Deep Learning approaches to credit scoring

A credit score model's ability to discriminate between future defaults and non-defaults is closely related to a bank's profit. Granting a loan to a customer that will default in the future incurs a loss for the bank. Rejecting a loan applicant that will not default in the future represents lost income for the bank. It is therefore in the bank's interest to obtain credit score models with the best possible performance. Following the introduction of the EU's new Payment Services Directive (PSD2) in 2018-2019, banks will be able to access transaction data from other banks when new customers apply for loans and approve that the bank collects these data. This will enable a bank to evaluate the potential customers' prior payment behavior in detail, compared to the current situation where banks only have access to publicly available data (tax information, payment records and financial statements) and information from the loan application. Deep learning allows prediction models that are composed of multiple processing layers to learn representations of data with multiple levels of abstraction. This approach has proved to be superior in classifying images, video, audio and sequential data such as text and speech. This research project intends to acquire new knowledge of the use of deep learning methods on transaction data in order to achieve a significant improvement in the bank's credit rating process, thus increasing the bank's profitability and competitiveness.

Prosjektet har fremskaffet kunnskap og erfaring som vil være avgjørende for videreutvikling av bankens kredittvurderingsprosess som igjen vil kunne medføre høyere lønnsomhet for bankens utlånsvirksomhet, lavere tap, bedre prising, samt økt nytte for samfunnet ved at banken i større grad vil være i stand til å identifisere kunder med høy sannsynlighet for fremtidig mislighold.

Etter innføringen av EUs nye betalingstjenestedirektiv (PSD2) i 2018-2019, vil banker kunne få tilgang til transaksjonsdata fra andre banker når nye kunder søker om lån, hvis kundene godkjenner slik innhenting av data. Disse dataene vil gi banker bedret mulighet til å vurdere nye kunders kredittverdighet sammenlignet med dagens situasjon, der bankene kun har tilgang til offentlig tilgjengelige data (ligningstall, betalingsanmerkninger og regnskapsopplysninger) og informasjon fra lånesøknaden i vurderingen. Dype nevrale nettverk ("deep learning") har de siste årene revolusjonert maskiners evne til bl.a. å klassifisere bilder og oversette tekst. Disse metodene evner i større grad å nyttiggjøre seg av tilgjengelige data enn tradisjonelle statistiske metoder som f.eks. logistisk regresjon, og dette har resultert i prediksjonsmodeller med betraktelig bedre yteevne. Dette forskningsprosjektet vil fremskaffe ny kunnskap om anvendelse av «deep learning»-teknikker på transaksjonsdata med mål om å betydelig forbedre bankens kredittvurderingsprosess, og dermed også øke bankens lønnsomhet og konkurranseevne.