AI credit risk modelling: Pag-streamline ng credit risk operations

• May-akda:
• pangalan Author

  Quantumrun Foresight
• Pebrero 27, 2023

Ang problema sa pagmomodelo ng panganib sa kredito ay nagpahirap sa mga bangko sa loob ng ilang dekada. Nag-aalok ang mga machine learning at artificial intelligence (ML/AI) system ng mga bagong pamamaraan para pag-aralan ang data na kasangkot at magbigay ng mas dynamic, mas tumpak na mga modelo.

Konteksto ng pagmomodelo ng panganib sa kredito ng AI

Ang panganib sa kredito ay tumutukoy sa panganib na ang isang borrower ay magde-default sa kanilang mga pagbabayad sa utang, na magreresulta sa pagkawala ng mga cash flow para sa nagpapahiram. Upang masuri at pamahalaan ang panganib na ito, dapat tantyahin ng mga nagpapahiram ang mga salik gaya ng probability of default (PD), exposure at default (EAD), at loss-given default (LGD). Ang mga alituntunin ng Basel II, na inilathala noong 2004 at ipinatupad noong 2008, ay nagbibigay ng mga regulasyon para sa pamamahala ng panganib sa kredito sa industriya ng pagbabangko. Sa ilalim ng Unang Haligi ng Basel II, ang panganib sa kredito ay maaaring kalkulahin gamit ang isang standardized, isang panloob na pundasyon batay sa rating, o isang advanced na panloob na batay sa mga diskarte na batay sa.

Ang paggamit ng data analytics at AI/ML ay lalong naging laganap sa credit risk modeling. Ang mga tradisyunal na diskarte, tulad ng mga istatistikal na pamamaraan at mga marka ng kredito, ay dinagdagan ng mas advanced na mga diskarte na maaaring mas mahusay na pangasiwaan ang mga non-linear na relasyon at matukoy ang mga nakatagong feature sa data. Ang data ng pagpapahiram ng consumer, demograpiko, pananalapi, trabaho, at pag-uugali ay maaaring isama lahat sa mga modelo upang mapabuti ang kanilang kakayahang panghuhula. Sa pagpapahiram sa negosyo, kung saan walang karaniwang marka ng kredito, maaaring gumamit ang mga nagpapahiram ng mga sukatan ng kakayahang kumita ng negosyo upang masuri ang pagiging mapagkakatiwalaan. Magagamit din ang mga pamamaraan ng machine learning para sa pagbabawas ng dimensionality upang makabuo ng mga mas tumpak na modelo.

Nakakagambalang epekto

Sa pagpapatupad ng AI credit risk modeling, ang consumer at business lending ay maaaring gumamit ng mas tumpak at dynamic na mga modelo ng lending. Ang mga modelong ito ay nagbibigay sa mga nagpapahiram ng isang mas mahusay na pagtatasa sa kanilang mga nanghihiram at nagbibigay-daan para sa isang mas malusog na merkado ng pagpapautang. Ang diskarte na ito ay kapaki-pakinabang para sa mga nagpapahiram ng negosyo, dahil ang mga maliliit na negosyo ay walang benchmark upang hatulan ang kanilang pagiging mapagkakatiwalaan sa parehong paraan na gumagana ang mga karaniwang marka ng kredito para sa mga mamimili.

Ang isang potensyal na aplikasyon ng AI sa credit risk modeling ay ang paggamit ng natural na pagpoproseso ng wika (NLP) upang pag-aralan ang hindi nakaayos na data, gaya ng mga ulat ng kumpanya at mga artikulo ng balita, upang kunin ang may-katuturang impormasyon at makakuha ng mas malalim na pag-unawa sa sitwasyong pinansyal ng isang borrower. Ang isa pang potensyal na paggamit ay ang pagpapatupad ng maipaliwanag na AI (XAI), na maaaring magbigay ng insight sa proseso ng paggawa ng desisyon ng isang modelo at mapabuti ang transparency at pananagutan. Gayunpaman, ang paggamit ng AI sa credit risk modeling ay nagdudulot din ng mga etikal na alalahanin, tulad ng potensyal na pagkiling sa data na ginagamit upang sanayin ang mga modelo at ang pangangailangan para sa responsable at maipaliwanag na paggawa ng desisyon.

Ang isang halimbawa ng isang kumpanyang nag-e-explore sa paggamit ng AI sa credit risk ay ang Spin Analytics. Gumagamit ang startup ng AI upang awtomatikong magsulat ng mga ulat sa regulasyon sa pagmomodelo ng panganib sa kredito para sa mga institusyong pampinansyal. Ang platform ng kumpanya, ang RiskRobot, ay tumutulong sa mga bangko na pagsama-samahin, pagsamahin, at linisin ang data bago ito iproseso upang matiyak ang pagsunod sa mga regulasyon sa iba't ibang rehiyon, gaya ng US at Europe. Nagsusulat din ito ng mga detalyadong ulat para sa mga regulator upang matiyak ang katumpakan. Ang pagsulat ng mga ulat na ito ay karaniwang tumatagal ng 6-9 na buwan, ngunit sinasabi ng Spin Analytics na maaari nitong bawasan ang oras na iyon sa mas mababa sa dalawang linggo. 

Mga aplikasyon ng AI credit risk modeling

Maaaring kabilang sa ilang mga aplikasyon ng AI credit risk modeling ang:

• Ang mga bangko na gumagamit ng AI sa credit risk modeling upang makabuluhang bawasan ang oras at pagsisikap na kinakailangan upang makagawa ng mga detalyadong ulat, na nagpapahintulot sa mga institusyong pampinansyal na maglunsad ng mga bagong produkto nang mas mabilis at sa mas mababang halaga.
• Ang mga sistemang pinapagana ng AI ay ginagamit upang suriin ang malalaking halaga ng data nang mas mabilis at tumpak kaysa sa mga tao, na posibleng humahantong sa mas tumpak na mga pagtatasa ng panganib.
• Mas maraming 'unbanked' o 'underbanked' na mga tao at negosyo sa papaunlad na mundo na nakakakuha ng access sa mga serbisyong pinansyal dahil ang mga bagong tool sa pagmomodelo ng panganib sa kredito ay maaaring ilapat upang makita at mailapat ang mga pangunahing marka ng kredito sa hindi naseserbistang merkado na ito.
• Sinasanay ang mga human analyst na gumamit ng mga tool na nakabatay sa AI upang mabawasan ang panganib ng mga error.
• Ginagamit ang mga artificial intelligence system upang makita ang mga pattern ng mapanlinlang na aktibidad, na tumutulong sa mga institusyong pampinansyal na bawasan ang panganib ng mga mapanlinlang na pautang o mga aplikasyon ng kredito.
• Ang mga algorithm ng machine learning na sinasanay sa makasaysayang data upang makagawa ng mga hula tungkol sa panganib sa hinaharap, na nagpapahintulot sa mga institusyong pampinansyal na proactive na pamahalaan ang mga potensyal na pagkakalantad sa panganib.

Mga tanong na ikokomento

• Anong sukatan ang pinaniniwalaan mong dapat gamitin ng mga negosyo para i-benchmark ang kanilang pagiging credit?
• Paano mo naiisip na binabago ng AI ang papel ng mga analyst ng panganib sa kredito ng tao sa hinaharap?