CHƯƠNG I: TỔNG QUAN 1.1 Lý do chọn đề tài Tại thời điểm hiện nay, khi xã hội ngày càng phức tạp và thị trường bất động sản liên tục biến động, việc chọn đề tài "Dự Đoán Khả Năng Đủ Điều Kiện Vay Mua Nhà" không chỉ là sự hiểu biết sâu sắc về mặt khoa học mà còn phản ánh một sự quan tâm sâu rộng về tác động to lớn của quyết định mua nhà đối với cuộc sống cá nhân và gia đình. Trong một thập kỷ qua, một tài liệu mới và đang phát triển đã tập trung vào tính hiệu quả của các chính sách an toàn vĩ mô, chẳng hạn như khả năng làm chậm sự tăng trưởng nhanh chóng của giá nhà đất (Claessens, 2015; Galati và Moessner, 2018). Điều này ám chỉ việc nghiên cứu và phân tích các biện pháp, chính sách mà các quốc gia hoặc tổ chức có thể thực hiện để kiểm soát tăng trưởng giá nhà và đảm bảo tính ổn định của thị trường bất động sản. Khi giá nhà đất tăng nhanh chóng, đặc biệt là trong một thị trường bất động sản sôi động, có thể xuất hiện nhiều vấn đề.
Sự tăng giá có thể tạo ra áp lực tài chính đối với người mua nhà, làm gia tăng khả năng nợ và gây ra rủi ro tài chính. Ngoài ra, nếu giá nhà tăng quá mạnh, có thể xảy ra hiện tượng bong bóng bất động sản, khi giá nhà cao hơn giá trị thực của chúng. Đầu tiên, tầm quan trọng ngày càng tăng của tài sản bất động sản đối với khả năng dễ bị tổn thương về tài chính có nguồn gốc từ hai đặc điểm riêng biệt. Thị trường nhà ở quá nóng chủ yếu là do mở rộng tín dụng (Agnello và cộng sự, 2017), đặc biệt là cho vay thế chấp ngân hàng (Jorda và cộng sự, 2015).
Mở rộng tín dụng, hay còn được gọi là sự gia tăng cung cấp tiền và tín dụng trong nền kinh tế, thường đồng nghĩa với việc ngân hàng và tổ chức tín dụng mở rộng việc cho vay. Khi thị trường bất động sản trở nên nóng bỏng, tức là nhu cầu mua nhà tăng mạnh, các ngân hàng có thể tăng cường việc cung cấp vay thế chấp để đáp ứng nhu cầu đó. Điều này có thể tạo ra một chu kỳ tăng giá đột ngột trong giá nhà, khi người mua có thêm khả năng tài chính để mua nhà và thị trường trở nên cạnh tranh hơn. Nếu mở rộng tín dụng diễn ra quá mạnh mẽ và không được kiểm soát, có thể xảy ra hiện tượng bong bóng bất động sản, khi giá nhà tăng cao hơn giá trị thực tế của chúng.
Khi bong bóng này nổ, có thể gây ra những tác động tiêu cực lớn đối với thị trường tài chính và kinh tế, bao gồm cả rủi ro về tài chính cá nhân và sự không ổn định trong hệ thống ngân hàng. Do đó, sự kết hợp giữa mở rộng tín dụng và sự nóng lên của thị trường nhà ở là một yếu tố quan trọng cần được theo dõi và quản lý để đảm bảo tính ổn định và bền vững trong thị trường bất động sản và toàn bộ nền kinh tế. Bên cạnh đó, “Dự Đoán Khả Năng Đủ Điều Kiện Vay Mua Nhà” cũng mang những đặc điểm chính như tính cấp thiết (Thị trường bất động sản Việt Nam đang phát triển mạnh mẽ và nhu cầu mua nhà ngày càng tăng cao tuy nhiên không phải ai cũng đủ điều kiện để mua nhà). Tính mới mẻ (Các Công ty Tài chính chủ yếu sử dụng các phương pháp truyền thống để đánh giá khả năng vay mua nhà như kiểm tra hồ sơ, thu nhập và tài sản… chúng có thể không chính xác và tốn nhiều thời gian.
