| Summary: | The greater chunk of survivability of a financial institution such as a microfinance or a co-operative is dependent on accurate predictions and effective assessment of loan repayment, which helps to reduce potential losses that may arise from loan defaults. This thesis compares the performance of two machine learning models, NeuralProphet, an open-source forecasting tool designed as an extension of Facebook Prophet specifically for time-series data and effective in handling datasets with strong seasonal components, inconsistent data, and non-linear trends with another machine learning model, a foundational transformer-based time series forecasting model based on a long short-term memory (LSTM) neural network architecture called Lag-Llama in their ability to forecast loan repayment trends of a microfinance operating in rural areas in Ghana. Two models (NeuralProphet & Lag-Llama) are compared to evaluate which performs better, with both assessed under optimal conditions using loan repayment dataset from the Epliclis microfinance company limited covering the period 2020 to 2024. The models are evaluated using the following metrics: mean absolute error (MAE) and root mean squared error (RMSE).
Rahoituslaitoksen, kuten mikrorahoituksen tai osuuskunnan, elinkelpoisuuden suurempi osa riippuu tarkoista ennusteista ja tehokkaasta lainan takaisinmaksun arvioinnista, mikä auttaa vähentämään lainojen laiminlyönnistä mahdollisesti syntyviä tappioita. Tässä opinnäytetyössä verrataan kahden koneoppimismallin, NeuralProphetin, avoimen lähdekoodin ennustetyökalun, joka on suunniteltu Facebook Prophetin laajennukseksi nimenomaan aikasarjatietoihin ja joka on tehokas tietojoukkojen, joissa on vahvoja kausittaisia komponentteja, epäjohdonmukaisia tietoja ja epälineaarisia trendejä, suorituskykyä toiseen koneoppimismalliin, perustavanlaatuiseen transformer-pohjaiseen aikasarjaennustemalliin, joka perustuu niiden pitkäkestoiseen lyhytaikaiseen verkkoon (LSTM) Ghanan maaseudulla toimivan mikrorahoituksen lainan takaisinmaksutrendit. Kahta mallia (NeuralProphet & Lag-Llama) verrataan sen arvioimiseksi, kumpi toimii paremmin, ja molemmat arvioidaan optimaalisissa olosuhteissa käyttämällä Epliclis microfinance company limitedin lainan takaisinmaksutietoaineistoa, joka kattaa ajanjakson 2020–2024. Mallit arvioidaan seuraavilla mittareilla: mean absolute error (MAE) ja root mean squared error (RMSE).
|
|---|