Når risikomodellene bryter sammen

//a.storyblok.com/f/82473/640x1136/d41b9db595/0-1.jpg

De modellene vi bruker for å gjøre beslutninger er basert på hva som har skjedd historisk. Relevant og oppdatert informasjon er spesielt viktig i situasjoner der verden raskt endrer seg. Når vi er midt i krisen så slutter de prediktive modellene vi har å fungere.

Written by

Paul I. Huse

Paul I. Huse
May 31, 2021

Hvorfor er det viktig å lage modeller som predikerer godt?

Som långiver vil man vite hvilken risiko som tas når det lånes ut penger. En bank lever av å få lånet tilbakebetalt, til rett tid, og med avtalte avdrag og renter. Banken kan selvfølgelig strekke seg ved å øke renten på lånet og stramme inn på avdragstiden. Utfordringen er imidlertid at bedriftene da får en vanskeligere likviditetssituasjon.

Det at man har uforutsette faktorer, slik som den nåværende corona epidemien, gjør at det å predikere med tradisjonelle kredittverktøy blir nær sagt et sjansespill. Informasjonen man normalt har benyttet er nå verken relevant eller oppdatert: Den er utdatert.

For de av dere som har jobbet litt med statistikk, regresjonsanalyse og annen modellering, forstår dere nå at dette vil påvirke standardavviket i svært stor grad. Alt for mange utfall vil ligge utenfor forventet verdi, og prediksjonene er langt mindre nyttige enn de var før.

Hvordan korrigere?

I regjeringens tiltakspakke med bankgarantier for ekstra lån til bedrifter som «vil være levedyktige over tid» får vi da en stor utfordring. Vi kan bygge vurderingen av «levedyktige over tid» på modellene vi hadde før corona viruset, eller vi kan korrigere for effekten den nye og relevante informasjonen gir.

Ved predikering av sannsynligheten for at et selskap skal gå konkurs et år frem i tid, som er en vanlig måte å måle risiko i denne konteksten, brukes et måltall kalt Gini indeksen, eller det vi kaller AUC ROC, i maskinlæringsmodeller. Denne forteller oss hvor god modellen er for nettopp å predikere sannsynlighet.

Enin har bygget en risikomodell for å predikere sannsynlighet for konkurs frem i tid med en høy Gini ratio, noe som gjør at vi vet at den har sterk validitet og gode prestasjoner sammenlignet med andre lignende modeller i markedet.

Modellene er bygd på offentlig tilgjengelig informasjon, analysert ved hjelp av maskinlæring. Det vil si at modellene er validert over tid og korrigert for faktiske avvik.

På bakgrunn av lengden på tidsseriene ser ikke Enin det foreløpig som hensiktsmessig å bygge inn corona viruset som en input variabel i våre modeller. I kriser vil man være så langt utenfor normalsituasjonen, at det å bygge om modellen til å ta hensyn til krisesituasjonen, vil gjøre at den er i praksis dårligere i normalsituasjonen. I tillegg så er det nå veldig vanskelig å vite hvordan det kommer til å gå, siden vi ikke har vært gjennom noe som dette tidligere, og modeller lærer av historikk, noe som vi ikke har her. Det vi derimot kan si er at vi vet at de eksisterende modellene vil treffe dårligere nå enn før.

Andre metoder bør derfor benyttes for å ta hensyn til denne variabelen i en risikovurdering. Den unike modellen til Enin benytter nyheter om selskaper som et viktig element, og dette kan vi bruke på nye måter nå.

Hva gjør vi

Vi i Enin jobber kontinuerlig for å hjelpe våre kunder bedre få en oversikt over situasjonen vi er i. Dette gjør vi ved hjelp av Enin sin unike teknologi som overvåker alle aktuelle nyhetskilder og setter dette i kontekst av karakteristika til ulike bransjer. Våre første steg er rent deskriptive, der vi kan vise hvilke sektorer som er mest påvirket av corona og permitteringer, slik at man kan estimere forventet risiko per bransje. Senere vil vi også utvide denne funksjonaliteten.

Kan vi hjelpe deg?

Ta kontakt med oss på team@enin.ai


Written by

Paul I. Huse

Paul I. Huse
CEO/Co-founder
Technologist with business prowess. Likes data.
paul@enin.ai
+47 416 69 867

Our latest posts

Blog Image

Hvordan gjør jeg en komplett ekstern bedriftsanalyse?

Er det en ting vi er sikre på, så er det at alle selskaper ikke kan analyseres med samme data. For å finne ut av hva som kan være en stor mulighet eller et risikomoment trenger du fullstendig oversikt

Blog Image

Anti- hvitvask sjekk: Onboarding og monitorering

De kriminelle vet hvordan de skal komme seg forbi onboarding prosessen din. Nye kunder er ikke nødvendigvis de du tror.

Blog Image

Betalingsanmerkninger: Enin møter Bjørn-Anton Knold i Lindorff

Både bedrifter og privatpersoner kan få en betalingsanmerkning, men hva er det egentlig? VP Strategic Projects IT Bjørn-Anton Knold i Lindorff, har mye erfaring og klare svar.