GRA · هوش مصنوعی و ریسک الگوی مالی
مالی فضاییجایی که سرمایه به مخاطره، مواجهه و گذار برمیخورد
الگوهای اعتباری و قیمتگذاری
امتیازهای اعتباری، مدلهای احتمال نکول و مدلهای قیمتگذاری بیمه تعیین میکنند چه کسی اعتبار یا پوشش بیمهای میگیرد و با چه قیمتی. یادگیری ماشین میتواند پیشبینی را بهبود دهد و در عین حال کدری، ناپایداری و تبعیض از طریق متغیرهای جانشین را نیز وارد کند. این مدلها همچنین ذخایر و سرمایه را تغذیه میکنند. این صفحه توضیح میدهد مدلهای اعتباری و قیمتگذاری چگونه شکست میخورند، ریسکهای آنها چگونه سنجیده میشود، به چه دادههایی وابستهاند و چه کسی دربارهٔ نحوهٔ استفاده از آنها تصمیم میگیرد.
Credit and pricing models on the record.
Credit and pricing models: how the risk develops.
Finance-specific automated decisions. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Data reflect the past
Models learn from historical lending and claims that reflect past decisions, economic conditions and exclusions. Applicants unlike past borrowers are scored with less reliable evidence.
عملکرد در شرایط جدید افت میکند
Models fitted in stable periods can misjudge default or claims when rates, inflation or unemployment shift, which is when accurate risk estimates matter most.
Proxies create unfair outcomes
Variables correlated with protected characteristics can produce disparate outcomes without using those characteristics directly. Law and supervisors constrain which factors may be used.
Errors reach capital and provisions
Probability of default and loss given default estimates feed expected credit loss provisions and capital. Systematic optimism understates both until losses arrive.
What credit and pricing models means for exposure, loss and capital.
نماهای مواجهه، زیان، سناریو و سرمایه که یک مدیر ریسک، ناظر یا وزارت دارایی میپرسد، همراه با چارچوبهایی که بر پایهٔ آنها گزارش میدهد. ساختارها از رویهٔ نظارتی و اکچوئری پیروی میکنند. مقادیر توضیحی است: هرگز قیمت، رتبه یا توصیه نیست.
نشانگرهای سرمایه، توانگری و مالی دولت
The indicators a risk officer, supervisor or ministry of finance reads first on credit and pricing models.
| نشانگر | واحد | چه کسی آن را میخواند | چارچوب |
|---|---|---|---|
| نسبت CET1 | % از داراییهای موزون به ریسک | بانکها، ناظران | چارچوب بازل |
| نسبت پوشش نقدینگی | % از جریانهای خروجی تحت تنش | بانکها، بانکهای مرکزی | چارچوب بازل |
| نسبت توانگری | % از الزام سرمایهٔ توانگری | بیمهگران، ناظران | اصول اصلی بیمهٔ IAIS |
| نسبت ترکیبی | % از حقبیمهٔ شناساییشده | بیمهگران | رویهٔ اکچوئری |
| شکاف حمایت | سهم بیمهنشدهٔ زیان اقتصادی | بیمهگران، وزارتخانههای دارایی | آمار زیانهای منتشرشده |
| بدهی عمومی | % از تولید ناخالص داخلی | وزارتخانههای دارایی، IMF | چارچوب پایداری بدهی |
| نیازهای ناخالص تأمین مالی | % از تولید ناخالص داخلی در سال | وزارتخانههای دارایی، سرمایهگذاران | چارچوب پایداری بدهی |
چه چیزی اندازهگیری میشود و با چه کیفیتی.
