Autori:
dr.sc. Migdat HODŽIĆ, tehnički direktor, EU i USA operacije
dr.sc. Tarik HUBANA, izvršni direktor, EU operacije
ARTI Analytics Inc. (USA), ARTI Analytics doo (BH)
1 UVOD
Metode i tehnike analize rizika su moćni alati koji pomažu bankarskim i finansijskim praktičarima da upravljaju neizvjesnošću pružajući vrijednu podršku za donošenje odluka. Analiza rizika pomaže da se uzmu i određeni i neizvjesni elementi i uključe u proračun specifičnih scenarija budućih događaja. Ove tehnike mogu biti kvalitativne ili kvantitativne u zavisnosti od dostupnih informacija i nivoa detalja koji je potreban. Kvantitativne (tvrdi podaci) tehnike se u velikoj mjeri oslanjaju na statističke i u novije vrijeme pristupe umjetnoj inteligenciji (UI) i mašinskom učenju (MU), dok se kvalitativne tehnike (meki podaci) više oslanjaju na prosuđivanje nego na statističke proračune. Generalni problem je kako koristiti i tvrde i meke podatke da se poboljša i automatizira proces donošenja kreditnih odluka.
Složenost i repetitivnost odluka u oblasti finansija učinile su da sektor finansijskih usluga postane oblast u kojoj su razne vrste ekspertskih sistema našle svoju mnogobrojnu primjenu. Dok stručnjaci za bankarske rizike teže boljem razumijevanju rizika i koriste složene modele za procjenu rizika, mnogi rizici su još uvijek nepoznati ili nisu dobro shvaćeni i modelirani. Tradicionalni modeli rizika zasnovani su na teoriji vjerovatnoće i klasičnoj teoriji skupova koji se široko koriste za procjenu tržišnog, kreditnog, osiguranja i rizika trgovanja. Međutim, mnogi rizici se još uvijek ne mogu dovoljno analizirati primjenom klasičnih modela vjerovatnoće zbog nedostatka dovoljno iskustva/historijskih podataka, nedostatka znanja i nejasnoća, kao i složenih uzročno-posljedičnih veza svojstvenih određenim vrstama rizika.
Korištenjem raznih nestatističkih (tj. neprobabilističkih) metoda tretiranja neizvjesnosti, kao što su teorija mogućnosti (Possibility Theory, eng.), grubi skupovi (Rough Sets, eng.), teorija neizvjesnosti (Uncertainty Theory, eng.), približna vjerovatnoća (Approximated Probability, eng.) ili drugih relevantnih metoda koje tretiraju neizvjesnost, većina varijabli modela mogu se opisati u lingvističkim terminima, što ovakve modele čini intuitivnijim poput ljudskog rasuđivanja. Ovakvi nestandardni modeli pomažu u pojednostavljenju sveobuhvatnih okvira upravljanja rizikom i mogu pružiti pomoć i/ili rješenja uzimajući u obzir sve dostupne podatke i mišljenja stručnjaka za slučajeve u kojima ne postoji odgovarajući kvantitativni model vjerovatnoće.
Moderni prediktivni modeli moraju biti dizajnirani tako da brzo reagiraju na svaku promjenu koja bi mogla utjecati na predviđanje, da budu što je moguće automatiziraniji i da uključuju sve relevantne tvrde i meke podatke kako bi se obezbijedili bolji i efikasniji modeli odlučivanja.
U praksi su razvijene različite metode i modeli za rješavanje složenosti i repetitivnosti odluka koje se odnose na procjenu rizika i bolje razumijevanje rizika u sektoru finansija. Međutim, mnogi rizici su još uvijek nepoznati ili nisu dobro shvaćeni i modelirani i stoga mnogi praktičari i istraživači traže različite metodologije koje poboljšavaju postojeće znanje.
2 PROBLEMI SA POSTOJEĆIM METODAMA I MODELIMA
Standardna praksa, koja se sreće u različitim oblastima, je da se gotovo u potpunosti oslanja na teoriju vjerovatnoće i statistiku kada se modelira mehanizam za predviđanje za različite procjene nesigurnosti/rizika i donošenje odluka. Međutim, te tehnike nisu mogle efikasno da se nose sa onim problemima u kojima je mekoća podataka nestatističke (subjektivne) prirode.
