Methods of a decision support system for investment in peer to peer lending network

Abstract

At present, FinTech technology has started to create financial innovations for Thailand, making transactions via online channels easier and faster. One financial innovation getting attention is the P2P lending platform that will replace traditional borrowing. All these processes are carried out on all online platforms and act as an online credit market where credit contract transactions between borrowers and investors can meet directly. This new economic lending model presents unique challenges in making effective investment decisions. The researchers note a significant problem with the risk of default in P2P lending platforms. The researcher sought to study a sound decision support system for risk assessment based on the above issues. This research aims to examine the methods of decision support systems for investing in P2P lending networks. This research is quantitative. The researchers selected data from Prosper Marketplace, Inc. for data analysis. Additionally, the researchers chose to use the Bipartite Graph Theory to explain the behavior of P2P borrowing and the weighted average equation to calculate the level of investor confidence. To estimate the probability of payment of all new loans is then applied to the next step of analyzing the results for platform performance. A study was conducted to analyze the decision support system model for repayment confidence. For this paper, the researchers wanted to increase the trend of higher payback confidence as a strategy to support the P2P lending platform. Four decision models were compared: Linear regression, Logistic regression, Bayesian regression, and Support Vector Machines. The results showed that the decision model of the Support Vector Machine model tended to have a higher confidence rate than other models. In terms of strategy, it can attract investors to make investment decisions through P2P lending platforms. The remaining three models were close to the actual average in terms of efficiency and stability. These sentiment trends can help investors make the best investment decisions to support them before investment decisions. Implication of the Thematic Paper: The main implication of this study is to explain how the Bipartite Graph Theory can well explain P2P lending algorithms for matching between investors and borrowers. It can be used as an analytical tool to guide investors in making effective investment decisions for both investors and borrowers. The study then found a model that best supports decision-making to explain strategic repayment. Other future borrowing approaches may be proposed using the Blockchain platform for credit scoring decisions in conjunction with Bipartite Graph Theory. This allows for further improvements applied to the P2P lending platforms to be reliably verified. In the real world, it also increases the monitoring of P2P lending algorithms by considering the Multi-Objective Evolutionary Algorithm (MOEA), as the efficacy of MOEAs has been confirmed in several issues.

