Crédito:CC0 Public Domain
Las reuniones cara a cara entre los agentes hipotecarios y los compradores de viviendas han sido rápidamente reemplazadas por aplicaciones y algoritmos en línea. pero la discriminación en los préstamos no ha desaparecido.
Una nueva Universidad de California, Un estudio de Berkeley ha encontrado que los prestamistas tanto en línea como presenciales cobran tasas de interés más altas a los prestatarios afroamericanos y latinos. obteniendo ganancias de 11 a 17 por ciento más altas en dichos préstamos. Todo dicho, esos compradores de vivienda pagan hasta 500 millones de dólares más en intereses cada año que los prestatarios blancos con puntajes crediticios comparables, los investigadores encontraron.
Los hallazgos plantean preguntas legales sobre el aumento de la discriminación estadística en la era de la tecnología financiera. y señalar violaciones potencialmente generalizadas de las leyes de préstamos justos de EE. UU., dicen los investigadores. Si bien históricamente la discriminación en los préstamos ha sido causada por prejuicios humanos, Las disparidades de precios son cada vez más el resultado de algoritmos que utilizan el aprendizaje automático para dirigirse a los solicitantes que podrían comparar menos para obtener préstamos de mayor precio.
"El modo de discriminación de préstamos ha pasado del sesgo humano al sesgo algorítmico, "dijo el coautor del estudio Adair Morse, profesor de finanzas en la Escuela de Negocios Haas de UC Berkeley. "Incluso si las personas que escriben los algoritmos tienen la intención de crear un sistema justo, su programación está teniendo un impacto desigual en los prestatarios minoritarios; en otras palabras, discriminando según la ley ".
Primer conjunto de datos
Un desafío clave en el estudio de la discriminación crediticia ha sido que la única gran fuente de datos que incluye la raza y el origen étnico es la Ley de Divulgación de Hipotecas de Vivienda (HDMA), que cubre el 90 por ciento de las hipotecas residenciales, pero carece de información sobre la estructura del préstamo y el tipo de propiedad. Usando técnicas de aprendizaje automático, investigadores fusionaron datos HDMA con otros tres grandes conjuntos de datos:ATTOM, McDash, y Equifax:conectando, por primera vez, detalles sobre las tasas de interés, condiciones y rendimiento del préstamo, ubicación de la propiedad, y el crédito del prestatario con respecto a la raza y el origen étnico.
Los investigadores, incluidos los profesores Nancy Wallace y Richard Stanton de la Haas School of Business y el profesor Robert Bartlett de Berkeley Law, se centraron en 30 años, tipo de interés fijo, Préstamos para viviendas unifamiliares emitidos de 2008 a 2015 y garantizados por Fannie Mae y Freddie Mac.
Esto aseguró que todos los préstamos del grupo estuvieran respaldados por el gobierno de los EE. UU. Y siguieran el mismo proceso de fijación de precios riguroso, basado únicamente en una cuadrícula de puntajes de crédito y valor de préstamo, implementado después de la crisis financiera. Debido a que los prestamistas privados están protegidos contra el incumplimiento por la garantía del gobierno, cualquier variación adicional en el precio de los préstamos se debe a las decisiones competitivas de los prestamistas. De esta forma, los investigadores pudieron aislar las diferencias de precios que se correlacionan con la raza y el origen étnico, además del riesgo crediticio.
El análisis encontró una discriminación significativa por parte de prestamistas tanto presenciales como algorítmicos:
"Precios estratégicos algorítmicos"
Morse dijo que los resultados son consistentes con los prestamistas que utilizan variables de big data y aprendizaje automático para inferir el alcance de la competencia por los clientes y fijar el precio de los préstamos en consecuencia. Este precio puede basarse en la geografía, como la orientación a áreas con menos servicios financieros, o en las características de los solicitantes. Si una IA puede descubrir qué solicitantes podrían comparar menos y aceptar ofertas de mayor precio, el prestamista ha creado lo que Morse llama "precios estratégicos algorítmicos".
"Hay una serie de razones por las que los grupos de minorías étnicas pueden comparar menos; podría deberse a que viven en desiertos financieros con menos acceso a una gama de productos y más precios de monopolio, o podría ser que el sistema financiero cree una atmósfera hostil para algunos prestatarios, ", Dijo Morse." Es posible que los prestamistas no estén apuntando específicamente a las minorías en sus esquemas de precios, pero al hacer un perfil de los solicitantes que no compran, terminan apuntándolos ".
Este es el tipo de discriminación de precios que las leyes de préstamos justos de EE. UU. Están diseñadas para prohibir, Bartlett señala. Varios tribunales estadounidenses han sostenido que las diferencias en los precios de los préstamos que varían según la raza o el origen étnico solo pueden justificarse legalmente si se basan en la solvencia crediticia de los prestatarios. "La novedad de nuestro diseño empírico es que podemos descartar la posibilidad de que estas diferencias de precios se deban a diferencias en el riesgo crediticio entre los prestatarios, " él dijo.
Disminución general de la discriminación crediticia
Los datos revelaron algunas buenas noticias:la discriminación crediticia en general ha disminuido constantemente, lo que sugiere que el surgimiento de nuevas plataformas de tecnología financiera y procesos de solicitud en línea más simples para los prestamistas tradicionales ha impulsado la competencia y ha facilitado a las personas comparar precios, lo que es un buen augurio para los compradores de vivienda desatendidos.
Los investigadores también encontraron que los prestamistas fintech no discriminaban al aceptar solicitantes de minorías. Prestamistas tradicionales cara a cara, sin embargo, todavía tenían un 5 por ciento más de probabilidades de rechazarlos.
