Mesterséges intelligencia a hitelkockázati modelleknél, avagy mire képesek a gépi tanulási algoritmusok a hagyományos modellekhez képest címmel jelent meg Rajka László és Pollák Zoltán írása a Gazdaság és Pénzügy folyóiratban.
Absztrakt
A mesterséges intelligencia által fémjelzett technológiai forradalommal a hitelkockázat kezelésének területén modellek egy új generációja jött létre, melyeket összefoglalóan gépi tanuláson alapuló modelleknek nevezünk. A hitelkockázati modellek elmúlt évtizedekben végbemenő fejlődésében a szakértői rendszerek jelentik a múltat, a hagyományos statisztikai modellek (például a logisztikus regresszió) képviselik a jelent, a gépi tanulási metódusok pedig valószínűsíthetően a jövőt. Jelen tanulmány célja ez utóbbi, gépi tanulási modellek egyik legígéretesebb képviselőjének, az XGBoost klasszifikációs algoritmusnak az ismertetése és annak empirikus vizsgálata, hogy a jelenlegi iparági pest practice-nek számító hagyományos modellezési módszerekhez képest milyen hatékonyságnövekedés érhető el a gépi tanulási algoritmusok segítségével. Vizsgálatunkban a mesterséges intelligencián alapuló módszertanok közül a Mesterséges Neurális Hálózat (ANN) és az XGBoost modell egyaránt felülmúlta a logisztikus regressziós megközelítést a klasszifikációs hatékonyság tekintetében. Noha a gépi tanulási módszerek kiváló predikciós képességgel rendelkeznek, hátrányuk, hogy esetükben a döntési modellek értelmezése nehézkesebb hagyományos társaikhoz képest. A mesterséges intelligencián alapuló gépi tanulási módszerek „fekete doboz” jellege miatt a bankoknak jelenleg kevés lehetőségük van azok alkalmazására, ezért javasolnánk a jelenlegi – hagyományos modellekre szabott – szabályok és ajánlások újragondolását olyan módon, hogy az teret adjon a bankoknak a gépi tanulási modellek alkalmazására és ezáltal hitelkockázat-kezelésük hatékonyságának növelésére.
Gratulálunk!