Tilbake til søkeresultatene

NAERINGSPH-Nærings-phd

Deep Learning approaches to credit scoring

Alternativ tittel: Deep Learning approaches to credit scoring

Tildelt: kr 1,7 mill.

Modeller for å predikere fremtidig mislighold er en sentral del av moderne bankdrift og nært knyttet til en banks inntjening og resultat. Å innvilge et lån til en kunde som i ettertid viser seg å misligholde lånet, vil kunne innebære et tap for banken. Å avvise en lånesøker som ikke ville ha misligholdt i fremtiden representerer tapte inntekter for banken. Det er derfor i en banks interesse å besitte slike modeller med best mulig yteevne. 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. 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. Dyp læring («deep learning») er en betegnelse på såkalte dype kunstige nevrale nettverk. Dette er prediksjonsmodeller som består av flere lag for å bedre lære sammenhenger i data. Denne tilnærmingen har vist seg å være overlegen i klassifisering av bilder, video, lyd og sekvensielle data som tekst og tale. Målet med dette forskningsprosjektet er å fremskaffe ny kunnskap om anvendelse av dyp læring på transaksjonsdata for å kunne oppnå en betydelig forbedring av bankens kredittvurderingsprosess, og dermed også øke bankens lønnsomhet og konkurranseevne.

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.

Budsjettformål:

NAERINGSPH-Nærings-phd