Joint Estimation of Credit Risk in Consumer Lending: A Multi-Gate Mixture-of-Experts Approach
تُظهر هذه الدراسة أن إطار عمل "خليط الخبراء متعدد البوابات" (MMoE) للتقدير المشترك لاحتمالية التعثر والخسارة في حال التعثر يحسن بشكل كبير من معايرة الخسارة المتوقعة، لا سيما للمقترضين ذوي المخاطر المتوسطة والعالية، وذلك من خلال الاستفيد من المشاركة الانتقائية للمعلمات للاستفادة بشكل أفضل من معلومات المقترض المشتركة مقارنة بالنهج التسلسلي التقليدي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الإقراض الاستهلاكي، تواجه البنوك والمنصات عبر الإنترنت عملية حسابية مستمرة وعالية المخاطر: كم من المال ستخسر إذا فشل المقترض في سداد القرض؟ وللإجابة على هذا، يجب على المقرضين تقدير شيئين متميزين. أولاً، يتعين عليهم تخمين احتمالية تعثر الشخص، أو توقفه عن السداد تماماً. ثانياً، إذا توقف ذلك الشخص عن السداد، فعليهم تقدير مقدار المبلغ من القرض الأصلي الذي سيتم استرداده من خلال عمليات التحصيل أو بيع الأصول، ومقدار ما سيُفقد بشكل دائم. يتم ضرب هذين التقديرين معاً لتحديد "الخسارة المتوقعة"، وهو رقم واحد يوجه أسعار الفائدة، وصناديق الاحتياطي، والمتطلبات التنظيمية. لعقود من الزمن، كانت الممارسة القياسية هي بناء نموذج واحد للتنبؤ باحتمالية التعثر، ونموذج منفصل تماماً للتنبؤ بمبلغ الخسارة، ومعاملتهما كمسألتين مستقلتين. ومع ذلك، فإن هذا النهج يفترض أن العوامل التي تدفع المقترض للتوقف عن السداد غير مرتبطة تماماً بالعوامل التي تحدد مقدار المال المفقود بمجرد حدوث ذلك، وهو افتراض قد يغفل عن روابط قيمة مخبأة في البيانات.
وضع فريق من الباحثين من جامعة ولاية كاليفورنيا هدفاً لاختبار ما إذا كان التعامل مع هذين التنبؤين كمسألة واحدة متصلة سيؤدي إلى نتائج أفضل. وقد ركزوا على نوع محدد من بنية الذكاء الاصطناعي يُعرف باسم "خليط الخبراء متعدد البوابات" (multi-gate mixture of experts). تخيل فريقاً من المتخصصين، كل منهم خبير بطريقة مختلفة في تحليل البيانات، يعملون جميعاً معاً. في الإعداد التقليدي، سيعطي كل متخصص رأيه بالتساوي في كل قرار. أما في هذا النهج الجديد، يستخدم النظام "بوابة ذكية" لكل مهمة محددة. فبالنسبة لمهمة التنبؤ بما إذا كان شخص ما سيتعثر، قد تختار البوابة الاستماع غالباً إلى المتخصصين الجيدين في رصد الضغوط المالية. وبالنسبة لمهمة التنبؤ بمقدار المال الذي سيُفقد، قد تستمع البوابة إلى مزيج مختلف من المتخصصين الذين هم أفضل في فهم أحجام القروض وتاريخ السداد. وهذا يسمح للنظام بمشاركة المعلومات حيثما كان ذلك مفيداً، مع الحفاظ على تميز التنبؤين حيث يحتاجان إلى ذلك.
