GRA · Риски ИИ и финансовых моделей
Пространственные финансыГде капитал встречается с опасностями, подверженностью и переходом
Кредитные и ценовые модели
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.
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
Models learn from historical lending and claims that reflect past decisions, economic conditions and exclusions. Applicants unlike past borrowers are scored with less reliable evidence.
Performance degrades in new 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.
Прокси-показатели приводят к несправедливым результатам
Переменные, коррелирующие с защищёнными признаками, могут приводить к неравным результатам, даже если эти признаки напрямую не используются. Закон и надзорные органы ограничивают перечень допустимых факторов.
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.
What credit and pricing models means for exposure, loss and capital.
Представления о подверженности, убытках, сценариях и капитале, которые запросил бы риск-менеджер, надзорный орган или министерство финансов, с указанием систем отчётности, которым они следуют. Структуры соответствуют надзорной и актуарной практике. Значения иллюстративны: это никогда не цены, рейтинги или рекомендации.
Показатели капитала, платёжеспособности и бюджета
Показатели, которые специалист по рискам, надзорный орган или министерство финансов читает в первую очередь в моделях кредитования и ценообразования.
| Индикатор | Единица | Кто это читает | Система |
|---|---|---|---|
| Коэффициент CET1 | % активов, взвешенных по риску | Банки, надзорные органы | Базельская система |
| Норматив покрытия ликвидности | % стрессового оттока | Банки, центральные банки | Базельская система |
| Коэффициент платёжеспособности | % требования к капиталу платёжеспособности | Страховщики, надзорные органы | Основные принципы страхования IAIS |
| Комбинированный коэффициент | % заработанной премии | Страховщики | Актуарная практика |
| Разрыв в страховой защите | незастрахованная доля экономического ущерба | Страховщики, министерства финансов | Опубликованная статистика убытков |
| Государственный долг | % ВВП | Министерства финансов, МВФ | Система оценки приемлемости уровня долга |
| Валовые потребности в финансировании | % ВВП в год | Министерства финансов, инвесторы | Система оценки приемлемости уровня долга |
Что измеряется и насколько хорошо.
Каждый показатель указывает свою единицу, периодичность, тип источника и метку доказательной базы, которую несло бы значение. Значения не показываются: программа предоставляет их под собственную ответственность.
| Индикатор | Единица | Периодичность | Тип источника | Метка |
|---|---|---|---|---|
| Discriminatory power of scorecards | Gini coefficient or area under the curve | ежеквартально | Мониторинг моделей | ОЦЕНЕНО |
| Калибровка вероятности дефолта | observed default rate against predicted, ratio | ежегодно | Back-testing | ОЦЕНЕНО |
| Population stability index | безразмерная величина | ежемесячно | Мониторинг моделей | ОЦЕНЕНО |
| Различия в доле одобрений между группами | ratio of approval rates | периодически | Fair lending analysis | ОЦЕНЕНО |
| Overrides of model decisions | share of decisions | ежемесячно | Протоколы решений | НАБЛЮДАЕМО |
| Expected credit loss model adjustments | актуальность корректировок после моделирования | ежеквартально | Финансовая отчётность | Опубликованная статистика |
Откуда берётся доказательная база.
Названные публичные наборы данных и институциональные записи, каждый со своим классом лицензии. Источники по соглашению используются только на их условиях и никогда не публикуются повторно.
| Источник | Что он даёт | Класс лицензии |
|---|---|---|
| EBA guidelines on loan origination and monitoring | Expectations for credit decision models including automated models | Бесплатно, условия повторного использования ЕС |
| CFPB circulars on adverse action and complex algorithms | United States expectations for explaining credit denials | Общественное достояние |
| HMDA data | United States mortgage application and outcome data | Общественное достояние |
| Bank Pillar 3 credit risk disclosures | Probability of default back-testing and model outcomes | Публичные записи, условия каждого банка |
| Actuarial and insurance supervisory publications on pricing models | Practice and expectations for pricing models | Бесплатно, на условиях издателя |
Кто принимает решения и чему служит доказательная база.
