GRA · Yapay Zekâ ve Finansal Model Riski
Mekânsal finansSermayenin tehlike, maruziyet ve geçişle buluştuğu yer
Kredi ve fiyatlama modelleri
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.
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
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.
Bir risk yöneticisinin, denetim kurumunun veya maliye bakanlığının talep edeceği maruziyet, kayıp, senaryo ve sermaye görünümleri ile raporlama yaptıkları çerçeveler. Yapılar denetim ve aktüerya uygulamalarını izler. Değerler açıklayıcıdır: asla fiyat, derecelendirme veya tavsiye değildir.
Sermaye, ödeme gücü ve mali göstergeler
Bir risk yetkilisinin, denetçinin veya maliye bakanlığının kredi ve fiyatlama modelleri konusunda ilk okuduğu göstergeler.
| Gösterge | Birim | Kimler okur | Çerçeve |
|---|---|---|---|
| CET1 oranı | Risk ağırlıklı varlıkların %'si | Bankalar, denetim kurumları | Basel çerçevesi |
| Likidite karşılama oranı | Stres altındaki çıkışların %'si | Bankalar, merkez bankaları | Basel çerçevesi |
| Ödeme gücü oranı | Ödeme gücü sermaye gereksiniminin %'si | Sigortacılar, denetim kurumları | IAIS Sigorta Temel İlkeleri |
| Bileşik oran | Kazanılmış primin %'si | Sigortacılar | Aktüerya uygulaması |
| Koruma açığı | ekonomik kaybın sigortasız payı | Sigortacılar, maliye bakanlıkları | Yayımlanmış kayıp istatistikleri |
| Kamu borcu | GSYH'nin %'si | Maliye bakanlıkları, IMF | Borç Sürdürülebilirliği Çerçevesi |
| Brüt finansman ihtiyaçları | Yılda GSYH'nin %'si | Maliye bakanlıkları, yatırımcılar | Borç Sürdürülebilirliği Çerçevesi |
Neyin ve ne kadar iyi ölçüldüğü.
Her gösterge birimini, sıklığını, ardındaki kaynak türünü ve bir değerin taşıyacağı kanıt etiketini taşır. Hiçbir değer gösterilmez: değerleri bir program kendi yetkisi altında sağlar.
| Gösterge | Birim | Sıklık | Kaynak türü | Etiket |
|---|---|---|---|---|
| Discriminatory power of scorecards | Gini coefficient or area under the curve | üç ayda bir | Model izleme | TAHMİNİ |
| Calibration of probability of default | observed default rate against predicted, ratio | yıllık | Back-testing | TAHMİNİ |
| Population stability index | boyutsuz | aylık | Model izleme | TAHMİNİ |
| Gruplar arasında onay oranı farkları | ratio of approval rates | periyodik | Fair lending analysis | TAHMİNİ |
| Overrides of model decisions | share of decisions | aylık | Karar kayıtları | GÖZLENEN |
| Beklenen kredi zararı modeli ayarlamaları | model sonrası düzeltmelerin güncelliği | üç ayda bir | Mali tablolar | Yayımlanmış istatistikler |
Kanıtın nereden geldiği.
Her biri lisans sınıfıyla birlikte, adı belirtilmiş kamuya açık veri kümeleri ve kurumsal kayıtlar. Anlaşmaya dayalı kaynaklar yalnızca koşullarına göre kullanılır ve asla yeniden yayımlanmaz.
| Kaynak | Sağladıkları | Lisans sınıfı |
|---|---|---|
| EBA guidelines on loan origination and monitoring | Expectations for credit decision models including automated models | Ücretsiz, AB yeniden kullanım koşulları |
| CFPB circulars on adverse action and complex algorithms | United States expectations for explaining credit denials | Kamu malı |
| HMDA verileri | United States mortgage application and outcome data | Kamu malı |
| Bank Pillar 3 credit risk disclosures | Temerrüt olasılığı geriye dönük testi ve model sonuçları | Kamu kayıtları, koşullar bankaya göre değişir |
| Actuarial and insurance supervisory publications on pricing models | Practice and expectations for pricing models | Ücretsiz, koşullar yayımcıya göre değişir |
Kim karar verir ve kanıt neye hizmet eder.
