GRA · هوش مصنوعی و ریسک الگوی مالی
مالی فضاییجایی که سرمایه به مخاطره، مواجهه و گذار برمیخورد
حکمرانی ریسک الگو
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.
Challenge weakens
اعتبارسنجیای که فاقد استقلال، مهارت یا اختیار توقف یک مدل باشد به امری صوری بدل میشود. چالش مؤثر به اعتبارسنجانی نیاز دارد که روش را بفهمند و بتوانند جلوی کاربرد را بگیرند.
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.
چرخهٔ عمر ریسک الگو.
صفحهای که یک تیم برای پیگیری این موضوع به کار میبرد: سنجهها، وضعیتها و تصمیمهای آن. نامها نمونهاند و مقادیر نمایشی.
چرخهٔ عمر ریسک الگو
Model risk governance · Model inventory · Committee 9
چرخهٔ عمر
- سیاههثبتشده
- تدوینمستندشده
- اعتبارسنجیمستقل
- تأییدکمیته
- اجراکنترلها
- پایشآستانهها
- بازبینیسالانه
- بازنشستهسازیکنارگذاری
مدلها
| MD-204 PD retail | ردهٔ 1 | 14 ماه | 3 | معوق |
| MD-511 LLM complaints triage | ردهٔ 1 | هرگز | 0 | اعتبارسنجی نشده |
| MD-164 IFRS 9 staging | ردهٔ 1 | 8 ماه | 1 | تأییدشده |
| MD-534 marketing propensity | ردیف 3 | 17 months | 0 | تأییدشده |
دامنهٔ اعتبارسنجی
- استواری مفهومی
- در حال انجام
- تحلیل دستاوردها
- در انتظار
- سنجش تطبیقی
- در انتظار
- حدود استفاده
- بازبینی انسانی لازم است
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 |
|---|---|---|---|---|
| مدلهای موجود در سیاهه | شمار به تفکیک رده | فصلی | فهرست مدلها | DECLARED |
| Models validated within policy cycle | share by tier | فصلی | سوابق اعتبارسنجی | DECLARED |
| Open validation findings | تعداد بر حسب شدت | فصلی | سوابق اعتبارسنجی | DECLARED |
| Models used with exceptions or restrictions | شمارش | فصلی | Model governance records | DECLARED |
| AI and machine learning models in inventory | count and share | سالانه | Inventory and surveys | DECLARED |
| Supervisory findings on model risk management | شمارش | سالانه | Supervisory reports | آمارهای منتشرشده |
مسیرهای سیاستی و آنچه بر ریسک میکنند.
چگونه سه خانوادهٔ ابزار پیامد ریسک را در طول زمان با تأخیر پذیرش، پوشش و رعایت تغییر میدهند، یعنی سناریوهای سیاستی پشت ارزیابیهای ریسک گذار و ریسک فیزیکی. سناریو: مفروضات نامدار دربارهٔ آینده، نه پیشبینی.
کنترلها
- روند خط پایهٔ پیامد
- 2.0% در سال
- پوشش ابزار
- 70%
- انطباق
- 75%
- اندازهٔ اثر، در برابر مقدار آموزشی
- 100%
- سالهای پیش رو
- 20 سال
خوانشها
- بیشترین کاهش در افق
- مقرراتگذاری
- کاهش آن نسبت به خط پایه
- 21%
رقمها، روشها و منابع
| سال | خط پایه | مقرراتگذاری | انگیزهٔ اقتصادی | اطلاعات و ظرفیت |
|---|---|---|---|---|
| 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 |
روشها
- Tools of government Hood (1983), The Tools of Government, Macmillan
- Carrots, sticks and sermons Bemelmans-Videc, Rist and Vedung (1998), Transaction
- Diffusion of innovations Rogers (2003), Diffusion of Innovations, Free Press
- Uncertainty fan (parameter Monte Carlo) Spiegelhalter, Pearson and 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
داده
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
در شش رکن، به رهبری Nexus Consortium
- آزمایشها آزمایشگاهها
- ساختهشده در هوش مصنوعی و ریسک الگوی مالی در Foundry
- آزمودهشده در هوش مصنوعی و ریسک الگوی مالی در Universe
- مدونشده در دیجیتال، سایبری و هوش مصنوعی در Standards
- منتشرشده در هوش مصنوعی و ریسک الگوی مالی در Reports
- تدریسشده در دانشکدهٔ فناوری و سامانههای دیجیتال در Academy
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 |
|---|---|---|
| Federal Reserve and OCC SR 11-7 guidance | Model risk management expectations | مالکیت عمومی |
| PRA SS1/23 model risk management principles | UK principles for banks | رایگان، شرایط بانک انگلستان |
| ECB guide to internal models | انتظارات از مدلهای داخلی مورد استفاده برای سرمایه | رایگان، شرایط ECB |
| Bank of England and FCA surveys of AI and machine learning in UK financial services | Use and governance of AI across firms | رایگان، شرایط Bank of England و FCA |
| EBA follow-up reports on machine learning for internal ratings-based models | دیدگاههای نظارتی دربارهٔ یادگیری ماشین در مدلهای سرمایه | رایگان، شرایط بازاستفادهٔ اتحادیهٔ اروپا |
What model risk governance 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.
مجاری انتقال
How a shock in model risk governance reaches credit, market, underwriting, liquidity and operational risk, and feeds back.
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 |
|---|---|---|
| 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 |
| ناظران احتیاطی | Whether model risk management meets expectations | Supervisory reviews and firm reporting |
| حسابرسی داخلی | Whether the model risk framework operates as designed | Governance and validation records |
خروجیهایی که این موضوع تولید میکند
- راهنمای فهرست مدلها، ردهبندی و اعتبارسنجی
- Brief on extending model risk management to AI and generative AI
- Method note on effective challenge
- پرسشهایی برای هیئتمدیره دربارهٔ ریسک مدل در سطح تجمیعی
آنچه کارشناسان میپرسند.
Governance questions begin with knowing what models exist.
- چه چیزی مدل شمرده میشود و آیا این تعریف یادگیری ماشین، ابزارهای فروشندگان و هوش مصنوعی مولد را دربر میگیرد؟
- 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?
سازوکارها و محرکها.
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.
چگونه مطالعه میشود و روشها کجا متوقف میشوند.
| روش یا داده | آنچه نشان میدهد | محدودیتها |
|---|---|---|
| Model inventories and tiering | Which models exist and how material they are | Informal and embedded AI uses are easily missed |
| اعتبارسنجی مستقل | 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 | یافتهها درون شرکتها محرمانه میمانند |
چگونه مطالعه میشود و آنچه روشها نمیتوانند بگویند.
- 01مهندسی ارزیابی و اطمینانبخشی هوش مصنوعیاعتبارسنجی مدلهای یادگیری ماشین · آزمون تیم قرمز برای هوش مصنوعی مولد · ارزیابی انصافکاربرد در اینجا
- 02احتمال و آمارآزمون واسنجی · آمار رانش · مقایسهٔ نتایج گروههاکاربرد در اینجا
- 03کمّیسازی عدم قطعیت و اعتبارسنجی مدلبازههای پیشبینی برای مدلهای خسارت · مجموعههای مدل · سرمایه یا ضربهگیرهای ریسک مدلکاربرد در اینجا
- 04هوش مصنوعی و یادگیری ماشینمدلهای اعتباری تقویتشده با گرادیان · مدلهای زبانی در عملیات · تشخیص ناهنجاریکاربرد در اینجا
پرسش و پاسخ.
ریسک مدل چیست؟
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?
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.