Postoji mnogo različitih modela predviđanja za procjenu neizvjesnosti/rizika, međutim, praktičari i istraživači nastavljaju tražiti one koji mogu/će dati bolje/optimalne rezultate, čime se poboljšava predvidljivost i naknadno donošenje odluka.
U slučajevima kada standardizovani modeli predviđanja nisu primjenjivi, banke se oslanjaju na ljudsku procjenu i konačno donošenje odluka. Ovaj članak ukazuje na mogućnost i potrebu da se ljudski (meki, subjektivni) podaci matematiziraju te da se potom iskombinuju sa tvdim (objektivnim) podacima. Ovo kombinovanje mora biti veoma precizno i odražavati ljudsku stranu procesa donošenja odluka.
Modeli predviđanja koji koriste ML i AI, a koji imaju za cilj automatizaciju ljudske procjene obično su veoma složeni i skupi za razvoj i implementaciju, i obično tretiraju problem donošenja odluka kao crnu kutiju (Black Box, eng.), što je neprihvatljivo za finansijske institucije koje zahtijevaju, a prema državnim regulativima, potpunu transparntnost u pogledu zašto se odluke donose ili ne donose. Ovaj probem u MU i UI je poznat pod imenom “objašnjivost” (Explainability, eng.) i jedan je od velikih izazova u UI. Metodologija opisana u ovom članku potpuno zaobilazi problem objašnjivosti kod UI jer je potpuno analitička, uz moguće korištenje UI i MU kod pripreme podataka.
Kreditni rizik je rizik gubitka koji je rezultat nemogućnosti zajmoprimca da otplati kredit ili ispuni svoje ugovorne obaveze. Ovakvi događaji rezultiraju prekidom novčanih tokova za banke i često prilično značajnim troškovima naplate duga. To je jedan od najvećih rizika sa kojima se suočavaju komercijalne banke i dobija sve veći značaj u promjenjivom regulatornom režimu i prilično nestabilnim tržišnim uslovima. Poslovne banke uglavnom koriste različite metode i procedure za procjenu kreditnog rizika, ali je primarni posao kreditnog službenika da ocijeni finansijsku poziciju podnositelja zahtjeva/kompanije kako bi utvrdio da li će podnositelj zahtjeva moći otplatiti kredit od banke od koje traži kredit. Kreditni službenik procjenjuje kreditnu sposobnost preduzeća, kolateral, kapital, sposobnost, karakter, poštenje i ugled dužnika, odnosno ispravnost njegovih namjera i ponašanja u poslovanju i prema banci, sa ciljem da u potpunosti shvati nivo rizika koji bi zajam podrazumijevao. Tek kada su svi faktori rizika zadovoljavajući, kredit se odobrava. Da bi izvršio takvu procjenu, kreditni službenik mora razumjeti i procijeniti: finansijsku poziciju, sposobnost otplate i snagu kompanije; da li kompanija ima dobru evidenciju o kreditnoj sposobnosti; radna historija; kakvo je iskustvo kandidata i upravljačke vještine; da li kompanija ima dobar poslovni plan koji pokazuje njegovo/njeno razumijevanje poslovanja i njegovu/njenu posvećenost uspjehu poslovanja; da li je novčani tok kompanije solidan i stabilan; spremnost da se otplati dug i još mnogo toga. Tokom ovog procesa kreditni službenici manipulišu nejasno definisanim i dvosmislenim jezičkim varijablama kao što su “iznad prosjeka”, “srednje”, “donekle jake” i “veoma niske”. Kreditni službenik bi, naprimjer, mogao ocijeniti kreditnu poziciju podnositelja zahtjeva kao “donekle jaku” ako su pozicije profitabilnosti jake, a pozicija likvidnosti normalna. Takva analiza uključuje ne samo ekonomske podatke već i kvalitativne informacije o zajmoprimcu. Bankarski službenik za kredite bi stoga trebao uključiti potpunu i kritičku sliku zajmoprimca. Podaci koji su predmet ove analize mogu se klasifikovati na tvrde i meke podatke. Tvrdi podaci su obično objektivni, izražavaju mjeru i stoga su merljivi, kvantitativni i jasni, dok su meki podaci lingvistički, kvalitativni, subjektivni i nemjerljivi. Ovaj članak opisuje metodu za fuziju i balansiranje ove dvije vrste podataka, što može pomoći u mnogo boljem procesu donošenja odluka, a time i smanjenju rizika u procesu.
