Skip to content

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.

01Sicil

Credit and pricing models on the record.

02Soru

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.

Mekanizma

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.

Mekanizma

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.

Mekanizma

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.

Mekanizma

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.

03Maruziyet, kayıp ve sermaye

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.

GöstergeBirimKimler okurÇerçeve
CET1 oranıRisk ağırlıklı varlıkların %'siBankalar, denetim kurumlarıBasel çerçevesi
Likidite karşılama oranıStres altındaki çıkışların %'siBankalar, merkez bankalarıBasel çerçevesi
Ödeme gücü oranıÖdeme gücü sermaye gereksiniminin %'siSigortacılar, denetim kurumlarıIAIS Sigorta Temel İlkeleri
Bileşik oranKazanılmış primin %'siSigortacılarAktüerya uygulaması
Koruma açığıekonomik kaybın sigortasız payıSigortacılar, maliye bakanlıklarıYayımlanmış kayıp istatistikleri
Kamu borcuGSYH'nin %'siMaliye bakanlıkları, IMFBorç Sürdürülebilirliği Çerçevesi
Brüt finansman ihtiyaçlarıYılda GSYH'nin %'siMaliye bakanlıkları, yatırımcılarBorç Sürdürülebilirliği Çerçevesi
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.
NGFS iklim senaryoları · Network for Greening the Financial SystemIFRS S2 İklimle İlgili Açıklamalar · ISSBTCFD tavsiyeleri · Finansal İstikrar Kurulu TCFDİklimle ilgili finansal risklerin etkin yönetimine ilişkin ilkeler · Basel Bankacılık Denetim Komitesi
04Göstergeler

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.

GöstergeBirimSıklıkKaynak türüEtiket
Discriminatory power of scorecardsGini coefficient or area under the curveüç ayda birModel izlemeTAHMİNİ
Calibration of probability of defaultobserved default rate against predicted, ratioyıllıkBack-testingTAHMİNİ
Population stability indexboyutsuzaylıkModel izlemeTAHMİNİ
Gruplar arasında onay oranı farklarıratio of approval ratesperiyodikFair lending analysisTAHMİNİ
Overrides of model decisionsshare of decisionsaylıkKarar kayıtlarıGÖZLENEN
Beklenen kredi zararı modeli ayarlamalarımodel sonrası düzeltmelerin güncelliğiüç ayda birMali tablolarYayımlanmış istatistikler
05Kaynaklar

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.

KaynakSağladıklarıLisans sınıfı
EBA guidelines on loan origination and monitoringExpectations for credit decision models including automated modelsÜcretsiz, AB yeniden kullanım koşulları
CFPB circulars on adverse action and complex algorithmsUnited States expectations for explaining credit denialsKamu malı
HMDA verileriUnited States mortgage application and outcome dataKamu malı
Bank Pillar 3 credit risk disclosuresTemerrüt olasılığı geriye dönük testi ve model sonuçlarıKamu kayıtları, koşullar bankaya göre değişir
Actuarial and insurance supervisory publications on pricing modelsPractice and expectations for pricing modelsÜcretsiz, koşullar yayımcıya göre değişir
06Kararlar

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 verirSoruBu sayfanın hizmet ettiği kanıt
Credit risk and pricing committeesWhich models to use and with what overlaysPerformance, calibration and fairness evidence
Model doğrulayıcılarıWhether models are fit for purposeBack-testing and benchmark comparison
Conduct and fair lending supervisorsWhether model outcomes are lawful and fairOutcome data and adverse action practice
Denetim komiteleriWhether provisioning models and overlays are reasonableModel 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
07Temel sorular

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?
08Mekanizmalar

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.

09Yöntemler ve veriler

Nasıl incelendiği ve yöntemlerin nerede durduğu.

Yöntem veya veriGösterdiğiSınırlar
Discrimination and calibration testingAccuracy and calibration across groupsKorunan nitelikler kaydedilmemiş olabilir
Adalet ölçütleriSonuçlardaki veya hatalardaki eşitsizliklerDifferent metrics can conflict
Explanation methodsMain drivers of individual decisionsApproximate explanations of complex models
Through-the-cycle backtestingFarklı koşullarda performansFew downturns in the data
11Sorular

Sorular ve yanıtlar.

What does a Gini coefficient measure for a scorecard?
How well the score ranks borrowers who later default above those who do not; it measures ranking power, not whether predicted default rates are accurate.
What is a post-model adjustment?
A management overlay applied to model output, often for expected credit loss, when the model is judged not to capture current conditions.
Bir model, korunan özellikleri kullanmadan ayrımcılık yapabilir mi?
Yes. Variables that correlate with protected characteristics can produce disparate outcomes, which is why fairness testing looks at outcomes as well as inputs.
Alternatif veriler finansal kapsayıcılığı artırır mı?
It can help people with thin credit files, but it also raises privacy, accuracy and fairness questions that need testing.
Does the platform assess lenders’ models?
Hayır. GRA hiçbir modeli değerlendirmez, doğrulamaz veya onaylamaz.
RaporlarKatkıda bulunun

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.

Global Risks AllianceAI and Financial Model RiskMethods and TechnicalExponential Technology
Yapay Zekâ ve Finansal Model Riski

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.