Az Edinburgh-i Egyetemen rendezték meg idén a „Credit Scoring and Credit Control Conference” eseményt, melyet a CRC (Credit Research Centre, University of Edinburgh Business School) immár 18. alkalommal szervezett meg.
E jeles esemény a világ legnagyobb hitelbírálati és hitelkockázati témákat bemutató konferenciája, tapasztalt szakemberek és akadémikusok izgalmas előadásaival, melyen a Bankárképzőtől Porpáczy Fanni és Schimpl Viktória junior tanácsadók vehettek részt.
Fanni és Viki a számunkra legérdekesebbeket osztják meg most velünk:
Open Banking
Az Open Banking (nyílt bankolás) lehetővé teszi harmadik fél (pénzügyi szolgáltatók) számára, hogy hozzáférjen a bankok ügyfeleinek tranzakciós és egyéb számla, fizetési adataihoz. Az adatokhoz való hozzáférést API-n (Application Programming Interfaces) keresztül tudják biztosítani az intézmények. A nyílt bankolással az adatok elérhetővé tétele csak úgy lehetséges harmadik fél számára, ha az ügyfelek hozzájárulnak az adataik felhasználásához.
A fő kérdés, -melyre mindenki kíváncsi,- hogy a modellezés során érdemes-e bevonni az Open Bankingből származó adatokat ahhoz, hogy pontosabban tudjuk megkülönböztetni egymástól a fizetőképes és fizetőképtelen ügyfeleket. Az előadók olyan modellt is készítettek, amibe nem vontak be ilyen adatokat, és olyat is, amibe bevonták plusz változókként a nyílt bankolásból származó adatokat. A két modellt összehasonlítva elmondható, hogy érdemes ezeket a plusz információkat felhasználni a modellezés során, magasabb pontosságot értek el a kutatók ezekkel a modellekkel. Ugyanakkor kiemelték, hogy nehézség -ami korábban is említésre került-, hogy az ügyfelek hozzájárulására szükség van az adatok felhasználásához.
Méltányosság
A nyílt bankolás által elérhető tranzakciós adatok elemzésének és használatának széleskörű elterjedése a “fairness”, méltányosság kérdésének tekintetében is nagy szerepet tölthet be. A méltányosság a csődelőrejelzésben annak biztosítását jelenti, hogy az előrejelzéseink nem torzítanak, és a modellünk nem viszi át a múlt diszkriminatív mintáit a jövőbe. A machine learning algoritmusok térnyerésével megnőtt a valószínűsége, hogy az úgynevezett “védett” változók mentén torzító modelleket kapunk (előfordulhat például, hogy a múltban - pl. nem, bőrszín stb. alapján - diszkriminált csoportok alulreprezentáltak a múltból vett mintában, így a modell esetleg túl fontosnak ítéli ezen tulajdonságok hatását). Egy ilyen modell a hitelintézet számára reputációs kockázatot jelenthet, ezért jó irány lehet a védett változók helyett a közelmúltból származó, nyílt bankolás által elérhető tranzakciós és egyéb, kizárólag pénzügyi jellegű adatok használatára helyezni a hangsúlyt.
Klímakockázat
A konferencián szintén több előadás által taglalt témaként jelent meg a klímakockázat kutatásának és kezelésének fontossága. A napjainkban zajló klímaváltozás és az ehhez kapcsolódó jogszabályi, gazdasági változások jelentős kockázatot hordozhatnak a vállalkozások általános működésére, jövedelmezőségére nézve. Ebből kifolyólag a számukra hitelt nyújtó intézetek sem hagyhatják figyelmen kívül a problémát, erre vonatkozóan a szabályozói elvárás is fokozódik.
A klímaváltozás által hordozott kockázatnak két típusát különböztethetjük meg. Egyrészt beszélhetünk fizikai kockázatról, amely az időjárással, természeti katasztrófákkal kapcsolatos kockázatokat foglalja magában. Másrészt beszélhetünk az átállási kockázatról, amely a környezetbarátabb, alacsonyabb szén-dioxid kibocsátású gazdasági modellre való átállás során fellépő jogszabályi, politikai, gazdasági stb. környezeti változások kockázatát jelenti. Az NGFS - Network for Greening the Financial System ezen két dimenzió mentén határoz meg különböző szcenáriókat a jövőre vonatkozóan, amelyek alapján szcenárióelemzések készíthetők a kockázatok feltárása céljából.
Raffaella Calabrese- az Edinburgh-i Egyetem professzora, - előadásában arról számolt be, hogy egy -a társaival végzett- kutatás során az NGFS szcenáriók felhasználásával 1,5 millió KKV hitelt vizsgáltak, és azt találták, hogy a klímaváltozás szignifikáns hatással volt a vállalkozások csődvalószínűségére, valamint, hogy az átállási kockázat hatása jóval erősebb volt a fizikai kockázat hatásánál.
Tudjon meg többet felhasznált forrásainkból:
https://www.tibco.com/reference-center/what-is-open-banking, https://www.mbhbank.hu/lakossagi/informaciok-a-nyilt-bankolasrol-open-banking)
Miss Savina Kim (2023): Fair Models in Credit: Intersectional Discrimination and the Amplification of Inequity, Credit Scoring and Credit Control conference, Edinburgh
Dr Remi Cuchillo (2023): Fairness in Machine Learning Models for Banking Applications, Credit Scoring and Credit Control conference, Edinburgh
Basel Committee on Banking Supervision (2021): Climate-related risk drivers and their transmission channels (https://www.bis.org/bcbs/publ/d517.pdf )
NGFS honlapja (https://www.ngfs.net/ngfs-scenarios-portal/ )
Raffaella Calabrese (2023): A Climate Transition Scenario Analysis for European SMEs Loans, Credit Scoring and Credit Control conference, Edinburgh
