Joint Estimation of Credit Risk in Consumer Lending: A Multi-Gate Mixture-of-Experts Approach
Diese Studie zeigt, dass ein Multi-Gate Mixture-of-Experts (MMoE)-Framework zur gemeinsamen Schätzung der Ausfallwahrscheinlichkeit und des Verlust bei Ausfall die Kalibrierung des erwarteten Verlusts signifikant verbessert, insbesondere für Kreditnehmer mit mittlerem und hohem Risiko, indem es durch selektive Parameterteilung die gemeinsame Nutzung von Kreditnehmerinformationen im Vergleich zu konventionellen sequenziellen Ansätzen besser ausnutzt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Verbraucherkredite stehen Banken und Online-Plattformen vor einer ständigen, hochriskanten Berechnung: Wie viel Geld werden sie verlieren, wenn ein Kreditnehmer die Rückzahlung verweigert? Um dies zu beantworten, müssen Kreditgeber zwei verschiedene Dinge schätzen. Erstens müssen sie die Wahrscheinlichkeit erraten, mit der eine Person in Zahlungsausfall gerät oder die Zahlungen ganz einstellt. Zweitens müssen sie, falls diese Person die Zahlungen einstellt, schätzen, wie viel des ursprünglichen Kreditbetrags durch Inkassomaßnahmen oder Verkäufe von Vermögenswerten zurückgewonnen wird und wie viel endgültig verloren geht. Diese beiden Schätzungen werden multipliziert, um den „erwarteten Verlust“ (Expected Loss) zu ermitteln – eine einzige Kennzahl, die Zinssätze, Rücklagen und regulatorische Anforderungen steuert. Jahrzehntelang bestand die Standardpraxis darin, ein Modell zur Vorhersage der Ausfallwahrscheinlichkeit und ein völlig separates Modell zur Vorhersage der Verlusthöhe zu erstellen, wobei beide als unabhängige Probleme behandelt wurden. Dieser Ansatz setzt jedoch voraus, dass die Faktoren, die dazu führen, dass ein Kreditnehmer die Zahlungen einstellt, völlig unzusammenhängend mit den Faktoren sind, die bestimmen, wie viel Geld nach dem Ausfall verloren geht – eine Annahme, die wertvolle Verbindungen übersehen könnte, die in den Daten verborgen liegen.
Ein Team von Forschern der California State University setzte sich zum Ziel zu testen, ob die Behandlung dieser beiden Vorhersagen als ein einziges, verbundenes Problem bessere Ergebnisse liefern würde. Sie konzentrierten sich auf eine spezielle Architektur der künstlichen Intelligenz, die als „Multi-Gate Mixture of Experts“ bekannt ist. Stellen Sie sich ein Team von Spezialisten vor, von denen jeder ein Experte in einer anderen Art der Datenanalyse ist und alle zusammenarbeiten. In einem traditionellen Setup würde jeder Spezialist bei jeder Entscheidung gleichermaßen Gewicht erhalten. In diesem neuen Ansatz verwendet das System für jede spezifische Aufgabe einen intelligenten Gatekeeper (Torwächter). Für die Aufgabe, vorherzusagen, ob jemand in Zahlungsausfall gerät, könnte der Gatekeeper entscheiden, hauptsächlich auf die Spezialisten zu hören, die gut darin sind, finanziellen Stress zu erkennen. Für die Aufgabe, vorherzagen, wie viel Geld verloren geht, könnte der Gatekeeper eine andere Mischung aus Spezialisten wählen, die besser darin sind, Kreditgrößen und die Historie der Rückzahlungen zu verstehen. Dies ermöglicht es dem System, Informationen dort zu teilen, wo es hilfreich ist, aber die beiden Vorhersagen dort getrennt zu halten, wo sie unterschiedlich sein müssen.
