GRA · KI und Risiken von Finanzmodellen
Räumliche FinanzanalyseWo Kapital auf Gefahr, Exposition und Transition trifft
Governance des Modellrisikos
Modellrisiko bezeichnet das Potenzial für Verluste oder Schäden aus Entscheidungen, die auf fehlerhaften oder missbräuchlich verwendeten Modellen beruhen. Banken, Versicherer und Vermögensverwalter steuern es über Modellinventare, Risikoeinstufung, unabhängige Validierung, Genehmigung und laufende Überwachung, beaufsichtigt von Vorständen und Geschäftsleitung. Maschinelles Lernen und generative KI erweitern, was als Modell gilt. Diese Seite legt dar, wie die Governance des Modellrisikos funktioniert und scheitert, welche Aufzeichnungen beteiligt sind und wer entscheidet.
Steuerung von Modellrisiken, nachvollziehbar dokumentiert.
Governance von Modellrisiken: wie sich das Risiko entwickelt.
Bestand, Zuständigkeit und Validierung. Das folgende Dossier legt dar, wie sich das Risiko entwickelt, was gemessen wird, woher die Daten stammen, wie modelliert wird und wer entscheidet.
Inventories miss models
Tabellenkalkulationen, Anbieterwerkzeuge und KI-Komponenten stehen oft außerhalb des Modellinventars. Nicht erfasste Modelle entgehen der Validierung und Überwachung, und ihre Fehler zeigen sich erst, wenn Verluste oder Beschwerden eintreffen.
Die Herausforderung nimmt ab
Eine Validierung, der es an Unabhängigkeit, Sachkunde oder der Befugnis fehlt, ein Modell zu stoppen, wird zur Formalität. Wirksame kritische Prüfung braucht Validierer, die die Methode verstehen und die Nutzung unterbinden können.
Die Einstufung bestimmt die Aufmerksamkeit
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
Ergebnisse eines Modells fließen in andere ein: Ein Score fließt in die Preisgestaltung ein, diese in die Kapitalausstattung. Ein vorgelagerter Fehler pflanzt sich fort, und das aggregierte Modellrisiko über die Kette wird selten gemessen.
Lebenszyklus des Modellrisikos.
Die Ansicht, die ein Team nutzen würde, um dieses Thema zu verfolgen: seine Messgrößen, Zustände und Entscheidungen. Namen sind Beispiele, Werte sind illustrativ.
Lebenszyklus des Modellrisikos
Governance von Modellrisiken · Modellinventar · Ausschuss 9
Lebenszyklus
- Bestandregistriert
- Entwickelndokumentiert
- Validierenunabhängig
- GenehmigenAusschuss
- UmsetzenKontrollen
- MonitoringSchwellenwerte
- Prüfungjährlich
- Außer Betrieb nehmenStilllegung
Modelle
| MD-204 PD retail | Stufe 1 | 14 Monate | 3 | Überfällig |
| MD-511 LLM complaints triage | Stufe 1 | nie | 0 | Nicht validiert |
| MD-164 IFRS-9-Stufenzuordnung | Stufe 1 | 8 Monate | 1 | Genehmigt |
| MD-534 Marketing-Neigung | Stufe 3 | 17 Monate | 0 | Genehmigt |
Validierungsumfang
- Konzeptionelle Stichhaltigkeit
- In Bearbeitung
- Ergebnisanalyse
- Ausstehend
- Benchmarking
- Ausstehend
- Nutzungsgrenzen
- menschliche Prüfung erforderlich
Was gemessen wird und wie gut.
Jeder Indikator trägt seine Einheit, seinen Rhythmus, die Art der zugrunde liegenden Quelle und die Evidenzkennzeichnung, die ein Wert tragen würde. Es werden keine Werte gezeigt: Ein Programm liefert sie unter seiner eigenen Autorität.
| Indikator | Einheit | Takt | Quellentyp | Kennzeichnung |
|---|---|---|---|---|
| Modelle im Bestand | Anzahl nach Stufe | vierteljährlich | Modellinventar | DEKLARIERT |
| Modelle, die innerhalb des Politikzyklus validiert werden | Anteil nach Stufe | vierteljährlich | Validierungsprotokolle | DEKLARIERT |
| Offene Validierungsbefunde | Anzahl nach Schweregrad | vierteljährlich | Validierungsprotokolle | DEKLARIERT |
| Models used with exceptions or restrictions | Anzahl | vierteljährlich | Model governance records | DEKLARIERT |
| KI- und Machine-Learning-Modelle im Bestand | count and share | jährlich | Bestandsaufnahme und Erhebungen | DEKLARIERT |
| Supervisory findings on model risk management | Anzahl | jährlich | Aufsichtsberichte | Veröffentlichte Statistiken |
Politikpfade und was sie für das Risiko bewirken.
