Risk-Level Estimation for Account Opening Service – A Preliminary Risk Assessment in Retail Banking -

국문 초록 (Abstract)

고객에 대한 신용리스크 평가는 소매금융업 경영에서 매우 중요하다. 지금까지 고객 의 신용리스크 문제는 차입자가 대출상품에 대한 계약 상 의무를 수행하지 않아 발생되 는 직접적인 손실로만 간주되었다. 즉 법률 및 규정 준수 책임 위반, 평판 저하와 같은 간접적인 손실은 일반적으로 신용리스크 문제에서 고려되지 못하였다. 특히 간접적인 손실은 일반적으로 자금 세탁 및 테러 자금 조달과 같은 불법적 거래를 목적으로 하는 불량 고객들에게 금융서비스를 제공함으로 발생된다. 따라서 고객의 신용리스크 문제 를 해결하기 위해 은행은 바젤은행감독위원회의 요구에 따라 고객에 대한 리스크 관리 를 강화하고 비정상적인 고객들에 대한 금융서비스 제공을 금지해야 한다. 일반적으로 고객은 금융활동을 시작하기 위해 계좌 개설을 신청한다. 따라서, 계좌개 설 서비스 단계에서의 리스크평가는 은행이 사기 및 범죄 가능성이 높은 고객을 발견하 는데 유용할 뿐만 아니라, 제한된 인적자원 배분에도 바람직한 방향성을 제공할 수 있 다. 지금까지 은행에서 리스크 평가와 관련된 업무는 주로 인적자원에 의해 수행되고 있다. 향후 디지털화의 빠른 진전으로 은행 업무량의 급격한 증대가 예상되는 상황에서 과도한 업무 부하로 인한 인적 자원의 부족 및 인적 오류 문제는 더욱 심각해 질 것이다. 그러나 고객의 신용리스크관리에 대한 기존 연구는 대부분 계좌 개설 이후 비정상적으 로 운영되는 계좌의 관리에 초점을 두고 있으며, 계좌 개설 서비스단계에서의 자동 리 스크 평가에 대한 연구는 거의 수행되지 않았다. 이와 같은 맥락에서 본 연구는 계좌 개설 서비스단계에서 고객의 다양한 리스크 수 준을 평가하기 위한 새로운 사전적 리스크 수준 평가 모형을 처음으로 고안하였다. 특 히 본 연구는 지리적, 인구통계학적 및 행동적 특성이 고려된 2단계 신경망 방법을 통해 자동적으로 고객의 리스크 수준을 분류 및 제시하였다. 본 연구에서 제안된 모형은 96.7%의 높은 분류 정확도를 나타내고 있다. 한국과 홍콩의 은행 고객 구성의 유사성을 고려해 볼 때, 본 연구는 한국의 은행 경영에도 고객 사전 리스크 평가에 대한 적절한 방향성을 제시할 수 있을 것으로 사료된다.

다국어 초록 (Multilingual Abstract)

Customer credit risk assessment is crucial in retail banking business. Hitherto, customer credit risk is narrowed to the direct loss resulting from the borrower’s failure to contractual obligation of loan products. The indirect loss, such as legal and compliance liability, reputation damage, is usually neglected. The indirect loss is generally caused by providing services to customers who launch illegal transactions, such as money laundering and terrorist financing activities. As required by Basel Committee on Banking Supervision, banks should strengthen the customer risk supervision and avoid providing services to abnormal customers. Usually, a customer needs to apply for an account before launching financial activities. Thus, a risk assessment at the account opening services can not only help the bank filter some fraudulent and criminal customers but also provide guidance on allocating the limited supervision resource. Conventionally, such a risk assessment procedure is labor-intensive. Given the massive business volume caused by digitalization, the problems of human resource shortage and high human errors caused by overburdened workload are even more serious. Yet, previous works only explored abnormal account activities supervision after account generation, whereas the automatic risk assessment method on account opening services is rarely covered. To address these problems, in this study, a novel preliminary risk level is firstly developed to indicate the different likelihood of risk levels in account opening service. In addition, an automatic risk level classifier is developed with a designed two-staged neural network utilizing geographic, demographic, and behavioral features. The experiment results verify the high classification accuracy at 96.7%. Moreover, given the similar compositions of international customers between Korea and Hong Kong, this work could also provide guidance to Korean banks on customer preliminary risk assessment.

