Joint Estimation of Credit Risk in Consumer Lending: A Multi-Gate Mixture-of-Experts Approach
यह अध्ययन दर्शाता है कि डिफॉल्ट की संभावना और डिफॉल्ट के समय होने वाले नुकसान के संयुक्त अनुमान के लिए एक मल्टी-गेट मिक्चर-ऑफ-एक्सपर्ट्स (MMoE) फ्रेमवर्क, पारंपरिक अनुक्रमिक दृष्टिकोणों की तुलना में साझा उधारकर्ता जानकारी का बेहतर उपयोग करने के लिए चयनात्मक पैरामीटर शेयरिंग का लाभ उठाकर, विशेष रूप से मध्यम और उच्च जोखिम वाले उधारकर्ताओं के लिए अपेक्षित-हानि अंशांकन (expected-loss calibration) में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
उपभोक्ता ऋण (consumer lending) की दुनिया में, बैंक और ऑनलाइन प्लेटफॉर्म एक निरंतर, उच्च-दांव वाली गणना का सामना करते हैं: यदि कोई उधारकर्ता पैसा वापस करने में विफल रहता है, तो उन्हें कितना नुकसान होगा? इसका उत्तर देने के लिए, ऋणदाताओं को दो अलग-अलग चीजों का अनुमान लगाने की आवश्यकता होती है। पहला, उन्हें इस बात का अनुमान लगाने की आवश्यकता है कि किसी व्यक्ति द्वारा डिफॉल्ट करने या पूरी तरह से भुगतान बंद करने की कितनी संभावना है। दूसरा, यदि वह व्यक्ति भुगतान करना बंद कर देता है, तो उन्हें यह अनुमान लगाना होगा कि मूल ऋण राशि का कितना हिस्सा वसूली या संपत्ति की बिक्री के माध्यम से वापस प्राप्त किया जाएगा, और कितना हिस्सा स्थायी रूप से खो जाएगा। इन दोनों अनुमानों को गुणा करके "अपेक्षित हानि" (expected loss) निर्धारित की जाती है, जो एक एकल संख्या है जो ब्याज दरों, आरक्षित कोष और नियामक आवश्यकताओं का मार्गदर्शन करती है। दशकों से, मानक अभ्यास डिफॉल्ट की संभावना की भविष्यवाणी करने के लिए एक मॉडल बनाना और नुकसान की राशि की भविष्यवाणी करने के लिए पूरी तरह से एक अलग मॉडल बनाना रहा है, जिससे उन्हें स्वतंत्र समस्याओं के रूप में माना जाता है। हालांकि, यह दृष्टिकोण यह मान लेता है कि डिफॉल्ट करने के कारणों और एक बार डिफॉल्ट होने के बाद कितना पैसा खो जाएगा, उन्हें निर्धारित करने वाले कारकों के बीच कोई संबंध नहीं है, जो डेटा में छिपे मूल्यवान संबंधों को अनदेखा कर सकता है।
कैलिफोर्निया स्टेट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने यह परीक्षण करने के लिए हाथ लगाया कि क्या इन दो भविष्यवाणियों को एक एकल, जुड़े हुए समस्या के रूप में मानने से बेहतर परिणाम मिल सकते हैं। उन्होंने एक विशिष्ट प्रकार के आर्टिफिशियल इंटेलिजेंस आर्किटेक्चर पर ध्यान केंद्रित किया जिसे "मल्टी-गेट मिक्सचर ऑफ एक्सपर्ट्स" (multi-gate mixture of experts) कहा जाता है। एक टीम के विशेषज्ञों की कल्पना करें, जिनमें से प्रत्येक डेटा का विश्लेषण करने के विभिन्न तरीकों में विशेषज्ञ है, और वे सब मिलकर काम कर रहे हैं। एक पारंपरिक सेटअप में, प्रत्येक विशेषज्ञ हर निर्णय पर समान रूप से अपनी राय देगा। इस नए दृष्टिकोण में, सिस्टम प्रत्येक विशिष्ट कार्य के लिए एक स्मार्ट गेटकीपर (द्वारपाल) का उपयोग करता है। डिफॉल्ट की भविष्यवाणी करने के कार्य के लिए, गेटकीपर शायद उन विशेषज्ञों की बात सुनने का विकल्प चुन सकता है जो वित्तीय तनाव को पहचानने में कुशल हैं। ऋण राशि के नुकसान की भविष्यवाणी करने के कार्य के लिए, गेटकीपर विशेषज्ञों का एक अलग मिश्रण चुन सकता है जो ऋण के आकार और पुनर्भुगतान के इतिहास को समझने में बेहतर हैं। यह सिस्टम को वहां जानकारी साझा करने की अनुमति देता है जहां यह सहायक हो, लेकिन जहां आवश्यकता हो वहां दोनों भविष्यवाणियों को अलग रखने की भी अनुमति देता है।
