贸易资产分发平台 Tradeteq 今日发布了一份白皮书，旨在展示机器学习如何与更广泛的数据收集相结合，以改善中小企业的贸易融资渠道。该白皮书由 Tradeteq 的人工智能负责人 Michael Boguslavsky 撰写，提出了一种激进的信用评分新方法，可能特别有利于中小企业在贸易融资领域获得支持。
白皮书指出，传统模型——如 Altman Z-score——采用“线性判别”分析，基于若干会计指标。尽管被广泛使用，但此类评分对中小企业存在一些问题——包括仅关注少量会计条目而忽略有价值的非会计信息。这些硬性要求使得即使缺少一个条目的公司也无法进行信用评分。此外，由于传统评分基于按年度提交的会计数据，也缺乏及时性。
“多年来，人们曾多次尝试改进传统信用评分，”Michael Boguslavsky 表示，“例如添加新的财务比率，或用其他模型替代 Altman Z 的线性方法。但这些尝试从未取得显著成功。真正需要的是能够利用来自多个数据源的异构数据的模型——从而大幅提升信用事件预测的质量和时效性。”
Boguslavsky 的白皮书认为，适用于贸易融资贷款的良好预测性信用模型应：适应不同公司的数据可用性差异，以增加数据集的深度；利用广泛可用和新兴的数据源，包括地理数据；并利用贸易网络数据，包括共同客户、供应商或银行关系，以发现异常并预测信用风险。
Boguslavsky 声称，这种方法将有助于更全面地理解中小企业的信用风险，从而减少贷款拒批率并改善信贷决策。
“将机器学习技术与深入且广泛的数据覆盖相结合，可生成一种神经网络模型，即使在纯注册数据上也能优于传统的 Altman Z-score 及类似模型，”他说，“而且无需使用任何会计输入——因此可能对寻求贸易融资的中小企业产生潜在的革命性影响。”
Tradeteq 的贸易资产分发平台正是以这种方式生成信用评分，旨在通过鼓励贸易融资银行采用“发起 - 分销”模式，扩大贸易融资投资者的范围。该公司于 2018 年 3 月正式推出，目前正在寻找合作伙伴和协作机会，以处理交易级别的贸易融资数据集，借助 Tradeteq 在深度数据分析方面的专长以及从合作伙伴处获取的广泛数据，为贸易融资社区提供最先进的信用分析。