Wie drei Instrumentenfamilien ein Risikoergebnis im Zeitverlauf verändern, mit Einführungsverzögerungen, Abdeckung und Einhaltung, die Politikszenarien hinter Bewertungen von Transitions- und physischen Risiken. Szenario: benannte Annahmen über die Zukunft, keine Prognose.
Steuerung
- Basistrend des Ergebnisses
- 2.0% pro Jahr
- Abdeckung des Instruments
- 70%
- Compliance
- 75%
- Effektgröße im Vergleich zum Lehrwert
- 100%
- Jahre im Voraus
- 20 Jahre
Messwerte
- Größte Verringerung am Zeithorizont
- Regulierung
- Der Rückgang gegenüber der Basislinie
- 21%
Zahlen, Methoden und Quellen
| Jahr | Ausgangslage | Regulierung | Wirtschaftlicher Anreiz | Information und Kapazität |
|---|---|---|---|---|
| 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 |
Methoden
- Tools of government Hood (1983), The Tools of Government, Macmillan
- Zuckerbrot, Peitsche und Predigt Bemelmans-Videc, Rist und Vedung (1998), Transaction
- Diffusion of innovations Rogers (2003), Diffusion of Innovations, Free Press
- Unsicherheitsfächer (Parameter-Monte-Carlo) Spiegelhalter, Pearson und Short (2011), Visualising uncertainty about the future, Science 333
- One-at-a-time sensitivity (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Daten
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:
- Borders Natural Earth
- Cities Natural Earth
Über die sechs Säulen, unter Leitung von Nexus Consortium
- Experimente Labore
- Erstellt in KI und Risiken von Finanzmodellen in Foundry
- Getestet am KI und Risiken von Finanzmodellen in Universe
- Kodifiziert in Digitales, Cyber und KI in Standards
- Veröffentlicht in KI und Risiken von Finanzmodellen in Reports
- Gelehrt in Fakultät für Technologie und digitale Systeme in der Akademie
Woher die Evidenz stammt.
Benannte öffentliche Datensätze und institutionelle Aufzeichnungen, jeweils mit ihrer Lizenzklasse. Quellen auf Vereinbarungsbasis werden nur zu ihren Bedingungen genutzt und niemals weiterveröffentlicht.
| Quelle | Was es liefert | Lizenzklasse |
|---|---|---|
| Leitlinien SR 11-7 der Federal Reserve und des OCC | Modellrisiko management | Gemeinfrei |
| PRA SS1/23 model risk management principles | Britische Grundsätze für Banken | Kostenlos, Konditionen der Bank of England |
| EZB-Leitfaden zu internen Modellen | Erwartungen an interne Modelle für die Kapitalunterlegung | Kostenlos, EZB-Bedingungen |
| Erhebungen der Bank of England und der FCA zu KI und maschinellem Lernen im britischen Finanzwesen | Use and governance of AI across firms | Kostenfrei, Bedingungen der Bank of England und der FCA |
| Folgeberichte der EBA zum maschinellen Lernen in auf internen Ratings basierenden Modellen | Aufsichtliche Sichtweisen zu maschinellem Lernen in Kapitalmodellen | Kostenlos, EU-Weiterverwendungsbedingungen |
What model risk governance means for exposure, loss and capital.
Die Ansichten zu Exposition, Verlust, Szenario und Kapital, die eine Risikoverantwortliche, ein Aufseher oder ein Finanzministerium verlangen würde, samt den Rahmenwerken, gegen die berichtet wird. Die Strukturen folgen der aufsichtsrechtlichen und versicherungsmathematischen Praxis. Die Werte sind illustrativ: niemals Preise, Ratings oder Beratung.
Transmissionskanäle
Wie sich ein Schock in der Governance von Modellrisiken auf Kredit-, Markt-, Zeichnungs-, Liquiditäts- und operationelle Risiken auswirkt und zurückwirkt.
Wer entscheidet und wozu die Evidenz dient.
