전문가집단으로구성된팀¸ˆ융...Strictly Private and Confidential We SELL Disruptive Technology and BUILD our own Business 3 AI Engine for Financial Institution Direct Finance

1

Strictly Private and Confidential

전문가 집단으로 구성된 팀

2


We SELL Disruptive Technology and BUILD our own Business

3

AI Engine for

Financial Institution

Direct Finance to

Institutions

AI

Predictive

module

for Retail Banks

AI

Predictive

module

for Risk Management

Asset Management

Company


Brief History

Strictly Confidential

Deep Learning Case Study

5


딥러닝 - 어떻게 집값 예측에 사용하는가?

6


딥러닝 - 뉴런이 하나인 경우

Size Price

7


딥러닝 - 복수의 뉴런과 레이어를 가진 경우

Size

Bedroom

Zipcode

Neighbor’s

Wealth

Walkable

Family

Size

School

Quality

Price

8


실제 기업에서의 적용방식

9


딥러닝 - 확장성

10


실제 사례 – 변수로부터 또다른 변수를 생성시키며 알고리즘을최적화시킴

11


AIZEN

Technological Background

12


AIZEN Algorithm

- Ensemble

경영환경 및 데이터 상황

에 맞는 최적의 알고리즘

을 찾아내는 방식.

데이터가 증가함에 따라

알고리즘을 스스로 학습

함으로 정확도가 지속적

으로 증가함.

경영의사결정에 필요한

정보를 제공.

13


Ensemble 방식은 최적의 결과를 도출하도록 유도함

14


AIZEN’s Ensemble Algorithm

15


의사결정라인에서 무슨일이 일어나고 있는가?

16


Use Case I

Lending Club

17


미국의 20조원 규모의 렌딩클럽 자산에 대해서- 그 중 2015년 실행된 1조원 규모에 대한 실험

18


19

Portfolio Size: U$ 8.8M

Average Loan Size: U$15K

Average Interest Rate: 12%

Grade Good Bad(1) Total % Bad

A 9,840 83 9,923 0.84%

B 14,825 377 15,202 2.48%

C 15,059 764 15,823 4.83%

D 7,836 651 8,487 7.67%

E 4,639 548 5,187 10.56%

F 1,252 239 1,491 16.03%

G 212 60 272 22.06%

Total 53,663 2,722 56,385 4.83%

렌딩클럽 포트폴리오- 전체 계좌 중 4.83%가 불량 계좌 / 자체 등급별로 분포가 다름

1) Definition of Bad : Accounts that past due at least 31 days after 1 year of origination


1단계 : A/B/C 등급만 선택 (불량률 3.0%) 한 후 AIZEN 딥러닝 적용- 16.6%의 개선을 보임

20

16.6% improvement in Risk (3.0% -> 2.4%)

1.4% loss in total accounts (40,948 -> 40,360)

Lending Club Portfolio (A) Lending Club Portfolio (A’)

AIZEN Score Applied


2단계: D 등급까지 포함하여 적용 (불량률 3.8%) - 리스크 21.1% 감소

21

Lending Club Portfolio (B) Lending Club Portfolio (B’)

AIZEN Score Applied


3단계: 기존의 포트폴리오와 딥러닝 기술을 적용한 포트폴리오의 비교- 동일한 리스크 수준 (불량률 3%) 을 유지하면서 계좌를 18% 확대

22

Lending Club Portfolio (A) Lending Club Portfolio (B’)

AIZEN Score Applied

Same Risk (3.0% -> 3.0%)

18.3% increase in total accounts (40,948 -> 48,429)

+18%동일한 리스크 수준에서

수익을 18% 이상 증대할 수 있는 방법

딥러닝을 활용하여 보다 정교한 의사결정을 수행

23


Use Case II

“A” Bank in Korea

Loans Originated via Mobile Phone

24


모바일 폰을 이용하여 대출 실행된 상품

25

Portfolio Size: U$10M

Average Loan Size: U$8.5K

Average Interest Rate: 5.9%


기존에 Top 세그먼트로 분류된 부분에서도 개선

26

W Bank

High Risk Profile Distribution (A)

