpora os classificadores Gradient Boosting Model, Efficient Gradient Boosting, AdaBoost e Extra Trees como aprendizes básicos. Com uma precisão de 98%, o modelo foi avaliado usando medidas que incluem exatidão, precisão, recall, pontuação F1 e métricas de erro (MAE- Erro Absoluto Médio, MSE- Erro Quadrático Médio e RMSE- Erro Quadrático Médio Raiz). De acordo com estudos de correlação, fatores como ativos, renda e pontuações CIBIL têm um impacto significativo nas aprovações de empréstimos. Superando os métodos convencionais, o modelo mostrou equilíbrio e generalização em ambas as classes. A utilidade desses modelos para determinações de crédito automatizadas e orientadas por dados é enfatizada na conclusão do artigo.