LuanVan.vnLuận Văn
Gửi thư

Predicting Non-Performing Loans using machine learning techniques: A case study of F88

Khoá luận tốt nghiệp · Đại học · năm 2023 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảĐỗ Anh Luyện
Người hướng dẫnTran Thi Oanh
Cơ sở đào tạoĐại học Quốc gia Hà Nội
Năm2023
NguồnThư viện số Đại học Quốc gia Hà Nội · trang gốc

Tóm tắt

Non-Performing Loans (NPL) occurs when the loan cannot be returned at a predetermined time. According to F88 regulations, bad debt is classified based on 90 days of overdue debt. This amount of NPL has an impact on organization losses. This study aims to create a predictive model for new customer using 22 attributes as the characteristics of customers. Prediction results are classified as NPL (Bad) or performing loan (Good). The NPL prediction used 83732 customers' data from 2019 - 2022. The result of this study can be used as a management tool in analyzing loan applications from prospective customers. The benefit is to suppress the growth of customers in the NPL category, automate decision – making process, reduce risk and diligence reporting costs. Because I’m facing very imbalanced data, several methods will be used such as: Over-sampling and Undersampling to handle it. In the modeling phase, the comparison was carried out using both machine learning and reinforcement learning algorithms, Deep Q-Learning, Logistic Regression, Decision Tree, Random Forest, Support Vector Machine, LightGBM and XGBoost. The predictive model used the Deep Q-Learning as it outperforms single classifier algorithms and can handle imbalanced datasets. And finally, a project will deploy to production by Streamlit API.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.