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.
Credit and pricing models on the record.
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.
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.
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.
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.
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.
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.
| Indikator | Unit | Siapa yang membaca | Kerangka |
|---|---|---|---|
| Rasio CET1 | % aset tertimbang menurut risiko | Bank, otoritas pengawas | Kerangka Basel |
| Rasio kecukupan likuiditas | % arus keluar dalam tekanan | Bank, bank sentral | Kerangka Basel |
| Rasio solvabilitas | % persyaratan modal solvabilitas | Perusahaan asuransi, otoritas pengawas | IAIS Insurance Core Principles |
| Rasio gabungan | % premi yang diperoleh | Perusahaan asuransi | Praktik aktuaria |
| Kesenjangan perlindungan | porsi kerugian ekonomi yang tidak diasuransikan | Perusahaan asuransi, kementerian keuangan | Statistik kerugian yang diterbitkan |
| Utang publik | % PDB | Kementerian keuangan, IMF | Kerangka Keberlanjutan Utang |
| Kebutuhan pembiayaan bruto | % PDB per tahun | Kementerian keuangan, investor | Kerangka Keberlanjutan Utang |
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.
| Indikator | Unit | Kadensi | Jenis sumber | Label |
|---|---|---|---|---|
| Daya diskriminasi kartu skor | Gini coefficient or area under the curve | setiap kuartal | Pemantauan model | ESTIMASI |
| Kalibrasi probabilitas gagal bayar | observed default rate against predicted, ratio | tahunan | Back-testing | ESTIMASI |
| Population stability index | tanpa dimensi | setiap bulan | Pemantauan model | ESTIMASI |
| Perbedaan tingkat persetujuan antarkelompok | rasio tingkat persetujuan | berkala | Fair lending analysis | ESTIMASI |
| Overrides of model decisions | share of decisions | setiap bulan | Catatan keputusan | TERAMATI |
| Penyesuaian model kerugian kredit ekspektasian | currency of post-model adjustments | setiap kuartal | Financial statements | Statistik yang diterbitkan |
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.
| Sumber | Apa yang diberikannya | Kelas lisensi |
|---|---|---|
| EBA guidelines on loan origination and monitoring | Expectations for credit decision models including automated models | Gratis, ketentuan penggunaan ulang UE |
| CFPB circulars on adverse action and complex algorithms | United States expectations for explaining credit denials | Domain publik |
| HMDA data | United States mortgage application and outcome data | Domain publik |
| Bank Pillar 3 credit risk disclosures | Uji balik probabilitas gagal bayar dan hasil model | Catatan publik, ketentuan per bank |
| Actuarial and insurance supervisory publications on pricing models | Practice and expectations for pricing models | Gratis, ketentuan sesuai penerbit |
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 memutuskan | Pertanyaannya | Bukti yang dilayani halaman ini |
|---|---|---|
| Credit risk and pricing committees | Model mana yang digunakan dan dengan lapisan tambahan apa | Performance, calibration and fairness evidence |
| Validator model | Whether models are fit for purpose | Back-testing and benchmark comparison |
| Conduct and fair lending supervisors | Whether model outcomes are lawful and fair | Data hasil dan praktik tindakan merugikan |
| Komite audit | Apakah model penyisihan dan overlay wajar | Model 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
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?
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.
Cara hal ini dikaji, dan di mana batas metodenya.
| Metode atau data | Apa yang ditampilkannya | Batasan |
|---|---|---|
| Discrimination and calibration testing | Accuracy and calibration across groups | Atribut yang dilindungi mungkin tidak dicatat |
| Metrik keadilan | Disparitas hasil atau kesalahan | Different metrics can conflict |
| Explanation methods | Pendorong utama keputusan individu | Approximate explanations of complex models |
| Through-the-cycle backtesting | Kinerja pada berbagai kondisi | Sedikit kemerosotan dalam data |
Cara hal ini dikaji, dan apa yang tidak dapat dinyatakan metodenya.
- 01Probabilitas dan statistikaPengujian kalibrasi · Statistik pergeseran · Perbandingan hasil antarkelompokDiterapkan di sini
- 02Kecerdasan buatan dan pembelajaran mesinModel kredit gradient-boosted · Model bahasa dalam operasi · Deteksi anomaliDiterapkan di sini
- 03Kuantifikasi ketidakpastian dan validasi modelInterval prediksi untuk model kerugian · Ansambel model · Modal atau penyangga risiko modelDiterapkan di sini
- 04Evaluasi AI dan rekayasa penjaminanValidasi model pembelajaran mesin · Red-teaming AI generatif · Penilaian keadilanDiterapkan di sini
Tanya jawab.
What does a Gini coefficient measure for a scorecard?
What is a post-model adjustment?
Can a model discriminate without using protected characteristics?
Apakah data alternatif meningkatkan inklusi?
Does the platform assess lenders’ models?
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.
- SurelGerbang GW-GRAKirim dari halaman iniBukti, koreksi, kasus, metode, tinjauan, terjemahan, atau masukan profil. Kiriman tiba dengan label halaman ini, sehingga editor pemiliknya menerimanya.
- 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.
- ReportsGlobal Risks AllianceSee every way to contributeThe contribution types, how each is reviewed, what credit you receive, the licence and what is never accepted.
Jangan pernah mengirim data pribadi, rincian infrastruktur sensitif, atau apa pun yang tidak berhak Anda bagikan. Kontribusi ditinjau sebelum digunakan. Mengirimkannya tidak memberikan hak kepenulisan atau editorial, dan sponsor tidak pernah membeli sebuah temuan.
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.
Dokumen hukum.
Peta, data, dan gambar di situs ini ditampilkan untuk konteks dan informasi umum. Semua itu bukan nasihat, prakiraan, atau peringatan; batasan informasinya dijelaskan dalam Penafian dan Pemberitahuan Data.