Složena i neizvjesna priroda obrade kredita dovela je do toga da banke i druge finansijske institucije donose odluke o kreditima korištenjem iskusnih kreditnih službenika za obavljanje osnovnih zadataka i evaluacija. Međutim, mnoge banke obično koriste različite vrste modela za procjenu kreditnog rizika zajmoprimca prije isplate kredita. Modeli bodovanja su prvobitno uvedeni kako bi se standardizirao proces donošenja odluka i povećala transparentnost poslovanja banke. Obično se procjenjuju pomoću historijskih podataka i statističkih metoda.
Model kreditnog bodovanja uveden je 1950. godine i također se posmatra kao tehnika rudarenja podataka. Od tog trenutka nadalje razni autori su predlagali različite metode za primjenu tehnike za kreditno bodovanje, općenito kategorizirane kao tvrdi i meki modeli rudarenja podataka (Thomas & Edelman & Crook, 2002, str. 1-8; Lando, 2004, str. 75- 80). Meke tehnike se obično zasnivaju na nekoj vrsti ne probabilističke logike, dok tvrde tehnike zavise od diskretne oštre (brisk, eng.) teorije vjerovatnoće i statistike. Kako bi se prevazišle slabosti modela kreditnog bodovanja, mnogi autori predlažu korištenje prednosti oba modela korištenjem hibridnih modela. Stoga, jedan model možda neće biti dovoljan da identifikuje sve karakteristike podataka (Khashei & Bijari & Hejazi, 2012, str. 1091-1105). Primjer takvog modela je meka verzija tradicionalnog višeslojnog perceptrona (neuralne mreže) koji se predlaže kao alternativni model klasifikacije, koristeći jedinstvene prednosti mekog računarstva u kojoj se umjesto oštrih težina i predrasuda koriste brojevi u višeslojnom perceptronu za bolje modeliranje neizvjesnosti na finansijskim tržištima (Khashei & Mirahmadi, 2015, str. 411-422). Generalni problem sa neuralnim mrežama u UI je nedostatak transparentnosti, tj. Black Box (eng.) problem kao što je spomenuto ranije.
Pored tradicionalnih modela bodovanja, finansijske institucije su investirale u ekspertne sisteme i tehnologiju zasnovanu na pravilima u donošenju menadžerskih odluka. Ekspertski sistemi su kompjuterski programi koji sumiraju znanja ljudskih stručnjaka i koriste se za donošenje odluka i/ili rješavanje problema. Zbog složenosti i repetitivnosti odluka u sektoru finansijskih usluga, to je jedna oblast u kojoj su vještačka inteligencija, ekspertski sistemi i neuronske mreže našli veoma korisne primjene. Ekspertski sistem koji ocjenjuje zahtjeve za kredit smanjuje vrijeme i poboljšava kvalitet evaluacije (Gupta & Celtek, 2001, str.18).
Statistička teorija nudi različite metode za statističku procjenu rizika. Općenito, takvi statistički modeli koriste karakteristične indikatore zajmoprimca (obično podatke iz finansijskih izvještaja) i (ako je moguće) makroekonomske varijable koje su prikupljene historijski i dostupne su zajmoprimcima koji ne plaćaju kredite (ili imaju problema). U zavisnosti od statističke primene ovih podataka, mogu se koristiti različite metode za predviđanje performansi zajmoprimca. Ove metode imaju zajedničku osobinu u tome što procjenjuju korelaciju između karakteristika zajmoprimaca i stanja neizmirenja obaveza u prošlosti i koriste ove informacije za izgradnju modela predviđanja. Pored modela bodovanja, banke koriste i različite modele rejtinga koji također predstavljaju stavove o kreditnoj sposobnosti ocijenjenog subjekta. Najčešće statističke metode za izgradnju i procjenu takvih modela su regresiona analiza, diskriminantna analiza, logit i probit modeli, panel modeli, modeli opasnosti, neuronske mreže u UI, stabla odlučivanja (Hayden & Porath, 2011, str.1-12).
