Zmiany i innowacje w ocenie zdolności kredytowej Changes and Innovations in Creditworthiness Assessment

Abstract

Celem rozdziału jest przedstawienie ewolucji metod oceny zdolności kredytowej oraz roli nowoczesnych technologii w tym procesie. Analiza obejmuje zarówno klasyczne podejścia statystyczne, jak i współczesne metody oparte na uczeniu maszynowym, sztucznej inteligencji oraz dużych modelach językowych (LLM). W pierwszej części omówiono historyczne ujęcie problemu, począwszy od wczesnych form oceny opartej na reputacji i subiektywnej analizie kredytodawców, aż po rozwój systemu punktowego FICO i standaryzację credit scoringu. Następnie zaprezentowano najnowsze rozwiązania, takie jak modele hybrydowe (np. TCN-DilateFormer), algorytmy zespołowe (Random Forest, XGBoost, TabNet) oraz zastosowanie metod głębokiego uczenia w prognozowaniu ryzyka kredytowego. Praca omawia również polskie uwarunkowania systemowe - w szczególności funkcjonowanie Biura Informacji Kredytowej oraz znaczenie Rekomendacji T w zarządzaniu ryzykiem detalicznym. Wnioski wskazują, że choć metody tradycyjne pozostają fundamentem oceny kredytowej, to integracja algorytmów uczenia maszynowego pozwala na zwiększenie dokładności i efektywności prognoz. Jednocześnie podkreślono konieczność zapewnienia interpretowalności modeli oraz zachowania równowagi między automatyzacją decyzji a czynnikiem ludzkim.

The aim of this chapter is to present the evolution of creditworthiness assessment methods and the role of modern technologies in this process. The analysis encompasses both classical statistical approaches and contemporary methods based on machine learning, artificial intelligence, and large language models (LLMs). The first part discusses the historical approach to the problem, from early forms of assessment based on reputation and subjective lender analysis, to the development of the FICO scoring system and the standardisation of credit scoring. This is followed by a presentation of recent solutions, including hybrid models (e.g., TCN-DilateFormer), ensemble algorithms (Random Forest, XGBoost, TabNet), and the application of deep learning methods to credit risk forecasting. The work also discusses the Polish systemic conditions – in particular, the operation of the Polish Credit Information Bureau (BIK) and the importance of “Rekomendacja T” in retail risk management. The conclusions indicate that while traditional methods remain the foundation of credit assessment, integrating machine learning algorithms increases forecast accuracy and efficiency. The need to ensure model interpretability and maintain a balance between decision automation and the human factor is also emphasised.