基于欧洲银行业管理局大数据与高级分析应用信任要素的偏差缓解贷款筛选模型人工智能基线验证
摘要
我们 4 阶段研究项目的目标是测试基于机器学习的贷款筛选应用 (5D) 是否能在以下约束条件下检测不良贷款：a) 使用与借款人信用记录、性别、种族或民族无关的最小最优特征数 (BiMOPT 特征)；b) 遵守欧洲银行业管理局和欧盟委员会关于可信 Artificial Intelligence (AI) 的原则。所有数据集均已进行匿名化和伪匿名化处理。在阶段 0，我们从总共 84 个特征中选出了 10 个 BiMOPT 特征子集；在阶段 I，我们训练 5D 以在从向意大利银行提交的强制报告中提取的历史数据集中检测不良贷款，该数据集包含 2010-2021 年间结清的 7,289 笔 non-performing loans (NPLs)；在阶段 II，我们在由 63,763 笔未结贷款（正常与不良）组成的独立验证数据集上评估了 5D 的基线性能，截至 2021 年 12 月 31 日，该组合的总融资金额超过 115 亿欧元；在阶段 III，我们将监测为期 5 年 (2023-27) 的基线性能，以评估 5D 系统在信贷与金融科技机构中的前瞻性现实世界偏差缓解与性能及其效用。在基线上，5D 正确检测了 1,613 笔不良贷款中的 1,461 笔（Sensitivity = 0.91，Prevalence = 0.0253;，Positive Predictive Value = 0.19），并正确分类了其余 62,150 笔风险敞口中的 55,866 笔（Specificity = 0.90，Negative Predictive Value = 0.997）。我们的初步结果支持了以下假设：基于 AI 的大数据与高级分析应用可以在不损害信用风险评估有效性的前提下，缓解贷款筛选过程中的偏差并改善消费者保护。需要进一步的验证以评估 5D 在信贷与金融科技机构中的前瞻性性能与效用。
引用
@article{arxiv.2206.08938,
title = {Baseline validation of a bias-mitigated loan screening model based on the European Banking Authority's trust elements of Big Data & Advanced Analytics applications using Artificial Intelligence},
author = {Alessandro Danovi and Marzio Roma and Davide Meloni and Stefano Olgiati and Fernando Metelli},
journal= {arXiv preprint arXiv:2206.08938},
year = {2022}
}
备注
13 pages, 4 tables, 7 figures