Um Mark Twain zu paraphrasieren: Die Geschichte wiederholt sich vielleicht nicht, aber sie reimt sich. Die US-Hypothekenbranche musste sich kürzlich an diese Tatsache erinnern, als a CNN-Analyse stellte fest, dass die größte Kreditgenossenschaft des Landes, Navy Federal, weist von allen großen Kreditgebern die größte Diskrepanz bei den Hypothekengenehmigungsquoten zwischen weißen und schwarzen Kreditnehmern auf. In dem bereits im Dezember veröffentlichten Bericht wurde festgestellt, dass die Navy Federal Credit Union mehr als 75 % der weißen Kreditnehmer genehmigte, die im Jahr 2022 eine neue konventionelle Hypothek für den Hauskauf beantragten, im Vergleich zu weniger als 50 % der schwarzen Kreditnehmer.
Wie immer lauert im Hintergrund das Redlining – der absichtliche, systematische Versuch amerikanischer Banken und Regierungen, Afroamerikanern Hypotheken zu verweigern und US-Städte zu segnen. Die Praxis wurde erst 1968 verboten, und laufende Untersuchungen an der School of Public Health der University of California, Berkeley zeigen, dass Redlining Auswirkungen hat nicht-weiße Gemeinschaften bis heute in Form von Luftverschmutzung, Störungen der Fortpflanzungsgesundheit und weniger städtischen Annehmlichkeiten.
Bietet die Hypothekenbranche einen fairen Zugang zu Krediten?
Der Bericht deutet darauf hin, dass die Hypothekenbranche möglicherweise ihre Pflicht vernachlässigt, allen Antragstellern einen fairen Zugang zu Krediten zu bieten. Da Bürgerrechtsgesetze wie der Fair Housing Act (FHAct) und der Equal Credit Opportunity Act (ECOA) nun landesweites Gesetz sind, werden die meisten Kreditgeber feststellen, dass sie sich bei Kreditentscheidungen auf vermeintlich objektive Kreditnehmer-Überprüfungsalgorithmen verlassen. Aber die Ergebnisse erzählen eine andere Geschichte.
Die der Federal Reserve Handbuch zur Verbraucher-Compliance stellt fest, dass „Beweise von diskriminierende Absicht ist nicht erforderlich, um nachzuweisen, dass die Annahme oder Umsetzung einer Richtlinie oder Praxis eines Kreditgebers gegen das FHAct oder ECOA verstößt.“ Wenn ein Kreditgeber eine vermeintlich neutrale Politik verfolgt, die dazu führt, dass er Kredite an Menschen einer geschützten Klasse (z. B. Rasse, Religion oder Geschlechterminderheit) zu einem höheren Zinssatz verweigert, kann diese Politik eine Kreditdiskriminierung darstellen. Um zu beweisen, dass die Richtlinie nicht diskriminierend ist, muss der Kreditgeber nachweisen, dass die Richtlinie durch „geschäftliche Notwendigkeit“ gerechtfertigt ist.
Mittlerweile haben wiederholte, stark publizierte Beweise den Mythos widerlegt, dass Algorithmen von Natur aus neutrale Akteure seien. Den Fachleuten im Bereich der Datenanalyse ist seit langem bewusst, dass Algorithmen Verzerrungen nicht nur kodieren, sondern auch verstärken können. Zum Beispiel, Amazonas musste mit dem Testen aufhören automatisierter Einstellungsalgorithmus im Jahr 2015, als klar wurde, dass der Algorithmus Frauen in technischen Berufen systematisch diskriminierte. Basierend auf den Lebensläufen bestehender Mitarbeiter, von denen die meisten männlich waren, reproduzierte der Algorithmus dieselbe Tendenz bei der Bewertung von Kandidaten.
Algorithmische Verzerrungen bei Hypothekendarlehen sind nur ein weiteres Beispiel für das Phänomen, das Datenanalysten „Garbage in, Garbage out“ nennen. Institutionen, die ihren Kreditvergabealgorithmus mit Daten versorgen, die strukturellen Rassismus kodieren, sollten nicht überrascht sein, wenn der Endalgorithmus unterschiedliche Auswirkungen hat.
Einer der größten Übeltäter bei der algorithmischen Voreingenommenheit ist der allmächtige Kredit-Score.
