Как машинное обучение и большие данные меняют будущее управления кредитными рисками
После финансового кризиса 2008 года банки по всему миру стали уделять более значительное внимание системам управления рисками, стремясь снизить вероятность новой глобальной экономической рецессии. В этих системах кредитный риск стал одной из основных причин финансового кризиса 2008 года, который приобрел большое значение [I]. Для банка то, может ли клиент заплатить то, что он заимствует, является разницей между получением прибыли от процентов или иным образом ликвидировать активы клиента или даже полностью потерять ссуду [II]. В результате поиск способов анализа кредитоспособности и принятия разумных решений по управлению рисками является главным приоритетом для банков [II]. Используя большие данные и машинное обучение, финансовые учреждения могут рассчитывать риски по кредитам и другим финансовым транзакциям в гораздо большей степени, что, в свою очередь, поможет снизить общие риски, которые берут на себя банки с деньгами клиентов.
Одна из сложностей при оценке кредитного риска - неэффективное управление данными, связанными с большим объемом информации. Более того, в таких странах, как Китай, где имеется мало или совсем нет кредитной информации за прошлые периоды, кредиторы практически не обращают внимания на привычки клиентов в отношении расходов [III]. Это может чрезвычайно затруднить анализ кредитных решений для кредиторов и привести к увеличению количества просроченных ссуд. Алгоритмы машинного обучения и большие данные находятся на переднем крае борьбы с этой проблемой.
Большие данные - это относительно новая концепция, которая может повысить общую точность машинного обучения в среде управления рисками за счет увеличения прогностического потенциала моделей риска [IV]. Кроме того, банки могут воспользоваться преимуществами больших данных, чтобы помочь обнаружить сигналы мошенничества, ведущие к сокращению числа незаконных транзакций. Это делается с помощью комбинации больших данных и машинного обучения. Анализируя привычки тратить деньги в прошлом, машинное обучение может более точно предсказать, совершает ли фактический клиент транзакцию или она является мошеннической по своей природе. Например, если у вашей семьи есть история поездок в определенное время года, будет установлена закономерность, которая, в свою очередь, снизит вероятность того, что это будет мошенническое обвинение при бронировании поездки за границу. [V].
С другой стороны, банки могут использовать машинное обучение, чтобы повысить точность и эффективность многих повседневных процессов. Например, количественные хедж-фонды, такие как Two Sigma, полагаются на машинное обучение каждый день. Фонд использует машинное обучение, чтобы помочь найти новые инвестиционные возможности, которые в противном случае никто бы не заметил. Машинное обучение и большие данные позволили Two Sigma проанализировать более 10 000 источников данных, чтобы найти рыночные модели, которые влияют на инвестиционные решения [VI]. Все эти приложения помогают повысить точность и эффективность повседневных процессов в хедж-фонде.
Однако как эта относительно новая технология помогает справляться с кредитным риском и стремится к его устранению? Эту проблему можно решить, используя машинное обучение для анализа данных, которые люди раньше не могли или просто не могли бы изучить. Возьмем, к примеру, клиента, у которого очень мало или совсем не было опыта получения ссуды; обычно этот человек является очень рискованным активом для банка [III]. Ничего не известно о его или ее привычках к расходам или их способности выплатить потенциальную ссуду. Эту проблему легко решить, внедрив информацию об этом новом клиенте и управляя ею с помощью машинного обучения. Внедряя эту технологию в повседневное использование, банк может отслеживать и регистрировать ежедневные кредитные и дебетовые операции потенциального кредитора [III]. Другими словами, приносят ли они достаточно капитала, чтобы полностью оправдать ссуду на определенную сумму? В течение определенного периода программа, которая учится на этих данных, может делать расчетные прогнозы относительно того, имеет ли потенциальный кредитор возможность взять ссуду.
Кроме того, он также может столкнуться с риском, который несет банк при предоставлении этой ссуды [VII]. По сути, если мы предлагаем индивидуальный кредит на определенную сумму денег, какой риск мы несем? На все эти вопросы можно ответить с помощью машинного обучения.
Отличный пример - финтех-стартап ZestFinance. Компания ZestFinance, основанная в 2009 году, всегда использовала машинное обучение для снижения кредитного риска для банков и кредитных организаций [III]. В настоящее время стартап использует машинное обучение в различных сценариях, включая автокредитование, потребительское кредитование и ипотечное кредитование, с ошеломляющими результатами. В автокредитовании как убытки, так и уровень дефолтов снизились в среднем на 20% и более. В потребительском кредитовании количество неплатежей по ссудам сократилось, в то время как все больше людей получают ссуды. Наконец, в ипотечных ссудах убытки и уровень дефолтов снизились в среднем более чем на 30%, а количество разрешенных кредитов увеличилось почти на 15% [VIII]. Все эти улучшения приводят к более безопасным и менее рискованным инвестициям для финансовых учреждений и, следовательно, могут помочь снизить вероятность еще одного обвала финансового рынка, который может быть частично вызван ненужными кредитными рисками.
Улучшения в машинном обучении в последние годы привели к тому, что многие финансовые учреждения используют машинное обучение, чтобы обеспечить не только более высокую прибыль, но и меньший риск для инвестиций. Сюда входят фирмы, внедряющие высокочастотные торговые столы, которые используют машинное обучение, чтобы помочь принимать торговые решения за гораздо меньшее время, чем это заняло бы человек [IX]. Наряду с этим с помощью машинного обучения стало доступно гораздо больше финансовых инструментов, ориентированных на пользователя. К ним относятся такие услуги, как роботизированное консультирование, технологии обнаружения мошенничества и страховое андеррайтинг [X]. Все эти услуги были бы намного сложнее, если не невозможны без машинного обучения.
На основании данных, представленных выше, можно сделать вывод, что использование машинного обучения для различных целей, включая управление рисками, может принести только пользу банкам. Это, в свою очередь, помогает и вам, и мне как пользователям финансовых учреждений. Поскольку большинство банков либо рассматривают возможность внедрения этой технологии в ближайшем будущем, либо уже используют ее в настоящее время, мы, как потребители, можем извлечь выгоду из более низких ставок по кредитам и большей уверенности в том, что наш банк останется платежеспособным [XI]. Использование машинного обучения в финансовых учреждениях также снизит вероятность будущих экономических катастроф, вызванных ошибками в человеческих суждениях, такими как финансовый кризис 2008 года. Хотя приложения машинного обучения и больших данных никогда не смогут полностью устранить потенциальные риски, связанные с кредитованием подверженных риску клиентов, это значительный шаг в правильном направлении, который поможет сократить будущие финансовые потери и возможные катастрофы.
Ссылки
[I] https://developer.ibm.com/patterns/apply-machine-learning-to-financial-risk-management/
[II] https://www.sas.com/en_ca/insights/risk-management/credit-risk-management.html
[III] «http://clsbluesky.law.columbia.edu/2018/08/10/the-role-of-artificial-intelligence-and-machine-learning-in-risk-management/ женщина
[V] «https://www.forbes.com/sites/theyec/2018/06/04/artificial-intelligence-and-the-future-of-financial-fraud-detection/#2ea63e9e127a фак
[VI] https://www.businessinsider.com/what-is-hedge-fund-mananger-like-to-work-at-two-sigma-2017-8
[VIII] https://www.zestfinance.com/industries/
[IX] https://www.qplum.co/documents/aifintech
[X] https://www.techemergence.com/machine-learning-in-finance/
