Çevrimiçi borç verme, bir sonraki durak (4) Borç vermenin temeli, kredi riski modellemesidir!
Hesap yönetimi potansiyel yeni bir taleptir ve fintech şirketleri için keşfetmeye değer. Buna ek olarak, finans kuruluşlarının dolandırıcılıkla mücadele için sürekli ve istikrarlı bir talebi vardır.Şu anda, en iyi etkiyi elde etmek için yerli fintech şirketlerinin dolandırıcılıkla mücadele modelinin genellikle farklı kurumlarda ayarlanması gerekir; gelecekte fintech şirketlerinin modelleme kabiliyetinin yeterince güçlü olduğu durumlarda genel bir puan alınabilir. Çeşitli senaryolara uygulanabilen form, temel engel haline geldi.
Metin / Joseph Milana, PhD *
Kredi riski modellemesi yoksa borçlanmamızın bir yolu yok. Amerika Birleşik Devletleri'nin son 15 yılda borçlanma durumuna bakıyoruz, en büyük parça ipotek kredileri. Ayrıca kredi kartlarının payı bir trilyon ABD dolarına ulaştı, bu tarihte bir ilk.
Kredi riski, özellikle Amerika Birleşik Devletleri'nde meydana gelen Büyük Buhran olmak üzere 2009'daki Büyük Buhran öncesi seviyeye geri döndü. O zamanlar vadesi geçmiş kredilerin oranı çok yüksekti.Tabii ki risk modellememiz yoktu. O zamanlar pek çok risk değerlendirme ilkesi herkes tarafından terk edilmişti, bu nedenle o dönemde çok sayıda tahsili gecikmiş kredi üretildi, buna ters seçim diyoruz. Bazı doğal nedenler. Büyük Buhran'ın ardındaki birçok nedenden bahseden "Big Short" gibi finans mimarisi üzerine pek çok kitap var Neyse ki sonrasında iyi bir risk değerlendirme mekanizmamız var ve takipteki krediler yönetilebilir bir seviyeye geri döndü.
FICO kredi riski modellemesinin kısa bir geçmişi
Amerika Birleşik Devletleri'ndeki kredi risklerinden ve diğer ülkelerdeki kredi risklerinden bahsetmişken, FICO'nun tarihini tanıtmak istiyoruz. FICO 1956 yılında kurulduğunda sadece bir danışmanlık şirketiydi ve o zamanlar yöneylem araştırması konusunda uzmanlaştı.Kurucusu daha önce SRI'de çalıştı. 1958'de FICO kredi puanlamasını icat etti. 1970'lerde Amerika Birleşik Devletleri Kongresi, Adil Kredi Puanlama Yasasını çıkardı. Yönetmelikler, kredileri değerlendirirken bilgilerin doğru olmasını gerektiriyor. Diğer bir özellik ise, bir ret kararı verilirse, kararın yorumlanabilir olması gerektiğidir.
1974'te Eşit Kredi Fırsatı Yasası yürürlüğe girdi.Adaletli olmalı ve kredi cinsiyete veya ırka değil yeteneğe göre değerlendirilmelidir. FICO, 1975 yılında mevcut müşterilerin kredi riskini tahmin etmek için ilk sistemi geliştirdi. Kredi kartı kullanma alışkanlığı gibi mevcut davranışlarına göre kişilerin kredi riskini değerlendirir. FICO 1987'de halka açıldı. Sorunları çözmeye yardımcı olmak için sinir ağlarını veya beynin çalışma mekanizmasını kullanan ticari bir çözüm yaratmak istiyorlar. 1989'da FICO, evrensel bir kredi değerlendirme mekanizmasının ilk görünümü olan kendi FICO kredi puanlama mekanizmasını başlattı. Şimdi bu mekanizma, Amerika Birleşik Devletleri'ndeki tüketiciler için evrensel puanlama mekanizması haline geldi.
