In recent years, the Buy Now Pay Later (BNPL) consumer credit industry associated with e-commerce has been rapidly emerging as an alternative to credit cards and traditional consumer credit products. In parallel, the regulation IFRS 9 was introduced in 2018 requiring creditors to become more proactive in forecasting their Expected Credit Losses and include the impact of macroeconomic factors. This study evaluates several methods of supervised statistical learning to model the Probability of Default (PD) for BNPL credit contracts. Furthermore, the study analyzes to what extent macroeconomic factors impact the prediction under the requirements in IFRS 9 and was carried out as a case study with the Swedish fintech firm Klarna. The results suggest that XGBoost produces the highest predictive power measured in Precision-Recall and ROC Area Under Curve, with ROC values between 0.80 and 0.91 in three modeled scenarios. Moreover, the inclusion of macroeconomic variables generally improves the Precision-Recall Area Under Curve. Real GDP growth, housing prices, and unemployment rate are frequently among the most important macroeconomic factors. The findings are in line with previous research on similar industries and contribute to the literature on PD modeling in the BNPL industry, where limited previous research was identified. / De senaste åren har Buy Now Pay Later (BNPL) snabbt vuxit fram som ett alternativ till kreditkort och traditionella kreditprodukter, i synnerhet inom e-handel. Dessutom introducerades 2018 det nya regelverket IFRS 9, vilket kräver att banker och andra kreditgivare ska bli mer framåtblickande i modelleringen av sina förväntade kreditförluster, samt ta hänsyn till effekter från makroekonomiska faktorer. I denna studie utvärderas flera metoder inom statistisk inlärning för att modellera Probability of Default (PD), sannolikheten att en kreditförlust inträffar, för BNPL-kreditkontrakt. Dessutom analyseras i vilken utsträckning makroekonomiska faktorer påverkar modellernas prediktiva förmågor enligt kraven i IFRS 9. Studien genomfördes som en fallstudie med det svenska fintechföretaget Klarna. Resultaten tyder på att XGBoost har den största prediktionsförmågan mätt i Precision-Recall och ROC Area Under Curve, med ROC-värden mellan 0.80 och 0.91 i tre scenarier. Inkludering av makroekonomiska variabler förbättrar generellt PR-Area Under Curve. Real BNP-tillväxt, bostadspriser och arbetslöshet återfinns frekvent bland de viktigaste makroekonomiska faktorerna. Resultaten är i linje med tidigare forskning inom liknande branscher och bidrar till litteraturen om att modellera PD i BNPL-branschen där begränsad tidigare forskning hittades.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-307334 |
Date | January 2021 |
Creators | Hardin, Patrik, Ingre, Robert |
Publisher | KTH, Matematisk statistik |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-SCI-GRU ; 2021:229 |
Page generated in 0.0015 seconds