Modern Approach to Early Warning Signals in Banking Risk Management

Marek Štěpán

Master's thesis

Moderní přístup k signálům včasného varování v řízení bankovních rizik

Abstract:

Pro bankovní instituce jsou varovné signály (EWS) klíčové pro úspěšné řízení rizik. Tato diplomová práce hodnotí význam včasného monitorování signálů pro zmírnění rizik v oblasti firemních úvěrů a navrhuje řešení pro využití nestrukturovaných dat k vylepšení varovných systémů. Ve spolupráci s předním poskytovatelem řešení EWS tento výzkum zdůrazňuje hodnotu těchto systémů v éře velkých jazykových modelů (LLMs). Teoretický rámec zahrnuje komplexní definici varovných systémů, řízení rizik v korporátním bankovnictví a jejich průnik, s důrazem na hodnotu nestrukturovaných dat při efektivním zmírňování rizik. Praktická část představuje detailní návrh a popis systému EWS, který zahrnuje proces od datových vstupů po možné výstupy s důrazem uspokojit všechny požadavky budoucích uživatelů. Druhá část je věnována vývoji modelu strojového učení pro predikci signálů. V práci jsou implementovány různé architektury modelů a provedeno rozsáhlé vyhledávání v mřížce pro výběr optimálního modelu. Diplomová práce rovněž diskutuje několik nápadů na zlepšení modelu, s vědomím, že výzkum v této oblasti je stále v rané fázi.

Abstract:

For banking institutions, Early Warning Signals (EWS) are crucial in successful risk management. This thesis assesses the importance of monitoring signals in a timely manner to mitigate risks in corporate credit, and proposes a solution to leverage unstructured data for enhancing warning systems. In collaboration with a leading provider of EWS solutions, this research emphasizes the value of such systems in the era of large language models (LLMs). The theoretical framework includes a comprehensive definition of early warning systems, corporate banking risk management, and their intersection, emphasizing the value of unstructured data in effective risk mitigation. The practical section presents a detailed design and description of an EWS system, outlining the process from data inputs to potential outputs, with the objective of meeting all requirements from future users. The second part is dedicated to the development of a machine learning model for signal prediction. Various architectures are implemented, and an extensive grid search is performed to select the optimal model. The thesis also discusses several ideas for improving the model, recognizing that research in this area is still in its early stages.

Keywords

včasné varovné signály, EWS, firemní úvěrování, nestrukturovaná data, úvěrový analytik, velký jazykový model

Keywords

early warning signals, EWS, corporate credit, unstructured data, credit analyst, large language model

Language used: English

Date on which the thesis was submitted / produced: 27. 6. 2024

Thesis defence

• Date of defence: 2024
• Supervisor: Filip Vencovský

Vysoká škola ekonomická v Praze

Master programme:
Data a analytika pro business