Một số kĩ thuật học máy cho chấm điểm tín dụng

34
Tạp chí Khoa học & Đào tạo Ngân hàng
Số 227- Tháng 4. 2021
© Học viện Ngân hàng
ISSN 1859 - 011X 
Một số kĩ thuật học máy cho chấm điểm tín dụng
Giang Thị Thu Huyền
Học viện Ngân hàng
Ngày nhận: 23/10/2020 
Ngày nhận bản sửa: 29/01/2021 
Ngày duyệt đăng: 23/03/2021
Tóm tắt: Chấm điểm tín dụng là một giai đoạn quan trọng trong quy trình quản lý 
rủi ro của các tổ chức tài chính và ngân hàng. Chấm điểm tín dụng tốt sẽ góp phần 
làm cho chất lượng cho vay tốt hơn. Chất lượng cho vay là yếu tố quyết định hàng 
đầu đến sự cạnh tranh, tồn tại và lợi nhuận của các tổ chức tài chính ngân hàng. 
Các kỹ thuật học máy đã góp phần cải tiến đáng kể về hiệu suất phân loại trong 
chấm điểm tín dụng, đồng thời giảm thiểu rủi ro cho đánh giá tín dụng. Bài báo đưa 
ra một số kỹ thuật học máy cho chấm điểm tín dụng đã và đang được các tổ chức 
tài chính và ngân hàng sử dụng; đưa ra kết quả thử nghiệm các kỹ thuật học máy 
trên bộ dữ liệu Kaggle- bộ dữ liệu miễn phí cho nghiên cứu về khoa học dữ liệu, từ 
đó đánh giá hiệu suất phân loại của các kỹ thuật học máy này. Qua đánh giá thì các 
thuật toán về học sâu cho kết quả khá tốt và cần tiếp tục nghiên cứu trong tương lai. 
Từ khóa: Kỹ thuật học máy, Chấm điểm tín dụng, Học sâu.
Some machine learning techniques for credit scoring
Abstract: Credit scoring is an important stage in the risk management process of financial institutions 
and banks. A good credit score will contribute to a better loan quality. Loan quality is the decisive 
aspect of the competition, existence and profitability of banks and financial institutions. Machine 
learning techniques have contributed to a significant improvement in the grading performance in 
credit scoring while also minimizing the risk of credit rating. The paper outlines some machine learning 
techniques for credit scoring that have been used by financial terms. The test results of machine 
learning techniques are obtained based on Kaggle datasets, the free datasets for data science research, 
which evaluate the classification efficiency of these machine learning techniques and suggest some 
recommendations. The deep learning algorithms give good results to study in the future.
Keywords: Machine learning techniques, Credit scoring, Deep learning.
Huyen Thi Thu Giang
Email: huyengtt@hvnh.edu.vn
Banking Academy of Vietnam
1. Giới thiệu
Xếp hạng tín dụng của khách hàng là nội 
dung quan trọng trong quản lý rủi ro đối với 
hệ thống các ngân hàng thương mại. Kết 
quả xếp hạng tín dụng là một yếu tố quan 
GIANG THỊ THU HUYỀN
35Số 227- Tháng 4. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
trọng cần xem xét trong việc ra quyết định 
cho vay. Do đó, hệ thống xếp hạng tín dụng 
là một công cụ quan trọng để tăng cường 
tính khách quan, nâng cao chất lượng và 
hiệu quả hoạt động tín dụng. Hiện nay, các 
ngân hàng thương mại đã và đang áp dụng 
nhiều kĩ thuật khác nhau để xếp hạng tín 
dụng khách hàng. Mô hình tính điểm tín 
dụng là phương pháp lượng hoá mức độ rủi 
ro, thông qua đánh giá thang điểm, các chỉ 
tiêu đánh giá trong những mô hình chấm 
điểm được áp dụng khác nhau đối với từng 
loại khách hàng. Cùng với sự phát triển của 
khoa học máy tính và các kĩ thuật khai phá 
dữ liệu, nhiều phương pháp khai phá dữ 
liệu đã được đưa vào sử dụng trong thực 
tế như cây quyết định và các kĩ thuật phân 
lớp, phân cụm, học sâu Theo Amitha 
Mathew (2021), kỹ thuật học sâu đang thực 
hiện tốt hơn các kỹ thuật học máy hiện tại 
đặc biệt là với dữ liệu phi cấu trúc.
