Torsdag 21. september disputerte Lars Ole Hjelkrem med sin doktorgrad «Deep Learning Approaches in Credit Scoring», et område han har forsket på siden 2018. Hvordan kan data fra dine banktransaksjoner fortelle noe om din kredittverdighet hos bankene?
Sparebanken Møre benytter avanserte modeller for å beregne en kundes risiko, det vil si vurdere hvor stor sannsynlighet det er for at kunden vil komme i mislighold fremover. Lars Ole har forsket på om vi får bedre vurderinger dersom vi bruker avanserte maskinlæringsmodeller og AI som utelukkende vurderer en kundes transaksjoner de siste 3 månedene. Litt enkelt forklart så kan Lars Ole ved å se på dine inn- og utbetalinger fortelle deg «hvem» du er.
- Først vil jeg takke Sparebanken Møre for at jeg har fått muligheten til å kombinere jobb og doktorgradsarbeidet. Resultatene viser at denne metoden kan forbedre nøyaktigheten i vurderingen av kredittverdighet, og dermed hjelpe banken med å ta bedre beslutninger, sier Lars Ole Hjelkrem.
Første doktorgrad
I 2017 åpnet Sparebanken Møre for at ansatte kunne melde sin interesse for å ta en Nærings-ph.d. i samarbeid med NTNU i Ålesund. Hjelkrem startet på doktorgradsarbeidet i 2018, og er nå klar for å dele funnene og ta læringen i bruk i banken.
- Vi er stolt over at Lars Ole er først ute med en PhD-grad i banken, og at det er innen tematikken risikostyring. En slik spisskompetanse har stor verdi i kredittvurderingsarbeidet og videreutvikling av bankens kredittscoringsmodeller, sier Erik Røkke leder for seksjon Risikostyring og Compliance.
- Det er også en styrke at en regional bank som Sparebanken Møre har fagområder som tiltrekker seg kompetanse, og at vi har muligheter til å gi videreutdanning i samarbeid med NTNU, sier Røkke avslutningsvis.
Lars Ole Hjelkrem er ansatt i avdeling Risikostyring i Sparebanken Møre, og har de siste årene samtidig tatt en nærings-ph.d. hos institutt for internasjonal forretningsdrift ved NTNU.
Sammendrag av doktorgradsavhandlingen:
Kredittscoremodeller er en sentral del av bankers utlånsvirksomhet, da de benyttes til å vurdere kundenes kredittverdighet. Denne avhandlingen fokuserer på bruk av Open Banking-data, dyp læring og forklarbar kunstig intelligens (XAI) innen kredittscoring.
Følgende forskningsspørsmål undersøkes:
1) Hvordan yter kredittcoremodeller basert på dyp læring sammenlignet med tradisjonelle metoder med tanke på å predikere fremtidige mislighold blant låntakere?
2) Hvordan kan Open Banking-data forbedre kredittscoremodeller?
3) Hvordan kan forklarbar kunstig intelligens (XAI) gjøre beslutningsprosesser basert på prediksjoner fra maskinlæringsbaserte kredittscoremodeller mer transparent og forståelig?
I tillegg undersøker avhandlingen også stabiliteten og nøyaktigheten til kredittscoringer basert på data fra to norske banker.
