Mô hình điểm lợi nhuận với máy học trong xếp hạng thẻ tín dụng

Abstract

Thuật toán Máy học ngày càng được áp dụng nhiều trong lĩnh vực ngân hàng, đặc biệt là trong việc phê duyệt thẻ tín dụng. Mặc dù sản phẩm thẻ tín dụng đóng góp đáng kể vào thu nhập ngân hàng bán lẻ, không giống như các khoản vay có kỳ hạn, thẻ tín dụng không thể ước tính chính xác chi phí và lợi nhuận mà không dựa vào các tình huống cụ thể của khách hàng. Vì khách hàng có quyền tận dụng nguồn vốn ngân hàng nhưng không cam kết sử dụng bất kỳ dịch vụ có trả phí nào, ngân hàng có thể chịu lỗ do các thỏa thuận mở với khách hàng của mình. Hơn nữa, các quy trình phê duyệt hiện tại chỉ tập trung vào rủi ro thay vì lợi nhuận. Luận văn này nhằm phát triển một mô hình phê duyệt thẻ tín dụng dựa trên lợi nhuận của khách hàng (mô hình điểm lợi nhuận) thay vì rủi ro vỡ nợ. Sử dụng các mô hình Máy học như XGBoost và Random Forest dựa dự đoán hành vi chi tiêu và thanh toán thẻ của khách hàng để chấm điểm khả năng đóng góp lợi nhuận đến ngân hàng. Mô hình này ban đầu được so sánh với nhau và sau đó so sánh với các mô hình rủi ro truyền thống để đánh giá tác động của nó đối với danh mục thẻ tín dụng. Kết quả của nghiên cứu cho thấy, XGBoost vượt trội hơn Random Forest và mô hình chấm điểm tín dụng dựa trên lợi nhuận sử dụng XGBoost cho thấy một nhóm tiềm năng giữa hai góc nhìn rủi ro và lợi nhuận là từ nhóm điểm lợi nhuận từ 85 - 100