W Bank (AIZEN Score applied)

High Risk Profile Distribution (B)

1) Definition of High Risk Profile : Accounts that past due more than 1 day within 1 year of origination


기존에 Top 세그먼트로 분류된 부분에서도 개선

27

Performance Improvement (A-B)

-27%고위험 고객군의 비중 감소율

딥러닝을 활용하여 보다 정교한 의사결정을 수행

28


Use Case III

“A” Bank in Korea

Loans targeted Salaried Employees

29


직장인 신용대출 6,200억원 분석

30

Portfolio Size: U$630M

Average Loan Size: U$22K

Average Interest Rate: 4.7%


학습 방법

31


전통적 방식에 따른 분포도- 70% 의 계좌가 양 등급 모두 4등급 이내 고객

32

100% = 22,034 Accounts, originated in 2015/1~2015/12

Bad Definition: Accounts that missed the payment date more than 1 day with 1 year since origination

전체계좌의신용등급에따른분류100% = 22,034 계좌


전통적 방식에 따른 불량계좌의 분포도- 가장 우수한 등급 (양 등급 모두 1등급)에도 3.5% 의 불량 계좌

33

CB Grade within Portion Bad %

Both 1+1 11% 3.5%

Both 2+2 29% 5.2%

Both 3+3 49% 6.8%

Both 4+4 69% 9.0%

Total 100% 13.3%

신용등급별불량계좌의비중


AIZEN 딥러닝을 이용하여 극단적으로 Good/Bad 계좌를 분류

34

AIZEN 딥러닝사용하여, 초우량고객을선별


AIZEN 딥러닝은 각 계좌의 연체발생 가능성을 확률로 제시

35

각계좌별로발생확률을예측하여실제와비교


AIZEN 딥러닝은 각 계좌의 연체발생 가능성을 정확하게 확률로제시- 5% 계좌를 줄임으로 리스크가 20.0% 감소

36

가장위험한고객군의평균연체가능성은 63.9%.

해당고객군을제외하면, 평균리스크수준이낮아짐


발생확률이란? (1)

37



38



39


확률은 기업 경영 의사 결정을 위해 필요한 많은 정보를 제공해 줌

40

Top Segment

Bad Account = 19/20Top Segment

Bad Account = 0/20

Top Segment

Bad Account = 11/20

확률을 통한정교한 의사결정

41


AIZEN

Technological Background

42


AIZEN 딥러닝 알고리즘 - 스스로 진화

43

경영환경이 변화함에 따

라 데이터의 속성과, 데이

터가 의미하는 바가 달라

지게 됨.

이러한 변화를 알고리즘

이 스스로 학습하여 변화

하는 환경속에서도 최적

의 경영 의사 결정을 할

수 있는 정보를 제공.


AIZEN: 스스로 진화하는 딥러닝 알고리즘

44

각 월별로 데이터가 추가됨에 따라 예측능력이 스스로 향상됨

해당 데이터는 한국 A 은행 신용대출 포트폴리오의 2015년부터 실행된 자료

(예) 모델 2는 2015년 1~2월간의 데이터를 기반으로 학습. 모델 10은 2015년 1~10월까지의 데이터를기반으로 학습


알고리즘 예- Logistic Regression

가장 보편적으로 사용되

는 알고리즘

45


통계적 분석의 학문적 배경

46

시카고대 James J. Heckman, UC 버클리대 Daniel L. McFadden 교수가

2000년 노벨 경제학 수상 (개인의 행동패턴의 통계적 분석)”In the field of microeconometrics, each of the laureates has developed theory and methods that are widely used in the

statistical analysis of individual and household behavior, within economics as well as other social sciences.” -

http://www.nobelprize.org/

행동의 선택의 데이터에 기반한 모델인 과거 감에 의존했던 마케팅 영역

에 혁신적 변화를 가져옴.