शोधकर्ताओं ने इस विचार का परीक्षण एक प्रमुख ऑनलाइन लेंडिंग प्लेटफॉर्म के व्यक्तिगत ऋणों के एक विशाल डेटासेट का उपयोग करके किया, जिसमें 2013 और 2016 के बीच जारी किए गए लाखों ऋण शामिल थे। अपने परिणामों की सटीकता सुनिश्चित करने के लिए, उन्होंने डेटा को सावधानीपूर्वक फ़िल्टर किया ताकि केवल वे ऋण शामिल हों जो अपनी प्राकृतिक समाप्ति तिथि तक पहुँच चुके थे, चाहे वे पूरी तरह से चुका दिए गए हों या पूरी तरह से राइट-ऑफ कर दिए गए हों, जिससे उन सक्रिय ऋणों का भ्रम टल गया जिनके अंतिम परिणाम अज्ञात थे। उन्होंने अपने नए "मिक्सचर ऑफ एक्सपर्ट्स" मॉडल की तुलना पारंपरिक पद्धति (दो अलग-अलग मॉडल बनाने) और अपने ही विचार के एक सरल संस्करण के विरुद्ध की, जहाँ सभी विशेषज्ञों को दोनों कार्यों के लिए बिल्कुल एक ही जानकारी साझा करने के लिए मजबूर किया गया था। परिणामों ने दिखाया कि जबकि पारंपरिक अलग-अलग मॉडल उधारकर्ताओं को जोखिम के आधार पर रैंक करने में सक्षम थे, वे अंतिम नुकसान के आंकड़ों को सही ढंग से बताने में काफी कमजोर थे। नया संयुक्त मॉडल, जिसने दो भविष्यवाणियों को चुनिंदा रूप से जानकारी साझा करने की अनुमति दी, पूरे पोर्टफोलियो में अपेक्षित नुकसान की बहुत अधिक सटीक तस्वीर प्रस्तुत करता है।
यह सुधार केवल एक छोटा सा सांख्यिकीय बदलाव नहीं था; यह त्रुटि में एक पर्याप्त कमी का प्रतिनिधित्व करता था। जब उन्होंने पूरे उधारकर्ताओं के समूह में अनुमानित नुकसान और वास्तविक नुकसान के बीच के अंतर को मापा, तो नए मॉडल ने उस सरल संस्करण की तुलना में त्रुटि को लगभग 9 प्रतिशत कम कर दिया जिसने सभी जानकारी को समान रूप से साझा करने के लिए मजबूर किया था। यह लाभ सभी प्रकार के उधारकर्ताओं के लिए समान रूप से वितरित नहीं था। नया दृष्टिकोण मध्यम और उच्च-जोखिम वाले समूहों में अपनी सबसे बड़ी ताकत दिखाता है, जहाँ डिफॉल्ट करने और होने वाले नुकसान की राशि के बीच का संबंध अधिक जटिल और परिवर्तनशील होता है। सबसे सुरक्षित उधारकर्ताओं के लिए, जो शायद ही कभी डिफॉल्ट करते हैं और आमतौर पर पूरा भुगतान करते हैं, सरल मॉडल ने भी उतना ही अच्छा प्रदर्शन किया। हालांकि, जोखिम भरे बाजार खंडों के लिए, मॉडल के विभिन्न हिस्सों में विभिन्न प्रकार की जानकारी भेजने की क्षमता ने स्पष्ट अंतर पैदा किया।
मॉडल कैसे काम करता है, इसकी गहराई में जाते हुए, शोधकर्ताओं ने "गेट वेट्स" (gate weights) को देखा, जिससे पता चला कि सिस्टम किस विशेषज्ञ को किस काम के लिए चुन रहा था। उन्होंने पाया कि डिफॉल्ट की भविष्यवाणी करने वाला गेट उन विशेषज्ञों की ओर झुका हुआ था जो क्रेडिट स्कोर और ऋण-से-आय अनुपात के प्रति संवेदनशील थे, जिससे प्रभावी रूप से उधारकर्ताओं को उनकी क्रेडिट गुणवत्ता के आधार पर वर्गीकृत किया गया। इसके विपरीत, नुकसान की राशि की भविष्यवाणी करने वाले गेट ने ऋण के आकार, घूमते हुए ऋण (revolving debt) की राशि और रोजगार इतिहास पर अधिक ध्यान दिया। इसने पुष्टि की कि मॉडल केवल अनुमान नहीं लगा रहा था; यह सक्रिय रूप से सीख रहा था कि भुगतान रोकने के निर्णय और कितने पैसे के नुकसान के निर्णय को अलग-अलग कारक संचालित करते हैं। सिस्टम ने विशिष्ट उधारकर्ता और विशिष्ट कार्य के आधार पर यह तय किया कि उसे किस विशेषज्ञ की बात सुननी है, जो कि पुराने, कठोर मॉडलों में मौजूद नहीं था।
अध्ययन यह निष्कर्ष निकालता है कि ऋणदाताओं के लिए, अंतिम वित्तीय हानि की भविष्यवाणी करने का लक्ष्य उन मॉडलों द्वारा सर्वोत्तम रूप से पूरा किया जाता है जो डिफॉल्ट और नुकसान की गंभीरता के बीच के संबंध को समझते हैं, बिना उन्हें एक जैसा बनाए। एक लचीले ढांचे का उपयोग करके, जो चुनिंदा रूप से जानकारी साझा करता है, वित्तीय संस्थान अपने जोखिम का अधिक सटीक अंशांकन (calibration) प्राप्त कर सकते हैं। यह महत्वपूर्ण है क्योंकि बेहतर अंशांकन का अर्थ है उधारकर्ताओं के लिए बेहतर मूल्य निर्धारण और ऋणदाताओं के लिए अधिक स्थिर आरक्षित कोष, विशेष रूप से जोखिम भरे बाजार में जहाँ गलतियाँ सबसे महंगी होती हैं। शोध का सुझाव है कि क्रेडिट जोखिम प्रबंधन का भविष्य अधिक अलग मॉडल बनाने में नहीं, बल्कि अधिक स्मार्ट, अधिक जुड़े हुए सिस्टम बनाने में है जो इस सूक्ष्म अंतर को समझ सकें कि लोग भुगतान क्यों रोकते हैं और उसका लागत क्या है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।