Skip to content

GRA · Risiko AI dan Model Keuangan

Keuangan spasialTempat modal bertemu bahaya, keterpaparan, dan transisi

Model kredit dan penetapan harga

Skor kredit, model probabilitas gagal bayar, dan model penetapan harga asuransi menentukan siapa yang memperoleh kredit atau perlindungan dan dengan harga berapa. Pembelajaran mesin dapat meningkatkan prediksi, tetapi juga menimbulkan ketidaktransparanan, ketidakstabilan, dan diskriminasi proksi. Model-model ini juga menjadi masukan bagi pencadangan dan permodalan. Halaman ini menguraikan bagaimana model kredit dan penetapan harga gagal, bagaimana risikonya diukur, data yang menjadi sandarannya, dan siapa yang memutuskan penggunaannya.

01Daftar

Credit and pricing models on the record.

02Pertanyaannya

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.

Mekanisme

Data reflect the past

Model belajar dari pemberian pinjaman dan klaim historis yang mencerminkan keputusan, kondisi ekonomi, dan pengecualian masa lalu. Pemohon yang berbeda dari peminjam sebelumnya dinilai dengan bukti yang kurang andal.

Mekanisme

Kinerja menurun dalam kondisi baru

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

Mekanisme

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.

Mekanisme

Errors reach capital and provisions

Estimasi probabilitas gagal bayar dan kerugian akibat gagal bayar menjadi dasar penyisihan kerugian kredit yang diharapkan dan modal. Optimisme sistematis meremehkan keduanya sampai kerugian terjadi.

03Eksposur, kerugian, dan modal

What credit and pricing models means for exposure, loss and capital.

Tampilan eksposur, kerugian, skenario, dan modal yang akan diminta oleh pejabat risiko, otoritas pengawas, atau kementerian keuangan, beserta kerangka pelaporan yang mereka gunakan. Strukturnya mengikuti praktik pengawasan dan aktuaria. Nilai bersifat ilustratif: tidak pernah merupakan harga, peringkat, atau saran.

Indikator modal, solvabilitas, dan fiskal

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

IndikatorUnitSiapa yang membacaKerangka
Rasio CET1% aset tertimbang menurut risikoBank, otoritas pengawasKerangka Basel
Rasio kecukupan likuiditas% arus keluar dalam tekananBank, bank sentralKerangka Basel
Rasio solvabilitas% persyaratan modal solvabilitasPerusahaan asuransi, otoritas pengawasIAIS Insurance Core Principles
Rasio gabungan% premi yang diperolehPerusahaan asuransiPraktik aktuaria
Kesenjangan perlindunganporsi kerugian ekonomi yang tidak diasuransikanPerusahaan asuransi, kementerian keuanganStatistik kerugian yang diterbitkan
Utang publik% PDBKementerian keuangan, IMFKerangka Keberlanjutan Utang
Kebutuhan pembiayaan bruto% PDB per tahunKementerian keuangan, investorKerangka Keberlanjutan Utang
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.
Skenario iklim NGFS · Network for Greening the Financial SystemIFRS S2 Pengungkapan terkait Iklim · ISSBRekomendasi TCFD · Financial Stability Board TCFDPrinsip-prinsip pengelolaan efektif risiko keuangan terkait iklim · Basel Committee on Banking Supervision
04Indikator

Apa yang diukur, dan seberapa baik.

Setiap indikator membawa satuan, frekuensi, jenis sumber di baliknya, dan label bukti yang akan dibawa suatu nilai. Tidak ada nilai yang ditampilkan: sebuah program menyediakannya berdasarkan wewenangnya sendiri.

IndikatorUnitKadensiJenis sumberLabel
Daya diskriminasi kartu skorGini coefficient or area under the curvesetiap kuartalPemantauan modelESTIMASI
Kalibrasi probabilitas gagal bayarobserved default rate against predicted, ratiotahunanBack-testingESTIMASI
Population stability indextanpa dimensisetiap bulanPemantauan modelESTIMASI
Perbedaan tingkat persetujuan antarkelompokrasio tingkat persetujuanberkalaFair lending analysisESTIMASI
Overrides of model decisionsshare of decisionssetiap bulanCatatan keputusanTERAMATI
Penyesuaian model kerugian kredit ekspektasiancurrency of post-model adjustmentssetiap kuartalFinancial statementsStatistik yang diterbitkan
05Sumber

Asal bukti.

Set data publik bernama dan catatan kelembagaan, masing-masing dengan kelas lisensinya. Sumber berdasarkan perjanjian hanya digunakan sesuai ketentuannya dan tidak pernah diterbitkan ulang.

SumberApa yang diberikannyaKelas lisensi
EBA guidelines on loan origination and monitoringExpectations for credit decision models including automated modelsGratis, ketentuan penggunaan ulang UE
CFPB circulars on adverse action and complex algorithmsUnited States expectations for explaining credit denialsDomain publik
HMDA dataUnited States mortgage application and outcome dataDomain publik
Bank Pillar 3 credit risk disclosuresUji balik probabilitas gagal bayar dan hasil modelCatatan publik, ketentuan per bank
Actuarial and insurance supervisory publications on pricing modelsPractice and expectations for pricing modelsGratis, ketentuan sesuai penerbit
06Keputusan

Siapa yang memutuskan, dan apa yang dilayani bukti.