Ironischerweise weiteten Kreditgeber in den 1970er und 1980er Jahren den Einsatz computergestützter Kreditbewertungen rasch aus, um sich vor Diskriminierungsklagen zu schützen. Experten weisen darauf hin, dass das vermeintlich objektive Bonitätsbewertungssystem noch immer fest verankert ist vorsätzliche Diskriminierung von vor Jahrzehnten. Wenn man sich zu stark auf die Kreditwürdigkeit verlässt, werden Kreditgeber tatsächlich von einer großen Gruppe potenzieller Eigenheimkäufer abgelenkt, darunter ausländische Käufer, jüngere Käufer und Käufer aus Familien mit geringen Finanzkenntnissen, denen es oft an soliden US-Kredithistorien mangelt.
Um eine Diskriminierung dieser Gruppen zu vermeiden, müssen Kreditgeber die Kreditwürdigkeit aufgeben und beginnen, sich auf den Cashflow zu konzentrieren. Cashflow-Underwriting ist ein transparenter, datengesteuerter Ansatz, der die wichtigsten Finanzverhaltenskennzahlen einer Person untersucht. Die wichtigsten Faktoren, die beim Cashflow-Underwriting berücksichtigt werden, sind die Salden des Antragstellers, die Cashflow-Trends und sein Verhältnis von diskretionären Ausgaben zu Kernausgaben. Beim Cashflow-Underwriting steht die Einkommensüberprüfung dort, wo sie hingehört: an der Spitze des Prozesses. Durch die Betrachtung der Verhaltenskennzahlen eines Antragstellers auf der Grundlage von Echtzeit-Finanzdaten aus seinen Bankdaten ist das Cashflow-Underwriting blind für Rassen- und Altersdiskriminierung. Menschen qualifizieren sich aufgrund ihrer Zahlungsfähigkeit und nicht aufgrund ihrer Platzierung in einem undurchsichtigen Bewertungssystem.
Beim Cashflow-Underwriting geht man auch auf ein weiteres Problem traditioneller Screening-Ansätze ein, nämlich die übermäßige Abhängigkeit von Gehaltsabrechnungen. Entsprechend der Büro für Arbeitsstatistiküber 10 % der Amerikaner sind es selbstständig. Mit dem Wachstum der Gig- und Sharing-Wirtschaft sowie dem Aufstieg von Social-Media-Influencern beziehen immer mehr Amerikaner ihr Einkommen aus nichttraditionellen Quellen. Bei einem Cashflow-First-Ansatz werden die Einkünfte der Bewerber aus allen Quellen auf der Grundlage ihrer Bankeinlagen anerkannt und nicht nur auf der Gehaltsabrechnung allein, was es den Bewerbern erleichtert, ihre Zahlungsfähigkeit nachzuweisen.
Mit der heutigen künstlichen Intelligenz (KI) und maschinellen Lerntechnologien können Kreditgeber viel einfacher auf Cashflow-Underwriting umsteigen, als sie denken. Innovative, KI-gestützte Verifizierungsalgorithmen, die derzeit auf dem Markt sind, können das Einkommen, das Vermögen, die Beschäftigungshistorie und den Cashflow eines Bewerbers bewerten, ohne die Privatsphäre anderer zu verletzen. Die Rasse, der Glaube, die sexuelle oder geschlechtliche Orientierung, die aktuelle Nachbarschaft oder der Herkunftsort des Antragstellers spielen keine Rolle.
Diesmal mag die Navy Federal den Großteil der schlechten Presse bekommen haben, aber diese Probleme – übermäßiges Vertrauen in die Kreditwürdigkeit, veraltete Erwartungen an die Beschäftigung – sind branchenweit. Um nicht zum nächsten Navy Federal zu werden, müssen Kreditgeber das Gesamtbild bewerten. Mit einem Cashflow-Underwriting-Ansatz und unterstützt durch KI können Kreditgeber sichere Wetten abschließen, ohne Vorurteile oder den Anschein von Voreingenommenheit, um Menschen dabei zu helfen, ein Eigenheim zu erwerben.
Tim Ray ist Mitbegründer und CEO von VeriFast, einer Identitäts- und Finanzverifizierungsplattform, die das Underwriting und die Kosten reduziert und gleichzeitig Betrug verhindert. Als Serienunternehmer und Angel-Investor ist Tim eine einflussreiche Stimme in der Immobilien- und Immobilienverwaltungsbranche.
Diese Kolumne spiegelt nicht unbedingt die Meinung der Redaktion von HousingWire und seiner Eigentümer wider.
Um die Autoren dieser Geschichte zu kontaktieren:
Tim Ray bei [email protected]
Um den für diese Geschichte verantwortlichen Herausgeber zu kontaktieren:
Tracey Velt bei [email protected]