3 TVRDI I MEKI PODACI U BANKARSKOJ INDUSTRIJI
Finansijske institucije prikupljaju, obrađuju i prenose značajne količine različitih informacija koje se mogu kategorisati kao tvrde i meke. Tvrde informacije se izražavaju numerički, dok se meke informacije često izražavaju u tekstualnom/jezičkom obliku (Tabela 1). Iako je tvrde podatke lakše prikupiti, pohraniti i prenijeti elektronskim putem, njime se ne sažimaju sve korisne informacije jer su često relevantni podaci kvalitativni i zahtijevaju prosudbu, percepciju, intuiciju, iskustvo i slično. Klasični primjeri tvrdih informacija u bankarskoj industriji su računovodstveni brojevi, finansijski izvještaji, historija plaćanja i slično, dok meke informacije mogu uključivati mišljenja, glasine, različite percepcije o zajmoprimcu i njegovom poslovnom okruženju.
Tabela 1. Meki i tvrdi podaci
Postoje studije koje su analizirale uticaj mekih i tvrdih informacija na organizacionu strukturu (Stein 2002; Berger i Udell 2002). Petersen (2004) je, između ostalog, razradio karakteristike mekih i tvrdih informacija, potencijalne prednosti i nedostatke tvrdih informacija, trajnost informacija i izgubljene informacije. On je objasnio da je karakteristika tvrdih informacija da se najčešće prikupljaju i obrađuju elektronski, dok se meke informacije prikupljaju lično. On dalje elaborira da zbog organizacijskih neekonomija opisanih u Stein (2002), kao i višestrukih slojeva hijerarhije, velike banke obično više zavise od čvrstih podataka jer podatke prikuplja jedan pojedinac ili grupa, a odluke donosi drugi, pa informacije se moraju lako prenositi širom organizacije i imati jednoobrazno/zajedničko razumijevanje. To znači da se tvrdi podaci mogu lako prikupiti, pohraniti i prenijeti elektronskim putem u poređenju sa mekim gdje je ovaj proces iscrpljujući. Metoda prikupljanja tvrdih podataka ne mora biti osobna, što znači da se njihovo prikupljanje može automatizirati, ali s druge strane to također postavlja ograničenja šta se i kako može prikupljati, što čini jednu od razlika između tvrdih i mekih informacija. Sljedeća razlika između tvrdih i mekih podataka koju je objasnio Petersen (2004) je da su tvrde informacije uporedivije, što omogućava da sakupljač informacija ne mora biti isti kao onaj koji donosi odluku. Historijski gledano, u slučaju mekih informacija, donosilac odluke je bila ista osoba kao i sakupljač informacija. On također objašnjava da je jedna od glavnih prednosti korištenja tvrdih informacija niži troškovi proizvodnje u smislu da se posao prikupljanja podataka, i/ili obrade informacija, može prenijeti na niže kvalifikovane radnike ili čak na kompjutere, čime se eliminira potreba za skupom radnom snagom. Tvrda informacije su također standardiziranije, što znači da su obično u istom formatu i obrađuju se na isti način za sve zahtjeve za kredit ili transakcije i na taj način rezultiraju uštedama zbog ekonomije obima. Sve ovo je također dovelo do nižih transakcionih troškova za kredite koji čine širu dostupnost i jeftiniji kapital srednjoj klasi (Nocera, 1995) u odnosu na informacije koje se moraju dobiti ličnim kontaktom. On također objašnjava da je trajnost informacija veća i u slučaju tvrdih informacija jer se lako pohranjuju i ne zahtijevaju velike troškove održavanja za buduće odluke jer ljudi uključeni u proces donošenja odluka na temelju tvrdih podataka ne moraju biti uključeni u proces prikupljanja podataka i moguće ih je proslijediti pojedincima u različitim dijelovima organizacije (Stein, 2002).
