GRA · هوش مصنوعی و ریسک الگوی مالی
مالی فضاییجایی که سرمایه به مخاطره، مواجهه و گذار برمیخورد
پایش الگو و رانش
A model validated at launch can fail later as customers, products, markets and data pipelines change. Monitoring tracks performance, input distributions and outcomes to detect drift and trigger review. Machine learning models that retrain frequently add their own risks. This page sets out how drift arises, how monitoring detects it, the measures used, and who decides when a model must change or stop.
Model monitoring and drift on the record.
Model monitoring and drift: how the risk develops.
Changes over time and review thresholds. 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 drift
The distribution of inputs shifts as new customer segments arrive, products change or upstream systems alter fields. The model meets data it was not trained on.
Concept drift
رابطهٔ میان ورودیها و پیامدها تغییر میکند، برای مثال هنگامی که یک شوک اقتصادی تعیین میکند چه کسانی نکول میکنند. دقت حتی با ثبات ظاهری ورودیها کاهش مییابد.
Outcomes arrive late
Defaults and claims emerge months or years after decisions, so true performance is known late. Proxies and early indicators fill the gap with uncertainty.
Retraining adds risk
Frequent retraining can absorb drift, and it can also learn from feedback loops or corrupted data. Each retrained version needs controls proportionate to its use.
معنای پایش مدل و رانش برای مواجهه، زیان و سرمایه.
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.
مجاری انتقال
How a shock in model monitoring and drift reaches credit, market, underwriting, liquidity and operational risk, and feeds back.
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 |
|---|---|---|---|---|
| Population stability index by input | بدون بُعد | ماهانه | پایش | برآوردشده |
| Performance against validation baseline | change in discrimination or calibration | ماهانه یا فصلی | پایش | برآوردشده |
| Monitoring alerts breaching thresholds | شمارش | ماهانه | Monitoring records | مشاهدهشده |
| Models retrained in period | شمارش | فصلی | Model records | DECLARED |
| رخدادهای خط لولهٔ داده که بر مدلها اثر میگذارند | شمارش | فصلی | سوابق رخدادها | گزارششده |
| Time from alert to remediation | روز | per alert | سوابق حکمرانی | مشاهدهشده |
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 |
|---|---|---|
| PRA SS1/23 principles on model monitoring | Expectations for ongoing performance monitoring | رایگان، شرایط بانک انگلستان |
| SR 11-7 on ongoing monitoring and outcomes analysis | United States expectations | مالکیت عمومی |
| EBA guidelines on loan origination and monitoring | پایش مدلهای خودکار اعتباری | رایگان، شرایط بازاستفادهٔ اتحادیهٔ اروپا |
| پژوهش دانشگاهی دربارهٔ جابهجایی توزیع مجموعهداده | Methods for detecting and adapting to drift | دسترسی آزاد برای مطالعه، شرایط استفاده بر اساس ناشر |
| Bank Pillar 3 model back-testing disclosures | Back-testing results for capital models | سوابق عمومی، شرایط بر حسب هر بانک |
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 |
|---|---|---|
| مالکان مدل | When to recalibrate, redevelop or retire a model | Monitoring results against thresholds |
| کارکردهای ریسک مدل | What monitoring standards apply by tier | Policy and monitoring evidence |
| ناظران | Whether monitoring is adequate for capital and conduct models | Back-testing and review findings |
| Data owners | How upstream changes are controlled | Pipeline incident records |
خروجیهایی که این موضوع تولید میکند
- Guide to data drift and concept drift
- Method note on monitoring thresholds and alerts
- گزارش موجز دربارهٔ کنترلها برای مدلهایی که بهطور مکرر بازآموزی میشوند
- Questions for model owners on late-arriving outcomes
آنچه کارشناسان میپرسند.
Monitoring questions ask how soon a problem will be seen.
- Which performance measures are monitored, and how often?
- پیامدها، مانند نکول یا خسارت، با چه سرعتی مشاهده میشوند و در این فاصله چه چیزی جای آنها را پر میکند؟
- Has the input data distribution shifted, and does it matter?
- What thresholds trigger review, recalibration or withdrawal, and who set them?
- How are continuously retrained models governed?
سازوکارها و محرکها.
رانش داده زمانی رخ میدهد که توزیع ورودیها تغییر کند، برای مثال با ورود بخش جدیدی از مشتریان یا تغییر در یک منبع داده. رانش مفهومی زمانی رخ میدهد که رابطهٔ میان ورودیها و پیامدها تغییر کند، برای مثال هنگامی که یک شوک اقتصادی چگونگی پیشبینی بازپرداخت از روی درآمد را دگرگون میکند. رانش مفهومی خطرناکتر و تشخیصش دشوارتر است، زیرا مشاهدهٔ پیامدها ممکن است ماهها یا سالها طول بکشد.
Feedback loops add complexity: a model’s decisions change who becomes a customer, which changes future data. Retraining can restore performance but can also absorb errors or bias, so retrained models need governance of their own.
چگونه مطالعه میشود و روشها کجا متوقف میشوند.
| روش یا داده | آنچه نشان میدهد | محدودیتها |
|---|---|---|
| Performance tracking against outcomes | Accuracy and calibration over time | Outcomes arrive with delay |
| Distribution shift statistics | Changes in input data | تغییر همیشه به معنای افت عملکرد نیست |
| Benchmark and challenger models | عملکرد نسبی | Challengers share some data limitations |
| Threshold and alerting frameworks | When to escalate | آستانهها مستلزم قضاوتاند |
چگونه مطالعه میشود و آنچه روشها نمیتوانند بگویند.
- 01احتمال و آمارآزمون واسنجی · آمار رانش · مقایسهٔ نتایج گروههاکاربرد در اینجا
- 02کمّیسازی عدم قطعیت و اعتبارسنجی مدلبازههای پیشبینی برای مدلهای خسارت · مجموعههای مدل · سرمایه یا ضربهگیرهای ریسک مدلکاربرد در اینجا
- 03هوش مصنوعی و یادگیری ماشینمدلهای اعتباری تقویتشده با گرادیان · مدلهای زبانی در عملیات · تشخیص ناهنجاریکاربرد 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 is the difference between data drift and concept drift?
What is a population stability index?
Should models retrain automatically?
Why is concept drift hard to detect?
Is automatic retraining a solution?
Does the platform monitor firms’ 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.