Artificial Intelligence: the Application of Machine Learning and Predictive Analytics in Credit Risk

In the last years Machine Learning (and the Artificial Intelligence), is experiencing a new rush thanks to the growth of volume and kind of data, the presence of tools / software with higher computational power and cheaper data storage size (e.g. cloud). In Credit Risk Management, the PD (Probability of Default) estimation has attracted lots of research interests in the past literature and recent studies have shown that advanced Artificial Intelligence (AI) methods achieved better performance than traditional statistical methods tied to simplified Machine Learning techniques. The study empirically investigates the results of applying different advanced machine learning techniques in estimation and calibration of Probability of Default. The study has been done on big data sample with more than 800,000 Retail customers of a panel European Banks under ECB Supervision, with 10 years of historical information (2006 - 2016) and 300 variables to be analyzed for each customer. The study shows that neural network produces a higher population riskiness ranking accuracy, with 71% of Accuracy Ratio. However, the authors’ idea is that classification tree is more interpretable from an economic and credit point of view. In terms of model calibration, cluster analysis produces rating classes more stable and with a predicted risk probability aligned with the observed default rate.

Negli ultimi anni il Machine Learning e, più in generale, il mondo dell’Intelligenza Artificiale, sta acquisendo un nuovo slancio grazie alla crescita del volume e della varietà dei dati, a processi di elaborazione / strumenti con elevata potenza computazionale oltre agli spazi per l'archiviazione dei dati sempre più a buon mercato (es. cloud). Nell’ambito del Credit Risk Management, la modellizzazione della PD (Probabilità di Default) ha attirato l’interesse accademico nella letteratura passata e recenti studi analizzati dagli autori hanno mostrato che l’applicazione di tecniche di Intelligenza artificiale (IA) avanzate permette di ottenere performance migliori rispetto alla statistica tradizionale legata a tecniche di Machine Learning più semplificate. In questo paper si analizzano empiricamente i risultati derivanti dall’applicazione di diverse tecniche avanzate di machine learning nella stima e calibrazione del parametro di Probabilità di Default. Lo studio è stato condotto su un campione contenente oltre 800.000 clienti Retail di un panel di banche europee sotto supervisione della BCE, con 10 anni di informazioni storiche (2006 - 2016) e 300 variabili da analizzare per ciascun cliente. I risultati mostrano una maggiore accuratezza del ranking della popolazione (in termini di rischiosità) ottenuto attraverso l’applicazione di reti neurali, con un valore di Accuracy Ratio (AR) del 71%. È idea degli autori, tuttavia, che al di là delle prestazioni ottenute, l’albero di classificazione risulti essere maggiormente interpretabile da un punto di vista economico e creditizio. In termini di calibrazione del modello, l’applicazione della cluster analysis genera classi di rating stabili e con una rischiosità stimata allineata alla rischiosità empirica osservata.