Skip to content

GRA · Yapay Zekâ ve Finansal Model Riski

Mekânsal finansSermayenin tehlike, maruziyet ve geçişle buluştuğu yer

Model riski yönetişimi

Model risk is the potential for loss or harm from decisions based on models that are wrong or misused. Banks, insurers and asset managers manage it through model inventories, risk tiering, independent validation, approval and ongoing monitoring, overseen by boards and senior management. Machine learning and generative AI widen what counts as a model. This page sets out how model risk governance works and fails, the records involved, and who decides.

01Sicil

Model risk governance on the record.

02Soru

Model risk governance: how the risk develops.

Inventory, ownership and validation. 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

Inventories miss models

Spreadsheets, vendor tools and AI components often sit outside the model inventory. Unlisted models escape validation and monitoring, and their errors surface only when losses or complaints arrive.

Mekanizma

Zorluk hafifler

Bağımsızlıktan, yetkinlikten veya bir modeli durdurma yetkisinden yoksun doğrulama bir formaliteye dönüşür. Etkili sorgulama, yöntemi anlayan ve kullanımı engelleyebilen doğrulayıcılar gerektirir.

Mekanizma

Tiering sets attention

Models are tiered by materiality and complexity, which decides validation depth. Underestimating a model’s materiality, or the reach of an AI tool, leaves high-impact models lightly reviewed.

Mekanizma

Models interact

Outputs of one model feed others: a score feeds pricing, which feeds capital. An error upstream propagates, and aggregate model risk across the chain is rarely measured.

03İzleme

Model riski yaşam döngüsü.

Bir ekibin bu konuyu izlemek için kullanacağı ekran: ölçütleri, durumları ve kararları. Adlar örnektir ve değerler açıklayıcıdır.

Model riski yaşam döngüsü

Model risk governance · Model inventory · Committee 9

9 validations overdueGRA · AI and Financial Model Risk

Yaşam döngüsü

  1. Envanterkayıtlı
  2. Geliştirinbelgelendi
  3. Doğrulayınbağımsız
  4. Onaylamakomite
  5. Uygulamakontroller
  6. İzlemeeşikler
  7. İncelemeyıllık
  8. Kullanımdan kaldırındevreden çıkarma

Modeller

MD-204 PD retailKademe 114 months3Süresi geçti
MD-511 LLM complaints triageKademe 1asla0Doğrulanmadı
MD-164 IFRS 9 aşamalandırmasıKademe 18 ay1Onaylandı
MD-534 marketing propensityKademe 317 months0Onaylandı

Doğrulama kapsamı

Kavramsal sağlamlık
Sürüyor
Sonuç analizi
Beklemede
Kıyaslama
Beklemede
Kullanım sınırları
insan incelemesi gerekli
Model risk lifecycle: the screen’s structure, terms and states for Model risk governance.Example names and illustrative values; a design, not a record or a live system.
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
Envanterdeki modellerkatmana göre sayıüç ayda birModel envanteriBEYAN EDİLDİ
Models validated within policy cycleshare by tierüç ayda birDoğrulama kayıtlarıBEYAN EDİLDİ
Açık doğrulama bulgularışiddete göre sayıüç ayda birDoğrulama kayıtlarıBEYAN EDİLDİ
Models used with exceptions or restrictionssayıüç ayda birModel governance recordsBEYAN EDİLDİ
AI and machine learning models in inventorycount and shareyıllıkInventory and surveysBEYAN EDİLDİ
Supervisory findings on model risk managementsayıyıllıkSupervisory reportsYayımlanmış istatistikler
05Senaryo modeli

Politika yolları ve riske etkileri.

Üç araç ailesinin benimseme gecikmeleri, kapsam ve uyumla birlikte bir risk sonucunu zaman içinde nasıl değiştirdiği; geçiş ve fiziksel risk değerlendirmelerinin ardındaki politika senaryoları. Senaryo: gelecek hakkında adlandırılmış varsayımlar; bir tahmin değildir.

