Predicting Loan Default on Peer-to-Peer (P2P) Lending Platforms using Machine Learning Techniques

Abstract

Loan default on peer-to-peer (P2P) lending platforms significantly impacts that affects both lenders, borrowers and market stability. Borrowers who get access to credit easily may face excessive debt beyond their repayment capacity. Therefore, accurately predicting loan default is essential for effective financial risk management. This study develops a loan default prediction model on P2P lending platforms using machine learning techniques along with fundamental factors analysis and macroeconomic factors influencing default. The data used in this research were obtained from the Bondora platform, containing loan information from borrowers who either defaulted or did not default between February 2009 and January 2024, comprises 358,092 records and 112 variables. Macroeconomic data were sourced from the World Economic Outlook (WEO). The study discovered that the key fundamental factors contributing to loan default include the interest rate, total income, and monthly payments. Macroeconomic factors include GDP per capita, inflation rate, unemployment rate, and population. Results indicate that the Random Forest and XGBoost algorithms provide the highest prediction accuracy, especially when integrating macroeconomic variables This study also highlights the importance of addressing imbalanced data and feature selection in enhancing model performance.

การผิดนัดชำระหนี้บนแพลตฟอร์มสินเชื่อออนไลน์ระหว่างบุคคล (P2P) เป็นปัญหาที่ส่งผลกระทบต่อทั้งผู้ให้กู้และผู้กู้ อีกทั้งยังส่งผลต่อเสถียรภาพของตลาดสินเชื่อออนไลน์ ผู้กู้ที่เข้าถึงสินเชื่อได้ง่ายเกินไปอาจเผชิญกับภาระหนี้เกินกว่าที่จะชำระได้ การพยากรณ์การผิดนัดชำระหนี้จึงมีความสำคัญการบริหารความเสี่ยงทางการเงิน งานวิจัยนี้ได้นำเสนอการพัฒนาแบบจำลองการพยากรณ์การผิดนัดชำระหนี้บนแพลตฟอร์มสินเชื่อออนไลน์ระหว่างบุคคล โดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) ร่วมกับการวิเคราะห์ปัจจัยพื้นฐาน และปัจจัยเศรษฐศาสตร์มหภาคที่มีผลต่อการผิดนัดชำระหนี้ ข้อมูลที่ใช้ในการวิจัยได้มาจากแพลตฟอร์ม Bondora ประกอบด้วยข้อมูลสินเชื่อของกลุ่มผู้กู้ที่มีและไม่มีการผิดนัดชำระหนี้ในช่วงเดือนกุมภาพันธ์ พ.ศ. 2552 ถึงมกราคม พ.ศ. 2567 มีจำนวนข้อมูลทั้งหมด 358,092 รายการ 112 ตัวแปร และข้อมูลด้านเศรษฐศาสตร์มหภาคจาก World Economic Outlook (WEO) ผลการศึกษาพบว่าปัจจัยพื้นฐานที่สำคัญที่นำไปสู่การผิดนัดชำระหนี้ ได้แก่ อัตราดอกเบี้ยสูงสุดที่ยอมรับได้, รายได้รวม และจำนวนเงินโดยประมาณที่ต้องชำระรายเดือน ปัจจัยด้านเศรษฐศาสตร์มหภาคที่สำคัญ ได้แก่ ผลิตภัณฑ์มวลรวมในประเทศต่อหัว, อัตราเงินเฟ้อ, อัตราการว่างงาน และจำนวนประชากร ผลการวิจัยแสดงให้เห็นว่าอัลกอริทึม Random Forest และ XGBoost มีประสิทธิภาพสูงสุดในการพยากรณ์ โดยเฉพาะอย่างยิ่งเมื่อรวมตัวแปรเศรษฐศาสตร์มหภาคเข้ากับตัวแปรพื้นฐาน การศึกษานี้ยังชี้ให้เห็นถึงความสำคัญของการจัดการข้อมูลไม่สมดุล และการคัดเลือกคุณลักษณะในการเพิ่มประสิทธิภาพของแบบจำลอง