AI modeliranje kreditnog rizika: Racionalizacija operacija kreditnog rizika

• Autor:
• Ime autora

  Quantumrun Foresight
• Februar 27, 2023

Problem modeliranja kreditnog rizika decenijama muči banke. Sistemi mašinskog učenja i veštačke inteligencije (ML/AI) nude nove metode za analizu uključenih podataka i obezbeđuju dinamičnije i preciznije modele.

Kontekst modeliranja kreditnog rizika AI

Kreditni rizik se odnosi na rizik da zajmoprimac ne plati svoje kredite, što rezultira gubitkom novčanih tokova za zajmodavca. Da bi procijenili i upravljali ovim rizikom, zajmodavci moraju procijeniti faktore kao što su vjerovatnoća neizvršenja obaveza (PD), izloženost u slučaju neizvršenja obaveza (EAD) i neizvršenje obaveza zbog gubitka (LGD). Smjernice Basel II, objavljene 2004. godine i implementirane 2008. godine, daju propise za upravljanje kreditnim rizikom u bankarskoj industriji. Prema Prvom stubu Bazela II, kreditni rizik se može izračunati korišćenjem standardizovanog pristupa zasnovanog na internom osnovu ili naprednog internog pristupa zasnovanog na rejtingu.

Upotreba analitike podataka i AI/ML postaje sve zastupljenija u modeliranju kreditnog rizika. Tradicionalni pristupi, kao što su statističke metode i kreditni rezultati, dopunjeni su naprednijim tehnikama koje mogu bolje upravljati nelinearnim odnosima i identificirati latentne karakteristike u podacima. Potrošački krediti, demografski, finansijski, podaci o zapošljavanju i ponašanju svi se mogu ugraditi u modele kako bi se poboljšala njihova sposobnost predviđanja. U poslovnom kreditiranju, gdje ne postoji standardni kreditni rezultat, zajmodavci mogu koristiti metriku profitabilnosti poslovanja za procjenu kreditne sposobnosti. Metode strojnog učenja također se mogu koristiti za smanjenje dimenzionalnosti kako bi se izgradili precizniji modeli.

Ometajući uticaj

Uz implementaciju AI modeliranja kreditnog rizika, kreditiranje potrošača i poslovanja može koristiti preciznije i dinamičnije modele kreditiranja. Ovi modeli daju zajmodavcima bolju procjenu svojih zajmoprimaca i omogućavaju zdravije tržište pozajmljivanja. Ova strategija je korisna za poslovne zajmodavce, jer manja preduzeća nemaju mjerilo za procjenu njihove kreditne sposobnosti na isti način na koji standardni kreditni rezultati funkcionišu za potrošače.

Jedna od potencijalnih primjena AI u modeliranju kreditnog rizika je korištenje obrade prirodnog jezika (NLP) za analizu nestrukturiranih podataka, kao što su izvještaji kompanije i novinski članci, kako bi se izvukle relevantne informacije i stekla dublje razumijevanje finansijske situacije zajmoprimca. Druga potencijalna upotreba je implementacija objašnjive AI (XAI), koja može pružiti uvid u proces donošenja odluka o modelu i poboljšati transparentnost i odgovornost. Međutim, korištenje AI u modeliranju kreditnog rizika također izaziva etičku zabrinutost, kao što je potencijalna pristrasnost u podacima koji se koriste za obuku modela i potreba za odgovornim i objašnjivim donošenjem odluka.

Primjer kompanije koja istražuje korištenje AI u kreditnom riziku je Spin Analytics. Startup koristi AI za automatsko pisanje izvještaja o regulaciji kreditnog rizika za finansijske institucije. Platforma kompanije, RiskRobot, pomaže bankama da agregiraju, spoje i očiste podatke prije obrade kako bi se osigurala usklađenost sa propisima u različitim regijama, kao što su SAD i Evropa. Takođe piše detaljne izvještaje za regulatore kako bi se osigurala tačnost. Pisanje ovih izvještaja obično traje 6-9 mjeseci, ali Spin Analytics tvrdi da to vrijeme može smanjiti na manje od dvije sedmice. 

Primjena AI modeliranja kreditnog rizika

Neke primjene AI modeliranja kreditnog rizika mogu uključivati:

• Banke koje koriste AI u modeliranju kreditnog rizika kako bi značajno smanjile vrijeme i trud potrebno za izradu detaljnih izvještaja, omogućavajući finansijskim institucijama da brže i po nižoj cijeni lansiraju nove proizvode.
• Sistemi sa vještačkom inteligencijom koji se koriste za analizu velikih količina podataka brže i preciznije od ljudi, što potencijalno dovodi do preciznijih procjena rizika.
• Više 'nebankarskih' ili 'podbankarskih' ljudi i preduzeća u svijetu u razvoju dobijaju pristup finansijskim uslugama jer se ovi novi alati za modeliranje kreditnog rizika mogu primijeniti kako bi se uočili i primijenili osnovni kreditni rezultati na ovom nedovoljno usluženom tržištu.
• Ljudski analitičari su obučeni da koriste alate zasnovane na umjetnoj inteligenciji kako bi smanjili rizik od grešaka.
• Sistemi umjetne inteligencije koji se koriste za otkrivanje obrazaca lažnih aktivnosti, pomažući finansijskim institucijama da smanje rizik od lažnih kredita ili zahtjeva za kredit.
• Algoritmi mašinskog učenja se obučavaju na istorijskim podacima kako bi mogli da predviđaju budući rizik, omogućavajući finansijskim institucijama da proaktivno upravljaju potencijalnom izloženošću riziku.

Pitanja za komentar

• Koju metriku po vašem mišljenju preduzeća treba da koriste za određivanje svoje kreditne sposobnosti?
• Kako zamišljate da će AI u budućnosti promijeniti ulogu analitičara kreditnog rizika?