[논문 리뷰] Credit Scoring for Good: Enhancing Financial Inclusion with Smartphone-Based Microlending

María Óskarsdóttir, Cristián Bravo외 3명|arXiv (Cornell University)|2020. 01. 29.

FinTech, Crowdfunding, Digital Finance인용 수 14

한 줄 요약

이 논문은 사용자 행동 데이터에서 파생된 가짜 사회망을 활용하여 스마트폰 기반 마이크로 레이닝 신용 평가 프레임워크를 제안한다. 익명화된 스마트폰 데이터에 대표성 학습과 복잡한 네트워크 분석을 조합함으로써, 윤리적이고 개인정보 보호 기준을 충족하면서도 신용 리스크 예측 정확도를 향상시킨다.

ABSTRACT

Globally, two billion people and more than half of the poorest adults do not use formal financial services. Consequently, there is increased emphasis on developing financial technology that can facilitate access to financial products for the unbanked. In this regard, smartphone-based microlending has emerged as a potential solution to enhance financial inclusion. We propose a methodology to improve the predictive performance of credit scoring models used by these applications. Our approach is composed of several steps, where we mostly focus on engineering appropriate features from the user data. Thereby, we construct pseudo-social networks to identify similar people and combine complex network analysis with representation learning. Subsequently we build credit scoring models using advanced machine learning techniques with the goal of obtaining the most accurate credit scores, while also taking into consideration ethical and privacy regulations to avoid unfair discrimination. A successful deployment of our proposed methodology could improve the performance of microlending smartphone applications and help enhance financial wellbeing worldwide.

연구 동기 및 목표

• 세계적으로 금융 접근이 제한되어 있는 20억 명의 무은행 고객, 특히 근로자 및 농촌 주민들을 대상으로 하는 금융 불평등 문제를 해결하기 위해.
• 기존 금융 기록에 의존하지 않고 스마트폰 데이터(예: 통화 활동 및 앱 사용)를 활용하여 신용 평가 모델을 개발하기 위해.
• 사용자 유사성 기반의 가짜 사회망에서 특징을 공학함으로써 마이크로 레이닝 앱의 예측 성능을 향상시키기 위해.
• 직접적인 사회망 데이터를 사용하지 않고 익명화된 행동 패턴에 집중함으로써 윤리적이고 개인정보 보호 기준을 충족하는 신용 평가를 보장하기 위해.
• 다양한 유형의 특징이 신용 평가 성능에 미치는 경제적 영향과 예측 성능에 대해 평가하기 위해.

제안 방법

• 클러스터링과 유사도 측정 기법을 사용하여 유사한 스마트폰 사용 패턴을 보이는 사용자를 식별함으로써 가짜 사회망을 구축하기 위해.
• 노드2베크 또는 유사한 기법을 포함한 대표성 학습 기법을 적용하여 사용자를 행동 유사성을 반영하는 저차원 벡터 공간에 매핑하기 위해.
• 학습된 표현에서 공학된 특징을 추출하여 신용 평가 모델을 향상시키기 위해.
• AUC, 브리어 스코어, 수익 측정 기준을 사용하여 로지스틱 회귀, 랜덤 포레스트, 인공 신경망 등 다양한 기계 학습 모델을 훈련하고 비교하기 위해.
• 특징 집합 간 성능 차이가 통계적으로 유의미한지 확인하기 위해 통계적 검정을 수행하기 위해.
• 데이터 익명화 및 개인 식별 정보 또는 직접적인 사회망 연결 사용을 방지함으로써 윤리적 기준을 확보하기 위해.

실험 결과

연구 질문

• RQ1 통화 행동, 대표성 학습 임베딩, 또는 가짜 사회망 특징 중 어느 특징 유형이 마이크로 레이닝의 신용 평가에서 가장 높은 예측 성능을 낼 수 있는가?
• RQ2 사용자 유사성 기반의 가짜 사회망 특징을 개인 행동 데이터와 조합할 경우, 개별 특징만을 사용하는 것보다 모델 정확도가 얼마나 향상되는가?
• RQ3 다른 특징 집합을 사용한 신용 평가 모델 간의 성능 차이가 통계적으로 유의미한가?
• RQ4 사용자 유사성 네트워크에서의 대표성 학습이 개인정보 보호나 윤리 기준을 해치지 않으면서도 신용도 예측 성능을 얼마나 향상시킬 수 있는가?
• RQ5 제안된 방법론이 공식적인 신용 기록이 없는 개인들을 위한 정확한 신용 결정을 가능하게 하여 금융 포용성을 크게 향상시킬 수 있는가?

주요 결과

• 통화 행동만으로도 신용도 예측에 매우 유용한 특징으로 확인되어, 대체 신용 평가에서의 가치를 입증하였다.
• 사용자 유사성 기반의 가짜 사회망에서 유도된 특징은 개별 행동 특징만을 사용하는 것보다 모델 성능을 크게 향상시켰다.
• 가짜 사회망에서의 대표성 학습을 통해 생성된 특징은 AUC 및 브리어 스코어 측면에서 전통적 특징 집합을 초월하는 높은 성능을 보였다.
• 행동 특징과 가짜 네트워크 임베딩의 조합이 수익 측정 기준으로 측정된 바에 따라 가장 높은 예측 정확도와 경제적 영향을 창출하였다.
• 통계적 검정을 통해 다양한 특징 유형을 사용한 모델 간 성능 차이가 유의미하다는 것이 확인되어, 제안된 특징 공학 접근 방식의 우수성을 입증하였다.
• 익명화 및 간접적 네트워크 구축을 통해 개인정보 보호 및 차별 금지 규정을 준수하면서도 높은 예측 정확도를 달성하였다.