Risiko AI dan Model menyiapkan bukti. Keputusan di bawah ini diambil oleh otoritas yang disebutkan, berdasarkan aturan mereka sendiri, dan tidak pernah oleh platform.

Siapa yang memutuskanPertanyaannyaBukti yang dilayani halaman ini
Credit risk and pricing committeesModel mana yang digunakan dan dengan lapisan tambahan apaPerformance, calibration and fairness evidence
Validator modelWhether models are fit for purposeBack-testing and benchmark comparison
Conduct and fair lending supervisorsWhether model outcomes are lawful and fairData hasil dan praktik tindakan merugikan
Komite auditApakah model penyisihan dan overlay wajarModel outputs and adjustment rationale

Keluaran yang dihasilkan topik ini

  • Guide to credit and pricing model performance measures
  • Catatan metode untuk menguji diskriminasi proksi
  • Brief on post-model adjustments and what they reveal
  • Questions for credit committees on model limits
07Pertanyaan inti

Apa yang ditanyakan pakar.

Credit and pricing questions combine accuracy, fairness and legality.

  • Does the model predict default or loss accurately across all customer groups?
  • Apakah variabel masukan berperan sebagai proksi bagi karakteristik yang dilindungi hukum?
  • Dapatkah lembaga menjelaskan kepada nasabah mengapa kredit ditolak atau harga ditetapkan?
  • Bagaimana kinerja model sepanjang siklus ekonomi, bukan hanya dalam kondisi yang menguntungkan?
  • How do alternative data sources affect accuracy, inclusion and privacy?
08Mekanisme

Mekanisme dan pendorong.

Model kredit memperkirakan kemungkinan debitur akan melunasi; model penetapan harga memperkirakan kerugian dan biaya yang diharapkan. Keduanya belajar dari data historis, yang mencerminkan praktik pemberian pinjaman di masa lalu, kondisi ekonomi, dan ketimpangan sosial. Sebuah model bisa akurat secara rata-rata namun berkinerja buruk bagi kelompok yang kurang terwakili dalam data, atau dapat mereproduksi diskriminasi historis melalui variabel yang berkorelasi.

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.

09Metode dan data

Cara hal ini dikaji, dan di mana batas metodenya.

Metode atau dataApa yang ditampilkannyaBatasan
Discrimination and calibration testingAccuracy and calibration across groupsAtribut yang dilindungi mungkin tidak dicatat
Metrik keadilanDisparitas hasil atau kesalahanDifferent metrics can conflict
Explanation methodsPendorong utama keputusan individuApproximate explanations of complex models
Through-the-cycle backtestingKinerja pada berbagai kondisiSedikit kemerosotan dalam data
10Metode

Cara hal ini dikaji, dan apa yang tidak dapat dinyatakan metodenya.

11Pertanyaan

Tanya jawab.

What does a Gini coefficient measure for a scorecard?
Seberapa baik skor menempatkan debitur yang kemudian gagal bayar pada peringkat di atas debitur yang tidak gagal bayar; skor ini mengukur daya pemeringkatan, bukan akurasi tingkat gagal bayar yang diprediksi.
What is a post-model adjustment?
Penyesuaian manajerial yang diterapkan pada keluaran model, sering kali untuk kerugian kredit yang diharapkan, ketika model dinilai tidak menangkap kondisi saat ini.
Can a model discriminate without using protected characteristics?
Yes. Variables that correlate with protected characteristics can produce disparate outcomes, which is why fairness testing looks at outcomes as well as inputs.
Apakah data alternatif meningkatkan inklusi?
Hal ini dapat membantu orang dengan riwayat kredit tipis, tetapi juga menimbulkan pertanyaan privasi, akurasi, dan keadilan yang perlu diuji.
Does the platform assess lenders’ models?
Tidak. GRA tidak menilai, memvalidasi, atau menyetujui model apa pun.
LaporanBerkontribusi

Kontribusikan bukti dari halaman ini.

Reports adalah publikasi triwulanan Konsorsium. Apa yang Anda ketahui tentang subjek ini dapat menjadi bukti, kasus, atau koreksi dalam edisi berikutnya, dengan kredit atas nama Anda dan dipublikasikan di bawah CC BY 4.0 jika merupakan karya Anda sendiri.

Global Risks AllianceAI and Financial Model RiskMethods and TechnicalExponential Technology
Risiko AI dan Model Keuangan

Ajukan pertanyaan eksposur atau modal kepada Aliansi.

Informasi dan pertanyaan sudah terbuka hari ini. Sebuah pertanyaan menerima nomor referensi dan menyebutkan langkah berikutnya; lamaran, pembayaran, alokasi komputasi, dan pendaftaran hanya dibuka ketika tim, ketentuan, dan kapasitas tinjauannya tersedia.