AI վարկային ռիսկի մոդելավորում. վարկային ռիսկի գործառնությունների պարզեցում

• Հեղինակ:
• Հեղինակ անունը

  Quantumrun Հեռատեսություն
• Փետրվարի 27, 2023

Վարկային ռիսկի մոդելավորման խնդիրը տասնամյակներ շարունակ տանջում է բանկերին: Մեքենայական ուսուցման և արհեստական ​​ինտելեկտի (ML/AI) համակարգերն առաջարկում են նոր մեթոդներ՝ ներգրավված տվյալները վերլուծելու և ավելի դինամիկ, ավելի ճշգրիտ մոդելներ տրամադրելու համար:

AI վարկային ռիսկի մոդելավորման համատեքստ

Վարկային ռիսկը վերաբերում է այն ռիսկին, որ վարկառուն չկատարի իր վարկի վճարումները, ինչը կհանգեցնի վարկատուի համար դրամական միջոցների հոսքերի կորստի: Այս ռիսկը գնահատելու և կառավարելու համար վարկատուները պետք է գնահատեն այնպիսի գործոններ, ինչպիսիք են դեֆոլտի հավանականությունը (PD), դեֆոլտի ենթարկվածությունը (EAD) և կորուստներով պայմանավորված դեֆոլտը (LGD): Բազել II ուղեցույցը, որը հրապարակվել է 2004 թվականին և ներդրվել 2008 թվականին, նախատեսում է բանկային ոլորտում վարկային ռիսկի կառավարման կանոնակարգեր: Բազել II-ի Առաջին սյունի ներքո վարկային ռիսկը կարող է հաշվարկվել ստանդարտացված, ներքին հիմնարար վարկանիշի վրա հիմնված կամ առաջադեմ ներքին վարկանիշների վրա հիմնված մոտեցման միջոցով:

Տվյալների վերլուծության և AI/ML-ի օգտագործումը գնալով ավելի տարածված է դարձել վարկային ռիսկի մոդելավորման մեջ: Ավանդական մոտեցումները, ինչպիսիք են վիճակագրական մեթոդները և վարկային միավորները, լրացվել են ավելի առաջադեմ մեթոդներով, որոնք կարող են ավելի լավ կարգավորել ոչ գծային հարաբերությունները և բացահայտել տվյալների թաքնված հատկանիշները: Սպառողական վարկավորման, ժողովրդագրական, ֆինանսական, զբաղվածության և վարքագծային տվյալները կարող են ներառվել մոդելներում՝ բարելավելու դրանց կանխատեսման հնարավորությունները: Բիզնեսի վարկավորման դեպքում, որտեղ չկա ստանդարտ վարկային միավոր, վարկատուները կարող են օգտագործել բիզնեսի շահութաբերության ցուցանիշները՝ գնահատելու վարկունակությունը: Մեքենայի ուսուցման մեթոդները կարող են օգտագործվել նաև չափսերի կրճատման համար՝ ավելի ճշգրիտ մոդելներ ստեղծելու համար:

Խանգարող ազդեցություն

AI վարկային ռիսկի մոդելավորման ներդրմամբ սպառողական և բիզնեսի վարկավորումը կարող է կիրառել ավելի ճշգրիտ և դինամիկ վարկավորման մոդելներ: Այս մոդելները վարկատուներին ավելի լավ են գնահատում իրենց վարկառուները և թույլ են տալիս ավելի առողջ վարկավորման շուկա: Այս ռազմավարությունը շահավետ է բիզնես վարկատուների համար, քանի որ փոքր ձեռնարկությունները չունեն իրենց վարկունակությունը գնահատելու չափանիշ այնպես, ինչպես ստանդարտ վարկային միավորները գործում են սպառողների համար:

