Varför AI‑lånemodeller behöver mer än korrekta kreditscorer

Från godtyckliga beslut till kreditscorer

När man lånar ut pengar har banker och andra finansiella institutioner alltid behövt oroa sig för att låntagare inte kan betala tillbaka. Därför är många lån säkrade med tillgångar som fastigheter eller företags tillgångar som banken kan beslagta om lånebetalningarna uteblir. Beslutet låg fortfarande i händerna på bankpersonalen, som bestämde om lånet skulle beviljas.

Med tiden ersattes den individuella beslutsprocessen hos en bankanställd av allt mer sofistikerade filter baserade på interna riskmodeller och matematiska formler, vilket gjorde processen mer standardiserad och mindre godtycklig.

En del av kreditchefens arbete var att försöka dra slutsatser om personens personlighet, om de verkade organiserade, mogna och ansvarstagande. En kreditchef kunde avvisa en sökande om de misstänkte att denne var alkoholist, eller av mer uppenbart diskriminerande skäl relaterade till någons ras, kön, eller, för kvinnliga låntagare, deras civilstånd.Josh Lauer – Professor vid University of New Hampshire och författare till boken “Creditworthy.”

Det dröjde dock till 1958 innan FICO, grundat av ingenjören Bill Fair och matematikern Earl Isaac, introducerade den moderna standardiserade kreditscoren. År 1989 lanserade företaget den första allmänna, nationella kreditscoren, med ett intervall från 300 till 850, som snabbt blev den amerikanska nationella låstandard.

Begränsningarna med kreditscoren

En modern kreditscore baseras på fem olika datakategorier:

• Betalningshistorik (35%).
• Skuldbelopp (30%).
• Längd på kredithistorik (15%).
• Ny kredit och förfrågningar (10%).
• Kreditmix (10%).

Denna metod gjorde uppskattningen av kreditvärdighet mycket mer objektiv och rättvis än den tidigare metoden. Men naturligtvis har den sina begränsningar.

Till exempel inkluderar den ingen information om en individs beteende utanför det som rör tidigare och nuvarande skulder. Den tar inte heller hänsyn till uppgifter som bostadsort, inkomst, yrkessektor, ägda tillgångar osv.

En modern kreditscore är också byggd på antagandet att banker lånar ut till privatpersoner. Men moderna peer-to-peer (P2P)-lånesystem och andra FinTech-finanstjänster fungerar annorlunda.

Parallellt har framsteg inom AI gjort det möjligt att integrera komplex, spridd data i en sammanhållen beslutsmodell. Så det är ingen överraskning att AI gör snabba framsteg i att förbättra modeller som förutsäger låneinställelser för en ny generation digitala långivare.

En ny studie av två forskare vid University of Agder i Norge undersökte kreditriskhantering på peer-to-peer låneplattformar. De fann att forskningen i stor utsträckning delats in i två läger: ett som fokuserar på att förbättra förutsägelsen av inställelser med maskininlärning, och ett annat som fokuserar på att förstå varför låntagare faller i betalningsinställelse. Båda tillvägagångssätten är dock begränsade av åldrande datamängder, inkonsekventa definitioner och begränsad geografisk täckning.

Forskarna publicerade sina resultat i Technological Forecast, Social Change¹, under titeln “Kreditriskhantering på peer-to-peer låneplattformar: En systematisk litteraturöversikt”.

Uppkomsten och utmaningarna med P2P-lån

Snabb tillväxt, nya risker

Kärnkoncepetet för P2P-lån innefattar desintermediering, där plattformar fungerar som marknadsplatser snarare än riskbärande enheter, och underlättar direkt matchning av utbud och efterfrågan på kapital. Många nya FinTech-företag leder utvecklingen av dessa marknader, liksom P2P-låneprotokoll som använder blockchain för att helt undvika behovet av en central låneleverantör, tillsammans med andra DeFi (decentraliserade finans) teknologier.

P2P-lån uppskattas ha en marknadsstorlek på 215 miljarder dollar år 2026, och förväntas växa med en årlig tillväxttakt på 21,9 % fram till 2033, där majoriteten av lånen tillhandahålls av enskilda investerare.

Källa: Coherent Marketing Insights

Detta är dock en mycket ny sektor och är fortfarande dåligt reglerad, med risker som sträcker sig från felaktig uppskattning av de faktiska inställningsriskerna till ren bedrägeri.

Analysera P2P-litteratur

Forskarna identifierade totalt 433 studier som var relevanta för deras analys av P2P-lån och kreditriskhantering, varav 280 analyserades djupare.

De vetenskapliga studierna om ämnet började verkligen öka 2014 och nådde ett platåstadium 2020. Geografiskt kommer de flesta forskare inom området från Kina, USA, Indien och Indonesien, där Kina har publicerat 39 % av de totala publikationerna.

