Izzivi pri razvoju modelov tveganja za crowdlending platforme
Komercialist
V digitalnem finančnem okolju množično posojanje (crowdlending) postaja ena ključnih oblik alternativnega financiranja, saj omogoča neposredno povezavo med vlagatelji in posojilojemalci ter spodbuja demokratizacijo dostopa do kapitala.
Diplomsko delo »Izzivi pri razvoju modelov tveganja za crowdlending platforme« obravnava problem učinkovitosti tradicionalnih modelov ocenjevanja kreditnega tveganja za mala in zagonska podjetja ter raziskuje možnosti njihove posodobitve z vključitvijo nefinančnih kazalnikov in s tem povezanih izzivov.
V teoretičnem delu raziskave je analiziran razvoj množičnega posojanja kot sestavnega dela digitalnih tehnologij in predstavljeni so tradicionalni pristopi k merjenju kreditnega tveganja (Altmanov Z-rezultat, modeli PD/LGD/EAD), pri čemer je dodatno prikazana njihova omejena uporabnost za podjetja brez obsežne finančne zgodovine.
Empirični del vključuje analizo, ki preverja natančnost modelov na podatkih množične posojilne platforme. Rezultati kažejo, da klasični modeli pogosto napačno razvrstijo zanesljive posojilojemalce med tvegane.
Za odpravo neučinkovitosti je bil v Altmanov Z-rezultat vključen nabor sedmih kazalnikov »mehkih informacij«, s pojasnilom njihove povezanosti z verjetnostjo neplačila ter z obravnavo izzivov pri zbiranju in interpretaciji teh podatkov.
Za izračune sta bili uporabljeni metoda linearne diskriminantne analize in logistična regresija. Kombinacija finančnih in nefinančnih informacij je povečala napovedno moč modela. Raziskava potrjuje, da je raznolikost v ekipi tesno povezana z večjo inovativnostjo, boljšimi finančnimi kazalniki in dostopnostjo kapitala, kar določa dolgoročni uspeh zagonskih podjetij in vpliva na oceno mladih podjetij.
V zaključku je mogoče poudariti, da ima združevanje kvantitativnih in kvalitativnih informacij ključen pomen za nadaljnji razvoj modelov ocenjevanja tveganj v množičnem posojanju. Takšen pristop povečuje učinkovitost kreditnih odločitev, zmanjšuje stopnjo neplačil in krepi stabilnost platform.
