Skip to content

GRA · Risque lié à l'IA et aux modèles financiers

Spatial financeWhere capital meets hazard, exposure and transition

Modèles de crédit et de tarification

Credit scores, probability of default models and insurance pricing models decide who gets credit or cover and at what price. Machine learning can improve prediction and also introduce opacity, instability and proxy discrimination. These models also feed provisioning and capital. This page sets out how credit and pricing models fail, how their risks are measured, the data they depend on and who decides how they are used.

01Registre

Modèles de crédit et de tarification consignés.

02La question

Modèles de crédit et de tarification : comment le risque se développe.

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.

Mécanisme

Data reflect the past

Les modèles apprennent à partir de données historiques de prêts et de sinistres qui reflètent des décisions passées, des conditions économiques et des exclusions. Les demandeurs différents des emprunteurs passés sont notés à partir de données probantes moins fiables.

Mécanisme

Les performances se dégradent dans de nouvelles conditions

Models fitted in stable periods can misjudge default or claims when rates, inflation or unemployment shift, which is when accurate risk estimates matter most.

Mécanisme

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.

Mécanisme

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.

03Exposition, perte et capital

Ce que signifient les modèles de crédit et de tarification pour l'exposition, la perte et le capital.

Les vues d'exposition, de pertes, de scénarios et de capital que demanderaient un responsable des risques, une autorité de contrôle ou un ministère des finances, avec les cadres dont ils relèvent pour leurs rapports. Les structures suivent la pratique prudentielle et actuarielle. Les valeurs sont illustratives : jamais des prix, des notations ni des conseils.

Indicateurs de capital, de solvabilité et budgétaires

The indicators a risk officer, supervisor or ministry of finance reads first on credit and pricing models.

IndicateurUnitéQui le litCadre
Ratio CET1% des actifs pondérés des risquesBanques, autorités de contrôleCadre de Bâle
Ratio de couverture des besoins de liquidité% des sorties de fonds en situation de criseBanques, banques centralesCadre de Bâle
Ratio de solvabilité% du capital de solvabilité requisAssureurs, autorités de contrôlePrincipes fondamentaux de l'assurance de l'AICA
Ratio combiné% des primes acquisesAssureursPratique actuarielle
Déficit de protectionpart non assurée de la perte économiqueAssureurs, ministères des financesStatistiques de pertes publiées
Dette publique% du PIBMinistères des finances, FMICadre de viabilité de la dette
Besoins bruts de financement% du PIB par anMinistères des finances, investisseursCadre de viabilité de la dette
Source: the frameworks named in each row. Indicator names, units and frameworks only; values belong to each institution’s own reporting and are never shown here.
Scénarios climatiques du NGFS · Réseau pour le verdissement du système financierIFRS S2 Informations à fournir en lien avec les changements climatiques · ISSBRecommandations de la TCFD · TCFD du Conseil de stabilité financièrePrincipes pour une gestion efficace des risques financiers liés au climat · Comité de Bâle sur le contrôle bancaire
04Indicateurs

Ce qui est mesuré, et avec quelle qualité.

Chaque indicateur porte son unité, sa périodicité, le type de source qui le sous-tend et l'étiquette de preuve que porterait une valeur. Aucune valeur n'est affichée : un programme les fournit sous sa propre autorité.

IndicateurUnitéFréquenceType de sourceÉtiquette
Pouvoir discriminant des grilles de notationCoefficient de Gini ou aire sous la courbetrimestrielSuivi des modèlesESTIMÉ
Calibrage de la probabilité de défauttaux de défaut observé par rapport au taux prévu, ratioannuelBack-testingESTIMÉ
Population stability indexsans dimensionmensuelSuivi des modèlesESTIMÉ
Écarts de taux d'approbation entre groupesrapport des taux d'approbationpériodiqueAnalyse de l'équité en matière de créditESTIMÉ
Dérogations aux décisions des modèlespart des décisionsmensuelRegistres des décisionsOBSERVÉ
Expected credit loss model adjustmentsactualité des ajustements post-modèletrimestrielFinancial statementsStatistiques publiées
05Sources

D'où proviennent les données probantes.

Jeux de données publics et registres institutionnels nommés, chacun avec sa catégorie de licence. Les sources fournies dans le cadre d'accords ne sont utilisées que selon leurs conditions et ne sont jamais republiées.