«Риски ИИ и финансовых моделей » готовит доказательную базу. Перечисленные ниже решения принимаются указанными органами по их собственным правилам, но не платформой.
| Кто принимает решение | Вопрос | Доказательная база, которую обслуживает эта страница |
|---|---|---|
| Credit risk and pricing committees | Which models to use and with what overlays | Performance, calibration and fairness evidence |
| Специалисты по валидации моделей | Whether models are fit for purpose | Back-testing and benchmark comparison |
| Conduct and fair lending supervisors | Законны ли и справедливы ли результаты модели | Outcome data and adverse action practice |
| Комитеты по аудиту | Whether provisioning models and overlays are reasonable | Model outputs and adjustment rationale |
Результаты, которые даёт эта тема
- Guide to credit and pricing model performance measures
- Методологическая записка о проверке на дискриминацию через прокси-переменные
- Brief on post-model adjustments and what they reveal
- Questions for credit committees on model limits
Что спрашивают эксперты.
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?
- Can the institution explain to a customer why credit was refused or a price set?
- Как модель работает на протяжении экономического цикла, а не только в благоприятных условиях?
- How do alternative data sources affect accuracy, inclusion and privacy?
Механизмы и движущие факторы.
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.
Как это изучается и где пределы методов.
| Метод или данные | Что он показывает | Ограничения |
|---|---|---|
| Discrimination and calibration testing | Accuracy and calibration across groups | Protected attributes may not be recorded |
| Показатели справедливости | Диспропорции в результатах или ошибках | Different metrics can conflict |
| Explanation methods | Main drivers of individual decisions | Approximate explanations of complex models |
| Through-the-cycle backtesting | Performance across conditions | В данных мало спадов |
Как это изучается и чего методы не могут сказать.
- 01Теория вероятностей и статистикаТестирование калибровки · Статистика дрейфа · Сравнение результатов по группамПрименяется здесь
- 02Искусственный интеллект и машинное обучениеКредитные модели на основе градиентного бустинга · Языковые модели в операциях · Обнаружение аномалийПрименяется здесь
- 03Количественная оценка неопределённости и валидация моделейИнтервалы прогнозирования для моделей убытков · Ансамбли моделей · Капитал или буферы на модельный рискПрименяется здесь
- 04Инженерная оценка ИИ и обеспечение уверенностиВалидация моделей машинного обучения · Тестирование генеративного ИИ «красной командой» · Оценка справедливостиПрименяется здесь
Вопросы и ответы.
What does a Gini coefficient measure for a scorecard?
What is a post-model adjustment?
Can a model discriminate without using protected characteristics?
Does alternative data improve inclusion?
Does the platform assess lenders’ models?
Поделитесь доказательствами с этой страницы.
Reports является ежеквартальным изданием Консорциума. Ваши знания по этой теме могут стать доказательством, кейсом или исправлением в следующем выпуске с указанием вашего авторства и публикацией по лицензии CC BY 4.0, если это ваша собственная работа.
- Электронная почтаКонтрольная точка GW-GRAОтправьте с этой страницыДоказательная база, исправление, случай, метод, рецензия, перевод или вклад в профиль. Материал приходит с пометкой этой страницы, поэтому его получает редактор, отвечающий за неё.
- 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.
Никогда не отправляйте персональные данные, сведения о чувствительной инфраструктуре или то, чем вы не вправе делиться. Материал проходит рассмотрение перед использованием; его отправка не дает авторских или редакционных прав, а спонсорство никогда не покупает выводы.
Обратитесь в Альянс с вопросом о подверженности или капитале.
Информация и запросы открыты уже сегодня. Запрос получает номер и указывает следующий шаг; заявки, платежи, выделение вычислительных ресурсов и регистрации открываются только тогда, когда существуют их команда, условия и возможности для проверки.
Юридические документы.
Карты, данные и рисунки на этом сайте приводятся для контекста и общей информации. Они не являются советом, прогнозом или предупреждением; ограничения информации изложены в Оговорках и уведомлениях о данных.