问世机器学习在金融引入了对使用人工智能来自动化流程的浓厚兴趣欺诈检测至客户服务。虽然有些用例不像其他用例那样确定，但是我们的研究让我们相信，在未来的五年里，银行会继续投资机器学习吗风险相关的过程,包括承销。
在一个面试的人工智能在工业播客,我们采访了Jay Budzik ZestFinance首席技术官,对承销商可以使用基于机器学习的方式信贷模型来赢得更多业务和降低风险利用的新来源的数据现在可用数字和成熟的喂养为机器学习模型。
这些模型是挑战传统的信用评分技术，包括FICO评分和简单的记分卡。在这篇文章中，我们将讨论在机器学习可以扩大贷款人的客户群涵盖了所谓的“信用无形”（人与薄或没有信用记录）的方式和那些信用评分是不是他们的风险的准确反映。
我们从新的数据来源开始:FICO和传统信用评分的范围太窄，以至于无法服务于关键的人口统计数据，而这些数据往往被完全排除在信用账户之外。
传统的信用评分变量与新的数据源
FICO评分:概述
在过去的三十年中，FICO评分和类似的信用评分已经成为信用建模的标准。FICO允许银行、信用卡公司和其他贷款人客观地评估信用申请人的信用价值。分数是根据计算出来的五个因素，每一个都由几个不同权重的变量组成，每一个都占FICO总分的一个百分比:
- 信用记录(35%):一个人的信用记录是一个人的信用报告中提出的瑕疵，积极账户的存在了。这些瑕疵包括逾期付款，破产，丧失抵押品赎回权，并代表一个人无力偿还债务类似的例子。
- 信用利用率（30％）：FICO的评分因素包括:一个人在一个给定的账单周期中使用了多少信用额度，他开了多少个信用账户，他的首付款是分期贷款，以及其他变量。
- 信用记录（15％）的长度：持有信用账户的时间越长(只要他们还在使用)，他们的FICO分数就越高。
- 业绩类型（10％）：一个人的FICO分数受其信用额度变化的影响。信用类型包括抵押贷款、汽车贷款和信用卡。
- 新近度（10％）：在最近怎么一个FICO评分因素申请贷款，还清了一个帐户，或增加他们的资产负债等变量。
信用隐形与信用历史的两难困境
所有这些因素的共同之处在于先前获得的信贷额度的必要性。因此，传统的信用评分往往是进入壁垒为“信用隐形”。“根据消费者金融保护局(CFPB)的数据，确实有2015年，美国有2600万无形信贷，近十分之一的美国人。此外，CFPB发现，“消费者在低收入社区更容易有没有信用记录或者没有足够的电流信用记录产生的信用评分。”
人口的这些部分是最有可能需要贷款大单采购，但他们缺乏信用记录阻止他们获得批准的贷款和承销商时，使用传统的信用评分，以评估他们的信贷额度：这是一个catch-22。
还有一些借款人的信用评分不能准确反映他们给贷款人带来的风险。Experian发现千禧一代的平均信用评分约为638分，低于美国全国平均水平，比上一代要少得多。该公司承认，这部分是由于年龄这些借款人的;他们的信用记录是瘦了，信用记录，使他们的FICO评分的30％。其结果是，贷款人可以不批准他们贷款，因为他们的得分太低时，他们实际上可能不会带来太大的风险;他们只是年轻。
虽然FICO和传统的信用评分证明了美国中产阶级的老一代有用的，这些分数可能是被用来制作与借记卡购买千禧和低收入美国人的那么有用。这些无形的信用借款人不一定是有风险的，但很少贷款批准它们，因为没有信用评分的风险目前还不清楚。
的“随时间变化”的挑战
据该公司介绍，FICO评分不会有太大变化随着时间的推移。ZestFinance认为，这可能会使FICO分数难以区分以下两个人:
- 有人从五年前的几逾期还款对自己的信用报告，但谁没有作出了延迟付款，因为
- 有人谁从来没有对自己的信用报告逾期付款，直到过去几个月，在此期间，他们错过了几次付款行
FICO和传统的信贷模式可能难以解释这两位借款人的生活如何随时间发生变化，并影响他们的偿债能力。这对年轻人来说可能尤其麻烦，因为他们中的许多人都在与债务作斗争。
益百利报道上Opploans调查的结果，这大约有四分之一的千禧一代觉得自己没有受到良好的信用教育。同样的调查发现，千禧世代的15％，经常错过信用卡付款。
他们可能会在以后的生活中找到他们的财务基础，使他们能够很容易地按时付款，但传统的信用评分不会立即反映这一点。这些借款人可能很难获得贷款批准，因为他们在年轻时建立了不良的信用记录，而无法开设信用账户将使他们的分数很低。这又是一个两难的问题。
新的数据源可以是溶液。
信用评分的新数据来源
而根据Budzik的说法，FICO分数可能会包含一两个变量:
我们投入生产，为客户的车型往往有在他们的变量数百或数千。我们有一个与2200变量运行的汽车贷款业务。