FICO ile yakından ilgili olan HNC'den bahsedelim. 1992 yılında HNC, kredi kartının temerrüde düşme olasılığını tespit etmek için kendi "Falcon" yazılımını piyasaya sürdü.Her işlemi, her bir kredi kartının davranışını veya kredi kartı kullanıcısının davranışını değerlendirir ve ardından kredi kartının çalıntı bir kredi kartı olup olmadığını değerlendirir. Veya söz konusu kredi kartı. Çözüm hızla tanıtıldı ve endüstride hızla kullanıldı. HNC, 1995'te halka açıldı ve 1997'de, her bir kredi kartı hesabında kredi değerlendirmesi yapmak için bir işlem tetikleme mekanizması kullanan "PMAX" yazılımını piyasaya sürdü.
Bundan önce, FICO'nun çözümü temelde aylık bir izleme mekanizması sağladı.1997 çözümünde, her işlem noktasında, müşteri müşteriyle her temasa geçtiğinde, müşterinin kredi riski değerlendirmesi yapılacaktır. 2001 yılında myFico.com açıldı. Bu, her kullanıcının FICO puanının ne olduğunu bilmesini sağlayan, kredi puanlarının şeffaflığını sağlayan ve tüketicilerin kredi puanlarını iyi yönetmelerine yardımcı olan tüketici odaklı bir web sitesidir.
2002 yılında FICO, HNC'yi satın aldı. 2003 yılında FACTA Yasası kabul edildi ve tüketicileri, daha güçlü kredi şeffaflığı ile kredi departmanı tarafından sağlanan kredi puanlarını anlamaya zorlayarak tüketicilerin kredi puanlarını görmesine olanak sağladı. 2009 yılında FICO şimdiki adı ile değiştirildi. Şu anda, dünya çapında 2,5 milyar kredi kartı FICO derecelendirmeleriyle korunmaktadır.
MyFico, tüketicilerin modelde neyin söylendiğini, neyin girildiğini ve kredi geçmişine dayalı olarak kredi puanının neye dayandığını iyi anlamasına olanak tanır. İşte, bireyin kendi kredi puanını dikkate alacak, size puanınızı iyileştirmek için davranışınızı nasıl ayarlayacağınız hakkında düşünme fırsatı veren kişiselleştirilmiş bir puan, böylece tüketicilerin riskleri daha iyi değerlendirebilmesi sağlanır.
Şeffaflık, tüketicilerin kredi sağlayıcılarının nasıl karar verdiklerini anlamalarını sağlar Yukarıda bahsedilen hükümet düzenlemeleri, kullanılan model türlerini büyük ölçüde etkiler. Örneğin 1970'lerde kabul edilen tasarıda, ne zaman reddetme kararı almak isterseniz isteyin, mutlaka bir açıklama yapmalısınız. FCRA Yasası için doğrusal bir model oluşturulmuştur ve bu doğrusal model aracılığıyla neden böyle olumsuz bir kredi kararının alındığını açıklamak için kendi algoritmanızı kullanabilirsiniz. Ayrıca ECOA tasarısı adı verilen ve az önce bahsedilen cinsiyet, ırk ve dini bilgiler gibi belirli bilgileri kullanamayan bir yasa tasarısı var.
Bu faktörler modele gömülemez.Tüm bilgiler kaldırılmalıdır ancak posta kodu bilgisi kullanılabilir ve diğer boyutlar modele eklenebilir. Dolandırıcılık tespiti için herhangi bir gereksinim yoktur, doğrusal olmayan bir model kullanılabilir ve olumsuz onay kararı, çok ilgili bazı faktörleri içeren FCRA aracılığıyla açıklanmalıdır. Bazı ek yasal gereklilikler var.Örneğin yaş değişikliğine göre puanın değiştirilmesi gerekiyor yani kredi başvurusu yapan kişinin yaş değiştikçe puanı zamanında güncellemesi gerekiyor. Burada da sipariş garantisi gibi bazı çözümler sunuyoruz. dönüş.
