Persoonlijke ontmoetingen tussen hypotheekadviseurs en huizenkopers zijn snel vervangen door online applicaties en algoritmen, maar de kredietdiscriminatie is niet verdwenen.

Een nieuwe Universiteit van Californië, Onderzoek van Berkeley heeft uitgewezen dat zowel online als persoonlijke kredietverstrekkers hogere rentetarieven vragen aan Afro-Amerikaanse en Latino-leners, het verdienen van 11 tot 17 procent hogere winsten op dergelijke leningen. Alles verteld, die huizenkopers betalen elk jaar tot een half miljard dollar meer rente dan blanke kredietnemers met vergelijkbare kredietscores, onderzoekers gevonden.

De bevindingen roepen juridische vragen op over de opkomst van statistische discriminatie in het fintech-tijdperk, en wijzen op mogelijk wijdverbreide schendingen van de Amerikaanse wetten inzake eerlijke leningen, zeggen de onderzoekers. Hoewel discriminatie op het gebied van leningen in het verleden werd veroorzaakt door menselijke vooroordelen, prijsverschillen zijn in toenemende mate het gevolg van algoritmen die machine learning gebruiken om zich te richten op aanvragers die mogelijk minder rondkijken voor duurdere leningen.

"De wijze van discriminatie bij leningen is verschoven van menselijke vooringenomenheid naar algoritmische vooringenomenheid, " zei co-auteur van de studie Adair Morse, een financiële professor aan de Haas School of Business van UC Berkeley. "Zelfs als de mensen die de algoritmen schrijven van plan zijn een eerlijk systeem te creëren, hun programmering heeft een ongelijksoortige impact op kredietnemers uit minderheidsgroepen, met andere woorden, discrimineren volgens de wet."

Eerste dataset ooit

Een belangrijke uitdaging bij het bestuderen van kredietdiscriminatie was dat de enige grote gegevensbron die ras en etniciteit omvat, de Home Mortgage Disclosure Act (HDMA) is, die 90 procent van de woninghypotheken dekt, maar geen informatie heeft over de leningstructuur en het type onroerend goed. Met behulp van machine learning-technieken, onderzoekers hebben HDMA-gegevens samengevoegd met drie andere grote datasets:ATTOM, McDash, en Equifax - verbinden, voor de eerste keer ooit, details over rentetarieven, leningsvoorwaarden en prestaties, locatie van onroerend goed, en kredietnemer met ras en etniciteit.

De onderzoekers, waaronder professoren Nancy Wallace en Richard Stanton van de Haas School of Business en prof. Robert Bartlett van Berkeley Law, richtten zich op 30 jaar, vaste rente, eengezinswoningleningen uitgegeven van 2008 tot 2015 en gegarandeerd door Fannie Mae en Freddie Mac.

Dit zorgde ervoor dat alle leningen in de pool werden ondersteund door de Amerikaanse overheid en hetzelfde rigoureuze prijsproces volgden - alleen gebaseerd op een raster van loan-to-value en kredietscores - dat was ingevoerd na de financiële crisis. Omdat de particuliere kredietverstrekkers door de staatsgarantie tegen wanbetaling worden beschermd, eventuele extra variaties in de prijsstelling van leningen zouden te wijten zijn aan de concurrentiebeslissingen van de kredietverstrekkers. Zo konden de onderzoekers prijsverschillen isoleren die correleren met ras en etniciteit, los van kredietrisico.

De analyse vond significante discriminatie door zowel persoonlijke als algoritmische geldschieters:

• Zwarte en Latino-leners betalen 5,6 tot 8,6 basispunten hogere rente op aankoopleningen dan blanke en Aziatische leners, en 3 basispunten meer op het herfinancieren van leningen.
• Voor leners, deze verschillen kosten hen $ 250 miljoen tot $ 500 miljoen per jaar.
• Voor kredietverstrekkers, dit komt neer op 11 tot 17 procent hogere winsten op inkoopleningen aan minderheden, gebaseerd op de sectorgemiddelde winst van 50 basispunten op de uitgifte van leningen.

"Algoritmische strategische prijsstelling"

Morse zei dat de resultaten consistent zijn met kredietverstrekkers die big data-variabelen en machine learning gebruiken om de mate van concurrentie voor klanten en dienovereenkomstige prijsleningen af ​​te leiden. Deze prijsstelling kan zijn gebaseerd op geografie, zoals het targeten van gebieden met minder financiële diensten, of op kenmerken van aanvragers. Als een AI kan achterhalen welke aanvragers minder vergelijkend winkelen en duurdere aanbiedingen accepteren, de geldschieter heeft gecreëerd wat Morse 'algoritmische strategische prijsstelling' noemt.

"Er zijn een aantal redenen waarom etnische minderheidsgroepen minder winkelen - het kan zijn omdat ze in financiële woestijnen leven met minder toegang tot een reeks producten en meer monopolieprijzen, of het kan zijn dat het financiële systeem voor sommige kredietnemers een onvriendelijke sfeer creëert, "Zei Morse. "De kredietverstrekkers richten zich mogelijk niet specifiek op minderheden in hun prijsstellingsschema's, maar door niet-winkelende sollicitanten te profileren, richten ze zich uiteindelijk op hen."

Dit is het soort prijsdiscriminatie dat de Amerikaanse wetten inzake eerlijke leningen zijn ontworpen om te verbieden, Bartlett merkt op. Verschillende Amerikaanse rechtbanken hebben geoordeeld dat verschillen in de prijsstelling van leningen die per ras of etniciteit verschillen, alleen juridisch kunnen worden gerechtvaardigd als ze zijn gebaseerd op de kredietwaardigheid van kredietnemers. "Het nieuwe van ons empirische ontwerp is dat we de mogelijkheid kunnen uitsluiten dat deze prijsverschillen te wijten zijn aan verschillen in kredietrisico tussen kredietnemers, " hij zei.

Algehele afname van kredietdiscriminatie

De gegevens brachten goed nieuws aan het licht:discriminatie op het gebied van kredietverlening is in het algemeen gestaag afgenomen, Dit suggereert dat de opkomst van nieuwe fintech-platforms en eenvoudigere online aanvraagprocedures voor traditionele kredietverstrekkers de concurrentie heeft vergroot en het voor mensen gemakkelijker heeft gemaakt om te vergelijken, wat een goed voorteken is voor achtergestelde huizenkopers.

De onderzoekers ontdekten ook dat fintech-geldschieters niet discrimineerden bij het accepteren van minderheidsaanvragers. Traditionele persoonlijke kredietverstrekkers, echter, hadden nog steeds 5 procent meer kans om ze af te wijzen.