Hand và Jacka (1998) đã nói rằng “Quá 
trình (bởi các tổ chức tài chính) mô hình 
hóa mức độ tín nhiệm được gọi là chấm 
điểm tín dụng”. Quá trình này bao gồm thu 
thập, phân tích và phân loại các yếu tố và 
biến số tín dụng khác nhau để đánh giá các 
quyết định tín dụng. Trong các mô hình 
chấm điểm tín dụng truyền thống được 
sử dụng, người vay tiềm năng phải có đủ 
thông tin tín dụng. Cách làm này phụ thuộc 
rất nhiều vào quan điểm chủ quan của nhân 
viên tín dụng, do đó các ngân hàng phải 
đối mặt với nhiều rủi ro bởi trình độ thẩm 
định của nhân viên còn hạn chế, nhân viên 
có thể thông đồng với khách hàng để nâng 
hạng tín dụng Trong trường hợp không 
có thông tin này, điểm tín dụng không thể 
tính toán được, và một người đi vay có khả 
năng đáng tin cậy thường khó có khả năng 
tiếp cận tín dụng và xây dựng một lịch sử 
tín dụng với ngân hàng. Với việc sử dụng 
các nguồn dữ liệu thay thế và ứng dụng các 
thuật toán học máy để giúp phát triển khả 
năng đánh giá và sự sẵn lòng trả nợ, người 
cho vay có thể đưa ra các quyết định tín 
dụng trước đây không thể. 
Nhu cầu chấm điểm tín dụng mà thực tế đặt 
ra đã khiến các nhà nghiên cứu phát triển 
các mô hình chấm điểm tín dụng, từ đó 
giúp người cho vay quyết định cấp hay từ 
chối tín dụng cho người nộp đơn. Công cụ 
chấm điểm tín dụng sử dụng học máy được 
thiết kế để tăng tốc các quyết định cho vay, 
đồng thời có khả năng hạn chế rủi ro. Áp 
dụn ...  láng giềng gần nhất với đối 
tượng cần phân lớp.
- Lấy tất cả các lớp của K láng giềng gần 
nhất đã xác định.
- Dựa vào phần lớn lớp của láng giềng gần 
nhất để xác định lớp cho đối tượng cần 
phân lớp.
KNN là một mô hình đơn giản và trực quan 
nhưng vẫn có hiệu quả cao vì nó không tham 
số; mô hình không đưa ra giả định nào về 
việc phân phối dữ liệu. Hơn nữa, nó có thể 
được sử dụng trực tiếp để phân loại đa lớp.
2.2. Cây quyết định
Theo Joao A. Bastos (2008), Cây quyết định 
là kỹ thuật phân loại khác được sử dụng để 
phát triển các mô hình tính điểm tín dụng. 