최근 발달하고 있는 컴퓨팅 파워와 데이터의 증가는 이런 다양한 산업으

로 전환시킬 수 있는 환경이 구축되었음.

AIZEN 은 금융분야에서 필요한 다양한 행동패턴을 정의하고, 금융기관이

보유하고 있거나, 앞으로 보유하게 될 정보를 활용하여 경영활동에 데

이터 기반의 의사결정 시스템을 제공함.


특정 행동패턴의 발생가능성을 예측함으로 의사결정에 필요한 정보를 제공

47

● 세상의 많은 일들은 2분화된 결과와 Classification 문제로 정의할 수 있음.

● 예)

○ 이메일 광고를 보냈는데, 고객이 반응할 것인가?

○ 우리 데이터 베이스에 있는 고객이 앞으로 3달이내에 계약을 취소할까?

○ 대출을 받은 고객이 6개월내에 부도를 낼 것인가?

○ 내가 광고를 ABC 매체에 내보냈는데, 영업으로 연결 될까?

○ 해당 고객이 Fraud 고객인가?

● 이러한 Classification 문제를 Machine Learning 이 스스로 학습하여 최적화된 상

태를 유지한다.


특정한 변수에 해당 하는 조건부 확률을 계산

48


각 변수가 기울기에 미치는 영향을 계산하여, 경영의사 결정에 반영

49


로지스틱 리그레션을 이용한 민감도 문제 예제

50


AIZEN

Business Plan in 3~5 Y

51


신용대출에 집중하여 가치를 창출

52


AIZEN 은 금융기관 내부 의사 결정에 필요한 인공지능 모듈을 제공

53


금융기관의 비용구조를 바꿈으로 가치를 창출

54


수많은 의사결정 포인트들이 존재

55


AIZEN 딥러닝은 포트폴리오 운용을 위한 다양한 변수를 예측

56


-

1,000

2,000

3,000

4,000

5,000

6,000

7,000

1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q 1Q 2Q 3Q 4Q

Year 1 Year 2 Year 3 Year 4 Year 5

Cash Flow Projection

57

47 73

Unit: KRW Billion


Fixed-income 기반의 헤지펀드

58


Debt Financing Condition Example

59


다양한 분야에서 사용할 수 있는 데이터가 증가하고 있음.점차 더 강력한 방식으로 예측을 수행할 수 있음.

60

Source: Mckinsey


AIZEN

Recurrent Neural Network /

Long Short-Term Memory

in Finance

61


Algorithm

- RNN / LSTM

62


RNN / LSTM

63

RNN은 많은 자연어처리 문제를 해결한 알고리즘으로 주어진 문장에서 이

전의 단어들을 보고 다음 단어가 나올 확률을 계산해 주는 모형으로 음성

인식과 이미지인식 기술에 널리 사용되고 있음.

AIZEN은 시계열 정보를 가지고 있는 금융정보를 이용하여 리테일뱅킹 업

무 및 헤지펀드 기초자산의 가치 측정에 특화된 예측을 가능하게 함.

LSTM 알고리즘을 사용하여 리스크 관리에 도입하였을 경우 이보다 훨씬

높은 수준의 신용위험을 감소시켜 금융기관의 수익성 기여 가능

각 개인의 대출 차주의 연체 발생 확률, 만기보다 조기에 상환할 확률 등을

딥러닝 LSTM 알고리즘을 통하여 보다 정교하면서도 손쉽게 사용할 수

있는 예측 모형임


Recurrent Neural Networks

64


예측한 자료와, 실제 자료를 비교하여 스스로 최적화 점을 찾아감

65


과거에 있었던 일을 기억해서 뉴런을 구성t-1 에는 무슨 일이 있었지?

66


Long Short-Term Memory Network

67

Q&A

68

Documents

전문가집단으로구성된팀¸ˆ융...Strictly Private and Confidential We SELL Disruptive Technology and BUILD our own Business 3 AI Engine for Financial Institution Direct Finance