GRA · AI और वित्तीय मॉडल जोखिम
स्थानिक वित्तजहाँ पूँजी का सामना संकट, जोखिम-संपर्क और संक्रमण से होता है
मॉडल जोखिम शासन
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.
सूची, स्वामित्व और सत्यापन। नीचे दिया गया अभिलेख बताता है कि जोखिम कैसे विकसित होता है, क्या मापा जाता है, डेटा कहाँ से आता है, उसका मॉडल कैसे बनता है और निर्णय कौन लेता है।
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
Validation that lacks independence, skill or authority to stop a model becomes a formality. Effective challenge needs validators who understand the method and can block use.
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.
मॉडल जोखिम जीवन-चक्र।
वह स्क्रीन जिसका उपयोग कोई टीम इस विषय का अनुसरण करने के लिए करेगी: इसके माप, अवस्थाएँ और निर्णय। नाम उदाहरण हैं और मान उदाहरणात्मक हैं।
मॉडल जोखिम जीवन-चक्र
मॉडल जोखिम शासन · मॉडल सूची · समिति 9
जीवन-चक्र
- सूचीपंजीकृत
- विकास करेंप्रलेखित
- सत्यापित करेंस्वतंत्र
- अनुमोदनसमिति
- क्रियान्वित करेंनियंत्रण
- निगरानी करेंसीमा-मान
- समीक्षावार्षिक
- सेवानिवृत्त करेंसेवामुक्त करें
मॉडल
| MD-204 PD retail | स्तर 1 | 14 महीने | 3 | लंबित |
| MD-511 LLM complaints triage | स्तर 1 | कभी नहीं | 0 | सत्यापित नहीं |
| MD-164 IFRS 9 staging | स्तर 1 | 8 महीने | 1 | अनुमोदित |
| MD-534 विपणन प्रवृत्ति | श्रेणी 3 | 17 months | 0 | अनुमोदित |
सत्यापन का दायरा
- वैचारिक सुदृढ़ता
- प्रगति में
- परिणाम विश्लेषण
- लंबित
- बेंचमार्किंग
- लंबित
- उपयोग की सीमाएँ
- मानव समीक्षा आवश्यक
क्या मापा जाता है, और कितनी अच्छी तरह।
प्रत्येक संकेतक अपनी इकाई, आवृत्ति, उसके पीछे के स्रोत का प्रकार और वह साक्ष्य लेबल वहन करता है जो किसी मान पर होगा। कोई मान नहीं दिखाए जाते: कोई कार्यक्रम उन्हें अपने अधिकार के तहत प्रदान करता है।
| संकेतक | इकाई | लय | स्रोत प्रकार | लेबल |
|---|---|---|---|---|
| सूची में मॉडल | स्तर के अनुसार गणना | त्रैमासिक | मॉडल सूची | घोषित |
| Models validated within policy cycle | share by tier | त्रैमासिक | सत्यापन अभिलेख | घोषित |
| Open validation findings | गंभीरता के अनुसार गणना | त्रैमासिक | सत्यापन अभिलेख | घोषित |
| Models used with exceptions or restrictions | गणना | त्रैमासिक | Model governance records | घोषित |
| AI and machine learning models in inventory | count and share | वार्षिक | Inventory and surveys | घोषित |
| Supervisory findings on model risk management | गणना | वार्षिक | पर्यवेक्षी रिपोर्टें | प्रकाशित सांख्यिकी |
नीतिगत पथ और जोखिम पर उनका प्रभाव।
अपनाने में विलंब, कवरेज और अनुपालन के साथ साधनों के तीन समूह समय के साथ जोखिम के परिणाम को कैसे बदलते हैं, अर्थात संक्रमण और भौतिक जोखिम के आकलनों के पीछे की नीतिगत परिदृश्य। परिदृश्य: भविष्य के बारे में नामित धारणाएँ, पूर्वानुमान नहीं।
नियंत्रण
- परिणाम की आधार-रेखा प्रवृत्ति
- प्रति वर्ष 2.0%
- इस साधन का कवरेज
- 70%
- अनुपालन
- 75%
- प्रभाव आकार, शिक्षण मान की तुलना में
- 100%
- आगामी वर्ष
- 20 वर्ष
पाठ्यांक
- क्षितिज पर सबसे बड़ी कमी
- विनियमन
- आधार-रेखा की तुलना में इसमें कमी
- 21%
संख्याएँ, विधियाँ और स्रोत
| वर्ष | आधार-रेखा | विनियमन | आर्थिक प्रोत्साहन | सूचना और क्षमता |
|---|---|---|---|---|
| 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 |
