Ứng dụng mô hình stacking kết hợp smote và tối ưu hóa Bayesian đánh giá rủi ro tín dụng

Abstract

Dự đoán rủi ro tín dụng là nhiệm vụ quan trọng đối với các tổ chức tài chính nhằm giảm thiểu nguy cơ vỡ nợ và tối ưu hóa quyết định cho vay. Trong bối cảnh sự phát triển nhanh chóng của các kỹ thuật học máy, nhiều phương pháp phân loại đã được phát triển để cải thiện khả năng dự đoán rủi ro tín dụng. Nghiên cứu này áp dụng mô hình stacking để đánh giá rủi ro tín dụng, kết hợp dự đoán từ nhiều mô hình học máy khác nhau, bao gồm XGBoost, Random Forest, và CatBoost. Một mô hình meta, hồi quy logistic, được sử dụng để tối ưu hóa dự đoán từ các mô hình cơ sở để đưa ra dự đoán. Dữ liệu được xử lý bằng kỹ thuật SMOTE để cân bằng và các siêu tham số của các mô hình cơ sở được tối ưu hóa thông qua phương pháp tối ưu hóa Bayesian. Kết quả cho thấy mô hình stacking đạt được độ chính xác 95,50 % và chỉ số ROC-AUC đạt 98,15 %, chứng tỏ độ tin cậy cao của các dự đoán. Kết quả này cung cấp về khả năng ứng dụng của các mô hình học máy trong việc đánh giá rủi ro tín dụng, hỗ trợ các tổ chức tài chính trong việc ra quyết định cấp tín dụng cho cá nhân.