GRA · مخاطر الذكاء الاصطناعي والنماذج المالية
التمويل المكانيحيث يلتقي رأس المال بالخطر والتعرّض والتحول
حوكمة مخاطر النماذج
Model risk is the potential for loss or harm from decisions based on models that are wrong or misused. Banks, insurers and asset managers manage it through model inventories, risk tiering, independent validation, approval and ongoing monitoring, overseen by boards and senior management. Machine learning and generative AI widen what counts as a model. This page sets out how model risk governance works and fails, the records involved, and who decides.
Model risk governance on the record.
Model risk governance: how the risk develops.
Inventory, ownership and validation. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Inventories miss models
Spreadsheets, vendor tools and AI components often sit outside the model inventory. Unlisted models escape validation and monitoring, and their errors surface only when losses or complaints arrive.
يضعف التحدي
Validation that lacks independence, skill or authority to stop a model becomes a formality. Effective challenge needs validators who understand the method and can block use.
Tiering sets attention
Models are tiered by materiality and complexity, which decides validation depth. Underestimating a model’s materiality, or the reach of an AI tool, leaves high-impact models lightly reviewed.
Models interact
Outputs of one model feed others: a score feeds pricing, which feeds capital. An error upstream propagates, and aggregate model risk across the chain is rarely measured.
دورة حياة مخاطر النماذج.
الشاشة التي قد يستخدمها فريق لمتابعة هذا الموضوع: مقاييسه وحالاته وقراراته. والأسماء أمثلة والقيم توضيحية.
دورة حياة مخاطر النماذج
Model risk governance · Model inventory · Committee 9
دورة الحياة
- الجردمسجَّل
- التطويرموثّق
- تحققمستقل
- الموافقةاللجنة
- التنفيذالضوابط
- الرصدالعتبات
- المراجعةسنوي
- الإنهاءالإيقاف النهائي
النماذج
| MD-204 PD retail | المستوى 1 | 14 months | 3 | متأخر عن موعده |
| MD-511 LLM complaints triage | المستوى 1 | أبدًا | 0 | غير مُتحقَّق منه |
| MD-164 IFRS 9 staging | المستوى 1 | 8 أشهر | 1 | معتمد |
| MD-534 marketing propensity | الفئة 3 | 17 months | 0 | معتمد |
نطاق التحقق
- السلامة المفاهيمية
- قيد التنفيذ
- تحليل النتائج
- قيد الانتظار
- المقارنة المرجعية
- قيد الانتظار
- حدود الاستخدام
- المراجعة البشرية مطلوبة
ما الذي يُقاس، ومدى جودة قياسه.
يحمل كل مؤشر وحدته ووتيرته ونوع المصدر الذي يستند إليه ووسم الأدلة الذي ستحمله القيمة. ولا تُعرض أي قيم: فالبرنامج يقدّمها بموجب سلطته الخاصة.
| المؤشر | الوحدة | وتيرة الإصدار | نوع المصدر | الوسم |
|---|---|---|---|---|
| النماذج المدرجة في الجرد | العدد حسب المستوى | فصلي | جرد النماذج | مُعلَن |
| Models validated within policy cycle | share by tier | فصلي | سجلات التحقق | مُعلَن |
| Open validation findings | العدد حسب الشدة | فصلي | سجلات التحقق | مُعلَن |
| Models used with exceptions or restrictions | العدد | فصلي | Model governance records | مُعلَن |
| AI and machine learning models in inventory | count and share | سنوي | Inventory and surveys | مُعلَن |
| Supervisory findings on model risk management | العدد | سنوي | Supervisory reports | الإحصاءات المنشورة |
مسارات السياسات وأثرها في المخاطر.
كيف تغيّر ثلاث فئات من الأدوات نتيجة المخاطر بمرور الوقت مع فترات تأخر التبني والتغطية والامتثال، وهي سيناريوهات السياسات التي تقوم عليها تقييمات مخاطر التحول والمخاطر المادية. السيناريو: افتراضات مسماة عن المستقبل، وليس تنبؤًا.