पद्धतियाँ
- 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
डेटा
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
छह स्तंभों में, Nexus Consortium के नेतृत्व में
- प्रयोग प्रयोगशालाएँ
- में निर्मित Foundry में AI और वित्तीय मॉडल जोखिम
- परीक्षण स्थल Universe में AI और वित्तीय मॉडल जोखिम
- में संहिताबद्ध Standards में डिजिटल, साइबर और AI
- में प्रकाशित Reports में AI और वित्तीय मॉडल जोखिम
- में पढ़ाया जाता है Academy में प्रौद्योगिकी और डिजिटल प्रणाली संकाय
साक्ष्य कहाँ से आता है।
नामित सार्वजनिक डेटासेट और संस्थागत अभिलेख, प्रत्येक अपने लाइसेंस वर्ग के साथ। समझौते द्वारा प्राप्त स्रोतों का उपयोग केवल उनकी शर्तों के तहत होता है और कभी पुनः प्रकाशित नहीं किया जाता।
| स्रोत | यह क्या देता है | लाइसेंस वर्ग |
|---|---|---|
| Federal Reserve and OCC SR 11-7 guidance | Model risk management expectations | सार्वजनिक क्षेत्र |
| PRA SS1/23 मॉडल जोखिम प्रबंधन सिद्धांत | बैंकों के लिए यूके सिद्धांत | निःशुल्क, Bank of England शर्तें |
| ECB guide to internal models | Expectations for internal models used for capital | निःशुल्क, ECB शर्तें |
| यूके की वित्तीय सेवाओं में AI और मशीन लर्निंग पर बैंक ऑफ़ इंग्लैंड और FCA के सर्वेक्षण | Use and governance of AI across firms | निःशुल्क, Bank of England और FCA की शर्तें |
| आंतरिक रेटिंग-आधारित मॉडलों के लिए मशीन लर्निंग पर EBA की अनुवर्ती रिपोर्टें | Supervisory views on ML in capital models | निःशुल्क, EU पुनः उपयोग शर्तें |
What model risk governance means for exposure, loss and capital.
वे जोखिम-अनावरण, हानि, परिदृश्य और पूँजी दृश्य जो कोई जोखिम अधिकारी, पर्यवेक्षक या वित्त मंत्रालय माँगेगा, उन ढाँचों के साथ जिनके विरुद्ध वे रिपोर्ट करते हैं। संरचनाएँ पर्यवेक्षी और बीमांकिक अभ्यास का अनुसरण करती हैं। मान उदाहरणात्मक हैं: कभी क़ीमतें, रेटिंग या सलाह नहीं।
संचरण चैनल
How a shock in model risk governance reaches credit, market, underwriting, liquidity and operational risk, and feeds back.
कौन निर्णय लेता है, और साक्ष्य किसकी सेवा करता है।
AI और वित्तीय मॉडल जोखिम साक्ष्य तैयार करता है। नीचे दिए गए निर्णय नामित प्राधिकरणों द्वारा उनके अपने नियमों के अंतर्गत लिए जाते हैं, प्लेटफ़ॉर्म द्वारा कभी नहीं।
| निर्णय कौन लेता है | प्रश्न | यह पृष्ठ जिस साक्ष्य की सेवा करता है |
|---|---|---|
| निदेशक मंडल और वरिष्ठ प्रबंधन | 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 | सत्यापन परिणाम और निगरानी |
| विवेकपूर्ण पर्यवेक्षक | Whether model risk management meets expectations | Supervisory reviews and firm reporting |
| आंतरिक लेखापरीक्षा | Whether the model risk framework operates as designed | Governance and validation records |
इस विषय से उत्पन्न आउटपुट
- Guide to model inventories, tiering and validation
- Brief on extending model risk management to AI and generative AI
- Method note on effective challenge
- Questions for boards on aggregate model risk
विशेषज्ञ क्या पूछते हैं।
Governance questions begin with knowing what models exist.
- What counts as a model, and does the definition capture machine learning, vendor tools and generative AI?
- 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?
