AI საკრედიტო რისკის მოდელირება: საკრედიტო რისკის ოპერაციების გამარტივება

• ავტორი:
• ავტორის სახელი

  Quantumrun Foresight
• თებერვალი 27, 2023

საკრედიტო რისკის მოდელირების პრობლემა ბანკებს ათწლეულების განმავლობაში აწუხებდა. მანქანათმცოდნეობის და ხელოვნური ინტელექტის (ML/AI) სისტემები გვთავაზობენ ახალ მეთოდებს ჩართული მონაცემების გასაანალიზებლად და უფრო დინამიური, უფრო ზუსტი მოდელების შესაქმნელად.

AI საკრედიტო რისკის მოდელირების კონტექსტი

საკრედიტო რისკი ეხება რისკს, რომ მსესხებელი დაასრულებს სესხის გადახდას, რაც გამოიწვევს კრედიტორისთვის ფულადი ნაკადების დაკარგვას. ამ რისკის შესაფასებლად და სამართავად, გამსესხებლებმა უნდა შეაფასონ ისეთი ფაქტორები, როგორიცაა დეფოლტის ალბათობა (PD), დეფოლტის ზემოქმედება (EAD) და ზარალიდან მიღებული დეფოლტი (LGD). 2004 წელს გამოქვეყნებული და 2008 წელს განხორციელებული ბაზელ II გაიდლაინები ითვალისწინებს საბანკო ინდუსტრიაში საკრედიტო რისკის მართვის რეგულაციებს. ბაზელ II-ის პირველი სვეტის მიხედვით, საკრედიტო რისკი შეიძლება გამოითვალოს სტანდარტიზებული, შიდა საძირკველზე დაფუძნებული ან მოწინავე შიდა რეიტინგებზე დაფუძნებული მიდგომის გამოყენებით.

მონაცემთა ანალიტიკისა და AI/ML-ის გამოყენება სულ უფრო გავრცელებული ხდება საკრედიტო რისკის მოდელირებაში. ტრადიციული მიდგომები, როგორიცაა სტატისტიკური მეთოდები და საკრედიტო ქულები, დაემატა უფრო მოწინავე ტექნიკით, რომლებიც უკეთესად უმკლავდებიან არაწრფივ ურთიერთობებს და იდენტიფიცირებენ მონაცემთა ფარული მახასიათებლებს. სამომხმარებლო დაკრედიტების, დემოგრაფიული, ფინანსური, დასაქმების და ქცევითი მონაცემები შეიძლება ჩართული იყოს მოდელებში მათი პროგნოზირების უნარის გასაუმჯობესებლად. ბიზნესის დაკრედიტებისას, სადაც არ არის სტანდარტული საკრედიტო ქულა, კრედიტორებმა შეიძლება გამოიყენონ ბიზნესის მომგებიანობის მეტრიკა კრედიტუნარიანობის შესაფასებლად. მანქანური სწავლების მეთოდები ასევე შეიძლება გამოყენებულ იქნას განზომილების შემცირებისთვის უფრო ზუსტი მოდელების შესაქმნელად.

დამრღვევი გავლენა

ხელოვნური ინტელექტის საკრედიტო რისკის მოდელირების დანერგვით, სამომხმარებლო და ბიზნეს სესხებს შეუძლიათ გამოიყენონ უფრო ზუსტი და დინამიური დაკრედიტების მოდელები. ეს მოდელები კრედიტორებს უკეთესად აფასებენ თავიანთი მსესხებლების შესახებ და იძლევა უფრო ჯანსაღ დაკრედიტების ბაზარს. ეს სტრატეგია მომგებიანია ბიზნესის გამსესხებლებისთვის, რადგან მცირე საწარმოებს არ აქვთ კრიტერიუმი, რომ შეაფასონ მათი კრედიტუნარიანობა ისე, როგორც სტანდარტული საკრედიტო ქულები ფუნქციონირებს მომხმარებლებისთვის.