목차 (Table of Contents)

• Ⅰ. Introduction
• Ⅱ. Literature Review
• Ⅲ. Practical Procedures of Risk Assessment in Account Opening Service
• Ⅳ. Methodology and Model Development
• Ⅴ. Experiment and Performance Analysis
• Ⅵ. Conclusion
• References
• 국문초록
• Abstract

참고문헌 (Reference)

• 1 Bahillo, J. A., "The value in digitally transforming credit risk management" McKinsey Global Institute
• 2 Clark, T., "The role of retail banking in the US banking industry : risk, return, and industry structure" 13 (13): 1-18, 2007
• 3 Amadeo, Kimberly, "Retail banking, its types and economic impact"
• 4 Dolan, Shelagh, "Retail banking industry overview: market stats, trends & outlook in 2020"
• 5 Chen, D., "Research on traffic flow prediction in the big data environment based on the improved RBF neural network" 13 (13): 2000-2008, 2017
• 6 World Bank, "Global Economic Prospects"
• 7 Wang, R., "Fintech development and bank risk taking in China" 27 (27): 397-418, 2021
• 8 Lopez, J. A., "Evaluating credit risk models" 24 (24): 151-165, 2000
• 9 Chen, T. H., "Do you know your customer? Bank risk assessment based on machine learning" 86 : 105779-, 2020
• 10 Pazarbasioglu, C., "Digital financial services" World Bank Group 2020
• 11 Lv, F., "Detecting Fraudulent Bank Account Based on Convolutional Neural Network with Heterogeneous Data" Mathematical Problems in Engineering 2019
• 12 Salehi, A., "Data mining techniques for anti-money laundering" 12 (12): 10084-10094, 2017
• 13 Duffie, D., "Credit risk: pricing, measurement, and management" Princeton university press 2012
• 14 Konovalova, N., "Credit risk management in commercial banks, Polish Journal of" 13 : 90-100, 2016
• 15 Yu, L., "Credit risk assessment with a multistage neural network ensemble learning. approach" 34 (34): 1434-1444, 2008
• 16 Labarre, O., "Credit Risk, Investopedia"
• 17 Fan, C., "Construction of a neural network and its application on target classification" 7 : 29709-29721, 2019
• 18 Grace, A. M., "Comparative analysis of neural network and fuzzy logic techniques in credit risk. evaluation" 12 (12): 47-62, 2016
• 19 EU Commission, "COMMISSION STAFF WORKING DOCUMENT Accompanying the document REPORT FROM THE COMMISSION TO THE EUROPEAN PARLIAMENT AND THE COUNCIL on the assessment of the risk of money laundering and terrorist financing affecting the internal market and relating to cross-border activities"
• 20 Le Khac, N. A., "Application of data mining for anti-money laundering detection : A case study" 577-584, 2010
• 21 Gao, Z., "Application of cluster-based local outlier factor algorithm in anti-money laundering" 1-4, 2009
• 22 Xu, C., "An intrusion detection system using a deep neural network with gated recurrent units" 6 : 48697-48707, 2018
• 23 Heidarinia, N., "An intelligent anti-money laundering method for detecting risky users in the banking systems" 97 (97): 35-39, 2014
• 24 Sousa, M. R., "A new dynamic modelling framework for credit risk assessment" 45 : 341-351, 2016
• 25 Angelini, E., "A neural network approach for credit risk evaluation" 48 (48): 733-755, 2008
• 26 Gao, Z., "A framework for data mining-based anti-money laundering research" 10 (10): 170-179, 2007
• 27 Dinh, T. H. T., "A credit scoring model for Vietnam's retail banking market" 16 (16): 471-495, 2007