AI-kredytrisikomodellering: streamlining fan kredytrisiko-operaasjes

• Skriuwer:
• Namme fan auteur

  Quantumrun Foresight
• Febrewaris 27, 2023

It probleem fan it modellearjen fan kredytrisiko hat banken al tsientallen jierren pleage. Masine learen en keunstmjittige yntelliginsje (ML / AI) systemen biede nije metoaden om de belutsen gegevens te analysearjen en mear dynamyske, krekter modellen te leverjen.

AI kredytrisiko modeling kontekst

Kredytrisiko ferwiist nei it risiko dat in liener de betellingen fan har liening standert sil, wat resulteart yn in ferlies fan cashflows foar de jildsjitter. Om dit risiko te beoardieljen en te behearjen, moatte lieners faktoaren skatten lykas de kâns op standert (PD), de eksposysje by standert (EAD), en de ferlies opjûne standert (LGD). De Basel II-rjochtlinen, publisearre yn 2004 en ymplementearre yn 2008, jouwe regeljouwing foar it behearen fan kredytrisiko yn 'e banksektor. Under de Earste Pylder fan Basel II kin kredytrisiko wurde berekkene mei in standerdisearre, in ynterne stifting-rating-basearre, of in avansearre ynterne rating-basearre oanpak.

It gebrûk fan gegevensanalytyk en AI / ML is hieltyd mear foarkommen yn kredytrisikomodellering. Tradysjonele oanpakken, lykas statistyske metoaden en kredytskoares, binne oanfolle troch mear avansearre techniken dy't net-lineêre relaasjes better kinne omgean en latinte funksjes yn 'e gegevens identifisearje. Gegevens oer konsumintelieningen, demografyske, finansjele, wurkgelegenheid en gedrachsgegevens kinne allegear wurde opnaam yn modellen om har foarsizzend fermogen te ferbetterjen. Yn bedriuwslieningen, wêr't gjin standert kredytscore is, kinne lieners bedriuwen profitabiliteitsmetriken brûke om kredytweardigens te beoardieljen. Masine learmetoaden kinne ek brûkt wurde foar dimensjereduksje om krekter modellen te bouwen.

Disruptive ynfloed

Mei de ymplemintaasje fan AI-kredytrisikomodellen kinne konsumint- en saaklike lieningen krekter en dynamyske lienmodellen brûke. Dizze modellen jouwe lieners in bettere beoardieling fan har lieners en soargje foar in sûnere lieningsmerk. Dizze strategy is foardielich foar saaklike lieners, om't lytsere bedriuwen gjin benchmark hawwe om har kredytweardigens te beoardieljen op deselde manier as standert kredytscores funksjonearje foar konsuminten.

Ien potinsjele tapassing fan AI yn kredytrisikomodellering is it brûken fan natuerlike taalferwurking (NLP) om ûnstrukturearre gegevens te analysearjen, lykas bedriuwsrapporten en nijsartikels, om relevante ynformaasje te ekstrahearjen en in djipper begryp te krijen fan 'e finansjele situaasje fan in liener. In oar mooglik gebrûk is de ymplemintaasje fan ferklearre AI (XAI), dy't ynsjoch kinne jaan yn it beslútfoarmingsproses fan in model en de transparânsje en ferantwurding ferbetterje kin. It brûken fan AI yn modeling foar kredytrisiko ropt lykwols ek etyske soargen op, lykas potinsjele foaroardielen yn 'e gegevens dy't brûkt wurde om modellen te trainen en de needsaak foar ferantwurdlike en ferklearjende beslútfoarming.

In foarbyld fan in bedriuw dat it gebrûk fan AI yn kredytrisiko ferkent is Spin Analytics. De opstart brûkt AI om automatysk rapporten foar regeljouwing foar kredytrisikomodellen te skriuwen foar finansjele ynstellingen. It platfoarm fan it bedriuw, RiskRobot, helpt banken gegevens te aggregearjen, fusearje en skjin te meitsjen foardat se ferwurkje om te garandearjen neilibjen fan regeljouwing yn ferskate regio's, lykas de FS en Jeropa. It skriuwt ek detaillearre rapporten foar tafersjochhâlders om krektens te garandearjen. It skriuwen fan dizze rapporten duorret typysk 6-9 moannen, mar Spin Analytics beweart dat it dy tiid kin ferminderje nei minder dan twa wiken. 

Applikaasjes fan AI kredytrisikomodellering

Guon tapassingen fan AI-kredytrisikomodellering kinne omfetsje:

• Banken dy't AI brûke yn modeling fan kredytrisiko's om de tiid en ynspanningen dy't nedich binne foar it produsearjen fan detaillearre rapporten signifikant te ferminderjen, wêrtroch finansjele ynstellingen nije produkten rapper en tsjin legere kosten kinne lansearje.
• AI-oandreaune systemen wurde brûkt om grutte hoemannichten gegevens rapper en krekter te analysearjen dan minsken, wat mooglik liedt ta krekter risiko-beoardielingen.
• Mear 'unbanked' as 'underbanked' minsken en bedriuwen yn 'e ûntwikkelingswrâld krije tagong ta finansjele tsjinsten, om't dizze nije ark foar kredytrisikomodellearjen kinne wurde tapast om basiskredytscores te ûnderskieden en ta te passen op dizze underserved merk.
• Human analysten wurde oplaat om AI-basearre ark te brûken om it risiko op flaters te ferminderjen.
• Systemen foar keunstmjittige yntelliginsje wurde brûkt om patroanen fan frauduleuze aktiviteit te ûntdekken, en helpe finansjele ynstellingen it risiko fan frauduleuze lieningen of kredytapplikaasjes te ferminderjen.
• Masine-learalgoritmen wurde oplaat op histoaryske gegevens om foarsizzingen te meitsjen oer takomstige risiko's, wêrtroch finansjele ynstellingen proaktyf potinsjele risiko-eksposysjes kinne beheare.

Fragen om reaksjes te jaan

• Hokker metrik leauwe jo dat bedriuwen moatte brûke om har kredytweardigens te benchmarken?
• Hoe foarstelle jo dat AI de rol fan analisten foar minsklike kredytrisiko yn 'e takomst feroaret?