هر نشانگر واحد، بسامد بهروزرسانی، نوع منبع پشت آن و برچسب شواهدی را که یک مقدار میداشت، همراه دارد. هیچ مقداری نشان داده نمیشود: یک برنامه آنها را تحت اختیار خود فراهم میکند.
| نشانگر | واحد | تناوب | نوع منبع | برچسب |
|---|---|---|---|---|
| Discriminatory power of scorecards | Gini coefficient or area under the curve | فصلی | پایش مدل | برآوردشده |
| کالیبراسیون احتمال نکول | observed default rate against predicted, ratio | سالانه | پسآزمایی | برآوردشده |
| Population stability index | بدون بُعد | ماهانه | پایش مدل | برآوردشده |
| Approval rate differences across groups | ratio of approval rates | دورهای | Fair lending analysis | برآوردشده |
| Overrides of model decisions | share of decisions | ماهانه | سوابق تصمیم | مشاهدهشده |
| Expected credit loss model adjustments | currency of post-model adjustments | فصلی | صورتهای مالی | آمارهای منتشرشده |
شواهد از کجا میآیند.
مجموعهدادههای عمومی و سوابق نهادی نامبرده، هر یک با ردهٔ پروانهٔ خود. منابع مبتنی بر توافق تنها بر پایهٔ شرایطشان به کار میروند و هرگز بازنشر نمیشوند.
| منبع | آنچه فراهم میکند | رستهٔ پروانه |
|---|---|---|
| EBA guidelines on loan origination and monitoring | Expectations for credit decision models including automated models | رایگان، شرایط بازاستفادهٔ اتحادیهٔ اروپا |
| CFPB circulars on adverse action and complex algorithms | United States expectations for explaining credit denials | مالکیت عمومی |
| HMDA data | United States mortgage application and outcome data | مالکیت عمومی |
| Bank Pillar 3 credit risk disclosures | Probability of default back-testing and model outcomes | سوابق عمومی، شرایط بر حسب هر بانک |
| Actuarial and insurance supervisory publications on pricing models | Practice and expectations for pricing models | رایگان، شرایط بر حسب هر ناشر |
چه کسی تصمیم میگیرد و شواهد در خدمت چیست.
هوش مصنوعی و ریسک الگوی مالی شواهد را آماده میکند. تصمیمهای زیر را مراجع نامبرده بر پایهٔ قواعد خود میگیرند، و هرگز سکو.
| چه کسی تصمیم میگیرد | پرسش | شواهدی که این صفحه به آنها خدمت میکند |
|---|---|---|
| Credit risk and pricing committees | Which models to use and with what overlays | Performance, calibration and fairness evidence |
| اعتبارسنجهای مدل | Whether models are fit for purpose | Back-testing and benchmark comparison |
| Conduct and fair lending supervisors | Whether model outcomes are lawful and fair | Outcome data and adverse action practice |
| کمیتههای حسابرسی | Whether provisioning models and overlays are reasonable | خروجیهای مدل و مبانی تعدیل |
خروجیهایی که این موضوع تولید میکند
- راهنمای سنجههای عملکرد مدلهای اعتباری و قیمتگذاری
- یادداشت روشی دربارهٔ آزمون تبعیض نیابتی
- Brief on post-model adjustments and what they reveal
- Questions for credit committees on model limits
آنچه کارشناسان میپرسند.
Credit and pricing questions combine accuracy, fairness and legality.
- Does the model predict default or loss accurately across all customer groups?
- Do input variables act as proxies for characteristics that law protects?
- Can the institution explain to a customer why credit was refused or a price set?
- How does the model perform through the economic cycle, not only in benign conditions?
- How do alternative data sources affect accuracy, inclusion and privacy?
سازوکارها و محرکها.
Credit models estimate the likelihood that a borrower will repay; pricing models estimate expected losses and costs. Both learn from historical data, which reflects past lending practices, economic conditions and social inequalities. A model can be accurate on average while performing poorly for groups underrepresented in the data, or can reproduce historical discrimination through correlated variables.
Credit models are especially exposed to economic regime change: relationships that held in an expansion may break in a downturn. Some jurisdictions classify AI used to assess the creditworthiness of individuals as high-risk, with specific obligations for providers and users.
