Analiza dotycząca możliwości budowy modelu ryzyka kredytowego

• Authors: Paweł Marcinkowski

Title variants

EN

Analysis of the possibility of building a credit risk model

Abstracts

PL

FinAi przeprowadziło projekt budowy innowacyjnego modelu ryzyka kredytowego w oparciu o dane alternatywne takie jak dane z portali społecznościowych (Facebook, Linkedin), czy dane z telefonów komórkowych. Projekt ten był współfinansowany ze środków Europejskiego Funduszu Rozwoju Regionalnego w ramach umowy o dofinansowanie zawartej przez FinAi S.A. z Narodowym Centrum Badań i Rozwoju z siedzibą w Warszawie. Pierwszym etap projektu polegał na zebraniu danych i wykorzystaniu ich do budowy grafu powiązań pomiędzy klientami. Dodatkowo, na podstawie danych zewnętrznych i danych zarządzanych przez FinAi, zbudowano flagi mające na celu nauczenie pod ich nadzorem modelu predykcyjnego wykorzystujące struktury grafowe. Zbudowany w taki sposób model miał charakteryzować się większą mocą predykcyjną niż standardowe modele stosowane w branży. Badano możliwości budowy modelu ryzyka kredytowego w oparciu o pozyskane dane oraz jakość danych pochodzących ze źródeł alternatywnych. Wykazano m.in., że alternatywne źródła danych są wypełnione dla niewielkiego odsetka populacji, a ich jakość jest niezadowalająca. Wielkość zbioru okazała się niewystarczająca do budowy wiarygodnego modelu ryzyka kredytowego czy osiągnięcia przewagi w stosunku do modeli funkcjonujących w bankach.

EN

FinAi has undertaken a project focused on the development of an innovative credit risk model utilizing alternative data sources, such as data from social media platforms (Facebook, LinkedIn) and mobile phone records. This project was co-financed through the European Regional Development Fund under a funding agreement between FinAi S.A. and the National Centre for Research and Development (NCBiR), headquartered in Warsaw. The initial phase of the project involved the collection of data and their utilization in constructing a network graph of customer relationships. Furthermore, leveraging external data as well as data managed by FinAi, specific indicators were formulated. These indicators were employed under the supervision of experts to train a predictive model that incorporated graph structures. The model thus constructed was to exhibit a higher predictive capability compared to conventional models commonly employed within the industry. The study explored the feasibility of creating a credit risk model based on the acquired data and assessed the quality of data originating from alternative sources. It was demonstrated that alternative data sources were populated for a small fraction of the population, and their quality has proven unsatisfactory. The scale of the dataset proved inadequate for establishing a robust credit risk model or attaining a competitive advantage over the models in use within banking institutions.

Keywords

PL

kredyt; ryzyko; dane; modele; wykresy; finanse

EN

credit; risk; data; models; graphs; finance

• Publisher: Wydawnictwo Adam Marszałek
• Journal: Krakowskie Studia Małopolskie
• Year: 2023
• Volume: 3(39)
• Pages: 168-184

Dates

published

2023

Contributors

author

Paweł Marcinkowski

• Allegro Pay sp. z o.o.

• https://orcid.org/0009000920829442

References

• Chen N., Ribeiro B., Chen A., Financial credit risk assessment: a recent review, „Artif Intell. Rev.” 2016, nr 45.
• Emmert-Streib F., Dehmer M., Understanding Statistical Hypothesis Testing: The Logic of Statistical Inference, „Mach. Learn. Knowl. Extr.” 2019, nr 1.
• Giudici P., Hadji-Misheva B., Spelta A., Network based credit risk models, „Quality Engineering” 2020, nr 32(2).
• James G., Witten D., Hastie T., Tibshirani R., An Introduction to Statistical Learning, [w:] Springer Texts in Statistics, 2021.
• Leskovec J., Backstrom L., Kumar R., Tomkins A., Microscopic evolution of social networks, [w:] In Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD ‘08), 2008.
• Lopez J.A., Saidenberg M.R., Evaluating credit risk models, „Journal of Banking & Finance” 2000, Vol. 24, Issues 1–2.
• Montgomery D.C., Peck E.A., Vining G.G., Introduction to linear regression analysis, 2021.
• Muñoz-Cancino R., Bravo C., Ríos S.A., Graña M., On the dynamics of credit history and social interaction features, and their impact on creditworthiness assessment performance, „Expert Systems with Applications” 2023, Vol. 218.
• Nguyen T., Wu B., Fundamentals of Statistics with Fuzzy Data, „Studies in Fuzziness and Soft Computing” 2006, Vol. 198.
• Óskarsdóttir M., Bravo C., Sarraute C., Vanthienen J., Baesens B., The value of big data for credit scoring: Enhancing financial inclusion using mobile phone data and social network analytics, „Applied Soft Computing” 2019.
• Webber J., A programmatic introduction to Neo4j, [w:] Proceedings of the 3rd annual conference on Systems, programming, and applications: software for humanity (SPLASH ‘12), 2012.
• Zamore S., Beisland L.A., Mersland R., Geographic diversification and credit risk in microfinance, „Journal of Banking & Finance” 2019, Vol. 109.

Identifiers

DOI

10.15804/ksm20230308

Biblioteka Nauki

16728936