Վարկային ռիսկի մոդելավորման մեջ AI-ի պոտենցիալ կիրառություններից մեկը բնական լեզվի մշակման (NLP) օգտագործումն է՝ չկառուցված տվյալները վերլուծելու համար, ինչպիսիք են ընկերության հաշվետվությունները և նորությունների հոդվածները, համապատասխան տեղեկատվություն կորզելու և վարկառուի ֆինանսական վիճակի ավելի խորը պատկերացում ստանալու համար: Մեկ այլ պոտենցիալ օգտագործումը բացատրելի AI-ի (XAI) ներդրումն է, որը կարող է պատկերացում կազմել մոդելի որոշումների կայացման գործընթացի վերաբերյալ և բարելավել թափանցիկությունն ու հաշվետվողականությունը: Այնուամենայնիվ, AI-ի օգտագործումը վարկային ռիսկի մոդելավորման մեջ նաև առաջացնում է էթիկական մտահոգություններ, ինչպիսիք են մոդելների պատրաստման համար օգտագործվող տվյալների հնարավոր կողմնակալությունը և պատասխանատու և բացատրելի որոշումների կայացման անհրաժեշտությունը:

Վարկային ռիսկի մեջ AI-ի օգտագործումը ուսումնասիրող ընկերության օրինակ է Spin Analytics-ը: Ստարտափն օգտագործում է արհեստական ​​ինտելեկտը՝ ֆինանսական հաստատությունների համար վարկային ռիսկի մոդելավորման կարգավորման հաշվետվություններ ավտոմատ կերպով գրելու համար: Ընկերության՝ RiskRobot հարթակը օգնում է բանկերին հավաքել, միավորել և մաքրել տվյալները՝ նախքան դրանք մշակելը, որպեսզի ապահովեն համապատասխանությունը տարբեր տարածաշրջանների կանոնակարգերին, ինչպիսիք են ԱՄՆ-ը և Եվրոպան: Այն նաև մանրամասն հաշվետվություններ է գրում կարգավորիչների համար՝ ճշգրտությունն ապահովելու համար: Այս հաշվետվությունները գրելը սովորաբար տևում է 6-9 ամիս, սակայն Spin Analytics-ը պնդում է, որ այն կարող է կրճատել այդ ժամանակը մինչև երկու շաբաթ: 

AI վարկային ռիսկի մոդելավորման կիրառություններ

AI վարկային ռիսկի մոդելավորման որոշ կիրառություններ կարող են ներառել.

• Բանկերը, որոնք օգտագործում են AI վարկային ռիսկի մոդելավորման մեջ, զգալիորեն կրճատելու են մանրամասն հաշվետվություններ պատրաստելու համար պահանջվող ժամանակը և ջանքերը՝ թույլ տալով ֆինանսական հաստատություններին ավելի արագ և ավելի ցածր գնով գործարկել նոր ապրանքներ:
• AI-ով աշխատող համակարգեր, որոնք օգտագործվում են մեծ քանակությամբ տվյալների ավելի արագ և ճշգրիտ վերլուծելու համար, քան մարդիկ, ինչը կարող է հանգեցնել ավելի ճշգրիտ ռիսկերի գնահատման:
• Զարգացող աշխարհում ավելի շատ «առանց բանկային» կամ «թերբանկային» մարդիկ և բիզնեսները հասանելիություն են ստանում ֆինանսական ծառայություններից, քանի որ վարկային ռիսկի մոդելավորման այս նոր գործիքները կարող են կիրառվել այս թերսպասարկվող շուկայում հիմնական վարկային միավորները պարզելու և կիրառելու համար:
• Մարդկային վերլուծաբանները ուսուցանում են՝ օգտագործելու արհեստական ​​ինտելեկտի վրա հիմնված գործիքներ՝ նվազեցնելու սխալների ռիսկը:
• Արհեստական ​​ինտելեկտի համակարգերն օգտագործվում են խարդախության օրինաչափությունները հայտնաբերելու համար՝ օգնելով ֆինանսական հաստատություններին նվազեցնել խարդախ վարկերի կամ վարկային հայտերի ռիսկը:
• Մեքենայական ուսուցման ալգորիթմները վերապատրաստվում են պատմական տվյալների վրա՝ ապագա ռիսկերի վերաբերյալ կանխատեսումներ անելու համար, ինչը ֆինանսական հաստատություններին թույլ է տալիս ակտիվորեն կառավարել պոտենցիալ ռիսկերը:

Հարցեր մեկնաբանելու համար

• Ի՞նչ չափանիշ եք կարծում, որ ձեռնարկությունները պետք է օգտագործեն իրենց վարկունակությունը չափելու համար:
• Ինչպե՞ս եք պատկերացնում, որ AI-ն ապագայում կփոխի մարդկային վարկային ռիսկի վերլուծաբանների դերը: