AI-kredietrisicomodellering: het stroomlijnen van kredietrisico-operaties

• Auteur:
• auteursnaam

  Quantumrun-prognose
• 27 februari 2023

Banken worden al tientallen jaren geplaagd door het probleem van het modelleren van kredietrisico. Machine learning en kunstmatige intelligentie (ML/AI)-systemen bieden nieuwe methoden om de betrokken gegevens te analyseren en dynamischere, nauwkeurigere modellen te bieden.

Context van AI-kredietrisicomodellering

Kredietrisico verwijst naar het risico dat een lener zijn lening niet kan betalen, wat resulteert in een verlies van kasstromen voor de kredietgever. Om dit risico te beoordelen en te beheersen, moeten kredietverstrekkers factoren inschatten zoals de kans op wanbetaling (PD), de blootstelling bij wanbetaling (EAD) en het verlies bij wanbetaling (LGD). De Basel II-richtlijnen, gepubliceerd in 2004 en geïmplementeerd in 2008, voorzien in regels voor het beheersen van kredietrisico's in de banksector. Onder de eerste pijler van Basel II kan het kredietrisico worden berekend met behulp van een gestandaardiseerde, een op interne ratings gebaseerde of een geavanceerde op interne ratings gebaseerde benadering.

Het gebruik van data-analyse en AI/ML komt steeds vaker voor bij het modelleren van kredietrisico's. Traditionele benaderingen, zoals statistische methoden en kredietscores, zijn aangevuld met meer geavanceerde technieken die niet-lineaire relaties beter aankunnen en latente kenmerken in de gegevens identificeren. Consumentenleningen, demografische, financiële, werkgelegenheids- en gedragsgegevens kunnen allemaal in modellen worden opgenomen om hun voorspellende vermogen te verbeteren. Bij zakelijke leningen, waar er geen standaard kredietscore is, kunnen kredietverstrekkers bedrijfswinstgevendheidsstatistieken gebruiken om de kredietwaardigheid te beoordelen. Machine learning-methoden kunnen ook worden gebruikt voor dimensionaliteitsreductie om nauwkeurigere modellen te bouwen.

Disruptieve impact

Met de implementatie van AI-kredietrisicomodellering kunnen consumenten- en zakelijke leningen nauwkeurigere en dynamischere leningsmodellen gebruiken. Deze modellen geven kredietverstrekkers een betere beoordeling van hun kredietnemers en zorgen voor een gezondere kredietmarkt. Deze strategie is gunstig voor zakelijke kredietverstrekkers, aangezien kleinere ondernemingen geen benchmark hebben om hun kredietwaardigheid op dezelfde manier te beoordelen als standaard kredietscores voor consumenten.

Een mogelijke toepassing van AI bij het modelleren van kredietrisico's is het gebruik van natuurlijke taalverwerking (NLP) om ongestructureerde gegevens, zoals bedrijfsrapporten en nieuwsartikelen, te analyseren om relevante informatie te extraheren en een beter inzicht te krijgen in de financiële situatie van een lener. Een ander potentieel gebruik is de implementatie van Explainable AI (XAI), die inzicht kan geven in het besluitvormingsproces van een model en de transparantie en verantwoording kan verbeteren. Het gebruik van AI bij het modelleren van kredietrisico's roept echter ook ethische bezwaren op, zoals mogelijke vertekening in de gegevens die worden gebruikt om modellen te trainen en de behoefte aan verantwoorde en verklaarbare besluitvorming.

Een voorbeeld van een bedrijf dat het gebruik van AI bij kredietrisico onderzoekt, is Spin Analytics. De startup gebruikt AI om automatisch kredietrisicomodelleringsrapporten voor financiële instellingen te schrijven. Het platform van het bedrijf, RiskRobot, helpt banken bij het verzamelen, samenvoegen en opschonen van gegevens voordat ze worden verwerkt, om te zorgen voor naleving van de regelgeving in verschillende regio's, zoals de VS en Europa. Het schrijft ook gedetailleerde rapporten voor toezichthouders om nauwkeurigheid te garanderen. Het schrijven van deze rapporten duurt doorgaans 6-9 maanden, maar Spin Analytics beweert dat het die tijd kan verkorten tot minder dan twee weken. 

Toepassingen van AI-kredietrisicomodellering

Enkele toepassingen van AI-kredietrisicomodellering kunnen zijn:

• Banken gebruiken AI bij het modelleren van kredietrisico's om de tijd en moeite die nodig is om gedetailleerde rapporten te produceren aanzienlijk te verminderen, waardoor financiële instellingen sneller en tegen lagere kosten nieuwe producten kunnen lanceren.
• Door AI aangedreven systemen worden gebruikt om grote hoeveelheden gegevens sneller en nauwkeuriger te analyseren dan mensen, wat mogelijk kan leiden tot nauwkeurigere risicobeoordelingen.
• Meer 'unbanked' of 'underbanked' mensen en bedrijven in de ontwikkelingslanden krijgen toegang tot financiële diensten omdat deze nieuwe tools voor het modelleren van kredietrisico's kunnen worden toegepast om basiskredietscores te onderscheiden en toe te passen op deze achtergestelde markt.
• Menselijke analisten worden opgeleid om op AI gebaseerde tools te gebruiken om het risico op fouten te verkleinen.
• Kunstmatige-intelligentiesystemen die worden gebruikt om patronen van frauduleuze activiteiten te detecteren, helpen financiële instellingen het risico op frauduleuze leningen of kredietaanvragen te verminderen.
• Machine learning-algoritmen die worden getraind op historische gegevens om voorspellingen te doen over toekomstige risico's, waardoor financiële instellingen potentiële risico's proactief kunnen beheren.

Vragen om op te reageren

• Welke maatstaf zouden bedrijven volgens u moeten gebruiken om hun kredietwaardigheid te benchmarken?
• Hoe stelt u zich voor dat AI in de toekomst de rol van menselijke kredietrisicoanalisten verandert?