Joint Estimation of Credit Risk in Consumer Lending: A Multi-Gate Mixture-of-Experts Approach
Deze studie toont aan dat een Multi-Gate Mixture-of-Experts (MMoE) framework voor de gezamenlijke schatting van de kans op wanbetaling en het verlies bij wanbetaling de kalibratie van het verwachte verlies aanzienlijk verbetert, met name voor kredietnemers met een gemiddeld tot hoog risico, door gebruik te maken van selectieve parametervariatie om gedeelde informatie over kredietnemers beter te benutten in vergelijking met conventionele sequentiële benaderingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van consumentenkrediet staan banken en online platforms voor een constante, risicovolle berekening: hoeveel geld zullen ze verliezen als een lener niet terugbetaalt? Om dit te beantwoorden, moeten kredietverleners twee afzonderlijke zaken inschatten. Ten eerste moeten ze de waarschijnlijkheid raden dat een persoon in gebreke blijft, of volledig stopt met betalen. Ten tweede moeten ze, als die persoon inderdaad stopt met betalen, inschatten hoeveel van het oorspronkelijke leenbedrag wordt teruggewonnen via incasso of de verkoop van activa, en hoeveel er definitief verloren gaat. Deze twee schattingen worden met elkaar vermenigvuldigd om de "verwachte verliezen" (expected loss) te bepalen, een enkel getal dat de rentevoeten, de reserves en de regelgevende vereisten stuurt. Decennialang was de standaardpraktijk om één model te bouwen om de kans op wanbetaling te voorspellen en een volledig apart model om het verliesbedrag te voorspellen, waarbij deze als onafhankelijke problemen werden behandeld. Deze benadering gaat er echter van uit dat de factoren die ervoor zorgen dat een lener stopt met betalen, volledig ongerelateerd zijn aan de factoren die bepalen hoeveel geld er verloren gaat zodra dat gebeurt, een aanname die waardevolle verbanden die verborgen liggen in de data kan missen.
Een team onderzoekers van de California State University zette zich in om te testen of het behandelen van deze twee voorspellingen als één, verbonden probleem betere resultaten zou opleveren. Ze richtten zich op een specifiek type kunstmatige intelligentie-architectuur dat bekend staat als een "multi-gate mixture of experts". Stel je een team van specialisten voor, elk een expert op een andere manier van data-analyse, die allemaal samenwerken. In een traditionele opstelling zou elke specialist even zwaar meewegen bij elke beslissing. In deze nieuwe benadering gebruikt het systeem voor elke specifieke taak een slimme poortwachter (gatekeeper). Voor de taak van het voorspellen of iemand in gebreke blijft, kan de poortwachter ervoor kiezen om vooral te luisteren naar de specialisten die goed zijn in het opsporen van financiële stress. Voor de taak van het voorspellen hoeveel geld er verloren zal gaan, kan de poortwachter luisteren naar een andere mix van specialisten die beter zijn in het begrijpen van leningenomvang en betalingsgeschiedenis. Dit stelt het systeem in staat om informatie te delen waar dat helpt, maar de twee voorspellingen gescheiden te houden waar dat nodig is.
De onderzoekers testten dit idee met een enorme dataset van persoonlijke leningen van een groot online kredietplatform, die honderdduizenden leningen beslaat die tussen 2013 en 2016 zijn verstrekt. Om hun resultaten accuraat te waarborgen, filterden ze de data zorgvuldig om alleen leningen op te nemen die hun natuurlijke einddatum hadden bereikt, ofwel volledig waren afbetaald of volledig waren afgeschreven, om de verwarring van lopende leningen waarvan de uiteindelijke uitkomst nog onbekend is, te vermijden. Ze vergeleken hun nieuwe "mixture of experts"-model met de traditionele methode van het bouwen van twee aparte modellen en met een simpelere versie van hun eigen idee, waarbij alle specialisten gedwongen werden om exact dezelfde informatie te delen voor beide taken. De resultaten toonden aan dat hoewel de traditionele, afzonderlijke modellen redelijk goed waren in het rangschikken van leners op basis van risico, ze aanzienlijk slechter waren in het correct voorspellen van de uiteindelijke verliescijfers. Het nieuwe gezamenlijke model, dat de twee voorspellingen toestond selectief informatie te delen, produceerde een veel nauwkeuriger beeld van de verwachte verliezen over de gehele portefeuille.
De verbetering was niet slechts een kleine statistische aanpassing; het vertegenwoordigde een substantiële reductie in fouten. Wanneer zij maten hoe nauw de voorspelde verliezen overeenkwamen met de werkelijke verliezen over de hele groep leners, verminderde het nieuwe model de fout met ongeveer 9 procent vergeleken met de simpelere versie die dwong om alle informatie gelijkelijk te delen. Deze winst was niet gelijkmatig verdeeld over alle typen leners. De nieuwe benadering toonde haar grootste kracht in de middel risico en hoge risico groepen, waar de relatie tussen wanbetaling en de omvang van het verlies complexer en variabeler is. Voor de veiligste leners, die zelden in gebreke blijven en meestal volledig betalen, presteerde het simpelere model net zo goed. Echter, voor de risicovollere segmenten van de markt maakte het vermogen om verschillende soorten informatie naar verschillende delen van het model te leiden een duidelijk verschil.
Door dieper in te graven in hoe het model werkte, keken de onderzoekers naar de "gate weights", die onthulden welke specialisten het systeem voor elke taak koos. Ze ontdekten dat de poortwachter voor het voorspellen van wanbetaling de neiging had om specialisten te bevoordelen die gevoelig zijn voor kredietscores en de verhouding tussen schuld en inkomen, waardoor leners effectief werden gegroepeerd op basis van hun kredietkwaliteit. In tegen testelling hiermee gaf de poortwachter voor het voorspellen van het verliesbedrag meer aandacht aan de omvang van de lening, de hoeveelheid doorlopende schulden en de arbeidsgeschiedenis. Dit bevestigde dat het model niet simpelweg gokte, maar actief leerde dat verschillende factoren de beslissing drijven om te stoppen met betalen versus de beslissing over hoeveel geld er verloren gaat. Het systeem paste zich dynamisch aan door te bepalen naar welke experts het luisterde, gebaseerd op de specifieke lener en de specifieke taak; een flexibiliteit die de oudere, rigide modellen misten.
De studie concludeert dat voor kredietverleners het doel van het voorspellen van het uiteindelijke financiële verlies het beste wordt gediend door modellen die het verband tussen wanbetaling en de ernst van het verlies begrijpen zonder ze identiek te laten zijn. Door een flexibel kader te gebruiken dat informatie selectief deelt, kunnen financiële instellingen een nauwkeurigere kalibratie van hun risico bereiken. Dit is van belang omdat een betere kalibratie betekent dat er betere prijzen zijn voor leners en stabielere reserves voor kredietverleners, met name in de risicovollere delen van de markt waar fouten het meest kostbaar zijn. Het onderzoek suggereert dat de toekomst van kredietrisicobeheer niet ligt in het bouwen van meer afzonderlijke modellen, maar in het bouwen van slimmere, meer verbonden systemen die de subtiele verschillen kunnen navigeren tussen waarom mensen stoppen met betalen en wat dat kost.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.