Скоринг корпоративных заемщиков

Описание: на оценку платежеспособности компаний-клиентов банка влияют многие событие, происходящие в индустрии, и большая их часть имеет отражение в открытых новостных источниках. Помощь аналитикам банка в анализе разнородных рисков компании-заемщика по новостному потоку заключается в автоматизации процесса сбора и анализа новостей путем создания решения тегирования и категоризации новостей по заданному набору рисков.

Контекст: у компании много корпоративных клиентов-заемщиков, по которым необходимо постоянно отслеживать кредитные риски, чтобы правильно управлять портфелем клиентов. Один из способов оценки возможных рисков - это упоминания о специфичных событиях заемщика в новостном потоке (например, о смене генерального директора). Анализ новостного потока возможно автоматизировать для роста эффективности.

Решение: была предложена модель тегирования новости на основе 17 основных возможных рисков. При помощи модели для каждого корпоративного клиента строился индекс, демонстрирующий реальный уровень риска по всем новостям.

Итоги:
Интеграция в бизнес-процесс отдела анализа кредитного портфеля банка:

• Автоматизация 60% персонала, осуществляющего поиск релевантной информации;
• Снижение нагрузки на аналитика до 70% по различным категориям риска;
• Повышение точности прогнозов отдела на 15%;
• Увеличение числа подробных отчетов о портфеле в 2 раза;
• Составление семантического ядра для 80% компаний-клиентов.

Для построения модели были использованы:

• Новостной поток по выбранной компании-заемщику;
• Набор заданных банком рисков;
• Разметка новостей согласно рискам от аналитиков.

Результаты моделирования:
Модель оценки вероятности наличия рисков для заданной компании-заемщика на основании предшествующих новостей.

Заказчик: Финансы, Банкинг

Технологический стек: Python, nltk, gensim, PyTorch.