Credit Risk Assessment and Credit Strategy Model Based on Gradient Descent Decision Tree Algorithm and Nonlinear Programming

Abstract

Small and medium-sized enterprises (SMEs) play a crucial role in economic development, driving innovation, employment, and economic growth. However, due to their relatively small scale, limited capital accumulation, and lack of sufficient collateral, SMEs often face significant challenges in accessing financing. Financial institutions encounter difficulties in accurately assessing credit risk and designing optimal credit strategies when extending loans to SMEs. Traditional credit decision-making approaches typically rely on financial indicators and rule-based judgments, failing to fully leverage transaction data and supply chain relationships, thereby reducing the efficiency of credit resource allocation. This research aims to develop a credit risk assessment and credit strategy optimization model based on the Gradient Descent Decision Tree (GDDT) algorithm and nonlinear programming. By incorporating machine learning techniques, the proposed model captures non-linear and complex relationships within credit data, enhancing the accuracy of credit risk evaluation. Simultaneously, optimizing credit strategies through nonlinear programming ensures a more rational allocation of credit resources, balancing risk control with profit maximization. This study provides technical support for financial institutions, advancing intelligent credit decision-making, enhancing SMEs' financing capabilities, and contributing to sustainable economic development.

For objective one, this study determines the risk evaluation index system for small and medium-sized enterprises with a history of credit risk, and select appropriate models to quantify the risks of these enterprises. The company's credit risk will be quantified by the entropy weight method and TOPSIS model, and specific calculation steps will be used. Through the mining and cleaning of original data, eleven risk assessment indicators are obtained, namely total input price and tax, total sales price and tax, total valid invoices, monthly input amount coefficient of variation, monthly sales amount coefficient of variation, number of upstream enterprises, number of downstream enterprises, total profit, operation time, percentage of valid invoices, and credit rating. This study adopts the entropy weight method based on data-driven weight calculation method to assign weights. The weights of the above eleven indicators are 0.3078, 0.1819, 0.0011, 0.0018, 0.0058, 0.1017, 0.0023, 0.0939, 0.1679, 0.1110, and 0.0248 respectively. After obtaining the weights, TOPSIS method is used to quantify the credit risk of each enterprise. Then, the research compares the results of enterprise quantified risk with the credit rating provided by the original data to facilitate verification of the rationality and accuracy of the model. The changing trends of the two variables are basically the same, and the degree of fit is very high, which shows that the credit risk calculated in this paper is very accurate and the credit strategy can be analyzed based on this data.

For objective two, Based on the evaluation indicators determined in the previous research, this research improves the traditional decision tree algorithm by adding a regularization function to solve the overfitting problem of the algorithm. It establishes a credit risk assessment model with the default probability of the enterprise as the dependent variable, and then predicts the probability value of the enterprise's default. From the simulation results, the AUC value of the area under the ROC curve of Gradient Descent Decision Tree Algorithm reaches 0.99. At the same time, the AUC value of the AdaBoost algorithm is 0.97, and the AUC value of the traditional decision tree algorithm is 0.82, and The Gradient Descent Decision Tree Algorithm works well. Next, this study will use the Gradient Descent Decision Tree Algorithm to calculate the default probability of 302 companies without credit records. Finally, Using nonlinear programming model to formulate credit strategies for 302 enterprises without credit records.

For objective three, Considering that the production, operation and economic benefits of enterprises may be affected by unexpected factors, such as the COVID-19 epidemic, we have comprehensively considered the credit risks of different industries and enterprise categories and their response strategies to ensure that banks can flexibly adjust credit policies in different situations and reduce potential risks. In the end, the bank's total loan amount was 100 million yuan, and the expected return was 5.4004 million yuan. Compared with normal circumstances, considering that the total loan amount of the bank's loan strategy after the policy subsidy did not change, the expected return on the loan was reduced by 1.3502 million yuan. However, this adjustment strategy can help many small and medium-sized enterprises in dire straits to overcome difficulties. It reflects the bank's great sense of responsibility and social responsibility, has produced huge social benefits, and further improved the bank's reputation and customer retention rate. From this perspective, this strategic adjustment has a positive impact.