اختبر الباحثون هذه الفكرة باستخدام مجموعة بيانات ضخمة من القروض الشخصية من منصة إقراض رئيسية عبر الإنترنت، تغطي مئات الآلاف من القروض الصادرة بين عامي 2013 و2016. ولضمان دقة نتائجهم، قاموا بتصفية البيانات بعناية لتشمل فقط القروض التي وصلت إلى تاريخ انتهائها الطبيعي، سواء تم سدادها بالكامل أو تم شطبها بالكامل، لتجنب الارتباك الناتج عن القروض التي لا تزال نشطة والتي لا تُعرف نتائجها النهائية بعد. وقارنوا نموذج "خليط الخبماء" الجديد هذا بالمنهج التقليدي المتمثل في بناء نموذجين منفصلين، وبنسخة أبسط من فكرتهم حيث يُجبر جميع المتخصصين على مشاركة نفس المعلومات تماماً لكلا المهمتين. وأظهرت النتائج أنه بينما كانت النماذج المنفصلة التقليدية جيدة في تصنيف المقترضين حسب المخاطر، إلا أنها كانت أسوأ بكما في تحديد أرقام الخسارة النهائية بدقة. أما النموذج المشترك الجديد، الذي سمح للتنبؤين بمشاركة المعلومات بشكل انتقائي، فقد أنتج صورة أكثر دقة للخسائر المتوقعة عبر المحفظة الائتمانية بأكملها.
لم يكن التحسن مجرد تعديل إحصائي بسيط؛ بل مثل انخفاضاً جوهرياً في الخطأ. فعند قياس مدى تطابق الخسائر المتوقدة مع الخسائر الفعلية عبر المجموعة الكاملة من المقترضين، قلل النموذج الجديد الخطأ بنسبة 9 بالمائة تقريباً مقارنة بالنسخة الأبسط التي فرضت مشاركة جميع المعلومات بالتساوي. ولم تكن هذه المكاسب موزعة بالتساوي عبر جميع أنواع المقترضين؛ إذ أظهر النهج الجديد قوته الكبرى في مجموعات المخاطر المتوسطة والعالية، حيث تكون العلاقة بين التعثر وحجم الخسارة أكثر تعقيداً وتغيراً. أما بالنسبة للمقترضين الأكثر أماناً، الذين نادراً ما يتعثرون ويسددون بالكامل عادةً، فقد كان أداء النموذج الأبسط مساوياً لأدائه. ومع ذلك، بالنسبة لقطاعات السوق الأكثر خطورة، جعلت القدرة على توجيه أنواع مختلفة من المعلومات إلى أجزاء مختلفة من النموذج فرقاً واضحاً.
وفي تعمق أكبر في كيفية عمل النموذج، نظر الباحثون في "أوزان البوابات" (gate weights)، والتي كشفت بالضبط أي المتخصصين كان النظام يختارهم لكل وظيفة. ووجدوا أن البوابة المخصصة للتنبؤ بالتعثر كانت تميل إلى تفضيل المتخصصين الحساسين لدرجات الائتمان ونسب الدين إلى الدخل، مما أدى فعلياً إلى تجميع المقترضين حسب جودتهم الائتمانية. وفي المقابل، أعطت البوابة المخصصة للتنبؤ بمبلغ الخسارة اهتماماً أكبر لحجم القرض، ومبلغ الديون المتجددة، والتاريخ الوظيفي. وقد أكد هذا أن النموذج لم يكن يخمن فحسب، بل كان يتعلم بنشاط أن عوامل مختلفة تقود قرار التوقف عن السداد مقابل قرار تحديد مقدار المال المفقود. لقد قام النظام بتعديل أي من الخبراء يستمع إليه ديناميكياً بناءً على المقترض المحدد والمهمة المحددة، وهي المرونة التي افتقرت إليها النماذج القديمة الجامدة.
تخلص الدراسة إلى أن هدف التنبؤ بالخسارة المالية النهائية يُخدم بشكل أفضل من خلال النماذج التي تفهم الصلة بين التعثر وشدة الخسارة دون فرض أن يكونا متطابقين. ومن خلال استخدام إطار عمل مرن يشارك المعلومات بشكل انتقائي، يمكن للمؤسسات المالية تحقيق معايرة أكثر دقة لمخاطرها. وهذا أمر بالغ الأهمية لأن المعايرة الأفضل تعني تسعيراً أفضل للمقترضين واحتياطيات أكثر استقراراً للمقرضين، لا سيما في الأجزاء الأكثر خطورة من السوق حيث تكون الأخطاء أكثر تكلفة. وتشير الأبحاث إلى أن مستقبل إدارة مخاطر الائتمان لا يكمن في بناء نماذج أكثر انفصالاً، بل في بناء أنظمة أكثر ذكاءً واتصالاً يمكنها التنقل بين الفروق الدقيقة بين أسباب توقف الناس عن السداد وتكلفة حدوث ذلك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.