Cây quyết định là một trong những thuật 
toán máy học phổ biến nhất hiện nay. Với 
kỹ thuật phân lớp dựa trên cây quyết định, 
kết quả của quá trình xây dựng mô hình sẽ 
cho ra một cây quyết định. Thuật toán bắt 
đầu với một nút gốc chứa một mẫu người 
nộp đơn tín dụng tốt và xấu. Sau đó, thuật 
toán lặp lại tất cả các phép phân tách có 
thể có để tìm thuộc tính và giá trị giới hạn 
tương ứng mang lại sự phân tách tốt nhất 
thành một bên có phần lớn là tín dụng tốt và 
bên kia chủ yếu là tín dụng xấu. Cây quyết 
định sẽ sinh ra các luật để dự đoán lớp của 
các đối tượng chưa biết. Cây quyết định là 
cây mà mỗi nút biểu diễn một đặc trưng 
(tính chất), mỗi nhánh (branch) biểu diễn 
một quy luật (rule) và mỗi lá biểu biễn một 
kết quả (giá trị cụ thể hay một nhánh tiếp 
tục). Có rất nhiều thuật toán cây quyết định 
như ID3, J48, C4.5, CART (Classification 
and Regression Tree)... CART là một kĩ 
thuật học máy được áp dụng để dự đoán. 
CART dùng Gini Index để kiểm tra. Chỉ số 
Gini là thước đo sự phân tán hoặc tính đa 
dạng trong một nút.
2.3. Naive Bayes 
Theo Olatunji J. Okesola (2017), Thuật toán 
Naive Bayes (NB) là một thuật toán dựa trên 
định lý Bayes về lý thuyết xác suất để đưa 
ra các phán đoán cũng như phân loại dữ liệu 
dựa trên các dữ liệu được quan sát và thống 
kê, được ứng dụng để đưa các dự đoán có 
độ chính xác cao, dựa trên một tập dữ liệu 
đã được thu thập. Thuật toán Naive Bayes 
thuộc vào nhóm học máy có giám sát.
GIANG THỊ THU HUYỀN
37Số 227- Tháng 4. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
2.4. Máy hỗ trợ vector- Support Vector 
Machine (SVM)
Theo R.H. Davis, D.B. Edelman, và A.J. 
Gammerman (1992), Máy hỗ trợ vector- 
Support Vector Machine (SVM) là một thuật 
toán học máy có giám sát được sử dụng phổ 
biến cho các bài toán phân lớp. SVM được 
Vapnik giới thiệu lần đầu tiên và sau đó trở 
nên phổ biến. Ý tưởng của SVM là tìm một 
siêu phẳng (hyper lane) đóng vai trò là ranh 
giới quyết định, để tách hai lớp khác nhau. 
Vấn đề là có rất nhiều siêu phẳng, chúng ta 
phải chọn cái nào để tối ưu nhất? Siêu phẳng 
tối ưu mà chúng ta cần chọn là siêu phẳng 
phân tách có lề lớn nhất. Lý thuyết học máy 
đã chỉ ra rằng một siêu phẳng như vậy sẽ cực 
tiểu hóa giới hạn lỗi mắc phải.
2.5. Kỹ thuật học sâu (Deep learning)
Theo Cuicui Luo, Desheng Wu, Dexiang 
Wu (2017) khái niệm học sâu được phát 
triển lần đầu vào những năm 1960. Đến 
năm 2011 và 2012, thuật toán học sâu được 
thúc đẩy bởi sự gia tăng mạnh mẽ trong sức 
mạnh tính toán của máy tính hiện đại và đạt 
được nhiều thành tựu trong nhiều lĩnh vực 
trong đó có tài chính ngân hàng. Học sâu 
cho phép một lượng lớn dữ liệu được phân 
tích rất nhanh chóng, nó có thể xử lý phạm 
vi đầu vào tín dụng rộng hơn, giảm chi phí 
đánh giá rủi ro tín dụng.