U procesu zamjene mekih informacija tvrdim, neminovno se gubi informacija jer, kako Petersen (2004) kaže, „donosilac odluke trguje transakcijskim troškovima prikupljanja i obrade informacija uz potencijalne gubitke u tačnosti informacija na osnovu kojih zasnivaju svoje odluke”. Kao opciju za inkorporiranje mekih informacija on predlaže da ih „očvrsne“, što znači da se mekane informacije kvantifikuju sa relevantnim kriterijumom, a zatim dalje obrađuju. Takve „učvršćene“ meke informacije mogu se dijeliti elektronski i imale bi nekoliko prednosti za proces odlučivanja o kreditu. U industriji korporativnog bankarstva prikupljanje i obrada informacija o finansijskim izvještajima je standardizirana i automatski se obrađuje, ali prikupljanje i obrada mekanih informacija nije dobro uspostavljena. Međutim, potreba za mekim informacijama u internim ocjenama nalazi se u regulatornim standardima adekvatnosti kapitala (Bazelski komitet za bankarsku superviziju 2006.) i banke ih već koriste u kreditnim rejtinzima jer se pokazalo da dodaju značajnu vrijednost kreditnom rejtingu (Grunert, Norden & Weber 2004), kao i omogućava bankama da smanje svoju alokaciju kapitala za pokriće vrijednosti pod rizikom (Godbillon-Camus & Godlewski, 2005).
Neophodan uslov za relevantnost mekih i tvrdih informacija je određivanje cijene informacionog rizika (Cohen, 2008). Christensen, Feltham i Šabac (2005) proučavali su perspektivu kvaliteta zarade, a Cohen (2008) i Francis, LaFond, Olsson i Schipper (2005) su empirijski analizirali određivanje cijena kvaliteta finansijskog izvještavanja. Oni sugerišu da se kvalitet finansijskog izvještavanja kao tvrde informacije cijeni na tržištu zajmova.
Berger i Udell (2006) konceptualizirali su ideju mekih i tvrdih informacija u odredjeni okvir. Njihov okvir je analiziran sa stanovišta izbora tehnologije pozajmljivanja (Uchida, Udell i Yamori 2006). Drugi autori su također analizirali ovaj okvir sa stanovišta provjerljivosti informacija (Kano, Uchida, Udell i Watanabe 2006).
4 NOVA METODOLOGIJA
Predviđanje kreditnog rizika u banci je netačno i dvosmisleno, kao i pod uticajem mnogih unutrašnjih i eksternih faktora koji se ne mogu precizno definisati. Za razliku od tradicionalnih metoda za procjenu kreditnog rizika, teorije o neizvjesnosti spomenute na početku mogu bolje integrirati lingvističke termine i stručna mišljenja u procjenu. Korištenjem ovih metoda većina varijabli modela je opisana u lingvističkim terminima, što ovakve modele čini intuitivnijim, poput ljudskog rasuđivanja. Sistemi ovakve logike pomažu da se pojednostave sveobuhvatni okviri upravljanja rizikom i mogu pomoći u rješenjima koja uzimaju u obzir dostupne podatke i mišljenja stručnjaka za slučajeve u kojima ne postoji odgovarajući kvantitativni model vjerovatnoće (Shang & Hossen, 2013, str. 3). Tako, ovakvi modeli omogućavaju uključivanje više informacija u slučaju modeliranja rizika koji nisu u potpunosti razumljivi, kao i slučajeva sa nedovoljnim i nepreciznim tvrdim podacima.