SourcesCe qu'elle apporteCatégorie de licence
EBA guidelines on loan origination and monitoringExpectations for credit decision models including automated modelsGratuit, conditions de réutilisation de l'UE
CFPB circulars on adverse action and complex algorithmsUnited States expectations for explaining credit denialsDomaine public
HMDA dataDonnées américaines sur les demandes de prêts hypothécaires et leurs résultatsDomaine public
Bank Pillar 3 credit risk disclosuresTests rétrospectifs de la probabilité de défaut et résultats des modèlesDocuments publics, conditions propres à chaque banque
Publications actuarielles et de contrôle des assurances sur les modèles de tarificationPractice and expectations for pricing modelsGratuit, conditions selon l'éditeur
06Décisions

Qui décide, et à quoi servent les données probantes.

Risque lié à l'IA et risque de modèle prépare les données probantes. Les décisions ci-dessous sont prises par les autorités nommées, selon leurs propres règles, et jamais par la plateforme.

Qui décideLa questionDonnées probantes servies par cette page
Credit risk and pricing committeesQuels modèles utiliser et avec quelles surcouchesDonnées probantes sur la performance, l'étalonnage et l'équité
Valideurs de modèlesSi les modèles sont adaptés à leur usageTest rétrospectif et comparaison avec des références
Conduct and fair lending supervisorsSi les résultats du modèle sont licites et équitablesOutcome data and adverse action practice
Comités d'auditWhether provisioning models and overlays are reasonableModel outputs and adjustment rationale

Résultats que produit ce thème

  • Guide des mesures de performance des modèles de crédit et de tarification
  • Note méthodologique sur le test de la discrimination par proxy
  • Brief on post-model adjustments and what they reveal
  • Questions pour les comités de crédit sur les limites des modèles
07Questions essentielles

Ce que se demandent les experts.

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?
  • L'institution peut-elle expliquer à un client pourquoi un crédit a été refusé ou un prix fixé ?
  • Comment le modèle se comporte-t-il tout au long du cycle économique, et pas seulement en conditions favorables ?
  • Comment les sources de données alternatives influent-elles sur l'exactitude, l'inclusion et la vie privée ?
08Mécanismes

Mécanismes et facteurs.

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.

09Méthodes et données

Comment c'est étudié, et où les méthodes s'arrêtent.

Méthode ou donnéesCe qu'il montreLimites
Discrimination and calibration testingAccuracy and calibration across groupsLes attributs protégés peuvent ne pas être consignés
Mesures d'équitéDisparities in outcomes or errorsDes indicateurs différents peuvent se contredire
Explanation methodsPrincipaux facteurs des décisions individuellesExplications approximatives de modèles complexes
Rétrotests sur l'ensemble du cyclePerformance selon les conditionsPeu de ralentissements dans les données
11Questions

Questions et réponses.

Que mesure un coefficient de Gini pour un tableau de bord d'évaluation ?
How well the score ranks borrowers who later default above those who do not; it measures ranking power, not whether predicted default rates are accurate.
Qu'est-ce qu'un ajustement post-modèle ?
A management overlay applied to model output, often for expected credit loss, when the model is judged not to capture current conditions.
Un modèle peut-il discriminer sans utiliser de caractéristiques protégées ?
Oui. Les variables corrélées à des caractéristiques protégées peuvent produire des résultats disparates, c'est pourquoi les tests d'équité examinent les résultats autant que les données d'entrée.
Does alternative data improve inclusion?
It can help people with thin credit files, but it also raises privacy, accuracy and fairness questions that need testing.
Does the platform assess lenders’ models?
Non. La GRA n'évalue, ne valide et n'approuve aucun modèle.
RapportsContribuer

Apportez des éléments de preuve depuis cette page.

Reports est la publication trimestrielle du Consortium. Ce que vous savez de ce sujet peut devenir une donnée probante, un cas ou une correction dans la prochaine édition, avec mention de votre nom et publié sous licence CC BY 4.0 lorsqu'il s'agit de votre propre travail.

Global Risks AllianceAI and Financial Model RiskMethods and TechnicalExponential Technology
Risque lié à l'IA et aux modèles financiers

Soumettez une question d'exposition ou de capital à l'Alliance.

L'information et les demandes sont ouvertes dès aujourd'hui. Une demande reçoit une référence et indique l'étape suivante ; candidatures, paiements, allocations de calcul et inscriptions n'ouvrent que lorsque l'équipe, les conditions et la capacité d'examen existent.