Kỹ thuật học sâu là một thuật toán học máy 
được xây dựng dựa trên một số ý tưởng mô 
phỏng hệ thống não bộ của con người. Nó 
biểu diễn dữ liệu thông qua nhiều tầng từ cụ 
thể đến trừu tượng qua đó trích rút được các 
đặc trưng có ý nghĩa. Theo Amitha Mathew 
(2021) Học sâu (deep learning) còn được 
gọi là học có cấu trúc sâu hoặc học phân 
cấp, là một phần của học máy dựa trên các 
mạng nơ ron nhân tạo. Học sâu là một tập 
hợp các thuật toán để mô hình dữ liệu trừu 
tượng hóa ở mức cao bằng cách sử dụng 
nhiều lớp xử lý với cấu trúc phức tạp, hoặc 
bằng cách khác bao gồm nhiều biến đổi phi 
tuyến. Theo Cuicui Luo (2017) thì có nhiều 
kỹ thuật học sâu Deep learning cho chấm 
điểm tín dụng, bài báo sẽ đưa ra bốn kỹ 
thuật học sâu cho chấm điểm tín dụng:
2.5.1. Mạng nơ ron nhiều lớp (Deep 
Sequential Neural Network)
Mạng nơ-ron nhiều lớp là một kiểu đơn 
giản của mô hình Deep learning với các 
mạng nơ-ron chứa lớp liên tiếp xếp chồng 
nhau. Trong thực nghiệm, để nâng cao 
hiệu quả của mô hình, ta thiết kế các tầng 
mạng với mật độ nơ-ron khác nhau cho mỗi 
tầng. Sử dụng hàm kích hoạt (activation 
function) sau rectified linear (ReLU): θ(x) 
= max(0, x); hyperbolic tangent (tanh): 
θ(x) = sinh (x) ÷ cosh (x) = (ex - e-x) ÷ (ex 
+ e-x); sigmoid: θ(x) = (1 + e−x)−1. Để đánh 
giá mô hình một cách khách quan, sử dụng 
Hàm loss cross-entropy.
L(θ) = - [y
i
log(p
i
) + (1 - p
i
)log(1 - p
i
)] 
= - y
ij
log(p
ij
)
Trong đó i là chỉ số của các quan sát, j là 
các lớp, y là nhãn và p
ij
 ∈ (0,1): ∑j pij = 1, 
là giá trị dự đoán.
Kiến trúc của mô hình được mô tả chi tiết 
dưới đây (áp dụng cho dữ liệu Kaggle 
Credit):
Thuật toán được mô tả như sau:
1. Input (length = 60)
2. Dense layer (60, input dim = 10, kernel 
initializer = ‘uniform’, activation function 
=’relu’)
3. Dense layer (5, kernel initializer = 
‘uniform’, activation function =’relu’)
4. Dense layer (1, kernel initializer = 
‘uniform’, activation function = ‘sigmoid’)
Một số kĩ thuật học máy cho chấm điểm tín dụng
38 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 227- Tháng 4. 2021
2.5.2. Mạng nơ ron tích chập (Convolutional 
Neural Network)
Mạng nơ ron tích chập là một mạng nơ ron 
nhân tạo với các toán tử tích chập. Nó có 
khả năng học một lượng lớn các dữ liệu 
trong khoảng thời gian ngắn hơn nhiều so 
với mạng nơ ron thông thường. Lý do là nó 
sử dụng ít trọng số hơn trong khi độ chính 
xác chỉ kém hơn một phần nhỏ so với kiến 
trúc truyền thống. 
Thuật toán được mô tả như sau:
1. Input (length = 14, shape(14,1))
2. 1D Convolution layer (filters = 150, 
kernel size=1)
3. Max pooling layer (pool size = 1)
4. Fully connected (N = 14, activation 
function = ’relu’)
5. Fully connect (N = 1, activation function 
= ’sigmoid’)
2.5.3. Mạng nơ ron hồi quy (Recurrent 
Neural Network)
Ý tưởng chính của mạng nơ ron hồi quy 
là sử dụng chuỗi các thông tin. Trong các 
mạng nơ-ron truyền thống tất cả các đầu 
vào và đầu ra là độc lập với nhau, không 
liên kết thành chuỗi. Mạng nơ ron hồi quy 
được gọi là hồi quy bởi lẽ chúng thực hiện 
cùng một tác vụ cho tất cả các phần tử của 
một chuỗi với đầu ra phụ thuộc vào cả các 
phép tính trước đó. Nói cách khác mạng nơ 
ron hồi quy có khả năng nhớ các thông tin 
được tính toán trước đó.