Generalno rješenje opisano u ovom članku predstavlja klasu novih metoda za inkorporiranje mekanih podataka koji se koristi u ljudskoj procjeni kao podjednako (ili više) važnih u evaluaciji procjene nesigurnosti/rizika i procesa donošenja odluka. Slika 1 sumira ovu novu metodologiju. Ovaj metod za uključivanje dodatnih mekih nejasnih informacija u tradicionalnu probabilističku procjenu kreditnog rizika, zasnovan je na (i) fuziji mekih i tvrdih podataka te (ii) njihovom balansiranju u svrhu poboljšanja pediktivne moći modela kreditnog rizika, referense (Hodžić, 2016a,b, 2018, 2019; Brkić i drugi, 2017 i 2019). Princip balansa neizvjesnosti je nova matematička metodologija usklađivanja nejasne (meki podaci) i vjerovatnosne (tvrdi podaci) nesigurnosti, na osnovu koje se tvrdi podaci pomjere kao rezultat fuzije i balansiranja sa mekanim podacima. Princip ravnoteže neizvjesnosti omogućava poboljšanje postojećih modela rizika baziranim na samo tvrdim podacima. Osim toga, omogućen je i razvoj modela donošenja odluka uz pomoć UI i MU korištenjem fuziranih (spojenih) podataka a u svrhu povećanje diskriminatorne moći predviđanja, a time i procesa donošenja odluka.
Opisana metodologija je jednostavna (dakle isplativija implementacija) ali i egzaktan matematički metod za rješavanje meke i tvrde fuzije podataka, kao i balansiranja neizvjesnosti pošto se fuzija završi. Sa ovom metodom donosilac odluke ne mora biti ista osoba kao sakupljač mekih informacija, što podrazumijeva mogućnost korištenja mašinskog učenja (MU) i umjetne inteligencije (UI) u tom procesu.
Opisana nova metodologija pruža sljedeća poboljšanja:
a) EFIKASNO KORIŠTENJE SVIH DOSTUPNIH PODATAKA
Postoji potreba, a cilj je prediktivnog modela, da se obezbijedi proces za uključivanje mekanih podataka (sa ili bez statističke značajnosti) koji se koriste u ljudskoj procjeni kao jednako (ili ponekad i više) važnih u tvrdim probabilističkim modelima predviđanja, procjene rizika i donošenje odluka.
b) POBOLJŠANJE MODELA PREDVIĐANJA
U vremenima sve veće složenosti i sve većih promjena u konkurentskom okruženju i regulativi itd., još je potrebnije tražiti lako prilagodljive i efikasnije načine upravljanja rizicima. Uzimajući u obzir da je razvoj bilo kojeg modela procjene rizika u današnjim ekonomskim okolnostima uvijek izazovan i zahtijeva stalna prilagođavanja i poboljšanja, postoji potreba za novim i efikasnijim rješenjima za smanjivanje kreditinh rizika. Ovo poboljšanje također čini modele donošenja odluka boljim. Gdje god ima podataka, može se uključiti i UI i MU. Ključna tema ovog članka je korištenje spojenih (fuziranih) podataka kako bi se povećala diskriminatorna moć predviđanja kreditnih rizika i time poboljšao proces donošenja odluka.
c) AUTOMATIZACIJA LJUDSKOG PREDVIĐANJA
Donosilac odluka ne mora biti ista osoba kao sakupljač mekih informacija, što podrazumijeva mogućnost korištenja MU i UI u procesu. U stalnom promjenljivom poslovnom i regulatornom okruženju, kao i velikim fluktuacijama zaposlenih, postoji potreba da se obezbjedi proces i metod za automatizaciju ljudske procjene/predviđanja.
d) SMANJENI TROŠKOVI PROCJENE RIZIKA
Povećana potreba za velikim količinama podataka u različitim poljima povećava složenost i cijenu UI implementacija. Cilj ovog članka je ukazati na jednostavniji i manje UI složen, a time i isplativiji metod procjene rizika koji koristi kombinaciju mekih i tvrdih podataka, a rezultira u smanjenju bankovnih kreditinih rizika.
