信用评分在确定谁获得信贷以及以何种条件获得信贷方面发挥着关键作用。然而,尽管这一点很重要,但传统的信用评分系统长期以来一直受到一系列关键问题的困扰——从偏见和歧视,到有限的数据考虑和可扩展性挑战。例如,一项针对美国贷款的研究表明,与来自特权群体的借款人相比,少数族裔借款人被收取的利率更高 (+8%),被拒绝贷款的频率也更高 (+14%)。
僵化的信贷系统反应迟缓,无法快速适应不断变化的经济形势和消费者行为,这会导致一些人得不到充分服务并被忽视。为了解决这一问题,银行和其他贷款机构正在寻求采用人工智能来开发日益复杂的信用风险评分模型。
在本文中,我们将了解**信用评分的基础知识、当前系统面临的挑战,并深入探讨如何利用人工智能 (AI),特别是生成式 AI (GenAI) 来减少偏差并提高准确性。**从替代数据源的整合到机器学习 (ML) 模型的开发,我们将揭示 AI 在重塑信用评分未来方面的变革潜力。
什么是信用评分?
信用评分是金融领域不可或缺的一个方面,是衡量个人信用状况的一个数字标准。贷方利用这一重要指标来评估与向个人或企业提供信贷或贷款相关的潜在风险。
传统上,银行依赖于通常使用线性回归或逻辑回归构建的预定义规则和统计模型。这些模型以历史信用数据为基础,重点关注支付历史、信用利用率和信用历史长度等因素。
但是,评估新的信用申请人是一项挑战,因此需要更准确的分析评估。为了满足传统上受到歧视的、得不到充分服务或服务不足的群体的需求,金融科技公司和数字银行正越来越多地将传统信用记录以外的信息与其他数据结合起来,以便更全面地了解个人的金融行为。
传统信用评分面临的挑战
信用评分是现代生活中不可或缺的一部分,因为它在各种金融交易(包括获得贷款、租房、购买保险,甚至是就业筛选)中起着至关重要的决定性作用。追求信用可能是一段迷宫般的旅程,传统信用评分模型存在一些挑战或限制,这些挑战或限制通常会阻碍信用申请的批准。
● 有限的信用记录:许多人在信用评估时会遇到的一个障碍是信用记录有限或根本不存在。传统的信用评分模型严重依赖于过去的信用行为,这使得没有良好信用记录的个人很难证明自己的信用度。大约有 4,500 万美国人缺乏信用评分,仅仅是因为他们没有这些数据点。
● 收入不稳定:非经常性收入(这在兼职工作或自由职业中很常见)对传统的信用评分模型提出了挑战,可能会给个人贴上更高风险的标签,并导致其申请被拒绝或信用额度受到限制。关于 2023 年美国有多少人从事个体经营,数据来源各不相同。一