საკრედიტო რისკის მოდელირებაში ხელოვნური ინტელექტის ერთ-ერთი პოტენციური გამოყენება არის ბუნებრივი ენის დამუშავების (NLP) გამოყენება არასტრუქტურირებული მონაცემების გასაანალიზებლად, როგორიცაა კომპანიის ანგარიშები და ახალი ამბების სტატიები, შესაბამისი ინფორმაციის მოსაპოვებლად და მსესხებლის ფინანსური მდგომარეობის უფრო ღრმა გაგებისთვის. კიდევ ერთი პოტენციური გამოყენება არის ახსნადი ხელოვნური ინტელექტის (XAI) დანერგვა, რომელსაც შეუძლია წარმოადგინოს მოდელის გადაწყვეტილების მიღების პროცესი და გააუმჯობესოს გამჭვირვალობა და ანგარიშვალდებულება. თუმცა, ხელოვნური ინტელექტის გამოყენება საკრედიტო რისკის მოდელირებაში ასევე იწვევს ეთიკურ შეშფოთებას, როგორიცაა მოდელების მომზადებისთვის გამოყენებული მონაცემების პოტენციური მიკერძოება და პასუხისმგებელი და ახსნადი გადაწყვეტილების მიღების აუცილებლობა.

კომპანიის მაგალითი, რომელიც იკვლევს ხელოვნური ინტელექტის გამოყენებას საკრედიტო რისკში, არის Spin Analytics. სტარტაპი იყენებს AI-ს საკრედიტო რისკის მოდელირების რეგულირების ანგარიშების ავტომატურად დასაწერად ფინანსური ინსტიტუტებისთვის. კომპანიის პლატფორმა, RiskRobot, ეხმარება ბანკებს მონაცემთა აგრეგაციაში, გაერთიანებაში და გაწმენდაში მის დამუშავებამდე, რათა უზრუნველყონ სხვადასხვა რეგიონის რეგულაციების დაცვა, როგორიცაა აშშ და ევროპა. ის ასევე წერს დეტალურ ანგარიშებს რეგულატორებისთვის სიზუსტის უზრუნველსაყოფად. ამ მოხსენებების დაწერას ჩვეულებრივ 6-9 თვე სჭირდება, მაგრამ Spin Analytics ირწმუნება, რომ მას შეუძლია შეამციროს ეს დრო ორ კვირაზე ნაკლებ დრომდე. 

AI საკრედიტო რისკის მოდელირების აპლიკაციები

AI საკრედიტო რისკის მოდელირების ზოგიერთი პროგრამა შეიძლება შეიცავდეს:

• ბანკები, რომლებიც იყენებენ ხელოვნურ ინტელექტს საკრედიტო რისკის მოდელირებაში, რათა მნიშვნელოვნად შეამცირონ დეტალური ანგარიშების წარმოებისთვის საჭირო დრო და ძალისხმევა, რაც საშუალებას აძლევს ფინანსურ ინსტიტუტებს გამოუშვან ახალი პროდუქტები უფრო სწრაფად და დაბალ ფასად.
• ხელოვნური ინტელექტის მქონე სისტემები გამოიყენება დიდი რაოდენობით მონაცემების უფრო სწრაფად და ზუსტად გასაანალიზებლად, ვიდრე ადამიანები, რაც პოტენციურად გამოიწვევს რისკის უფრო ზუსტ შეფასებას.
• განვითარებად სამყაროში უფრო „უბანკო“ ან „ბანკქვეშა“ ხალხი და ბიზნესი იძენს ფინანსურ სერვისებზე წვდომას, რადგან ეს ახალი საკრედიტო რისკის მოდელირების ინსტრუმენტები შეიძლება გამოყენებულ იქნას ძირითადი საკრედიტო ქულების გასარკვევად და გამოსაყენებლად ამ ნაკლებმომსახურებულ ბაზარზე.
• ანალიტიკოსები სწავლობენ AI-ზე დაფუძნებული ინსტრუმენტების გამოყენებას შეცდომების რისკის შესამცირებლად.
• ხელოვნური ინტელექტის სისტემები გამოიყენება თაღლითური საქმიანობის ნიმუშების გამოსავლენად, რაც ეხმარება ფინანსურ ინსტიტუტებს შეამცირონ თაღლითური სესხების ან საკრედიტო განაცხადების რისკი.
• მანქანათმცოდნეობის ალგორითმები სწავლობენ ისტორიულ მონაცემებს მომავალი რისკის შესახებ პროგნოზების გასაკეთებლად, რაც საშუალებას აძლევს ფინანსურ ინსტიტუტებს პროაქტიულად მართონ პოტენციური რისკის ზემოქმედება.

კითხვები კომენტარისთვის

• როგორ ფიქრობთ, რა მეტრიკა უნდა გამოიყენონ ბიზნესებმა თავიანთი კრედიტუნარიანობის შესაფასებლად?
• როგორ წარმოგიდგენიათ ხელოვნური ინტელექტის შეცვლა ადამიანური საკრედიტო რისკის ანალიტიკოსების როლის მომავალში?