1.
핀테크 비즈니스가 전통적인 은행과 경쟁하는 시장은 중금리시장입니다. 카카오뱅크와 같은 인터넷은행, 저축은행, P2P금융 모두 중금리시장을 놓고 치열하게 경쟁하고 있습니다. 경쟁의 무기는 무엇일까요? 조달금리? 아닙니다. 저금리가 뉴노멀인 환경에서 조달금리는 중요하지 않습니다. 핵심은 부실채권비율을 낮추는 것입니다. 부실채권비율을 낮추는 가장 확실한 방법은 담보대출입니다. 그렇지만 담보대출시장은 이미 은행이 중심입니다. 저금리시장입니다. 후발주자가 시장에 진출하려면 담보대출이 아닌 신용대출을 늘려야 합니다. 신용평가들이 제공하고 금융회사들이 자체로 평가하는 신용평가모형으로는 시장을 늘릴 수 없습니다. 그래서 비금융데이타를 이용한 신용평가(신용등급, Credit Scroing)가 중요합니다.
국내외 빅데이타를 이용한 신용평가기술을 적용한 핀테크비즈니스를 보면 “어떻게 데이타를 수집할 것인가”가 무척 중요합니다. 요즘 빅테크와 은행의 갈등을 보더라도 밑바탕엔 ‘데이타’가 있습니다. 빅테크의 데이타는 비공개, 은행의 데이타는 공개. 이 점이 문제입니다. 데이타를 수집할 수 있더라도 데이타 수집에 따른 비용이 발생합니다. 제도적으로 보면 금융보안원이 금융데이터거래소, 신용정보원이 CreDB을 제공하고 있고 MyDATA업이 활성화하면 이를 통하여 데이타를 수집할 수 있습니다.
현재 금융분야 데이타와 관련한 금융데이타거래소와 CreDB 현황입니다.
2.
이상과 같은 수집한 데이타를 어떻게 분석해야 할까요? 금융회사, 신용평가회사가 보유한 신용평가모형이 있지만 남과 다른 평가모형을 만들기 위해 기계학습기술을 적용합니다. 핀테크회사들이 방법론이라고 공시를 하지만 자세한 정보를 확인할 수 없습니다. 다만 Arxiv에 올라온 관련한 논문을 소개합니다.
Machine Learning approach for Credit Scoring를 발표한 illimity는 이탈리아 밀란을 근거지로 한 Neobank이비다. 우리나라의 인터넷뱅크라고 할 수 있습니다.
두번째 A comparative study of forecasting Corporate Credit Ratings using Neural Networks, Support Vector Machines, and Decision Trees는 Standard & Poors, Moody’s 및 Fitch의 신용평가모델과 기계학습을 비교합니다.
Credit ratings are one of the primary keys that reflect the level of riskiness and reliability of corporations to meet their financial obligations. Rating agencies tend to take extended periods of time to provide new ratings and update older ones. Therefore, credit scoring assessments using artificial intelligence has gained a lot of interest in recent years. Successful machine learning methods can provide rapid analysis of credit scores while updating older ones on a daily time scale. Related studies have shown that neural networks and support vector machines outperform other techniques by providing better prediction accuracy. The purpose of this paper is two fold. First, we provide a survey and a comparative analysis of results from literature applying machine learning techniques to predict credit rating. Second, we apply ourselves four machine learning techniques deemed useful from previousstudies (Bagged Decision Trees, Random Forest, Support Vector Machine and Multilayer Perceptron)
세번째 논문은 러시아 최대은행인 Sberbank가 설립한 Sberbank AI Lab팀이 발표한 논문으로 E.T.-RNN: Applying Deep Learning to Credit Loan Applications입니다.
네번째 국내에서도 많이 활용하고 있는 모바일데이타와 신용평가를 어떻게 결합할 수 있는지를 보여줍니다. Mobile Phone Usage Data for Credit Scoring의 목표는 아래입니다.
The aim of this study is to demostrate that mobile phone usage data can be used to make predictions and find the best classification method for credit scoring even if the dataset is small.
다섯번째 The Value of Big Data for Credit Scoring: Enhancing Financial Inclusion using Mobile Phone Data and Social Network Analytics는 모바일폰의 전화정보기록 (CDR)Call detail recording (CDR)과 신용카드 사용내역을 결합하여 분석합니다.
마지막으로는 R을 이용한 신용평가방법을 정리한 An Overview on the Landscape of R Packages for Credit Scoring입니다.
