Artificial Intelligence and Credit Risk: The Use of Alternative Data and Methods in Internal Credit Rating

این کتاب بر روی تکنیک‌های جایگزین و داده‌های اهرمی برای ریسک اعتباری تمرکز دارد و مجموعه‌ای از رویکردهای روش‌شناختی برای استفاده از تکنیک‌ها و/یا داده‌های جایگزین برای مدل‌های رتبه‌بندی نظارتی و مدیریتی را توصیف و تحلیل می‌کند. در دهه گذشته افزایش ظرفیت محاسباتی، تلفیق روش‌های جدید برای بسط داده‌ها و در دسترس بودن اطلاعات جدید مرتبط با افراد و سازمان‌ها، به کمک استفاده گسترده از اینترنت، زمینه را برای توسعه و کاربرد تکنیک‌های هوش مصنوعی فراهم کرد. در شرکت ها به طور کلی و مؤسسات مالی به طور خاص. در دنیای بانکداری، به لطف استفاده از مجموعه داده های بزرگتر و بزرگتر برای مدلسازی ریسک اعتباری، کاربرد آن حتی بیشتر مرتبط است. ارزیابی ریسک اعتباری عمدتاً بر اساس مدل‌سازی داده‌های مشتری است. چنین تکنیک هایی (رگرسیون خطی، رگرسیون لجستیک، درخت تصمیم و غیره) و مجموعه داده ها (مالی، رفتاری، جامعه شناختی، جغرافیایی، بخشی و غیره) به عنوان "سنتی" نامیده می شوند و استانداردهای واقعی در صنعت بانکداری بوده اند. . چالش پیش رو برای مدیران ریسک اعتباری اکنون یافتن راه‌هایی برای استفاده از جعبه ابزار جدید هوش مصنوعی بر روی داده‌های جدید (غیر متعارف) برای افزایش قدرت پیش‌بینی مدل‌ها است، بدون اینکه از مشکلات ناشی از تفسیرپذیری نتایج و در عین حال شناخت معضلات اخلاقی غافل شوند. مشارکت کنندگان پژوهشگران دانشگاه، مدیران ریسک فعال در بانک ها و سایر واسطه های مالی و مشاوران هستند. این موضوع یک موضوع اصلی برای صنعت مالی است و این یکی از اولین کارهایی است که مطالعات موردی مرتبط را در کنار مشکلات و راه حل های عملی ارائه می دهد.

This book focuses on the alternative techniques and data leveraged for credit risk, describing and analysing the array of methodological approaches for the usage of techniques and/or alternative data for regulatory and managerial rating models. During the last decade the increase in computational capacity, the consolidation of new methodologies to elaborate data and the availability of new information related to individuals and organizations, aided by the widespread usage of internet, set the stage for the development and application of artificial intelligence techniques in enterprises in general and financial institutions in particular. In the banking world, its application is even more relevant, thanks to the use of larger and larger data sets for credit risk modelling. The evaluation of credit risk has largely been based on client data modelling; such techniques (linear regression, logistic regression, decision trees, etc.) and data sets (financial, behavioural, sociologic, geographic, sectoral, etc.) are referred to as “traditional” and have been the de facto standards in the banking industry. The incoming challenge for credit risk managers is now to find ways to leverage the new AI toolbox on new (unconventional) data to enhance the models’ predictive power, without neglecting problems due to results’ interpretability while recognizing ethical dilemmas. Contributors are university researchers, risk managers operating in banks and other financial intermediaries and consultants. The topic is a major one for the financial industry, and this is one of the first works offering relevant case studies alongside practical problems and solutions.