วิสาหกิจขนาดกลางและขนาดย่อม (SMEs) มีบทบาทสำคัญในการพัฒนาเศรษฐกิจ ขับเคลื่อนการสร้างสรรค์นวัตกรรม การจ้างงาน และการเติบโตทางเศรษฐกิจ อย่างไรก็ตาม เนื่องจากวิสาหกิจขนาดกลางและขนาดย่อมมีขนาดค่อนข้างเล็ก มีการสะสมทุนจำกัด และขาดหลักประกันเพียงพอ วิสาหกิจขนาดกลางและขนาดย่อมจึงมักเผชิญกับความท้าทายที่สำคัญในการเข้าถึงแหล่งเงินทุน สถาบันการเงินประสบปัญหาในการประเมินความเสี่ยงด้านสินเชื่ออย่างแม่นยำและออกแบบกลยุทธ์ด้านสินเชื่อที่เหมาะสมที่สุดเมื่อให้สินเชื่อแก่วิสาหกิจขนาดกลางและขนาดย่อม แนวทางการตัดสินใจด้านสินเชื่อแบบดั้งเดิมมักอาศัยตัวชี้วัดทางการเงินและการตัดสินใจตามกฎเกณฑ์ ซึ่งไม่สามารถใช้ประโยชน์จากข้อมูลธุรกรรมและความสัมพันธ์ในห่วงโซ่อุปทานได้อย่างเต็มที่ จึงลดประสิทธิภาพในการจัดสรรทรัพยากรสินเชื่อลง งานวิจัยนี้มุ่งหวังที่จะพัฒนาแบบจำลองการประเมินความเสี่ยงด้านสินเชื่อและการปรับปรุงกลยุทธ์ด้านสินเชื่อโดยอิงตามอัลกอริทึมต้นไม้การตัดสินใจแบบไล่ระดับ (Gradient Descent Decision Tree หรือ GDDT) และการเขียนโปรแกรมแบบไม่เชิงเส้น โดยการนำเทคนิคการเรียนรู้ของเครื่องจักรมาใช้ แบบจำลองที่เสนอจะจับความสัมพันธ์ที่ไม่เป็นเชิงเส้นและซับซ้อนภายในข้อมูลสินเชื่อ ช่วยเพิ่มความแม่นยำในการประเมินความเสี่ยงด้านสินเชื่อ พร้อมกันนี้ การปรับปรุงกลยุทธ์ด้านสินเชื่อให้เหมาะสมผ่านการเขียนโปรแกรมแบบไม่เชิงเส้นจะช่วยให้จัดสรรทรัพยากรสินเชื่อได้อย่างมีเหตุผลมากขึ้น โดยรักษาสมดุลระหว่างการควบคุมความเสี่ยงกับการเพิ่มผลกำไรสูงสุด การศึกษานี้ให้การสนับสนุนทางเทคนิคแก่สถาบันการเงิน ส่งเสริมการตัดสินใจด้านสินเชื่ออย่างชาญฉลาด เพิ่มศักยภาพด้านการเงินของ SMEs และสนับสนุนการพัฒนาเศรษฐกิจอย่างยั่งยืน สำหรับวัตถุประสงค์ที่หนึ่ง การศึกษานี้จะกำหนดระบบดัชนีการประเมินความเสี่ยงสำหรับวิสาหกิจขนาดกลางและขนาดย่อมที่มีประวัติความเสี่ยงด้านสินเชื่อ และเลือกแบบจำลองที่เหมาะสมเพื่อวัดปริมาณความเสี่ยงของวิสาหกิจเหล่านี้ ความเสี่ยงด้านสินเชื่อของบริษัทจะถูกวัดปริมาณโดยใช้วิธีน้ำหนักเอนโทรปีและแบบจำลอง TOPSIS และจะใช้ขั้นตอนการคำนวณเฉพาะเจาะจง จากการขุดและทำความสะอาดข้อมูลเดิม จะได้รับตัวบ่งชี้การประเมินความเสี่ยง 11 ตัว ได้แก่ ราคาและภาษีปัจจัยการผลิตทั้งหมด ราคาขายและภาษีทั้งหมด ใบแจ้งหนี้ที่ถูกต้องทั้งหมด ค่าสัมประสิทธิ์ความแปรปรวนของปริมาณปัจจัยการผลิตรายเดือน ค่าสัมประสิทธิ์ความแปรปรวนของยอดขายรายเดือน จำนวนวิสาหกิจต้นน้ำ จำนวนวิสาหกิจปลายน้ำ กำไรทั้งหมด เวลาดำเนินการ เปอร์เซ็นต์ของใบแจ้งหนี้ที่ถูกต้อง และอันดับเครดิต การศึกษานี้ใช้วิธีการน้ำหนักเอนโทรปีซึ่งอิงตามวิธีการคำนวณน้ำหนักที่ขับเคลื่อนด้วยข้อมูลเพื่อกำหนดน้ำหนัก ค่าถ่วงน้ำหนักของตัวบ่งชี้ทั้ง 11 ตัวข้างต้นคือ 0.3078, 0.1819, 0.0011, 0.0018, 0.0058, 0.1017, 0.0023, 0.0939, 0.1679, 0.1110 และ 0.0248 ตามลำดับ หลังจากได้ค่าถ่วงน้ำหนักแล้ว วิธี TOPSIS จะใช้ในการวัดปริมาณความเสี่ยงด้านสินเชื่อของแต่ละองค์กร จากนั้น การวิจัยจะเปรียบเทียบผลลัพธ์ของความเสี่ยงเชิงปริมาณขององค์กรกับเรตติ้งสินเชื่อที่ได้จากข้อมูลเดิม เพื่อให้สามารถยืนยันความสมเหตุสมผลและความถูกต้องของแบบจำลองได้ง่ายขึ้น แนวโน้มการเปลี่ยนแปลงของตัวแปรทั้งสองนั้นโดยพื้นฐานแล้วเหมือนกัน และมีระดับความเหมาะสมสูงมาก ซึ่งแสดงให้เห็นว่าความเสี่ยงด้านสินเชื่อที่คำนวณได้ในเอกสารนี้มีความแม่นยำมาก และสามารถวิเคราะห์กลยุทธ์ด้านสินเชื่อได้โดยอาศัยข้อมูลนี้

