美国银行(Bank of America Corp.)已经开始使用人工智能来预测企业拖欠贷款的可能性。
美国银行信贷策略师Oleg Melentyev和Eric Yu以及预测分析主管Toby Wade在周五的一份研究报告中表示:“今天我们展示了我们应用最新机器学习工具分析信贷风险的首个工作。”他们已经开始使用自然语言处理来消化盈利电话记录，以估计公司在未来12个月内违约的可能性。
在人工智能的帮助下，信用策略师们扩大了他们的违约模型，试图从中发现首席执行官和首席财务官所使用的暗示公司违约可能性高的语言。他们说，与违约相关的短语包括削减成本、出售资产和烧钱。
自然语言处理指出，在一些行业，“信贷压力更大”暴露于Covid-19该报告称，与美国银行现有的违约框架相比，这一比例要高得多。例如，根据机器学习技术的预测，能源、交通和媒体行业的违约率将会更高，而有线电视和医疗保健行业的违约率则会低于预期。
Melentyev, Yu和Wade在他们的笔记中说:“NLP信号的这种自我学习的性质可以使它在未来的建模工作中不可或缺。”“我们打算在接下来的几个月里继续探索这个令人兴奋的新领域。”
(2深潜水:研究显示，借助人工智能的对冲基金表现远超预期]
目前，美国银行仍维持现有的违约率模型，以及未来12个月违约率为5.75%的预估。
“我们计划独立观察美国银行新的由nlp驱动的美国HY违约率指标的行为，并将现有模型得出的估计结果与纳入该指标的模型进行比较，”美国银行的策略师和预测分析主管在报告中表示。
人工智能的使用将美国银行对违约率的预测提高了15个基点，至5.9%。
按行业计算的违约率偏差最大的是能源行业，自然语言处理将其预估从11%推高至18%。在其他行业的差距中，NLP信号将交通行业的违约预测从10%提高到11%，将媒体行业的违约预测从4%提高到8%。
“虽然大多数由NLP模型确定的短语似乎有直觉意义，但并不是所有的都这样做，”Melentyev, Yu和Wade说。像“投资者关系”、“石油天然气”和“现金生成”这样的短语可能是由“引擎带来的虚假关联”造成的。
但在这一点上，他们并不急于干预。
他们说:“在我们研究的这个阶段，我们决定保留所有的短语，不进行干预，并将其中一些标记为错误信号。”“这个领域代表了一个有待进一步研究的领域，在这个领域，人类专家的输入可能会让一个纯粹的机器学习算法产生更好的结果。”