更多的数据意味着更细致入微的信用模型，而这些模型可以让承销商更准确地了解贷款申请人是否存在风险。新的数据来源可能包括:
- 未决案件的公开记录
- 汽车贷款申请人想要购买的汽车的型号和型号
- 卫星图像的财产，其中一个借款人正在寻求获得抵押贷款
- 该种产品的信用卡对借款人购买
这些类别的数据会以某种方式通知贷款人的信用状况，但传统的信用模型不采取任何人进去。
机器学习的优势
据Budzik：
为了能够考虑更多的变量，(贷款机构)需要能够处理这些变量的新算法。机器学习提供了解决这个问题的方法。ML可以考虑所有这些变量，但不会出错。传统的评分方法会被诸如相关性和数学的局限性之类的东西绊倒。
随着机器学习，数据源的大量可因素为信贷模式在理论上是无限的。存在可能预测申请人的偿还其贷款能力无数的变量，机器学习善于在大型数据集寻找模式。基于ML-信用模型可以在尽可能的未知预测偿还其贷款的借款人的可能性，数据点的因素。
例如,热情有探索工作利用这家信用卡公司的消费者支出数据宝库，为其75亿美元的个人贷款业务建立一个新模式。Zest声称，该模型评估了数百个申请人的数据点，是Discover之前使用的信用模型的10倍之多。
据称，这些建模者发现，在打折商店购物的经历提高了申请人获得个人贷款的机会，而在贷款申请中填写雇主的法定全名则会降低这种机会。
通过固定电话或手机而不是Skype或其他网络电话服务打电话给Discover的申请人被认为是更安全的选择，因为他们更容易追踪到一个人。
此外，这些源本身的组合创建了它们自己的数据点。例如，贷款申请人有时会为他们的汽车购买配件，但这并不影响他们自己偿还贷款的能力。
乙“但是，结合申请人想要贷款的汽车的型号，这可能意味着申请人偿还贷款的可能性更低或更高。”承销商几乎不可能弄清这些关系，但它们在很大程度上体现了机器学习的价值。
此外，机器学习可能比传统的信用模型更有适应性。开发一种新的信贷模式可能需要一年或更长的时间，这可能会阻碍银行跟上不断变化的经济形势的能力。
客户和市场能够相对快速地改变。一些机器学习的信贷软件包销配有自动风险管理，这可能允许贷款人改装车型在一个月之下，因此它可以适应其承销随着经济的演变。
什么ML-基于信用模型意味着贷款人
机器学习可以让银行和其他贷款人通过批准更多的信贷无形申请人及以上的申请人，其信用分数画自己的信誉的一个不完整的画面，以增加收入。ZestFinance，例如，声称已帮助尊贵金融服务与基于ML信贷模式提高贷款审批了14％。
与此同时，贷款者可能能够增加收入没有提高的风险。承销商可以开始拒绝贷款申请者是风险大于他们的信用分数暗示。其结果是，贷款人可以减少他们从这些借款人遭受的损失。
机器学习也可能使更准确基于风险定价。如前所述，ML-基于信用模型可以因素比传统机型更多的数据，允许申请人的支付能力更细致入微的画面。其结果是，贷款人可以用很多他们提供借款人的利率更精细。
ML可以拿起两个非常相似的借款人之间的微小差异，而这些差异可能是值得的资本，通过提供一个借款更高的利率。这可能会增加每个借款的利润率，而不会增加承销商的时间仔细审查借款人的申请。其结果是，在规模，贷款人可以看到的收入显著提升。
这是什么意思为消费者
机器学习模型，在新的数据源因素可以评估信用无形申请的方式，集中精力在信用记录不能传统模式。作为基于机器学习的信用模型的结果，申请人可能会发现，贷款人批准他们时，他们将以前没有。年轻人薄信用记录可能可以开始建立自己的信用，因为贷款人可以开始入职它们。
同样，在未来，千禧一代可能会发现，他们过去的信用失误并不会阻止他们在未来更有能力偿还贷款时，获得一笔用于购买大宗商品的贷款。
此外，Budzik指出：
与其批准那些即将违约的人，不如通过向那些无力还款的人提供信贷来制造混乱，贷款人可以避免这种情况，并防止这种情况发生在消费者身上
正如前面所讨论的，信用分数高的贷款申请人可能比他们的分数所反映的风险更大。分数在700分左右、有法律问题的申请人可能会被迫在一年内分期缴纳罚款。这样的判决可能会影响申请人偿还贷款的能力，影响他们的信用评分，并给他们的未来造成更多的长期损害。
机器学习型信贷模式，在等候法庭的情况下可能会建议承销商的因素不批准申请人完全，即使他们的信用评分将表明他们无愧于贷款。贷款人可以在对风险较大的消费者在第一位置不批准他们对他们的贷款违约本质对冲。
这篇文章是由ZestFinance赞助，写，编辑出版对准我们的透明Emerj赞助内容指南。了解更多关于到达我们的ai集中执行观众的信息Emerj广告页面。
标题图片来源：资产