Ở đây sử dụng dữ liệu lớn và trí tuệ nhân tạo để có thể nâng cao độ chính xác và tính hiệu quả). Tăng cường tính minh bạch và công bằng (Giúp đưa ra quyết định khách quan dựa trên các yếu tố như thu nhập, lịch sử sử dụng tín dụng… Giảm thiểu sự thiên vị, đảm bảo đối xử công bằng đối với tất cả khách hàng). Tính khả thi (Đề xuất nghiên cứu sử dụng mô hình dự đoán cần thu thập lượng lớn dữ liệu về khách hàng và phát triển công nghệ giúp thu thập và xử lý dữ liệu trở nên dễ dàng hơn). Thị trường bất động sản ngày nay trở thành một bức tranh đầy màu sắc, nhưng đồng thời cũng đầy những thách thức.
Giá nhà tăng cao và biến động không dựa vào các quy luật cụ thể, điều này tạo ra một hình ảnh phức tạp khi người dân đưa ra quyết định về việc mua nhà. Việc đảm bảo khả năng vay mua nhà không chỉ là vấn đề sở hữu một căn nhà, mà còn là một thách thức lớn về mặt tài chính và kế hoạch tương lai. Nghiên cứu về khả năng vay mua nhà không chỉ đưa ra cái nhìn sâu sắc về tình hình tài chính cá nhân mà còn cung cấp những thông tin quý báu cho các tổ chức tín dụng và ngân hàng. Sự kết hợp giữa công nghệ và dữ liệu trong xây dựng các mô hình dự đoán có thể mang lại cái nhìn toàn diện về khả năng thanh toán và rủi ro tài chính của người vay.
Bên cạnh đó, không thể phủ nhận vai trò quan trọng của việc đặt mình vào góc nhìn xã hội. Hiểu rõ về cách khả năng vay mua nhà ảnh hưởng đến cộng đồng có thể giúp xã hội đưa ra những chính sách và hỗ trợ phù hợp, tạo điều kiện cho mọi người có cơ hội sở hữu nhà và xây dựng cuộc sống ổn định. Tóm lại, áp dụng các phương pháp mới mẻ sử dụng dữ liệu lớn và trí tuệ nhân tạo trong đánh giá khả năng vay mua nhà có thể giúp nâng cao hiệu suất và công bằng trong hoạt động cho vay của các Công ty Tài chính. Do đó, đề tài này không chỉ là một nhiệm vụ nghiên cứu khoa học, mà còn là cơ hội để đóng góp vào việc tối ưu hóa quyết định mua nhà của cả cộng đồng.
Nó không chỉ là một bảng số liệu và thống kê mà còn là hướng dẫn chân thực và chi tiết cho những người đang tìm hiểu về quy trình vay mua nhà, hỗ trợ họ xây dựng một cuộc sống tài chính ổn định và bền vững.2 Mục tiêu nghiên cứu 1.1 Mục tiêu tổng quát Mục tiêu tổng quát của bài nghiên cứu này là xây dựng một mô hình khoa học dữ liệu để dự đoán khả năng đủ điều kiện vay để mua nhà cho khách hàng cá nhân, nhằm giúp các Công ty Tài chính và tổ chức tín dụng đánh giá khả năng đủ điều kiện vay mua nhà của khách hàng cá nhân một cách chính xác và hiệu quả hơn. Cùng với đó là giảm thiểu rủi ro về tín dụng cho các Công ty Tài chính bằng cách xác định khách hàng nào có khả năng trả khoản vay cao hơn.2 Mục tiêu cụ thể Sử dụng phần mềm orange để xử lý dữ liệu và giải quyết các bài toán sau: • Bài toán 1: Phát hiện điểm đặc thù của dữ liệu Mô tả và xác định tính đặc thù của dữ liệu ảnh hưởng đến khả năng khách hàng đủ điều kiện vay để mua nhà. • Bài toán 2: Dự đoán khả năng đủ điều kiện vay để mua nhà (phân lớp dữ liệu) Xây dựng mô hình khoa học dữ liệu tối ưu nhất nhằm dự đoán khả năng đủ điều kiện vay để mua nhà của khách hàng cá nhân với độ chính xác cao. • Bài toán 3: Phân Loại nhóm khách hàng không đủ điều kiện vay mua nhà (Phân cụm dữ liệu) Phân nhóm khách hàng cá nhân không đủ điều kiện vay để mua nhà thành các nhóm đồng nhất dựa trên các thuộc tính ảnh hưởng.
