AI krediidiriski modelleerimine: krediidiriskiga seotud toimingute tõhustamine

• Autor:
• autori nimi

  Quantumrun Foresight
• Veebruar 27, 2023

Krediidiriski modelleerimise probleem on panku vaevanud aastakümneid. Masinõppe ja tehisintellekti (ML/AI) süsteemid pakuvad uusi meetodeid kaasatud andmete analüüsimiseks ning dünaamilisemate ja täpsemate mudelite loomiseks.

AI krediidiriski modelleerimise kontekst

Krediidirisk viitab riskile, et laenuvõtja jätab oma laenumaksed maksmata, mille tulemuseks on laenuandja rahavoogude kaotus. Selle riski hindamiseks ja juhtimiseks peavad laenuandjad hindama selliseid tegureid nagu maksejõuetuse tõenäosus (PD), riskipositsioon maksejõuetuse ajal (EAD) ja kahjumiga seotud maksejõuetuse tase (LGD). 2004. aastal avaldatud ja 2008. aastal rakendatud Basel II juhised sätestavad pangandussektori krediidiriski juhtimise eeskirjad. Basel II esimese samba alusel saab krediidiriski arvutada standardiseeritud, sisemise sihtasutuse reitingupõhise või täiustatud sisereitingupõhise lähenemisviisi abil.

Krediidiriski modelleerimisel on üha enam levinud andmeanalüütika ja AI/ML kasutamine. Traditsioonilisi lähenemisviise, nagu statistilised meetodid ja krediidiskoorid, on täiendatud arenenumate tehnikatega, mis suudavad paremini käsitleda mittelineaarseid seoseid ja tuvastada andmete varjatud tunnuseid. Tarbijalaenu, demograafilisi, finants-, tööhõive- ja käitumisandmeid saab mudelitesse lisada, et parandada nende prognoosimisvõimet. Ettevõtluslaenu andmisel, kus puudub standardne krediidiskoor, võivad laenuandjad kasutada krediidivõimelisuse hindamiseks ettevõtte kasumlikkuse mõõdikuid. Masinõppe meetodeid saab kasutada ka mõõtmete vähendamiseks, et luua täpsemaid mudeleid.

Häiriv mõju

Tehisintellekti krediidiriski modelleerimise rakendamisega saab tarbija- ja ärilaenu andmisel kasutada täpsemaid ja dünaamilisemaid laenumudeleid. Need mudelid annavad laenuandjatele parema hinnangu oma laenuvõtjatele ja võimaldavad tervemat laenuturgu. See strateegia on kasulik ettevõtete laenuandjatele, kuna väiksematel ettevõtetel ei ole võrdlusaluseid, mille alusel hinnata oma krediidivõimet samamoodi nagu tavaliste krediidiskooride puhul tarbijate jaoks.

Üks võimalik AI rakendus krediidiriski modelleerimisel on loomuliku keele töötlemise (NLP) kasutamine struktureerimata andmete, näiteks ettevõtte aruannete ja uudisteartiklite analüüsimiseks, et hankida asjakohast teavet ja saada sügavam arusaam laenuvõtja finantsolukorrast. Teine potentsiaalne kasutusala on seletatava AI (XAI) rakendamine, mis võib anda ülevaate mudeli otsustusprotsessist ning parandada läbipaistvust ja vastutust. AI kasutamine krediidiriski modelleerimisel tekitab aga ka eetilisi probleeme, nagu mudelite koolitamiseks kasutatavate andmete võimalik kallutatus ning vajadus vastutustundliku ja seletatava otsuste tegemise järele.

Näide ettevõttest, kes uurib AI kasutamist krediidiriskis, on Spin Analytics. Startup kasutab tehisintellekti, et kirjutada finantsasutustele automaatselt krediidiriski modelleerimise reguleerimise aruandeid. Ettevõtte platvorm RiskRobot aitab pankadel andmeid enne töötlemist koondada, liita ja puhastada, et tagada vastavus eri piirkondade, näiteks USA ja Euroopa eeskirjadele. Samuti kirjutab see täpsuse tagamiseks reguleerijatele üksikasjalikke aruandeid. Nende aruannete kirjutamine võtab tavaliselt 6–9 kuud, kuid Spin Analytics väidab, et see võib selle aja lühendada vähem kui kahe nädalani. 

AI krediidiriski modelleerimise rakendused

Mõned AI krediidiriski modelleerimise rakendused võivad hõlmata järgmist:

• Pangad, kes kasutavad krediidiriski modelleerimisel tehisintellekti, et vähendada märkimisväärselt üksikasjalike aruannete koostamiseks kuluvat aega ja vaeva, võimaldades finantsasutustel uusi tooteid kiiremini ja väiksemate kuludega turule tuua.
• AI-toega süsteeme kasutatakse suurte andmemahtude analüüsimiseks kiiremini ja täpsemalt kui inimestel, mis võib viia täpsemate riskihinnanguteni.
• Arengumaailmas saavad rohkem „pangastamata“ või „madala pangandusega“ inimesed ja ettevõtted juurdepääsu finantsteenustele, kuna neid uudseid krediidiriski modelleerimise tööriistu saab rakendada põhiliste krediidiskooride tuvastamiseks ja kohaldamiseks sellel alateenindusega turul.
• Inimanalüütikuid koolitatakse kasutama AI-põhiseid tööriistu, et vähendada vigade ohtu.
• Tehisintellekti süsteeme kasutatakse petturliku tegevuse mustrite tuvastamiseks, aidates finantsasutustel vähendada petturlike laenude või krediiditaotluste riski.
• Masinõppe algoritme koolitatakse ajalooliste andmete põhjal, et ennustada tulevasi riske, võimaldades finantsasutustel ennetavalt hallata potentsiaalseid riske.

Küsimused, mida kommenteerida

• Millist mõõdikut peaksid ettevõtted teie arvates kasutama oma krediidivõimekuse võrdlemiseks?
• Kuidas kujutate ette tehisintellekti muutmas inimeste krediidiriski analüütikute rolli tulevikus?