Swedbank AB:s kreditriskteam i Stockholm implementerade 2023 en gradient boosting-modell som ersatte den traditionella scorekortmodellen för SME-kreditbedömning. Resultatet: falsk-negativfrekvensen (lån som missas men borde beviljas) sjönk med 18 procent, medan falsk-positivfrekvensen (beviljade lån som sedan defaultar) förbättrades med 11 procent. Modellen tränas på tre år av transaktionsdata, bokslutsnyckeltal och makrovariabler — men Finansinspektionen kräver att banken kan förklara varje kreditbeslut. Frågan innan du läser: hur balanserar en seriös analytiker prediktiv kraft med transparens och regulatorisk efterlevnad i en ML-modell?
Övervakad maskininlärning (Supervised ML) i kreditanalys
Algoritmen tränas på historiska observationer med kända utfall (label): t.ex. 'kredit default = 1, ej default = 0'. Typiska algoritmer för kreditscoring: logistisk regression (tolkbar, FI-godkänd baslinje), gradient boosting (XGBoost/LightGBM — hög prediktiv kraft), random forest. I Sverige kräver Finansinspektionens allmänna råd FFFS 2022:20 om kreditrisk att banken kan demonstrera att modellen inte ger systematisk diskriminering baserat på skyddade attribut (kön, etnisk bakgrund) och att enskilda beslut kan förklaras på begäran.
NLP (Natural Language Processing) på finansiella texter
Maskininlärningsbaserad analys av ostrukturerad text i årsredovisningar, prospekt och förvaltningsberättelser. Tillämpningar: sentimentanalys av VD-brev (positiv/negativ ton korrelerar med framtida avkastning i akademiska studier), named entity recognition (identifiera nyckelrisker och kontrakter i not-texterna), anomalidetektion (jämför formuleringsförändringar år-för-år som tidig signal om redovisningsproblem). På svenska marknaden används modeller tränade på svenska texter — t.ex. KB-BERT från Kungliga Biblioteket — med klart bättre precision än engelskspråkiga modeller direkt applicerade på svenska dokument.
Ett kritiskt problem i kreditscoring är imbalanced datasets: defaultfrekvensen för SME-lån i Sverige är historiskt 1–3 procent. Om modellen tränas utan korrektion förutspår den alltid 'ej default' och uppnår 98 procents noggrannhet — men identifierar noll defaults. Standardlösningar: oversampling av minoritetsklassen (SMOTE), undersampling av majoritetsklassen, eller viktning av klasser i träningsförlusten. Utvärderingsmetrik bör vara AUC-ROC och F1-score på minoritetsklassen, aldrig enbart accuracy.
| ML-algoritm | Tolkbarhet (Explainability) | Prediktiv kraft | FI-kompatibilitet |
|---|---|---|---|
| Logistisk regression | Hög — koefficienter direkt tolkbara | Medel | Fullt kompatibel, standardbaslinje |
| Gradient Boosting (XGBoost) | Medel — SHAP-värden möjliggör lokal förklaring | Hög | Kompatibel med SHAP-dokumentation |
| Random Forest | Medel — feature importance globalt | Hög | Kompatibel med aggregerad förklaring |
| Neuralt nätverk (deep learning) | Låg — black box utan extra verktyg | Mycket hög | Kräver förklarbarhetsmodell (LIME/SHAP) |
Swedbanka kreditriskteam tränar en XGBoost-modell på 48 månader av SME-data: 12 000 beviljade lån (total exponering 4,8 miljarder SEK) varav 280 defaults. SMOTE-oversampling appliceras för att hantera 2,3 procents defaultfrekvens. AUC-ROC på valideringsset: 0,81 (vs 0,71 för den gamla scorekortmodellen). SHAP-analysen visar att de tre viktigaste prediktorerna är soliditet (andel eget kapital), kassaflödestäckning av räntekostnader (räntetäckningsgrad) och branschtillhörighet SNI. Finansinspektionens revisor granskar SHAP-dokumentationen och begär ett statistiskt test för att utesluta korrelation med geografisk variabel som proxy för etnicitet — testet utfaller negativt, modellen godkänns.
⚠️Optimera enbart på accuracy i ett imbalanced kreditscoring-dataset
→ Med en defaultfrekvens på 2 procent uppnår en modell som alltid förutspår 'ej default' 98 procents accuracy men identifierar noll defaults. Utvärdera alltid med AUC-ROC, precision-recall-kurvan och F1-score på defaultklassen. Accuracy är ett oanvändbart mått på imbalanced data.
⚠️Använda en engelskspråkig BERT-modell för NLP på svenska årsredovisningar utan finjustering
→ Engelska förtränade modeller har signifikant lägre precision på svenska finansiella texter. KB-BERT (Kungliga Biblioteket) eller finansspecifikt finjusterade svenska modeller ger klart bättre named entity recognition och sentimentprecision på Årsredovisningslagen-standardiserade dokument.
⚠️Ignorera Finansinspektionens krav på förklarbarhet i algoritmiska kreditbeslut
→ FFFS 2022:20 kräver att banken kan förklara varje kreditbeslut på begäran. En black box-modell utan SHAP-lager eller liknande förklarbarhetsverktyg riskerar tillsynsåtgärder. Bygg förklarbarhetslagret in i ML-pipelinen från dag ett — det är inte en efterkonstruktion.
Varför är 'accuracy' ett otillräckligt utvärderingsmått för en ML-kreditscoringsmodell med 2 procents defaultfrekvens?
Correct answer : En modell som alltid förutspår 'ej default' uppnår 98 procents accuracy men identifierar noll defaults — mätvärdet är missvisande
Med 2 procents defaultfrekvens förutspår en naiv modell alltid majoritetsklassen och uppnår 98 procents accuracy utan att identifiera ett enda default. AUC-ROC, precision-recall och F1-score på minoritetsklassen ger en korrekt bild av modellens prediktiva förmåga.
Vilket verktyg används ofta för att uppfylla Finansinspektionens krav på förklarbarheten i en gradient boosting-kreditmodell?
Correct answer : SHAP-värden (SHapley Additive exPlanations) per kreditbeslut
SHAP-värden tillhandahåller en lokal förklaring till varje enskilt modellbeslut — vilka features som drev scoringen upp eller ner för en given låntagare. Det möjliggör den förklarbarhet som Finansinspektionen kräver enligt FFFS 2022:20.
Beräkna en strukturerad kreditbedömning baserad på finansiella nyckeltal — komplement till ML-modellen som interpreterbara features i SHAP-analys.
Open calculator →Beräkna Altman Z-score som en tolkbar baslinje för konkursprediktering — ett standardmått att jämföra ML-modellens prediktiva kraft emot.
Open calculator →kvantitativ finansanalytiker (Sverige)
Suggested questions