AI kredito rizikos modeliavimas: kredito rizikos operacijų supaprastinimas

• Autorius:
• autoriaus vardas

  Quantumrun Foresight
• Vasaris 27, 2023

Kredito rizikos modeliavimo problema bankus kamuoja dešimtmečius. Mašininio mokymosi ir dirbtinio intelekto (ML/AI) sistemos siūlo naujus metodus, leidžiančius analizuoti susijusius duomenis ir pateikti dinamiškesnius, tikslesnius modelius.

AI kredito rizikos modeliavimo kontekstas

Kredito rizika reiškia riziką, kad skolininkas nevykdys paskolos įmokų, todėl skolintojas praras pinigų srautus. Norėdami įvertinti ir valdyti šią riziką, skolintojai turi įvertinti tokius veiksnius kaip įsipareigojimų neįvykdymo tikimybė (PD), įsipareigojimų neįvykdymo rizika (EAD) ir nuostolių neįvykdymo įsipareigojimas (LGD). Bazelio II gairėse, paskelbtose 2004 m. ir įgyvendintose 2008 m., pateikiamos kredito rizikos valdymo bankų sektoriuje taisyklės. Pagal pirmąjį Bazelio II ramstį kredito rizika gali būti apskaičiuojama taikant standartizuotą, vidiniais reitingais pagrįstą arba išplėstinį vidaus reitingais pagrįstą metodą.

Duomenų analizės ir AI/ML naudojimas tapo vis labiau paplitęs kredito rizikos modeliavime. Tradiciniai metodai, tokie kaip statistiniai metodai ir kredito balai, buvo papildyti pažangesniais metodais, kurie gali geriau valdyti nelinijinius ryšius ir nustatyti latentinius duomenų požymius. Vartojimo skolinimo, demografiniai, finansiniai, užimtumo ir elgsenos duomenys gali būti įtraukti į modelius, siekiant pagerinti jų prognozavimo galimybes. Verslo skolinimo atveju, kai nėra standartinio kredito balo, skolintojai kreditingumui įvertinti gali naudoti verslo pelningumo rodiklius. Mašininio mokymosi metodai taip pat gali būti naudojami matmenų mažinimui, siekiant sukurti tikslesnius modelius.

Trikdantis poveikis

Įdiegus AI kredito rizikos modeliavimą, vartotojų ir verslo skolinimui gali būti naudojami tikslesni ir dinamiškesni skolinimo modeliai. Šie modeliai leidžia skolintojams geriau įvertinti savo skolininkus ir sukurti sveikesnę skolinimo rinką. Ši strategija naudinga verslo skolintojams, nes mažesnės įmonės neturi gairių, leidžiančių įvertinti savo kreditingumą taip, kaip standartiniai kredito balai veikia vartotojams.

Vienas iš galimų dirbtinio intelekto taikymo būdų kredito rizikos modeliavime yra natūralios kalbos apdorojimo (NLP) naudojimas nestruktūriniams duomenims, pvz., įmonių ataskaitoms ir naujienų straipsniams, analizuoti, siekiant išgauti svarbią informaciją ir giliau suprasti skolininko finansinę padėtį. Kitas galimas panaudojimas yra paaiškinamo AI (XAI) įdiegimas, kuris gali suteikti įžvalgos apie modelio sprendimų priėmimo procesą ir pagerinti skaidrumą bei atskaitomybę. Tačiau dirbtinio intelekto naudojimas kredito rizikos modeliavime taip pat kelia etinių problemų, pvz., galimas modeliams parengti naudojamų duomenų šališkumas ir atsakingo bei paaiškinamo sprendimų priėmimo poreikis.

Įmonės, tiriančios AI naudojimą kredito rizikai, pavyzdys yra „Spin Analytics“. Startuolis naudoja dirbtinį intelektą, kad automatiškai rašytų kredito rizikos modeliavimo reguliavimo ataskaitas finansų įstaigoms. Bendrovės platforma „RiskRobot“ padeda bankams apibendrinti, sujungti ir išvalyti duomenis prieš juos apdorojant, kad būtų užtikrintas įvairių regionų, pavyzdžiui, JAV ir Europos, taisyklių laikymasis. Ji taip pat rašo išsamias ataskaitas reguliavimo institucijoms, kad užtikrintų tikslumą. Šių ataskaitų rašymas paprastai užtrunka 6–9 mėnesius, tačiau „Spin Analytics“ teigia, kad tai gali sutrumpinti šį laiką iki mažiau nei dviejų savaičių. 

AI kredito rizikos modeliavimo taikymai

Kai kurios AI kredito rizikos modeliavimo programos gali apimti:

• Bankai, naudojantys dirbtinį intelektą kredito rizikos modeliavime, kad žymiai sumažintų laiką ir pastangas, reikalingus išsamioms ataskaitoms parengti, todėl finansų įstaigos galėtų greičiau ir pigiau pristatyti naujus produktus.
• Dirbtinio intelekto sistemos naudojamos dideliems duomenų kiekiams analizuoti greičiau ir tiksliau nei žmonės, todėl gali būti atliekami tikslesni rizikos vertinimai.
• Besivystančiame pasaulyje daugiau žmonių ir įmonių, neturinčių bankų arba neturinčių bankų, gauna prieigą prie finansinių paslaugų, nes šios naujos kredito rizikos modeliavimo priemonės gali būti taikomos norint nustatyti ir pritaikyti pagrindinius kredito balus šioje nepakankamai aptarnaujamoje rinkoje.
• Žmonių analitikai mokomi naudoti dirbtinio intelekto įrankius, kad sumažintų klaidų riziką.
• Dirbtinio intelekto sistemos naudojamos apgaulingos veiklos modeliams aptikti, padedant finansų įstaigoms sumažinti nesąžiningų paskolų ar kredito paraiškų riziką.
• Mašininio mokymosi algoritmai mokomi remiantis istoriniais duomenimis, kad būtų galima prognozuoti būsimą riziką, leidžiančią finansų įstaigoms aktyviai valdyti galimą riziką.

Klausimai komentuoti

• Kokią metriką, jūsų nuomone, įmonės turėtų naudoti siekdamos palyginti savo kreditingumą?
• Kaip, jūsų manymu, dirbtinis intelektas pakeis žmogaus kredito rizikos analitikų vaidmenį ateityje?