Tržište Bosne i Hercegovine je vrlo malo i ponaša se neracionalno i često nekonstantno, te samim tim čini procjenu kreditnog rizika banaka i proces donošenja upravljačkih odluka veoma složenim i neizvjesnim, što zahtijeva nove metode za modeliranje rizika za evaluaciju. U nastavku, Sekcija 5, dat je jedan primjer uspješne primjene opisane metodologije. Bankovni podaci mogu biti ili trenutni ili historijski, da bi se pokazala efikasnost metode.
Osim procjene kreditnog rizika, opisani pistup ima i druge oblasti primjene kao što su, ali ne ograničavajući se na: Procjena rizika za tržišni, kreditni, rizik osiguranja i tržišni rizik; Modele testiranja stresa i scenario analiza; Ekološko i klimatsko modeliranje; Društvene nauke, ekonometrija; Odbrambene aplikacije kao što je upravljanje bitkom; Umjetna inteligencija, računarstvo, upravljački inženjering, teorija odlučivanja, ekspertni sistemi, logika, nauka o upravljanju, istraživanje operacija, prepoznavanje obrazaca i robotski procesi.
5 PRIMJER
Tabela 2 sumira rezultate jednog stvarnog bankovnog tvrdog modela, na koji je primijenjena opisana metoda fuzije tvrdih i mekih podataka, koja je značajno poboljšala procjenu kreditnog rizika kao i ukupno poboljšanje modela rizika. Tabele 3a i 3b objašnjavaju dvije vrste grešaka koje banka napravi u svojoj procjeni kreditnog rizika, kao i odgovarajuću cijenu tih grešaka. Konačno, Tabela 4 sumira rezultate primjene opisane metode za smanjenje kreditnog rizika, koji pokazuju značajno smanjenje obje vrste grešaka, tj. Tip 1 i Tip 2 grešaka.
Kao što se vidi iz tabele, za oba tipa greške kao i za ukupni model se postižu značajna unapređenja. U kontekstu smanjenja greške Tipa I, direktne koristi predstavljaju smanjenje gubitka kamata i naplate glavnice uzrokovane neispunjavanjem obveza, rezerve za kreditne gubitke po kreditu i troškova povrata te smanjenje gubitka tržišne vrijednosti. U kontekstu smanjenja greške Tipa II, posljedica su smanjenje oportunitetnih troškova i izgubljene potencijalne dobiti, smanjenje izgubljenog prihoda od kamata, te izvornih naknada i tržišnog udjela. Prema tome, model sa demonstriranom tačnosti omogućuje bržu ugradnju podataka u modele, kao i brže donošenje odluka i manje ljudskih resursa za proces procjene. Ovo je pogotovo izraženo jer je bh. tržište malo, ponaša se neracionalno, te je sam proces donošenja odluka dodatno usložnjen. Primjenljiv je na sve banke, a za proces prilagođavanja i demonstracije tačnosti su dovoljni podaci banke.
Reference
Bank for International Settlements (June 2006), International Convergence of Capital Measurement of Capital Measurement: A Revised Framework, Comprehensive Version, Basel: Basel Committee on Banking Supervision, Available at: www.bis.org.
Berger, A.N., & Udell, G.F. (2002). Small Business Credit Availability and Relationship Lending: The Importance of Bank Organizational Structure. The Economic Journal, 112(477), 32-53.
Berger, A.N., & Udell, G.F. (2006). A More Complete Conceptual Framework for SME Finance. Journal of Banking and Finance, 30(11), 2945-2966.
Brkić, S., Hodžić, M., & Džanić, E. (2017). Fuzzy Logic Model of Soft Data Analysis for Corporate Client Credit Risk Assessment in Commercial Banking. Fifth Scientific Conference with International Participation “Economy of Integration” ICEI 2017, Available at SSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3079471
Brkić, S., Hodžić, M., & Džanić, E. (2019). Soft Data Modeling via Type 2 Fuzzy Distributions for Corporate Credit Risk Assessment in Commercial Banking, In Avdakovic, S. (Ed) Advanced Technologies, Systems and Applications III (pp. 457-469). Springer, Cham.
Christensen, P.P., Feltman, G.A., & Sabac, F. (2005). A Contracting Perspective on Earnings Quality. Journal of Accounting and Economics, 39(2), 265-294.