الضوابط
- الاتجاه الأساسي للنتيجة
- 2.0% سنويًا
- تغطية الأداة
- 70%
- الامتثال
- 75%
- حجم الأثر مقارنةً بالقيمة التعليمية
- 100%
- السنوات المقبلة
- 20 سنة
القراءات
- أكبر انخفاض عند الأفق الزمني
- التنظيم
- انخفاضه قياسًا بخط الأساس
- 21%
الأرقام والأساليب والمصادر
| السنة | خط الأساس | التنظيم | حافز اقتصادي | المعلومات والقدرات |
|---|---|---|---|---|
| 0 | 100.0 | 99.5 | 98.8 | 99.1 |
| 1 | 102.0 | 101.2 | 100.1 | 99.8 |
| 2 | 104.0 | 102.5 | 101.1 | 99.9 |
| 3 | 106.1 | 103.5 | 101.6 | 100.0 |
| 4 | 108.2 | 103.7 | 101.8 | 100.7 |
| 5 | 110.4 | 103.2 | 101.7 | 102.1 |
| 6 | 112.6 | 102.0 | 101.6 | 103.9 |
| 7 | 114.9 | 100.4 | 101.6 | 105.9 |
| 8 | 117.2 | 99.2 | 102.1 | 108.0 |
| 9 | 119.5 | 98.6 | 102.9 | 110.1 |
| 10 | 121.9 | 98.9 | 104.2 | 112.3 |
| 11 | 124.3 | 99.7 | 105.7 | 114.5 |
| 12 | 126.8 | 101.1 | 107.4 | 116.8 |
| 13 | 129.4 | 102.7 | 109.4 | 119.2 |
| 14 | 131.9 | 104.5 | 111.4 | 121.6 |
| 15 | 134.6 | 106.5 | 113.5 | 124.0 |
| 16 | 137.3 | 108.5 | 115.7 | 126.5 |
| 17 | 140.0 | 110.7 | 118.0 | 129.0 |
| 18 | 142.8 | 112.9 | 120.4 | 131.6 |
| 19 | 145.7 | 115.1 | 122.8 | 134.2 |
| 20 | 148.6 | 117.4 | 125.2 | 136.9 |
المناهج
- Tools of government Hood (1983), The Tools of Government, Macmillan
- الحوافز والعقوبات والمواعظ Bemelmans-Videc, Rist و Vedung (1998), Transaction
- Diffusion of innovations Rogers (2003), Diffusion of Innovations, Free Press
- مروحة عدم اليقين (مونت كارلو للمعاملات) Spiegelhalter, Pearson و Short (2011), Visualising uncertainty about the future, Science 333
- تحليل الحساسية لعامل واحد في كل مرة (مخطط الإعصار) Saltelli and others (2008)، Global Sensitivity Analysis: The Primer، Wiley
البيانات
The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:
- الحدود Natural Earth
- المدن Natural Earth
عبر الركائز الست، بقيادة Nexus Consortium
- التجارب Labs
- مُضمَّن في مخاطر الذكاء الاصطناعي والنماذج المالية في Foundry
- جرى الاختبار عند مخاطر الذكاء الاصطناعي والنماذج المالية في Universe
- مدوَّن في المجال الرقمي والسيبراني والذكاء الاصطناعي في Standards
- نُشر في مخاطر الذكاء الاصطناعي والنماذج المالية في Reports
- يُدرَّس في كلية التقنية والنظم الرقمية في Academy
من أين تأتي الأدلة.
مجموعات بيانات عامة مسمّاة وسجلات مؤسسية، لكلٍّ منها فئة ترخيصها. ولا تُستخدم المصادر المتاحة بموجب اتفاق إلا وفق شروطها، ولا يُعاد نشرها أبدًا.
| المصدر | ما يقدّمه | فئة الترخيص |
|---|---|---|
| Federal Reserve and OCC SR 11-7 guidance | Model risk management expectations | ملك عام |
| PRA SS1/23 model risk management principles | UK principles for banks | مجاني، وفق شروط بنك إنجلترا |
| ECB guide to internal models | Expectations for internal models used for capital | مجاني، وفق شروط البنك المركزي الأوروبي |
| Bank of England and FCA surveys of AI and machine learning in UK financial services | Use and governance of AI across firms | مجاني، بشروط بنك إنجلترا وFCA |
| EBA follow-up reports on machine learning for internal ratings-based models | Supervisory views on ML in capital models | مجاني، وفق شروط إعادة الاستخدام في الاتحاد الأوروبي |
What model risk governance means for exposure, loss and capital.
عروض التعرّض والخسائر والسيناريوهات ورأس المال التي يطلبها مسؤول المخاطر أو الجهة الرقابية أو وزارة المالية، مع الأطر التي يقدّمون التقارير وفقًا لها. وتتبع الهياكل الممارسات الرقابية والاكتوارية. والقيم توضيحية: وليست أبدًا أسعارًا أو تصنيفات أو مشورة.
قنوات الانتقال
How a shock in model risk governance reaches credit, market, underwriting, liquidity and operational risk, and feeds back.
من يقرر، وما الذي تخدمه الأدلة.
تدرس منصة مخاطر الذكاء الاصطناعي و النماذج المالية الأدلة. أما القرارات الواردة أدناه فتتخذها الجهات المسماة وفق قواعدها الخاصة، ولا تتخذها المنصة أبدًا.
| من يقرر | السؤال | الأدلة التي تخدمها هذه الصفحة |
|---|---|---|
| Boards and senior management | What model risk appetite to set and how to oversee it | Inventory, tiering, findings and incident evidence |
| Model risk management functions | Which models to validate, approve, restrict or retire | Validation results and monitoring |
| المشرفون الاحترازيون | Whether model risk management meets expectations | Supervisory reviews and firm reporting |
| التدقيق الداخلي | Whether the model risk framework operates as designed | Governance and validation records |
المخرجات التي يُنتجها هذا الموضوع
- Guide to model inventories, tiering and validation
- Brief on extending model risk management to AI and generative AI
- Method note on effective challenge
- Questions for boards on aggregate model risk
ما يسأل عنه الخبراء.