Die Forscher testeten diese Idee anhand eines massiven Datensatzes von Privatkrediten einer großen Online-Lending-Plattform, der Hunderttausende von Krediten abdeckt, die zwischen 2013 und 2016 vergeben wurden. Um sicherzustellen, dass ihre Ergebnisse genau waren, filterten sie die Daten sorgfältig, um nur Kredite einzubeziehen, die ihr natürliches Enddatum erreicht hatten – entweder vollständig zurückgezahlt oder vollständig abgeschrieben –, um die Verwirrung durch laufende Kredite zu vermeiden, deren endgültiger Ausgang noch unbekannt war. Sie verglichen ihr neues „Mixture of Experts“-Modell mit der traditionellen Methode, zwei separate Modelle zu erstellen, sowie mit einer einfacheren Version ihrer eigenen Idee, bei der alle Spezialisten gezwungen waren, exakt dieselben Informationen für beide Aufgaben zu teilen. Die Ergebnisse zeigten, dass die traditionellen separaten Modelle zwar gut darin waren, Kreditnehmer nach Risiko zu ordnen, aber deutlich schlechter darin waren, die endgültigen Verlustzahlen korrekt zu erfassen. Das neue gemeinsame Modell, das es den beiden Vorhersagen erlaubte, Informationen selektiv zu teilen, lieferte ein wesentlich genaueres Bild der erwarteten Verluste über das gesamte Portfolio hinweg.
Die Verbesserung war nicht nur eine kleine statistische Feinabstimmung; sie stellte eine erhebliche Reduzierung des Fehlers dar. Wenn man gemessen hat, wie eng die vorhergesagten Verluste mit den tatsächlichen Verlusten über die gesamte Gruppe der Kreditnehmer übereinstimmten, reduzierte das neue Modell den Fehler um etwa 9 Prozent im Vergleich zu der einfacheren Version, die alle Informationen gleichmäßig teilen ließ. Dieser Gewinn war nicht gleichmäßig über alle Arten von Kreditnehmern verteilt. Der neue Ansatz zeigte seine größte Stärke in den mittleren und hohen Risikogruppen, in denen die Beziehung zwischen dem Ausfall und der Höhe des Verlusts komplexer und variabler ist. Für die sichersten Kreditnehmer, die selten ausfallen und meist vollständig bezahlen, schnitt das einfachere Modell genauso gut ab. Für die risikoreicheren Marktsegmente jedoch machte die Fähigkeit, unterschiedliche Arten von Informationen an verschiedene Teile des Modells zu leiten, einen klaren Unterschied.
Bei einer tiefergehenden Analyse der Funktionsweise des Modells betrachteten die Forscher die „Gate Weights“ (Tor-Gewichtungen), die offenlegten, für welche Aufgaben das System sich für welche Spezialisten entschied. Sie fanden heraus, dass das Tor zur Vorhersage des Ausfalls dazu neigte, Spezialisten zu bevorzugen, die sensibel auf Kredit-Scores und das Verhältnis von Schulden zu Einkommen reagierten, wodurch Kreditnehmer effektiv nach ihrer Kreditqualität gruppiert wurden. Im Gegensatz dazu achtete das Tor für die Vorhersage der Verlusthöhe stärker auf die Kreditgröße, die Höhe der revolvierenden Schulden und die Beschäftigungshistorie. Dies bestätigte, dass das Modell nicht bloß rät, sondern aktiv lernt, dass unterschiedliche Faktoren die Entscheidung beeinflussen, die Zahlungen einzustellen, versus die Entscheidung darüber, wie viel Geld dadurch verloren geht. Das System passte dynamisch an, welchen Experten es zuhören sollte, basierend auf dem spezifischen Kreditnehmer und der spezifischen Aufgabe – eine Flexibilität, die den älteren, starren Modellen fehlte.
Die Studie kommt zu dem Schluss, dass das Ziel für Kreditgeber, den endgültigen finanziellen Verlust vorherzusagen, am besten durch Modelle erreicht wird, die den Zusammenhang zwischen Ausfall und Verlusthöhe verstehen, ohne sie identisch machen zu müssen. Durch die Verwendung eines flexiblen Frameworks, das Informationen selektiv teilt, können Finanzinstitute eine genauere Kalibrierung ihres Risikos erreichen. Dies ist von Bedeutung, da eine bessere Kalibrierung eine bessere Preisgestaltung für Kreditnehmer und stabilere Rücklagen für Kreditgeber bedeutet, insbesondere in den risikoreicheren Teilen des Marktes, in denen Fehler am kostspieligsten sind. Die Forschung legt nahe, dass die Zukunft des Kreditrisikomanagements nicht im Bau immer mehr separater Modelle liegt, sondern im Bau smarterer, verbundener Systeme, die in der Lage sind, die subtilen Unterschiede zwischen dem Grund, warum Menschen aufhören zu zahlen, und den daraus resultierenden Kosten zu navigieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.