Aşağıda, az önce bahsedilen bu olumsuz puanlama kararlarının nasıl açıklanacağı veya kötü puan aldığımızın nasıl açıklanacağı hakkında hızlı bir şekilde bahsedilecektir.
İnsanlar modelin nasıl yorumlandığına daha çok dikkat ediyor. FICO, daha önce bahsedilen doğrusal modeli açıklamak için çok net bir yöntem oluşturmaya başladı.Giriş değişkenleri ve bazı ilgili olasılık değerleri var. Bu nedenle, bu işlevi olasılıkla ilişkilendirmek gerekir. Modelleme sırasında lojistik regresyon ve olasılık arasındaki ilişkiyi göz önünde bulundurmalısınız. Bir kişinin neden kötü bir puan aldığı, değişkenlerin nasıl oluşturulduğuna ve negatif değişkenlere veya nispeten düşük puanlara sahip değişkenlere ne tür değişkenlerin veya faktörlerin katkıda bulunduğuna bağlıdır.
Öncelikle bu ölçeği kaldırmalıyız çünkü bu doğrusal bir modeldir, burada ölçeği kaldırmaya gerek yoktur, ancak çözümü gerektiren sinir ağı için hala çok önemlidir. Ardından ortalamayı çıkarın ve puanınızı yeniden değerlendirin.
Doğrusal modele en çok hangi değişkenin katkıda bulunduğunu analiz edin.İki değişkenin birbiriyle ilişkili olması mümkündür.Örneğin, gelir ve maliyet olmak üzere iki değişken varsa, kârınızın gelir eksi maliyete eşit olduğunu bilirsiniz. Gelire veya sadece maliyete bakarsanız, değerlendirme sonucu çok eksik olabilir, bu nedenle çözüm, tüm anlamlı ve açıklayıcı değişkenleri alt kümeye koymak ve toplam model katkısını alt kümenin toplam miktarına göre sıralamaktır. . Daha anlamlı veya yorumlanabilir bir alt küme oluşturmak için. Bu, doğrusal modelin bir açıklamasıdır.
Her yerde riski değerlendirmek için modeller kullanın
Yukarıda bahsedilen doğrusal olmayan model için, sinir ağı yöntemi doğrusal modelden farklıdır Sinir ağı doğrusal modele dayanmaz ve gizli düğümlerin tek bir katman olabilen birçok katmana sahip olduğu anlamına gelmez. Bu çıktı modelinde, girdi miktarının ne olduğuna karar vermelisiniz.Karar vermenin iki yolu vardır: Birincisi, her bir alt kümenin tüm değişkenlerini ortalama değere ayarlamaktır.Hepsi ortalama değer ise, yeni miktar ne olmalıdır? Bununla başa çıkmak için, yeni değişkeni ortalama değerle karşılaştırın.Böyle bir alt kümenin toplam puanında çok büyük bir değişiklik olacaktır. Toplam puandaki değişime göre sıralanabilir. Bugün daha çok kullandığımız model budur veya kullanabilirsiniz. Tek tek modeller için, bir seferde bir alt kümeyi silebilir ve ardından ayrı bir model oluşturabilir ve ardından tekil modele göre puanlayabilir ve ardından alt kümedeki hangi değişkenin modelde en büyük değişikliği üreteceğine bakabilirsiniz. Katkıda bulunun ve ardından analiz edin.
Daha önce de kredi riskinden bahsetmiştik, ayrıca başka alanlarda da risk uygulamaları var ve ilk olarak sigortacılıkta en çok kullanılan alan oldu. 1970'lerde ve 1980'lerde müşteri riskini analiz ederek, sigorta şirketlerinin içinde birçok uygulama olduğunu biliyorsunuz Bir kişi, riskin uygulanmasını çok iyi anlatan "Sarhoşlar Hayatımızı Nasıl Etkiler?" Adlı bir kitap yazdı. Örneğin telekomünikasyon ağları açısından risklerin nasıl azaltılacağı, risklerin nasıl değerlendirileceği, telekomünikasyon ağında bazı hatalar olup olmayacağı vb. Az sayıda etiketli bazı veri setlerine göre, içerideki riskleri değerlendirmek için denetimsiz öğrenme yöntemlerini kullanıyoruz. Burada daha iyi bir model inşa edilmelidir.