สำหรับวัตถุประสงค์ที่สอง จากตัวบ่งชี้การประเมินที่กำหนดไว้ในการวิจัยก่อนหน้านี้ การวิจัยนี้ปรับปรุงอัลกอริทึมต้นไม้การตัดสินใจแบบดั้งเดิมโดยเพิ่มฟังก์ชันการปรับมาตรฐานเพื่อแก้ปัญหาการโอเวอร์ฟิตติ้งของอัลกอริทึม โดยสร้างแบบจำลองการประเมินความเสี่ยงด้านสินเชื่อโดยใช้ความน่าจะเป็นเริ่มต้นขององค์กรเป็นตัวแปรตาม จากนั้นจึงทำนายค่าความน่าจะเป็นของการผิดนัดขององค์กร จากผลการจำลอง ค่า AUC ของพื้นที่ใต้เส้นโค้ง ROC ของอัลกอริทึมต้นไม้การตัดสินใจแบบไล่ระดับความชันจะถึง 0.99 ในขณะเดียวกัน ค่า AUC ของอัลกอริทึมต้นไม้การตัดสินใจแบบไล่ระดับความชันคือ 0.97 และค่า AUC ของอัลกอริทึมต้นไม้การตัดสินใจแบบดั้งเดิมคือ 0.82 และอัลกอริทึมต้นไม้การตัดสินใจแบบไล่ระดับความชันก็ทำงานได้ดี ต่อไปนี้ การศึกษาจะใช้อัลกอริทึมต้นไม้การตัดสินใจแบบไล่ระดับความชันเพื่อคำนวณความน่าจะเป็นเริ่มต้นของบริษัท 302 แห่งที่ไม่มีประวัติเครดิต สุดท้าย ใช้แบบจำลองการเขียนโปรแกรมแบบไม่เชิงเส้นเพื่อกำหนดกลยุทธ์สินเชื่อสำหรับบริษัท 302 แห่งที่ไม่มีประวัติเครดิต สำหรับวัตถุประสงค์ที่สาม เมื่อพิจารณาว่าการผลิต การดำเนินงาน และผลประโยชน์ทางเศรษฐกิจขององค์กรอาจได้รับผลกระทบจากปัจจัยที่ไม่คาดคิด เช่น การแพร่ระบาดของ COVID-19 เราได้พิจารณาความเสี่ยงด้านสินเชื่อของอุตสาหกรรมและประเภทองค์กรต่างๆ อย่างครอบคลุม รวมถึงกลยุทธ์การตอบสนองของพวกเขา เพื่อให้แน่ใจว่าธนาคารสามารถปรับนโยบายสินเชื่อได้อย่างยืดหยุ่นในสถานการณ์ต่างๆ และลดความเสี่ยงที่อาจเกิดขึ้นได้ ในท้ายที่สุด ยอดเงินกู้ทั้งหมดของธนาคารอยู่ที่ 100 ล้านหยวน และผลตอบแทนที่คาดหวังอยู่ที่ 5.4004 ล้านหยวน เมื่อเปรียบเทียบกับสถานการณ์ปกติ เมื่อพิจารณาว่ายอดเงินกู้ทั้งหมดของกลยุทธ์สินเชื่อของธนาคารหลังจากเงินอุดหนุนนโยบายไม่เปลี่ยนแปลง ผลตอบแทนที่คาดหวังจากเงินกู้ลดลง 1.3502 ล้านหยวน อย่างไรก็ตาม กลยุทธ์การปรับตัวนี้สามารถช่วยให้วิสาหกิจขนาดกลางและขนาดย่อมจำนวนมากที่อยู่ในภาวะคับขันเอาชนะความยากลำบากได้ สะท้อนให้เห็นถึงความรับผิดชอบอันยิ่งใหญ่และความรับผิดชอบต่อสังคมของธนาคาร