基于欧洲银行业监管局的大数据与高级分析应用中人工智能的信任要素，对偏见缓解的贷款筛选模型进行基准验证
摘要：机器学习的贷款筛选应用（5D）能否在以下约束条件下检测到坏贷款。 研究项目的目标是测试基于机器学习的贷款筛选应用（5D）能否在以下约束条件下检测到坏贷款：a）利用与借款人的信用历史、性别、种族或族裔无关的最小最优特征（BiMOPT特征）；b）遵守欧洲银行管理局和欧盟委员会关于可信人工智能（AI）的原则。所有数据集均经过了匿名化处理。在0阶段，我们从总共84个特征中选出了10个BiMOPT特征的子集；在I阶段，我们训练5D在从意大利银行获得的历史数据集中检测坏贷款，该数据集由2010年至2021年期间关闭的7,289个不良贷款（NPLs）组成；在II阶段，我们评估了5D在不同验证数据集上的基线性能，该验证数据集包括总融资价值超过115亿欧元的63,763个未到期贷款（履约和不良贷款）；在III阶段，我们将在5年（2023-2027年）的时间内监测基线性能，以评估5D系统和其在信贷和金融科技机构中的实际世界偏倚调节和性能优势。在基线情况下，5D正确检测到1613个贷款中的1461个不良贷款（灵敏度=0.91，患病率=0.0253；正预测值=0.19），并正确分类了62150个其他贷款中的55866个（特异性=0.90，负预测值=0.997）。我们的初步结果支持以下假设：基于人工智能的大数据和高级分析应用可以在不损害信用风险评估的有效性的情况下，减轻偏见并提高对贷款筛选过程中的消费者保护。需要进一步验证来评估5D在信贷和金融科技机构中的实际性能和效用。
作者：Alessandro Danovi, Marzio Roma, Davide Meloni, Stefano Olgiati, Fernando Metelli
论文ID：2206.08938
分类：Risk Management
分类简称：q-fin.RM
提交时间：2022-06-22