Pemodelan risiko kredit AI: Memperkemas operasi risiko kredit

• Pengarang
• Nama pengarang

  Quantumrun Foresight
• Februari 27, 2023

Masalah pemodelan risiko kredit telah melanda bank selama beberapa dekad. Sistem pembelajaran mesin dan kecerdasan buatan (ML/AI) menawarkan kaedah baharu untuk menganalisis data yang terlibat dan menyediakan model yang lebih dinamik dan lebih tepat.

Konteks pemodelan risiko kredit AI

Risiko kredit merujuk kepada risiko bahawa peminjam akan mungkir pembayaran pinjaman mereka, mengakibatkan kehilangan aliran tunai bagi pemberi pinjaman. Untuk menilai dan mengurus risiko ini, pemberi pinjaman mesti menganggarkan faktor seperti kebarangkalian mungkir (PD), pendedahan pada lalai (EAD) dan lalai akibat kerugian (LGD). Garis panduan Basel II, yang diterbitkan pada tahun 2004 dan dilaksanakan pada tahun 2008, menyediakan peraturan untuk menguruskan risiko kredit dalam industri perbankan. Di bawah Tiang Pertama Basel II, risiko kredit boleh dikira menggunakan pendekatan berasaskan penilaian asas yang standard, berasaskan penilaian dalaman atau pendekatan berasaskan penilaian dalaman lanjutan.

Penggunaan analisis data dan AI/ML telah menjadi semakin berleluasa dalam pemodelan risiko kredit. Pendekatan tradisional, seperti kaedah statistik dan skor kredit, telah ditambah dengan teknik yang lebih maju yang boleh mengendalikan perhubungan bukan linear dengan lebih baik dan mengenal pasti ciri terpendam dalam data. Data pinjaman pengguna, demografi, kewangan, pekerjaan dan tingkah laku semuanya boleh digabungkan ke dalam model untuk meningkatkan keupayaan ramalan mereka. Dalam pinjaman perniagaan, jika tiada skor kredit standard, pemberi pinjaman boleh menggunakan metrik keuntungan perniagaan untuk menilai kelayakan kredit. Kaedah pembelajaran mesin juga boleh digunakan untuk pengurangan dimensi untuk membina model yang lebih tepat.

Kesan yang mengganggu

Dengan pelaksanaan pemodelan risiko kredit AI, pinjaman pengguna dan perniagaan boleh menggunakan model pinjaman yang lebih tepat dan dinamik. Model ini memberi pemberi pinjaman penilaian yang lebih baik terhadap peminjam mereka dan membolehkan pasaran pinjaman yang lebih sihat. Strategi ini bermanfaat untuk pemberi pinjaman perniagaan, kerana perusahaan yang lebih kecil tidak mempunyai penanda aras untuk menilai kelayakan kredit mereka dengan cara yang sama skor kredit standard berfungsi untuk pengguna.

Satu aplikasi berpotensi AI dalam pemodelan risiko kredit ialah menggunakan pemprosesan bahasa semula jadi (NLP) untuk menganalisis data tidak berstruktur, seperti laporan syarikat dan artikel berita, untuk mengekstrak maklumat yang berkaitan dan mendapatkan pemahaman yang lebih mendalam tentang situasi kewangan peminjam. Satu lagi potensi penggunaan ialah pelaksanaan AI (XAI) yang boleh dijelaskan, yang boleh memberikan gambaran tentang proses membuat keputusan model dan meningkatkan ketelusan dan akauntabiliti. Walau bagaimanapun, penggunaan AI dalam pemodelan risiko kredit juga menimbulkan kebimbangan etika, seperti potensi berat sebelah dalam data yang digunakan untuk melatih model dan keperluan untuk membuat keputusan yang bertanggungjawab dan boleh dijelaskan.

Contoh syarikat yang meneroka penggunaan AI dalam risiko kredit ialah Spin Analytics. Permulaan menggunakan AI untuk menulis laporan peraturan pemodelan risiko kredit secara automatik untuk institusi kewangan. Platform syarikat, RiskRobot, membantu bank mengagregat, menggabungkan dan membersihkan data sebelum memprosesnya untuk memastikan pematuhan terhadap peraturan di rantau yang berbeza, seperti AS dan Eropah. Ia juga menulis laporan terperinci untuk pengawal selia untuk memastikan ketepatan. Menulis laporan ini biasanya mengambil masa 6-9 bulan, tetapi Analitis Putaran mendakwa ia boleh mengurangkan masa itu kepada kurang daripada dua minggu. 

Aplikasi pemodelan risiko kredit AI

Beberapa aplikasi pemodelan risiko kredit AI mungkin termasuk:

• Bank yang menggunakan AI dalam pemodelan risiko kredit untuk mengurangkan dengan ketara masa dan usaha yang diperlukan untuk menghasilkan laporan terperinci, membolehkan institusi kewangan melancarkan produk baharu dengan lebih cepat dan pada kos yang lebih rendah.
• Sistem berkuasa AI digunakan untuk menganalisis sejumlah besar data dengan lebih cepat dan tepat berbanding manusia, yang berpotensi membawa kepada penilaian risiko yang lebih tepat.
• Lebih ramai orang dan perniagaan yang 'tidak mempunyai bank' atau 'terkurang bank' di negara membangun mendapat akses kepada perkhidmatan kewangan kerana alat pemodelan risiko kredit baharu ini boleh digunakan untuk membezakan dan menggunakan skor kredit asas kepada pasaran yang kurang mendapat perkhidmatan ini.
• Penganalisis manusia sedang dilatih untuk menggunakan alat berasaskan AI untuk mengurangkan risiko ralat.
• Sistem kecerdasan buatan digunakan untuk mengesan corak aktiviti penipuan, membantu institusi kewangan mengurangkan risiko pinjaman atau permohonan kredit penipuan.
• Algoritma pembelajaran mesin dilatih mengenai data sejarah untuk membuat ramalan tentang risiko masa depan, membolehkan institusi kewangan mengurus potensi pendedahan risiko secara proaktif.

Soalan untuk diulas

• Apakah metrik yang anda percaya perlu digunakan oleh perniagaan untuk menanda aras kelayakan kredit mereka?
• Bagaimanakah anda membayangkan AI mengubah peranan penganalisis risiko kredit manusia pada masa hadapan?