Thuật toán được mô tả như sau:
1. Input (length = 24)
2. RNN = SimpleRNN(N = 100, return_
sequences = True, dropout = self.dropout, 
activation function = ‘sigmoid’)
3. Dropout(0.5)
4. Full connected(N = 1, activation function 
= ‘sigmoid’)
2.5.4. Mạng bộ nhớ ngắn-dài hạn (Long 
Short-Term Memory)
Mô hình mạng bộ nhớ ngắn-dài hạn không 
khác mô hình truyền thống của mạng nơ 
ron hồi quy, chúng chỉ khác nhau ở cách 
tính toán của các nút ẩn, mạng bộ nhớ 
ngắn-dài hạn sử dụng hàm tính toán khác 
ở các trạng thái ẩn. Bộ nhớ của mạng bộ 
nhớ ngắn-dài hạn được gọi là tế bào (Cell) 
và bạn có thể tưởng tượng rằng chúng là 
các hộp đen nhận đầu vào là trạng thái phía 
trước và đầu vào hiện tại. Bên trong hộp 
đen này sẽ tự quyết định cái gì cần phải 
nhớ và cái gì sẽ xoá đi. Sau đó, chúng sẽ 
kết hợp với trạng thái phía trước, nhớ hiện 
tại và đầu vào hiện tại. Vì vậy mà ta có thể 
truy xuất được quan hệ phụ thuộc xa nhau 
rất hiệu quả.
Thuật toán được mô tả như sau:
1. Input (length = 24)
2. LSTM(N = 24, activation function = 
‘sigmoid’, loss = ’binary cross entropy’, 
optimizer = ’rmsprop’)
3. Dropout(0.5)
4. Full connected(N = 1,activation code = 
‘sigmoid’)
3. Kết quả thử nghiệm các kỹ thuật học máy 
Bài báo sử dụng bộ dữ liệu Kaggle đánh 
giá hiệu quả các kỹ thuật học máy. Kaggle 
có nhiều bộ dữ liệu khác nhau cho các lĩnh 
vực nhằm hỗ trợ cho nghiên cứu về học 
máy và khoa học dữ liệu. Kaggle đã được 
các nhà nghiên cứu trên thế giới sử dụng 
rộng rãi. Kaggle credit là một bộ dữ liệu 
tốt được sử dụng cho các cuộc thi và các 
nghiên cứu về chấm điểm tín dụng. Bộ dữ 
liệu này bao gồm thông tin của 250.000 
người vay vốn với 150.000 bản ghi có nhãn 
và 100.000 trường hợp không có nhãn. Các 
bản ghi được gán nhãn tương ứng với “tín 
dụng xấu” hoặc “tín dụng tốt”.
Thực nghiệm trên bộ dữ liệu Kaggle và sử 
dụng phương pháp đánh giá chéo (10-fold 
cross validation), lấy kết quả trung bình để 
GIANG THỊ THU HUYỀN
39Số 227- Tháng 4. 2021- Tạp chí Khoa học & Đào tạo Ngân hàng
so sánh hiệu quả các thuật toán K-Nearest 
neighbor (kNN), cây hồi quy (CART), 
Naive Bayes (NB) và máy hỗ trợ vector- 
Support Vector Machine (SVM), các thuật 
toán học sâu (mạng nơ ron nhiều lớp (Deep 
Sequential Neural Network– DSNN), 
mạng nơ ron tích chập (Convolutional 
Neural Network- CNN), mạng nơ ron hồi 
quy (Recurrent Neural Network– RNN), 
mạng bộ nhớ ngắn-dài hạn (Long Short-
Term Memory– LSTM). Đánh giá hiệu quả 
của các thuật toán dựa trên 4 độ đo sau đây: 
Accuracy, Precision, Recall và F1-score.