Việc phân cụm này giúp các Công ty Tài chính hiểu rõ hơn về đặc điểm của các nhóm khách hàng, từ đó đưa ra các sản phẩm và dịch vụ phù hợp hơn, đồng thời giảm thiểu rủi ro tín dụng và xem xét nhóm nào dễ chuyển đổi hơn để cho vay.3 Đối tượng nghiên cứu Dữ liệu được thu thập từ Kaggle với thông tin của 614 khách hàng, bao gồm các thông tin: ID Khoản vay (Loan_ID), số người phụ thuộc (Dependents), giới tính (Gender), tình trạng hôn nhân (Married), học vấn (Education), tự làm chủ (Self_Employed), thu nhập của người nộp đơn (Applicantincome), thu nhập của người giám hộ (Coapplicantincome), số tiền vay (LoanAmount), thời hạn khoản vay (Loan_Amount_Term), lịch sử tín dụng (Credit_History), khu vực bất động sản (Property_Area), trạng thái khoản vay (Loan_Status).4 Phương pháp nghiên cứu 1.1 Phương pháp nghiên cứu lý luận “ Thực hiện quá trình nghiên cứu bao gồm việc thu thập, lựa chọn, và phân tích dữ liệu và thông tin thông qua việc đọc sách, báo, tài liệu để khám phá các quan niệm và quan điểm cần thiết để xây dựng cơ sở lý luận cho nghiên cứu. Đồng thời, dự đoán các thuộc tính của đối tượng nghiên cứu và xây dựng một lý luận sơ bộ. Các phương pháp sử dụng bao gồm: • Phương pháp phân tích – tổng hợp lý thuyết: Từ nguồn tài liệu, bao gồm cả nghiên cứu từ các tạp chí uy tín, tiến hành đọc và tổng hợp thông tin để rút ra các nội dung quan trọng nhằm hỗ trợ luận điểm của nghiên cứu. • Phương pháp mô hình hóa: Xây dựng mô hình nghiên cứu dựa trên lý thuyết, và áp dụng mô hình này để dự đoán, nhằm kiểm định độ chính xác của mô hình và xác định tính khả thi của nó trong việc giải quyết vấn đề nghiên cứu.2 Phương pháp nghiên cứu thực tiễn Dựa trên cơ sở lý luận đó, áp dụng vào thực tế thông qua việc sử dụng phần mềm Orange - một công cụ rất trực quan để nghiên cứu về các thuật toán machine learning và thực hành khoa học dữ liệu phổ biến hiện nay.
Tiến hành sử dụng Orange để phân tích dữ liệu và làm rõ vấn đề nghiên cứu. Tiếp theo, xây dựng các mô hình dự báo bằng cách sử dụng bộ dữ liệu huấn luyện có sẵn và so sánh kết quả của các mô hình này với nhau. Mục tiêu là lựa chọn mô hình phù hợp nhất để giúp các nhà đầu tư đưa ra các quyết định chính xác hơn khi đầu tư hiệu quả.” CHƯƠNG II: QUY TRÌNH THỰC HIỆN VÀ KẾT QUẢ 1. Mô tả và tiền xử lí dữ liệu 1.1 Mô tả nguồn dữ liệu và cấu trúc của dữ liệu Tập dữ liệu ban đầu của nhóm bao gồm thông tin dữ liệu thô chứa 614 hàng dữ liệu (khách hàng vay vốn) và 13 cột (đặc tính) được thu thập trên trang web Kaggle (Bank_loan (kaggle.
Tập dữ liệu được tổng hợp bởi Công ty Tài chính Dream Housing, dựa trên những thông tin chi tiết về khách hàng tự cung cấp khi điền vào mẫu đơn đăng ký trực tuyến của công ty.