Artık bilgisayar korsanları saldırıları gibi ağ güvenliği gibi sorunları çözmek için de yapay zeka kullanıyoruz, bazı sızma testleri yapmalı ve ağdan nasıl bilgi almalıyız Bunlar risk modellemesi yaptığımız zamanlar. Çok fazla katkı sağlayabilir. Teknik konular çok ilginç.Bazen veriler etiketlenmiyor ve ağın saldırıya uğrayıp uğramadığını bilmiyorsunuz.Bunu dengelememiz gerekiyor.Etiketli ve etiketsiz, denetimli ve denetimsiz arasında bir denge olmalı.
Derin öğrenme hakkında konuşuyorduk. Bir arkadaş bir ekibi yönetti. Sosyal medyada çok ünlüler. Videolarının, seslerinin veya resimlerinin çoğu. Bazen içeriğin bir kısmı sağlıklı değil, pornografik veya şiddet içerikli, onların Buradaki zorluk, bu videoları tanımlamak için yapay zeka kullanmaktır. Videolar çevrimiçi olduktan sonra, bu itibarlarını etkileyecek ve bu nedenle, bu video görüntülerini tanımlamak için derin öğrenme mekanizmalarını kullanıyorlar. Sağlıksız yükleme içeriği içeren böyle bir veritabanı kurdular ve bu veritabanını yapay zekayı eğitmek için kullanıyorlar.
* Yazar, FICO'nun eski baş bilim insanıdır; büyük veri riskiyle ilgili karar verme alanında dünya çapında bir liderdir. Analiz, modelleme, veri madenciliği ve makine öğrenimi alanlarında 20 yıldan fazla deneyime sahiptir. İlk yıllarda çekirdek modelleme üyesi olarak, FICO'nun Falcon dolandırıcılıkla mücadele sistemini geliştirdi (şu anda Kuzey Amerika pazarında neredeyse% 100 pazar payına sahip). Amerika Birleşik Devletleri'nde görev yapma konusunda 12 yıllık deneyime sahiptir ve Ar-Ge merkezinin kıdemli başkan yardımcısı olarak görev yapmıştır (yıllık 100 milyon ABD dolarını aşan dolandırıcılıkla mücadele ürün gruplarının geliştirilmesi ve ticarileştirilmesine liderlik etmiştir); baş bilim adamı (Feize'nin Ar-Ge departmanını yönetmiştir, Gelişmekte olan alanlardaki veri modellerine dayalı karar verme yönetiminin yeniliğini teşvik etmek ve Feizhe'nin temel fikri mülkiyet kitaplığını ve diğer temel pozisyonları oluşturmak. Kredi riski, dolandırıcılıkla mücadele, pazarlama ve veri iletimi alanlarında 20'den fazla temel teknoloji patentine sahiptir. Milana, Cornell Üniversitesi'nden lisans derecesine ve New York Eyalet Üniversitesi Stony Brook Üniversitesi'nden doktora derecesine sahiptir.
Bu makale, Smart Finance Research Institute ve Paipaidai tarafından yetkilendirilmiştir; orijinal başlığı "Risk Kredi Modellerinin Geçmişi ve Beklentileridir". Metnin özünün, orijinal anlamının ve okuma ihtiyacının korunmasını en üst düzeye çıkarmak için, bu dergi yalnızca konu ve içeriğe odaklanmaktadır Düzenle.
Dergiyi satın almak için lütfen aşağıdaki resme tıklayın