Cohen, D. A. (2008). Does Information Risk Really Matter? An Analysis of the Determinants and Economiv Consequences of Financial Reporting Quality. Asia Pacific Journal of Accounting and Economics, 15(2), 69-90.
Francis, J., LaFond, R., Olsson, P., & Schipper, K. (2005). The Market Pricing of Accruals Quality. Journal of Accounting and Economics, 39(2), 295-327.
Godbillion-Camus, B. & Godlewski, J. (2005). Credit Risk Management in Banks: Hard information, Soft Information and Manipulation, Working paper at University of Strasbourg. Retrieved October 19, 2018 from https://mpra.ub.uni-muenchen.de/1873/
Grunert, J., Norden, L., & Weber, M. (2004). The Role of Non-Financial factors in Internal Credit Ratings. Journal of Banking and Finance, 29(2), 509-531.
Gupta, V. K., & Celtek, S. (2001). A fuzzy expert system for small business loan processing. Journal of International Information Management, 10(1), 17-30.
Hayden E., Porath D., (2011). Statistical Methods to Develop Rating Models. In Engelmann, B., & Rauhmeier, R, (eds) The Basel II Risk Paramenters (pp.1-12). London: Springer.
Hodžić, M. (2016a). Fuzzy to Random Uncertainty Alignment. Southeast Europe Journal of Soft Computing, 5(1), 58-66.
Hodzic, M. (2016b). Uncertainty Balance Principle. IUS Periodicals of engineering and natural sciences, 4(2), 17-32.
Hodzic, M. (2018). Soft to Hard Data Transformation Using Uncertainty Balance Principle. In Hadzikadic, M. & Avdakovic, S. (Eds) Advanced Technologies, Systems and Applications II (pp. 785-809). Springer International Publishing.
Hodzic, M. (2019). A Platform for Human-Machine Information Data Fusion, In Avdakovic, S. (Ed) Advanced Technologies, Systems and Applications III (pp. 430-456). Springer, Cham.
Kano, M., Uchida, H., Udell, G.F. & Watanabe, W. (2006). Information Verifiability, Bank Organization, Bank Competition and Bank Borrower Relationship. RIETI Discussion Paper series 06-E-003. Retrieved Sepember 5, 2018, from https:// pdfs.semanticscholar.org /e24a/f433ba28fe2 dcf2094cbc2682f7bc517cf4a.pdf
Khashei, M., Bijari, M., & Hejazi, S.R. (2012). Combining seasonal ARIMA models with computational intelligence techniques for time series forecasting. Soft Computing, 16(6), 1091-1105.
Khashei, M., & Mirahmadi, A. (2015). A Soft Intelligent Risk Evaluation Model for Credit Scoring Classification. International Journal of Financial Studies, 3(1), 411-522.
Lando, D., (2004). Credit risk modeling: Theory and applications. Princeton, NJ, USA, Princeton Series in Finance, Princeton University Press.
Nocera, J. (1995). A Piece of the Action: How the Middle Class Joined the Money Class. NY: Simon & Schuster.
Petersen, M. A. (2004). Information: Hard and Soft. Working paper at Kellogg School of Management, Northwestern University.
Shang, K., & Hossen, Z. (2013). Applying Fuzzy Logic to Risk Assessment and Decision-Making. Casualty Actuarial Society, Canadian Institute of Actuaries, Society of Actuaries, 2, 209-218.
Stein, J. C. (2002). Information production and capital allocation: Decentralized vs. Hierarchical firms. Journal of Finance, 57(5), 1891-1921.
Thomas, L.C. & Edelman, D.B. & Crook, J.N. (2002). Credit Scoring and its Applications (Monographs on Mathematical Modeling and Computation) 1st ed. Philadelphia, PA, USA: SIAM.
Uchida, H., Udell, G.F., & Yamori, N. (2006). SME Financing and the Choice of Lending Technology. RIETI Discussion Paper Series 06-E-025. Retrieved September 7, 2018, from https://www.rieti.go.jp/jp/publications/dp/06e025.pdf
