Deep Learning Approaches in Credit Scoring
Abstract
SUMMARY
Credit scoring is a crucial aspect of the lending process, as it helps lenders to assess the creditworthiness of potential borrowers. The main focus of this thesis is applying deep learning methods on transaction data as means to improve a bank’s credit rating process. This research project focuses on the use of open banking data, deep learning, and explainable artificial intelligence (XAI) in credit scoring.
The research addresses the following questions:
1) How do deep learning techniques compare to traditional methods in terms of their ability to accurately predict credit risk?
2) How can open banking data be used to improve credit scoring models?
3) How can XAI techniques be used to make the decision-making process of machine learning based credit scoring models more transparent and interpretable?
In addition, this thesis examines an important property of the credit scoring process: The stability and accuracy of credit ratings employing data from two Norwegian banks.
SAMMENDRAG
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.