چگونه مطالعه میشود و روشها کجا متوقف میشوند.
| روش یا داده | آنچه نشان میدهد | محدودیتها |
|---|---|---|
| Discrimination and calibration testing | Accuracy and calibration across groups | Protected attributes may not be recorded |
| سنجههای انصاف | Disparities in outcomes or errors | Different metrics can conflict |
| Explanation methods | Main drivers of individual decisions | Approximate explanations of complex models |
| Through-the-cycle backtesting | Performance across conditions | Few downturns in the data |
چگونه مطالعه میشود و آنچه روشها نمیتوانند بگویند.
- 01احتمال و آمارآزمون واسنجی · آمار رانش · مقایسهٔ نتایج گروههاکاربرد در اینجا
- 02هوش مصنوعی و یادگیری ماشینمدلهای اعتباری تقویتشده با گرادیان · مدلهای زبانی در عملیات · تشخیص ناهنجاریکاربرد در اینجا
- 03کمّیسازی عدم قطعیت و اعتبارسنجی مدلبازههای پیشبینی برای مدلهای خسارت · مجموعههای مدل · سرمایه یا ضربهگیرهای ریسک مدلکاربرد در اینجا
- 04مهندسی ارزیابی و اطمینانبخشی هوش مصنوعیاعتبارسنجی مدلهای یادگیری ماشین · آزمون تیم قرمز برای هوش مصنوعی مولد · ارزیابی انصافکاربرد در اینجا
پرسش و پاسخ.
What does a Gini coefficient measure for a scorecard?
What is a post-model adjustment?
Can a model discriminate without using protected characteristics?
Does alternative data improve inclusion?
Does the platform assess lenders’ models?
از این صفحه شواهد مشارکت دهید.
Reports نشریهٔ فصلی کنسرسیوم است. آنچه دربارهٔ این موضوع میدانید میتواند در ویراست بعدی به شواهد، یک مورد یا یک اصلاح تبدیل شود، به نام شما ثبت شود و در صورتی که کار خود شما باشد تحت CC BY 4.0 منتشر شود.
- ایمیلدروازهٔ GW-GRAاز همین صفحه ارسال کنیدشواهد، یک اصلاحیه، یک مورد، یک روش، یک داوری، یک ترجمه یا ورودی نمایه. با برچسب این صفحه میرسد تا ویراستار مسئول آن را دریافت کند.
- Zenodoسپردهٔ بازآن را واگذار کنید و به جامعه ارائه دهیدسابقهٔ خود را با شناسهٔ ORCID خود در Zenodo منتشر کنید و سپس آن را در همانجا به جامعهٔ Reports ارسال کنید. گزینشگران آن را داوری میکنند؛ DOI از آنِ شما میماند.
- گزارشهاGlobal Risks Allianceهمهٔ راههای مشارکت را ببینیدانواع مشارکت، نحوهٔ بررسی هر یک، اعتباری که دریافت میکنید، مجوز و آنچه هرگز پذیرفته نمیشود.
هرگز داده شخصی، جزئیات حساس زیرساخت یا چیزی را که حق اشتراکش را ندارید نفرستید. هر مشارکت پیش از استفاده داوری میشود؛ ارسال آن حق مؤلفی یا ویرایشی نمیدهد و حمایت مالی هرگز یافتهای را نمیخرد.
یک پرسش دربارهٔ مواجهه یا سرمایه را نزد اتحاد مطرح کنید.
اطلاعات و درخواستها امروز باز است. هر درخواست یک شمارهٔ پیگیری میگیرد و گام بعدی را مشخص میکند؛ درخواستهای عضویت، پرداختها، تخصیص رایانش و ثبتنامها تنها زمانی باز میشوند که تیم، شرایط و ظرفیت داوری آنها فراهم باشد.
اسناد حقوقی.
نقشهها، دادهها و ارقام این سایت برای زمینه و اطلاعات عمومی نشان داده میشوند. توصیه، پیشبینی یا هشدار نیستند؛ حدود این اطلاعات در سلب مسئولیتها و اعلامیههای داده بیان شده است.