KI und finanzielles Modellrisiko bereitet Evidenz auf. Die nachstehenden Entscheidungen werden von den genannten Behörden nach ihren eigenen Regeln getroffen, nie von der Plattform.
| Wer entscheidet | Die Frage | Evidenz, der diese Seite dient |
|---|---|---|
| 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 | Welche Modelle zu validieren, zu genehmigen, einzuschränken oder auszumustern sind | Validierungsergebnisse und Überwachung |
| Aufsichtsbehörden für Finanzstabilität | Ob das Modellrisikomanagement den Erwartungen entspricht | Aufsichtsprüfungen und Berichterstattung der Unternehmen |
| Interne Revision | Ob der Rahmen für das Modellrisiko wie vorgesehen funktioniert | Governance- und Validierungsunterlagen |
Ergebnisse, die dieses Thema hervorbringt
- Leitfaden zu Modellinventaren, Einstufung und Validierung
- Kurzdarstellung zur Ausweitung des Modellrisikomanagements auf KI und generative KI
- Methodenhinweis zur wirksamen Hinterfragung
- Questions for boards on aggregate model risk
Was Fachleute fragen.
Governance-Fragen beginnen damit, zu wissen, welche Modelle existieren.
- Was gilt als Modell, und erfasst die Definition maschinelles Lernen, Anbieterwerkzeuge und generative KI?
- Ist jedes Modell im Inventar erfasst, mit einem verantwortlichen Eigentümer und einer Risikostufe?
- 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?
Mechanismen und Treiber.
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.
KI belastet herkömmliche Rahmenwerke. Modelle des maschinellen Lernens können zahlreich sein, häufig neu trainiert und in Prozesse eingebettet werden; generative KI-Werkzeuge können von Mitarbeitenden informell übernommen werden; Modelle von Anbietern können undurchsichtig sein. Inventare, die diese Nutzungen übersehen, lassen Risiken unbewältigt.
Wie es untersucht wird und wo die Methoden enden.
| Methode oder Daten | Was es zeigt | Grenzen |
|---|---|---|
| Model inventories and tiering | Which models exist and how material they are | Informelle und eingebettete KI-Anwendungen werden leicht übersehen |
| Unabhängige Validierung | Soundness of design, data and implementation | Die Validierung wird durch Zeit, Fachkenntnisse und den Zugang zu Anbieterangaben eingeschränkt |
| Governance benchmarking | How institutions organise model risk | Self-reported and hard to compare |
| Analyse von Sachverhalten und Feststellungen | Wiederkehrende Schwächen | Befunde bleiben innerhalb der Unternehmen vertraulich |
Wie es untersucht wird und was die Methoden nicht sagen können.
- 01Engineering für KI-Evaluierung und -AssuranceValidierung von Modellen des maschinellen Lernens · Red-Teaming generativer KI · FairnessbewertungHier angewandt
- 02Wahrscheinlichkeit und StatistikKalibrierungstests · Driftstatistiken · Vergleich der Ergebnisse zwischen GruppenHier angewandt
- 03Unsicherheitsquantifizierung und ModellvalidierungVorhersageintervalle für Verlustmodelle · Modellensembles · Kapital- oder Puffer für ModellrisikoHier angewandt
- 04Künstliche Intelligenz und maschinelles LernenGradient-Boosting-Kreditmodelle · Sprachmodelle im Betrieb · AnomalieerkennungHier angewandt
Fragen und Antworten.
Was ist Modellrisiko?
What is effective challenge?
Are AI models covered by model risk rules?
Zählen Tabellenkalkulationen und generative KI-Werkzeuge als Modelle?
Does the platform review firms’ frameworks?
Evidenz von dieser Seite aus beitragen.
Reports ist die vierteljährliche Publikation des Konsortiums. Was Sie über dieses Thema wissen, kann in der nächsten Ausgabe zu Evidenz, einem Fall oder einer Korrektur werden, Ihnen zugeschrieben und unter CC BY 4.0 veröffentlicht, soweit es Ihr eigenes Werk ist.
- E-MailPortal GW-GRAVon dieser Seite aus sendenEvidenz, eine Korrektur, ein Fall, eine Methode, eine Prüfung, eine Übersetzung oder ein Beitrag zu einem Profil. Sie kommt mit dieser Seite gekennzeichnet an, sodass die zuständige Redaktion sie erhält.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- ReportsGlobal Risks AllianceSee every way to contributeThe contribution types, how each is reviewed, what credit you receive, the licence and what is never accepted.
Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.
Bringen Sie eine Frage zu Exposition oder Kapital in die Alliance ein.
Information und Anfragen sind heute offen. Eine Anfrage erhält ein Aktenzeichen und nennt den nächsten Schritt; Bewerbungen, Zahlungen, Rechenzuteilungen und Registrierungen öffnen erst, wenn Team, Bedingungen und Prüfkapazität bestehen.
Rechtliche Dokumente.
Karten, Daten und Zahlen auf dieser Website werden zu Kontext- und allgemeinen Informationszwecken gezeigt. Sie sind weder Beratung noch Prognosen oder Warnungen; die Grenzen der Information sind in den Haftungsausschlüssen und Datenhinweisen dargelegt.