ในปัจจุบันเทคโนโลยี ฟินเทค ได้เริ่มเข้ามาสร้างนวัตกรรมทางการเงินให้กับประเทศไทย ทำให้การทำธุรกรรมผ่านทางช่องทางออนไลน์นั้นง่ายและสะดวกเร็วขึ้น ซึ่งหนึ่งในนวัตกรรมทางการเงินที่กำลังได้รับความสนใจอยู่ในขณะนี้ คือ แพลตฟอร์มเพียร์ทูเพียร์เลนดิง ที่จะเข้ามาแทนการกู้ยืมเงินแบบเดิม กระบวนการทั้งหมดเหล่านี้จะถูกยกไปไว้บนแพลตฟอร์มออนไลน์ทั้งหมดและทำหน้าที่เสมือนตลาดสินเชื่อออนไลน์ในการทำธุรกรรมสัญญาสินเชื่อระหว่างผู้กู้และนักลงทุนให้สามารถเจอกันได้โดยตรง รูปแบบการให้กู้ยืมทางเศรษฐกิจแบบใหม่นี้ ก่อให้เกิดความท้าทายใหม่ในการตัดสินใจลงทุนอย่างมีประสิทธิภาพ ผู้วิจัยเห็นถึงปัญหาสำคัญในเรื่องของความเสี่ยงที่เกิดขึ้นจากการผิดชำระหนี้ของแพลตฟอร์ม เพียร์ทูเพียร์เลนดิง จากปัญหาข้างต้น ผู้วิจัยจึงต้องการศึกษาหาระบบสนับสนุนการตัดสินใจที่ดีในการประเมินความเสี่ยง งานวิจัยฉบับนี้มีจุดประสงค์ที่จะศึกษาเกี่ยวกับวิธีการของระบบสนับสนุนการตัดสินใจสำหรับการลงทุนในเครือข่ายการให้กู้ยืมแบบ เพียร์ทูเพียร์ โดยงานวิจัยนี้เป็นงานวิจัยเชิงปริมาณ ผู้วิจัยเลือกใช้ข้อมูลจาก พรอสเพอร์ มาร์เก็ตเพลส อิงค์ มาใช้ในการวิเคราะห์ข้อมูล เนื่องจากเป็นข้อมูลที่มีการใช้งานจริงบนตลาดสินเชื่อออนไลน์ นอกจากนี้ ผู้วิจัยได้เลือกใช้ ทฤษฎีบทของกราฟสองส่วน มาช่วยในการอธิบายพฤติกรรมของการกู้ยืมเงินแบบ เพียร์ทูเพียร์ และสมการค่าเฉลี่ยถ่วงน้ำหนักในการคำนวณระดับความเชื่อมั่นของนักลงทุนทั้งหมด เพื่อการประมาณการความน่าจะเป็นที่จะจ่ายของเงินกู้ใหม่ทั้งหมด เพื่อนำข้อมูลความน่าจะเป็นที่จะจ่ายของเงินกู้ใหม่ทั้งหมดไปใช้ในขั้นตอนการวิเคราะห์ผลลัพธ์เพื่อประสิทธิภาพของแพลตฟอร์มต่อไป จากการศึกษาเรื่องวิเคราะห์รูปแบบโมเดลระบบสนับสนุนการตัดสินใจสำหรับความเชื่อมั่นในการจ่ายคืน สำหรับงานฉบับวิจัยนี้ ผู้วิจัยต้องการเพิ่มแนวโน้มของอัตราความเชื่อมั่นในการจ่ายคืนให้สูงขึ้นไปอีกเพื่อใช้เป็นกลยุทธ์ในการสนับสนุนแพลตฟอร์ม เพียร์ทูเพียร์เลนดิง โดยวิธีเปรียบเทียบรูปแบบการตัดสินใจทั้งสี่แบบจำลอง ประกอบไปด้วย การถดถอยเชิงเส้นตรง, การถดถอยโลจิสติค, การถดถอยของเบย์ และ ซัพพอร์ตเวกเตอร์แมชชีน ผลการวิจัยแสดงให้เห็นว่าแบบจำลองการตัดสินใจของแบบจำลอง ซัพพอร์ตเวกเตอร์แมชชีน มีแนวโน้มของอัตราความเชื่อมั่นที่สูงกว่ารูปแบบอื่น ซึ่งในแง่มุมของกลยุทธ์จะสามารถดึงดูดนักลงทุนให้ตัดสินใจลงทุนผ่านแพลตฟอร์มการให้กู้ยืมแบบ เพียร์ทูเพียร์ ได้ดีที่สุด ส่วนแบบจำลองที่เหลือทั้งสามรูปแบบนั้น มีแนวโน้มที่ใกล้เคียงกับค่าเฉลี่ยจริงทั้งด้านประสิทธิภาพและเสถียรภาพ ซึ่งแนวโน้มความเชื่อมั่นเหล่านี้สามารถช่วยสนับสนุนการตัดสินใจของนักลงทุนก่อนตัดสินใจลงทุนได้เช่นกัน การนำผลของสารนิพนธ์ไปใช้ ความหมายหลักของการศึกษานี้ คือ เพื่ออธิบายว่า ทฤษฎีกราฟสองส่วน สามารถอธิบายอัลกอริทึมการให้กู้ยืมแบบ เพียร์ทูเพียร์ สำหรับการจับคู่ระหว่างนักลงทุนและผู้กู้ได้อย่างไร และเพื่อหาแบบจำลองที่สนับสนุนการตัดสินใจได้ดีที่สุดในการอธิบายการชำระคืนเชิงกลยุทธ์ เนื่องจากสามารถใช้เป็นเครื่องมือสำหรับการวิเคราะห์เพื่อเป็นแนวทางให้นักลงทุนตัดสินใจลงทุนได้อย่างมีประสิทธิผลสำหรับทั้งผู้ลงทุนและผู้กู้ยืม อีกทั้งแนวทางการกู้ยืมเงินในอนาคตรูปแบบอื่นที่อาจเสนอโดยใช้แพลตฟอร์ม บล็อกเชน สำหรับการตัดสินใจให้คะแนนเครดิตร่วมกับ ทฤษฎีกราฟสองส่วน ช่วยให้การพิจารณาสำหรับการปรับปรุงเพิ่มเติมที่ใช้กับ เพียร์ทูเพียร์เลนดิง สามารถตรวจสอบได้อย่างน่าเชื่อถือ นอกจากนี้ยัง สามารถเพิ่มเติมการตรวจสอบการให้กู้ยืมแบบ เพียร์ทูเพียร์ จากการพิจารณา อัลกอริทึมวิวัฒนาการแบบหลายวัตถุประสงค์ (Multi-Objective Evolutionary Algorithm) เนื่องจากในโลกแห่งความเป็นจริงได้รับการยืนยันในหลายประเด็นว่ามีประสิทธิภาพที่สุด