TP = số lượng đúng tích cực
FP = số lượng sai tích cực
TN = số lượng đúng tiêu cực
FN = số lượng sai tiêu cực
P = số lượng bản ghi lớp tích cực thực tế
N = số lượng bản ghi lớp tiêu cực thực tế
Kết quả về độ chính xác của các thuật toán 
được thể hiện trong Bảng 2.
Kết quả tổng hợp đối với bộ dữ liệu Kaggle 
credit khi so sánh trên độ đo accuracy, các 
thuật toán đều có được kết quả rất tốt trên 
90% (trừ CART là 89,2%). Khi so sánh 
trên độ đo Precision, Recall và F1 thì độ 
chính xác của các các thuật toán học sâu tốt 
hơn so vói các thuật toán truyền thống. Kết 
quả tốt nhất đạt được với độ đo F1-socre là 
51,12%, độ đo Precision là 53,20%, độ đo 
Recall là 49,20% do mạng RNN đem lại. 
Nguyên nhân là do khả năng học của các 
thuật toán học sâu tốt khi được điều chỉnh 
số lớp và số nơ ron ở mỗi lớp; mặt khác, 
bộ dữ liệu Kaggle credit có tính không cân 
bằng và các thuật toán khá nhạy cảm với dữ 
liệu không cân bằng. Với bộ dữ liệu Kaggle 
credit thì các thuật toán sử dụng kỹ thuật 
học sâu cho kết quả phân loại khá tốt so với 
các thuật toán còn lại.
4. Kết luận
Các thuật toán chấm điểm tín dụng là công 
Bảng 1. Mô tả các biến trong bộ dữ liệu Kaggle Credit
Thuộc tính Mô tả
SeriousDlqin2yrs Người đã trải qua 90 ngày quá hạn 
RevolvingUtilizationOf_
UnsecuredLines
Tổng số dư trên thẻ tín dụng và hạn mức tín dụng cá nhân 
ngoại trừ bất động sản và không có nợ trả góp như khoản vay 
mua ô tô chia cho tổng hạn mức tín dụng
Age Tuổi của người vay (năm)
NumberOfTime30-
59DaysPastDueNotWorse Số lần người vay quá hạn 30-59 ngày trong 2 năm gần đây
DebtRatio Tổng mức chi tiêu hàng tháng chia cho tổng mức thu nhập hàng tháng
MonthlyIncome Thu nhập hàng tháng
NumberOfOpenCredit_
LinesAndLoans
Số lượng khoản vay mở (trả góp như vay mua ô tô hoặc thế 
chấp) và Dòng tín dụng (ví dụ: thẻ tín dụng)
NumberOfTimes90DaysLate Số lần người vay quá hạn 90 ngày hoặc hơn.
NumberRealEstateLoans_
OrLines
Số lượng các khoản vay thế chấp và bất động sản bao gồm cả 
dòng vốn chủ sở hữu của tín dụng.
NumberOfTime60-
89DaysPastDueNotWorse Số lần người vay quá hạn 60-89 ngày trong 2 năm gần đây.
NumberOfDependents Số lượng người phụ thuộc (trẻ em, vợ/chồng).
