AI Моделиране на кредитен риск: Рационализиране на операциите за кредитен риск

• Автор:
• име Автор

  Quantumrun Foresight
• Февруари 27, 2023

Проблемът с моделирането на кредитния риск измъчва банките от десетилетия. Системите за машинно обучение и изкуствен интелект (ML/AI) предлагат нови методи за анализ на включените данни и предоставят по-динамични и по-точни модели.

Контекст за моделиране на кредитния риск с изкуствен интелект

Кредитният риск се отнася до риска кредитополучателят да не изпълни задълженията си по кредита, което води до загуба на парични потоци за кредитора. За да оценят и управляват този риск, заемодателите трябва да оценят фактори като вероятността от неизпълнение (PD), експозицията при неизпълнение (EAD) и неизпълнението при загуба (LGD). Насоките Базел II, публикувани през 2004 г. и въведени през 2008 г., предоставят правила за управление на кредитния риск в банковата индустрия. Съгласно Първия стълб на Базел II кредитният риск може да бъде изчислен чрез стандартизиран подход, базиран на вътрешен основен рейтинг или усъвършенстван подход, базиран на вътрешни рейтинги.

Използването на анализ на данни и AI/ML става все по-разпространено в моделирането на кредитния риск. Традиционните подходи, като статистически методи и кредитни рейтинги, са допълнени от по-модерни техники, които могат по-добре да се справят с нелинейни връзки и да идентифицират латентни характеристики в данните. Данните за потребителското кредитиране, демографските, финансовите, заетите и поведенческите данни могат да бъдат включени в модели, за да се подобри способността им за прогнозиране. При бизнес кредитирането, където няма стандартен кредитен рейтинг, кредиторите могат да използват показатели за бизнес рентабилност, за да оценят кредитоспособността. Методите за машинно обучение могат също да се използват за намаляване на размерността за изграждане на по-точни модели.

Разрушително въздействие

С прилагането на AI моделиране на кредитния риск потребителското и бизнес кредитирането може да използва по-точни и динамични модели за кредитиране. Тези модели дават на кредиторите по-добра оценка на техните кредитополучатели и позволяват по-здравословен пазар на кредитиране. Тази стратегия е от полза за бизнес кредиторите, тъй като по-малките предприятия нямат еталон, за да преценят своята кредитоспособност по същия начин, по който стандартните кредитни рейтинги функционират за потребителите.

Едно потенциално приложение на AI в моделирането на кредитния риск е използването на обработка на естествен език (NLP) за анализиране на неструктурирани данни, като фирмени отчети и новинарски статии, за извличане на подходяща информация и придобиване на по-задълбочено разбиране на финансовото състояние на кредитополучателя. Друга потенциална употреба е внедряването на обясним AI (XAI), който може да даде представа за процеса на вземане на решения на модел и да подобри прозрачността и отчетността. Въпреки това, използването на AI при моделирането на кредитния риск също повдига етични опасения, като потенциални пристрастия в данните, използвани за обучение на модели, и необходимостта от отговорно и обяснимо вземане на решения.

Пример за компания, която проучва използването на AI при кредитен риск, е Spin Analytics. Стартъпът използва AI за автоматично писане на регулаторни доклади за моделиране на кредитния риск за финансови институции. Платформата на компанията, RiskRobot, помага на банките да събират, обединяват и почистват данни, преди да ги обработят, за да осигурят съответствие с разпоредбите в различни региони, като САЩ и Европа. Той също така пише подробни доклади за регулаторите, за да гарантира точност. Писането на тези отчети обикновено отнема 6-9 месеца, но Spin Analytics твърди, че може да намали това време до по-малко от две седмици. 

Приложения на AI моделиране на кредитния риск

Някои приложения на AI моделиране на кредитен риск може да включват:

• Банките използват AI в моделирането на кредитния риск, за да намалят значително времето и усилията, необходими за изготвяне на подробни отчети, което позволява на финансовите институции да пускат нови продукти по-бързо и на по-ниска цена.
• Задвижвани от изкуствен интелект системи се използват за анализиране на големи количества данни по-бързо и по-точно от хората, което потенциално води до по-точни оценки на риска.
• Повече „небанкирани“ или „недостатъчни“ хора и предприятия в развиващия се свят получават достъп до финансови услуги, тъй като тези нови инструменти за моделиране на кредитния риск могат да бъдат приложени за разпознаване и прилагане на основни кредитни рейтинги към този недостатъчно обслужван пазар.
• Човешки анализатори, които се обучават да използват инструменти, базирани на AI, за да намалят риска от грешки.
• Системи с изкуствен интелект, използвани за откриване на модели на измамна дейност, помагащи на финансовите институции да намалят риска от измамни заеми или заявления за кредит.
• Алгоритмите за машинно обучение се обучават на исторически данни, за да правят прогнози за бъдещ риск, което позволява на финансовите институции проактивно да управляват потенциални рискови експозиции.

Въпроси за коментар

• Според вас какъв показател трябва да използват фирмите, за да сравнят своята кредитоспособност?
• Как си представяте AI да промени ролята на човешките анализатори на кредитния риск в бъдеще?