AI-kreditrisikomodellering: Strømlining af kreditrisikooperationer

• Forfatter:
• Forfatter navn

  Quantumrun Foresight
• Februar 27, 2023

Problemet med at modellere kreditrisiko har plaget banker i årtier. Maskinlæring og kunstig intelligens (ML/AI)-systemer tilbyder nye metoder til at analysere de involverede data og levere mere dynamiske og mere nøjagtige modeller.

Kontekst for modellering af AI-kreditrisiko

Kreditrisiko refererer til risikoen for, at en låntager misligholder deres lånebetalinger, hvilket resulterer i et tab af pengestrømme for långiveren. For at vurdere og styre denne risiko skal långivere estimere faktorer såsom sandsynligheden for misligholdelse (PD), eksponeringen ved misligholdelse (EAD) og tabsgiven misligholdelse (LGD). Basel II-retningslinjerne, der blev offentliggjort i 2004 og implementeret i 2008, indeholder regler for styring af kreditrisiko i banksektoren. Under den første søjle i Basel II kan kreditrisiko beregnes ved hjælp af en standardiseret, en intern fond-rating-baseret eller en avanceret intern rating-baseret tilgang.

Brugen af ​​dataanalyse og AI/ML er blevet mere og mere udbredt i kreditrisikomodellering. Traditionelle tilgange, såsom statistiske metoder og kreditscore, er blevet suppleret med mere avancerede teknikker, der bedre kan håndtere ikke-lineære sammenhænge og identificere latente træk i dataene. Forbrugslån, demografiske, økonomiske, beskæftigelses- og adfærdsdata kan alle inkorporeres i modeller for at forbedre deres forudsigelsesevne. I erhvervsudlån, hvor der ikke er nogen standard kreditscore, kan långivere bruge forretningsrentabilitetsmålinger til at vurdere kreditværdigheden. Maskinlæringsmetoder kan også bruges til dimensionsreduktion for at bygge mere nøjagtige modeller.

Forstyrrende påvirkning

Med implementeringen af ​​AI-kreditrisikomodellering kan forbruger- og erhvervsudlån anvende mere nøjagtige og dynamiske lånemodeller. Disse modeller giver långivere en bedre vurdering af deres låntagere og giver mulighed for et sundere lånemarked. Denne strategi er gavnlig for erhvervsudlånere, da mindre virksomheder ikke har noget benchmark til at bedømme deres kreditværdighed på samme måde som standardkreditscore fungerer for forbrugere.

En potentiel anvendelse af AI i kreditrisikomodellering er at bruge naturlig sprogbehandling (NLP) til at analysere ustrukturerede data, såsom virksomhedsrapporter og nyhedsartikler, for at udtrække relevant information og få en dybere forståelse af en låntagers økonomiske situation. En anden potentiel anvendelse er implementeringen af ​​forklarlig AI (XAI), som kan give indsigt i beslutningsprocessen for en model og forbedre gennemsigtighed og ansvarlighed. Brug af kunstig intelligens i kreditrisikomodellering rejser imidlertid også etiske bekymringer, såsom potentiel skævhed i de data, der bruges til at træne modeller, og behovet for ansvarlig og forklarlig beslutningstagning.

Et eksempel på en virksomhed, der udforsker brugen af ​​kunstig intelligens i kreditrisiko, er Spin Analytics. Opstarten bruger AI til automatisk at skrive rapporter om regulering af kreditrisikomodeller for finansielle institutioner. Virksomhedens platform, RiskRobot, hjælper banker med at samle, fusionere og rense data, før de behandles for at sikre overholdelse af regler i forskellige regioner, såsom USA og Europa. Den skriver også detaljerede rapporter til regulatorer for at sikre nøjagtighed. At skrive disse rapporter tager typisk 6-9 måneder, men Spin Analytics hævder, at det kan reducere den tid til mindre end to uger. 

Anvendelser af AI-kreditrisikomodellering

Nogle anvendelser af AI-kreditrisikomodellering kan omfatte:

• Banker, der bruger kunstig intelligens i kreditrisikomodellering for at reducere den tid og indsats, der kræves for at producere detaljerede rapporter, hvilket giver finansielle institutioner mulighed for at lancere nye produkter hurtigere og til en lavere pris.
• AI-drevne systemer, der anvendes til at analysere store mængder data hurtigere og mere præcist end mennesker, hvilket potentielt kan føre til mere nøjagtige risikovurderinger.
• Flere 'unbanked' eller 'underbanked' mennesker og virksomheder i udviklingslandene får adgang til finansielle tjenester, da disse nye kreditrisikomodelleringsværktøjer kan anvendes til at skelne og anvende grundlæggende kreditscore på dette undertjente marked.
• Menneskelige analytikere bliver uddannet til at bruge AI-baserede værktøjer til at reducere risikoen for fejl.
• Kunstige intelligenssystemer, der bruges til at opdage mønstre af svigagtig aktivitet, og hjælper finansielle institutioner med at reducere risikoen for svigagtige lån eller kreditansøgninger.
• Maskinlæringsalgoritmer trænes på historiske data for at forudsige fremtidige risici, hvilket giver finansielle institutioner mulighed for proaktivt at styre potentielle risikoeksponeringer.

Spørgsmål at kommentere på

• Hvilken metric mener du, at virksomheder bør bruge til at benchmarke deres kreditværdighed?
• Hvordan forestiller du dig, at AI ændrer rollen som menneskelige kreditrisikoanalytikere i fremtiden?