Nguồn https://www.kaggle.com/
Một số kĩ thuật học máy cho chấm điểm tín dụng
40 Tạp chí Khoa học & Đào tạo Ngân hàng- Số 227- Tháng 4. 2021
cụ quan trọng cho các vấn đề dự đoán và 
phân loại. Bài báo đã giới thiệu một số kĩ 
thuật chấm điểm tín dụng với bộ dữ liệu 
Kaggle credit. Trên cơ sở những kết quả 
thu được, cho thấy kĩ thuật học sâu có thể 
là giải pháp cho các ứng dụng chấm điểm 
tín dụng. Các kỹ thuật hỗ trợ người ra 
quyết định tín dụng dự đoán khách hàng 
sẽ có lịch sử tín dụng tốt hay tín dụng xấu 
dựa trên các thuộc tính và thông tin “tín 
dụng” của họ. Tuy nhiên, cần nhấn mạnh 
rằng không có mô hình tính điểm tín dụng 
lý tưởng cũng như không có kỹ thuật tốt 
nhất được sử dụng để xây dựng mô hình 
chấm điểm tín dụng; và kỹ thuật tốt cho tập 
dữ liệu này chưa chắc tốt trên tập dữ liệu 
khác. Kỹ thuật này hơn kỹ thuật khác khả 
năng dự đoán trong các trường hợp cụ thể 
khác nhau. “Kĩ thuật tốt nhất” phụ thuộc 
vào từng yêu cầu cụ thể, cấu trúc của dữ 
liệu, các chức năng của ứng dụng, mức độ 
tách biệt các lớp bằng mục tiêu phân loại. 
Ngoài ra, việc sử dụng kết hợp các kỹ thuật 
hứa hẹn cho khả năng phân loại và dự đoán 
tốt hơn cũng như cần phải xem xét đến 
ảnh hưởng quan trọng của các chính sách 
và quy định của các tổ chức tài chính ngân 
hàng. Bài nghiên cứu mới chỉ thử nghiệm 
trên bộ dữ liệu dành cho nghiên cứu của 
Kaggle. Trên cơ sở những kết quả thu 
được, có thể kết luận rằng kĩ thuật học sâu 
có thể là giải pháp khá quan trọng cho các 
ứng dụng chấm điểm tín dụng hiện nay và 
trong tương lai. ■
Bảng 2. Độ chính xác của các thuật toán
kNN CART NB SVM DSNN CNN RNN LSTM
Accuracy 0,9287 0,8920 0,9288 0,9301 0,9342 0,9277 0,9350 0,9360
Precision 0,3031 0,2515 0,3585 0,3670 0,5200 0,3682 0,5320 0,5156
Recall 0,0172 0,2786 0,0234 0,2840 0,4870 0,3745 0,4920 0,503
F1 0,0325 0,2644 0,0438 0,3205 0,5029 0,3713 0,5112 0,509
Nguồn: Tác giả chạy thử nghiệm và tổng hợp kết quả
Tài liệu tham khảo
Amitha Mathew, P.Amudha, S.Sivakumari. (2021), Deep Learning Techniques: An Overview, Advanced Machine 
Learning Technologies and Applications.
Cuicui Luo, Desheng Wu, Dexiang Wu. (2017),A deep learning approach for credit scoring using credit default swaps, 
Engineering Applications of Artificial Intelligence.
Denoyer, Gallinari. (2011), Deep sequential neural network, University Pierre et Marie Curie - Paris, France.
Hand, Jacka. (1998) Statistics in Finance, Arnold Applications of Statistics: London.
Hussein A. Abdou, John Pointon. (2011), Credit scoring, statistical techniques and evaluation criteria: A review of the 
literature, Intelligent Systems in Accounting, Finance & Management.
Joao A. Bastos. (2008), Credit scoring with boosted decision trees, School of Economics and Management (ISEG) 
Technical University of Lisbon, Portugal.
Olatunji J. Okesola et al. (2017), An improved Bank Credit Scoring Model A Naïve Bayesian Approach, International 
Conference on Computational Science and Computational Intelligence.
Ram Babu, Mr.A.Rama Satish. (2013), Improved of K-Nearest Neighbor Techniques in Credit Scoring, International 
Journal For Development of Computer Science & Technology. 
R.H. Davis, D.B. Edelman, A.J. Gammerman. (1992), Machine learning algorithms for credit-card applications. IMA 
Journal of Management Mathematics. 
https://www.hindawi.com/journals/aor/2019/1974794/; https://www.kaggle.com/