Governance questions begin with knowing what models exist.
- What counts as a model, and does the definition capture machine learning, vendor tools and generative AI?
- Is every model in the inventory, with an accountable owner and a risk tier?
- Is validation genuinely independent and effective at challenging developers?
- How are model limitations documented and communicated to users?
- Does the board understand the institution’s aggregate model risk?
الآليات والمحرّكات.
Models fail through flawed design, poor data, implementation errors, or use beyond their intended scope. Governance frameworks address these through development standards, independent validation and ongoing monitoring, scaled to each model’s materiality. Supervisory guidance on model risk management in several jurisdictions sets expectations along these lines.
AI strains traditional frameworks. Machine learning models can be numerous, frequently retrained and embedded in processes; generative AI tools may be adopted informally by staff; vendor models may be opaque. Inventories that miss these uses leave risk unmanaged.
كيف يُدرس، وأين تتوقف المناهج.
| المنهج أو البيانات | ما يُظهره | الحدود |
|---|---|---|
| Model inventories and tiering | Which models exist and how material they are | يسهل إغفال استخدامات الذكاء الاصطناعي غير الرسمية والمضمّنة |
| التحقق المستقل | Soundness of design, data and implementation | Validation is constrained by time, skills and access to vendor details |
| Governance benchmarking | How institutions organise model risk | Self-reported and hard to compare |
| Issue and finding analysis | Recurring weaknesses | Findings are confidential within firms |
كيف يُدرس، وما لا تستطيع المناهج قوله.
- 01هندسة تقييم الذكاء الاصطناعي وضمانهالتحقق من صحة نماذج التعلّم الآلي · اختبار الاختراق التحاكي للذكاء الاصطناعي التوليدي · تقييم الإنصافمُطبَّق هنا
- 02الاحتمالات والإحصاءاختبار المعايرة · إحصاءات الانجراف · مقارنة النتائج بين المجموعاتمُطبَّق هنا
- 03تقدير عدم اليقين والتحقق من صحة النماذجفترات التنبؤ لنماذج الخسائر · مجموعات النماذج · رأس المال أو الهوامش الوقائية لمخاطر النماذجمُطبَّق هنا
- 04الذكاء الاصطناعي وتعلم الآلةنماذج الائتمان المعزّزة بالتدرج · النماذج اللغوية في العمليات · كشف الحالات الشاذةمُطبَّق هنا
أسئلة وأجوبة.
ما المقصود بمخاطر النماذج؟
What is effective challenge?
Are AI models covered by model risk rules?
Do spreadsheets and generative AI tools count as models?
Does the platform review firms’ frameworks?
ساهم بأدلة من هذه الصفحة.
Reports هي المطبوعة الفصلية للاتحاد. ويمكن لما تعرفه عن هذا الموضوع أن يصبح دليلًا أو حالة أو تصويبًا في الإصدار التالي، يُنسب إليك ويُنشر بموجب CC BY 4.0 حيثما كان من عملك الخاص.
- البريد الإلكترونيالبوابة GW-GRAأرسله من هذه الصفحةدليل أو تصحيح أو حالة أو أسلوب أو مراجعة أو ترجمة أو مدخل لملف قُطري. يصل موسومًا بهذه الصفحة، فيتلقاه المحرر المسؤول عنها.
- Zenodoإيداع مفتوحأودِعه وقدّمه إلى المجتمعانشر سجلك الخاص على Zenodo بمعرّف ORCID iD الخاص بك، ثم قدّمه إلى مجتمع Reports هناك. يراجعه القيّمون، ويبقى معرّف DOI ملكًا لك.
- ReportsGlobal Risks Allianceاطّلع على جميع سبل المساهمةأنواع المساهمات، وكيفية مراجعة كل منها، والإسناد الذي تحصل عليه، والترخيص، وما لا يُقبل أبداً.
لا ترسل أبدًا بيانات شخصية أو تفاصيل حساسة عن البنية التحتية أو أي شيء لا يحق لك مشاركته. تُراجَع المساهمة قبل استخدامها؛ ولا يمنح إرسالها أي حقوق تأليف أو تحرير، ولا تشتري الرعاية أي نتيجة أبدًا.
اعرض على التحالف سؤالًا يتعلق بالتعرّض أو رأس المال.
المعلومات والاستفسارات متاحة اليوم. ويحصل الاستفسار على رقم مرجعي ويحدد الخطوة التالية؛ ولا تُفتح الطلبات والمدفوعات وتخصيصات الحوسبة والتسجيلات إلا حين يتوافر فريقها وشروطها وقدرة المراجعة.
الوثائق القانونية.
تُعرض الخرائط والبيانات والأشكال في هذا الموقع للسياق والمعلومات العامة. وهي ليست نصيحة ولا توقعات ولا إنذارات؛ وحدود المعلومات مبيّنة في إخلاءات المسؤولية وإشعارات البيانات.