Källa: Technological Forecast, Social Change

Den största delen av den pågående forskningen fokuserar på P2P-lån i allmänhet, kreditrisker och AI-relaterade teknologier som maskininlärning. Många av dessa studier analyserar rollerna för både mjuk information (sociala nätverk) och hård information (räntor) i förutsägelsen av inställelser.

Källa: Technological Forecast, Social Change

Det vanligaste ämnet i artiklarna är att bedöma förutsägelseprecision genom att tillämpa olika maskininlärningsmodeller, med hänsyn till data, variabler och modellnivå.

Det näst vanligaste ämnet är att identifiera faktorer som bestämmer sannolikheten för inställelse och allvaret i inställelsen.

Andra studier föreslår nya system för kreditriskhantering eller diskuterar vad som fortfarande är underforskat.

P2P-lån och AI

Hitta nya riskfaktorer

Eftersom P2P-lån inte enbart förlitar sig på traditionella kreditscorer används maskininlärning och, mer nyligen, annan AI-teknik för att identifiera inställningsrisker mer exakt.

Till exempel användes fuzzy kognitiva kartor baserade på mjukberäkningsmetoder och neurala nätverksteorier för att skapa en modell för kreditriskbedömning.

Oavsett specifik metod visar studier ofta att maskininlärning överträffar traditionella kreditscoremetoder när det gäller noggrannhet.

Övergripande verkar det som att låntagares kreditscorer, utbildning, civilstånd och yrkestitlar är typiska indikatorer på låntagares kreditvärdighet.

En annan faktor, baserad på “social kapital-teorin”, kan också hjälpa: medlemskap i ett visst socialt nätverk kan vara en avgörande faktor för att identifiera individer som är mindre benägna att misslyckas med sina lån.

Källa: Technological Forecast, Social Change

Forskarna fann ett U-format samband med ålder i en studie, vilket visar att medelålders sökande (över 45) har högre risk för inställelse på grund av deras större ekonomiska börda att försörja både sina barn och pensionerade föräldrar.

De fann också att kvinnliga låntagare får högre räntesatser, trots att deras inställningsgrad är betydligt lägre än mäns.

Inte förvånande föredras längre anställningstid, högre inkomst och lägre skuldkvot.

Ägande av fastigheter, inklusive hus och bilar, förbättrar också låntagarnas återbetalningsförmåga, medan hyresrätter och utestående billån försvagar den.

De fann också att ”mjuka” mått kan vara förutsägbara, även om de inte nödvändigtvis är handlingsbara för P2P-låneplattformar.

En studie försökte utnyttja låntagarnas karaktär, och visade att inställelse var mer sannolik bland studenter som försenade återlämning av böcker till ett universitetsbibliotek och misslyckades med en högre andel av de kurser de tog.

Sammanlagt fann studien att de viktigaste faktorerna att ta hänsyn till är:

• På låntagarnivå:
  • Demografisk.
  • Finansiell prestation.
  • Soliditet.
  • Kreditscore.
  • Socialt kapital.
  • Psykologiska indikatorer.
  • Lånenivå (belopp, återbetalningsperiod, syfte, autentisering och beskrivningslängd).
• På långivarnivå:
  • Demografiska indikatorer.
  • Följsamhet.
• På plattformsnivå:
  • Särskilda insamlingsåtgärder.
  • Prisregimer.
• På makronivå:
  • Reglering.
  • Ekonomisk utveckling.
  • Sysselsättning.
  • Nationell kultur.
  • Krisperioder.

Svart låda-utvärdering

Ett återkommande problem med AI är att neurala nätverk och maskininlärning tenderar att skapa så kallade ”svarta låda”-system, där orsakerna till ett givet resultat är långt ifrån tydliga även för systemets utvecklare, och ännu mindre för senare operatörer.

Detta kan vara ett allvarligt problem för P2P-lån som använder AI.

Först, detta skapar allvarliga faror för felaktig beräkning av inställningsrisk, utan möjlighet att identifiera problemet i tid.

För det andra kan detta medföra allvarliga regulatoriska risker, eftersom många av en individs egenskaper som ras eller kön generellt anses vara diskriminerande och olagliga att integrera i beslutsprocessen för att bevilja ett lån eller inte.

Bygga en AI-kreditscore

Att bygga en AI-kreditscore kräver att man använder rätt datamängd för AI-träningen.

Forskarna menar att de flesta AI-utvärderingar av kreditvärdighet bör integrera flera tidsramar. Korta tidsramar (<30 dagar) hjälper till att identifiera tidiga varningssignaler, medan långa tidsramar (120 dagar eller mer) ger en bättre bild av det övergripande resultatet av utlåningen.

Återhämtning, eller sannolikheten att återbetala förfallna belopp vid en inställelse, är också viktig data.