Yapay Zekâ ve Finansal Model Riski kanıt hazırlar. Aşağıdaki kararları, kendi kuralları çerçevesinde adı geçen yetkili makamlar alır; platform asla almaz.
| Kim karar verir | Soru | Bu sayfanın hizmet ettiği kanıt |
|---|---|---|
| Credit risk and pricing committees | Which models to use and with what overlays | Performance, calibration and fairness evidence |
| Model doğrulayıcıları | Whether models are fit for purpose | Back-testing and benchmark comparison |
| Conduct and fair lending supervisors | Whether model outcomes are lawful and fair | Outcome data and adverse action practice |
| Denetim komiteleri | Whether provisioning models and overlays are reasonable | Model outputs and adjustment rationale |
Bu konunun ürettiği çıktılar
- Guide to credit and pricing model performance measures
- Vekil değişken yoluyla ayrımcılığın test edilmesine ilişkin yöntem notu
- Brief on post-model adjustments and what they reveal
- Questions for credit committees on model limits
Uzmanların sordukları.
Kredi ve fiyatlama soruları doğruluğu, adaleti ve yasallığı bir araya getirir.
- 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?
- Model yalnızca elverişli koşullarda değil, ekonomik döngü boyunca nasıl performans gösterir?
- How do alternative data sources affect accuracy, inclusion and privacy?
Mekanizmalar ve etkenler.
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.
Nasıl incelendiği ve yöntemlerin nerede durduğu.
| Yöntem veya veri | Gösterdiği | Sınırlar |
|---|---|---|
| Discrimination and calibration testing | Accuracy and calibration across groups | Korunan nitelikler kaydedilmemiş olabilir |
| Adalet ölçütleri | Sonuçlardaki veya hatalardaki eşitsizlikler | Different metrics can conflict |
| Explanation methods | Main drivers of individual decisions | Approximate explanations of complex models |
| Through-the-cycle backtesting | Farklı koşullarda performans | Few downturns in the data |
Nasıl incelendiği ve yöntemlerin söyleyemeyecekleri.
- 01Olasılık ve istatistikKalibrasyon testi · Sapma istatistikleri · Grup sonuçlarının karşılaştırılmasıBurada uygulanır
- 02Yapay zekâ ve makine öğrenmesiGradyan artırmalı kredi modelleri · Operasyonlarda dil modelleri · Anomali tespitiBurada uygulanır
- 03Belirsizliğin nicelleştirilmesi ve model doğrulamasıKayıp modelleri için tahmin aralıkları · Model toplulukları · Model riski sermayesi veya tamponlarıBurada uygulanır
- 04Yapay zekâ değerlendirme ve güvence mühendisliğiMakine öğrenmesi modellerinin doğrulanması · Üretken yapay zekâya yönelik kırmızı takım testleri · Adalet değerlendirmesiBurada uygulanır
Sorular ve yanıtlar.
What does a Gini coefficient measure for a scorecard?
What is a post-model adjustment?
Bir model, korunan özellikleri kullanmadan ayrımcılık yapabilir mi?
Alternatif veriler finansal kapsayıcılığı artırır mı?
Does the platform assess lenders’ models?
Bu sayfadan kanıt katkısında bulunun.
Reports, Konsorsiyumun üç ayda bir yayımlanan yayınıdır. Bu konu hakkında bildikleriniz bir sonraki sayıda kanıt, vaka veya düzeltme olabilir; size atfedilir ve kendi çalışmanızsa CC BY 4.0 kapsamında yayımlanır.
- E-postaGeçit GW-GRABu sayfadan gönderinKanıt, bir düzeltme, bir vaka, bir yöntem, bir inceleme, bir çeviri veya profil girdisi. Bu sayfayla etiketlenmiş olarak gelir; böylece sayfanın sahibi editör onu alır.
- 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.
Hiçbir zaman kişisel veri, hassas altyapı ayrıntısı veya paylaşma hakkınız olmayan hiçbir şey göndermeyin. Bir katkı kullanılmadan önce incelenir. Katkıyı göndermek yazarlık veya editoryal hak sağlamaz ve sponsorluk hiçbir zaman bir bulgu satın almaz.
Bir maruziyet veya sermaye sorusunu İttifak'a getirin.
Bilgi ve başvurular bugün açıktır. Bir başvuru bir referans numarası alır ve bir sonraki adımı belirtir; başvurular, ödemeler, işlem kapasitesi tahsisleri ve kayıtlar yalnızca ekipleri, koşulları ve inceleme kapasiteleri mevcut olduğunda açılır.
Hukuki belgeler.
Bu sitedeki haritalar, veriler ve şekiller bağlam ve genel bilgi amacıyla gösterilir. Tavsiye, tahmin ya da uyarı değildir; bilgilerin sınırları Sorumluluk Reddi ve Veri Bildirimleri'nde açıklanmıştır.