तंत्र और चालक।
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 पारंपरिक ढाँचों पर दबाव डालता है। मशीन लर्निंग मॉडल संख्या में अनेक, बार-बार पुनः प्रशिक्षित और प्रक्रियाओं में समाहित हो सकते हैं; जनरेटिव AI उपकरण कर्मचारी अनौपचारिक रूप से अपना सकते हैं; विक्रेता मॉडल अपारदर्शी हो सकते हैं। जो सूचियाँ इन उपयोगों को छोड़ देती हैं, वे जोखिम को अप्रबंधित छोड़ देती हैं।
इसका अध्ययन कैसे होता है, और पद्धतियाँ कहाँ रुकती हैं।
| पद्धति या डेटा | यह क्या दिखाता है | सीमाएँ |
|---|---|---|
| Model inventories and tiering | Which models exist and how material they are | Informal and embedded AI uses are easily missed |
| स्वतंत्र सत्यापन | 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 |
| मुद्दा और निष्कर्ष विश्लेषण | Recurring weaknesses | निष्कर्ष फ़र्मों के भीतर गोपनीय रहते हैं |
इसका अध्ययन कैसे होता है, और पद्धतियाँ क्या नहीं बता सकतीं।
- 01AI मूल्यांकन और आश्वासन अभियांत्रिकीमशीन लर्निंग मॉडलों का सत्यापन · सृजनात्मक AI का रेड-टीमिंग · निष्पक्षता आकलनयहाँ लागू
- 02प्रायिकता और सांख्यिकीअंशांकन परीक्षण · विचलन सांख्यिकी · समूह परिणाम तुलनायहाँ लागू
- 03अनिश्चितता परिमाणन और मॉडल सत्यापनहानि मॉडलों के लिए पूर्वानुमान अंतराल · मॉडल समुच्चय · मॉडल जोखिम पूँजी या बफ़रयहाँ लागू
- 04कृत्रिम बुद्धिमत्ता और मशीन लर्निंगग्रेडिएंट-बूस्टेड क्रेडिट मॉडल · परिचालन में भाषा मॉडल · विसंगति पहचानयहाँ लागू
प्रश्न और उत्तर।
मॉडल जोखिम क्या है?
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?
इस पृष्ठ से साक्ष्य का योगदान करें।
Reports कंसोर्टियम का त्रैमासिक प्रकाशन है। इस विषय के बारे में आप जो जानते हैं, वह अगले संस्करण में साक्ष्य, एक मामला या एक सुधार बन सकता है, आपको श्रेय देते हुए और जहाँ वह आपका अपना कार्य हो वहाँ CC BY 4.0 के अंतर्गत प्रकाशित।
- ईमेलगेटवे GW-GRAइसे इसी पृष्ठ से भेजेंसाक्ष्य, सुधार, मामला, पद्धति, समीक्षा, अनुवाद या प्रोफ़ाइल इनपुट। यह इस पृष्ठ के टैग के साथ पहुँचता है, ताकि इसे सँभालने वाले संपादक को मिल जाए।
- 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.
- रिपोर्टवैश्विक जोखिम गठबंधन (Global Risks Alliance)योगदान के सभी तरीके देखेंयोगदान के प्रकार, प्रत्येक की समीक्षा कैसे होती है, आपको क्या श्रेय मिलता है, लाइसेंस और क्या कभी स्वीकार नहीं किया जाता।
व्यक्तिगत डेटा, संवेदनशील अवसंरचना का विवरण या ऐसी कोई भी सामग्री कभी न भेजें जिसे साझा करने का आपको अधिकार नहीं है। उपयोग से पहले योगदान की समीक्षा होती है; इसे भेजने से लेखकत्व या संपादकीय अधिकार नहीं मिलते, और प्रायोजन कभी किसी निष्कर्ष को नहीं खरीदता।
जोखिम-अनावरण या पूँजी का कोई प्रश्न गठबंधन के पास लाएँ।
जानकारी और पूछताछ आज से खुली हैं। हर पूछताछ को एक संदर्भ मिलता है और अगला कदम बताया जाता है; आवेदन, भुगतान, कंप्यूट आवंटन और पंजीकरण तभी खुलते हैं जब उनकी टीम, शर्तें और समीक्षा क्षमता मौजूद हों।
कानूनी दस्तावेज़।
इस साइट पर मानचित्र, डेटा और आँकड़े संदर्भ और सामान्य जानकारी के लिए दिखाए जाते हैं। वे सलाह, पूर्वानुमान या चेतावनियाँ नहीं हैं; जानकारी की सीमाएँ अस्वीकरण और डेटा सूचनाओं में बताई गई हैं।