Predicting default on unsecured loans in the Norwegian market

Abstract

Mislighold av usikret gjeld medfører ikke bare tap for finansielle institusjoner, det øker også kostnadene for låntakere som gjennom en høyere rente må kompensere for andres mislighold. I denne oppgaven tar vi for oss bruken av et nevralt nettverk som en metode for å predikere mislighold av usikret gjeld. Hvor man i det norske markedet hovedsakelig bruker tradisjonelle metoder som logistisk regresjon, har man i andre land sakte, men sikkert økt fokuset mot maskinlæringsteknikker. Forskning på området viser til gode resultater, og aktualiteten er kanskje på sitt høyeste slik vi ser verden i dag.

På bakgrunn av problemstillingen til denne masteroppgaven: “How do neural networks perform in predicting defaults on unsecured loans using application data?”, har vi fått tilsendt et datasett med godkjente lånesøknader fra Sparebank 1, begrenset til tidsperioden fra midten av 2019 til og med 2022. Dette datasettet inneholder 93.039 observasjoner, hvorav 3,83% er definert som mislighold etter en periode på 12 måneder. Basert på dette, lager vi et multilayer feed-forward nevralt nettverk som skal fange opp så mange som mulig av de som misligholder. For å gjøre observasjonene mer tolkbare benyttes SHAP. Videre, for å evaluere ytelsen til nettverket, lager vi to ulike logistiske regresjoner. Ubalansen i datasettet vil håndteres ved å bruke en vektet tapsfunksjon.

Det nevrale nettverket og de logistiske regresjonene opptrer relativt likt på 2 av 4 evalueringsmål. Derimot ser vi en tendens til at det nevrale nettverket klarer å finne flere av de som misligholder, 68 av 503, enn det de logistiske metodene gjør, henholdsvis 28 av 1.068 og 25 av 534. Dermed ser vi at det kan være muligheter for markedet å dra nytte av et slikt nettverk. En implementering av liknende modeller hos långiveren kan gi reduserende effekt i risiko og usikkerheten knyttet til å gi ut lån, samtidig som det kan gi en økonomisk vinning for låntakeren. Men, selv om vårt nettverk viser gode prediksjonsevner, konkluderes det kun med at det er potensiale i bruken, og at det foreligger grunnlag for videre forskning på feltet.

Default on unsecured loans not only causes losses for financial institutions but also increases costs for borrowers who, through a higher interest rate, have to compensate for others’ defaults. In this thesis, we consider using a neural network to predict default on unsecured loans. Where traditional methods such as logistic regression are mainly used in the Norwegian market, the focus has slowly but surely increased towards machine learning techniques in other countries. Research on the task shows good results, and the relevance is perhaps at its highest as we see the world today.

Based on the thesis problem: “How do neural networks perform in predicting defaults on unsecured loans using application data?”, we have been sent a dataset containing approved loan applications from Sparebank 1. It is restricted from the middle of 2019 and throughout 2022. The dataset contains 93.039 observations, whereas 3,83% are defined as defaults after 12 months. Based on this, we build a multilayer feed-forward neural network with the aim that it should find as many defaulters as possible. To make the observations interpretable, SHAP is used. We build two logistic regression models to evaluate the neural network’s performance. The imbalance in the dataset will be handled with a weighted binary-cross-entropy loss function.

The neural network and the logistic regressions perform relatively equally on 2 out of 4 evaluation targets. However, there are signs that the neural network finds more of those who default, 68 out of 503, than the logistic regressions do, 28 out of 1.068 and 25 out of 534. Thus, there may be opportunities for the market to benefit from such a network. Implementation of similar models by the creditors can have a reducing effect on risk and the uncertainty associated with issuing loans. At the same time, it can provide financial gain for the borrower. However, even if our neural network shows good predictive capabilities, it is only concluded that there is potential in its use and that there is a basis for further research in the field.