Kontroller

Sonucun temel eğilimi
Yılda %2,0
Aracın kapsamı
70%
Uyum
75%
Etki büyüklüğü, öğretim değerine göre
100%
İleriki yıllar
20 yıl

Okumalar

Ufukta en büyük azalma
Düzenleme
Başlangıç düzeyine göre azalması
21%
Sayılar, yöntemler ve kaynaklar
YılReferansDüzenlemeEkonomik teşvikBilgi ve kapasite
0100.099.598.899.1
1102.0101.2100.199.8
2104.0102.5101.199.9
3106.1103.5101.6100.0
4108.2103.7101.8100.7
5110.4103.2101.7102.1
6112.6102.0101.6103.9
7114.9100.4101.6105.9
8117.299.2102.1108.0
9119.598.6102.9110.1
10121.998.9104.2112.3
11124.399.7105.7114.5
12126.8101.1107.4116.8
13129.4102.7109.4119.2
14131.9104.5111.4121.6
15134.6106.5113.5124.0
16137.3108.5115.7126.5
17140.0110.7118.0129.0
18142.8112.9120.4131.6
19145.7115.1122.8134.2
20148.6117.4125.2136.9

Yöntemler

  1. Tools of government Hood (1983), The Tools of Government, Macmillan
  2. Carrots, sticks and sermons Bemelmans-Videc, Rist and Vedung (1998), Transaction
  3. Diffusion of innovations Rogers (2003), Diffusion of Innovations, Free Press
  4. Belirsizlik yelpazesi (parametrik Monte Carlo) Spiegelhalter, Pearson ve Short (2011), Gelecek hakkında belirsizliğin görselleştirilmesi, Science 333
  5. One-at-a-time sensitivity (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley

Veri

The model runs on the teaching values set by the controls. To calibrate it for a place, read it against these admitted layers and series, which this page’s map can draw:

  • Borders Natural Earth
  • Cities Natural Earth
Politika patikaları ve bunların riske etkisi. Açıklayıcı öğretim modeli: ölçülen verilerle değil, kontrollerle belirlenen değerlerle çalışır. Yöntemler: devletin araçları (Hood (1983), The Tools of Government, Macmillan); havuçlar, sopalar ve vaazlar (Bemelmans-Videc, Rist ve Vedung (1998), Transaction); yeniliklerin yayılması (Rogers (2003), Diffusion of Innovations, Free Press).
06Kaynaklar

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
Federal Reserve and OCC SR 11-7 guidanceModel risk management expectationsKamu malı
PRA SS1/23 model risk management principlesUK principles for banksÜcretsiz, Bank of England koşulları
ECB guide to internal modelsExpectations for internal models used for capitalÜcretsiz, ECB koşulları
Bank of England and FCA surveys of AI and machine learning in UK financial servicesYapay zekânın firmalarda kullanımı ve yönetişimiÜcretsiz, Bank of England ve FCA koşulları
EBA follow-up reports on machine learning for internal ratings-based modelsSupervisory views on ML in capital modelsÜcretsiz, AB yeniden kullanım koşulları
07Maruziyet, kayıp ve sermaye

Model riski yönetişiminin maruziyet, kayıp ve sermaye açısından ne anlama geldiği.

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.

Aktarım kanalları

How a shock in model risk governance reaches credit, market, underwriting, liquidity and operational risk, and feeds back.

Channel structure after the Basel Committee’s work on climate-related risk drivers and transmission channels; links shown are typical paths, not estimated exposures.
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
08Kararlar

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
Boards and senior managementWhat model risk appetite to set and how to oversee itInventory, tiering, findings and incident evidence
Model risk management functionsHangi modellerin doğrulanacağı, onaylanacağı, kısıtlanacağı veya emekliye ayrılacağıValidation results and monitoring
İhtiyati denetim otoriteleriModel riski yönetiminin beklentileri karşılayıp karşılamadığıSupervisory reviews and firm reporting
İç denetimWhether the model risk framework operates as designedYönetişim ve doğrulama kayıtları

Bu konunun ürettiği çıktılar

  • Model envanterleri, kademelendirme ve doğrulama rehberi
  • Brief on extending model risk management to AI and generative AI
  • Method note on effective challenge
  • Questions for boards on aggregate model risk
09Temel sorular

Uzmanların sordukları.

Governance questions begin with knowing what models exist.

  • What counts as a model, and does the definition capture machine learning, vendor tools and generative AI?
  • Is every model in the inventory, with an accountable owner and a risk tier?
  • Doğrulama, geliştiricilere meydan okumada gerçekten bağımsız ve etkili mi?
  • How are model limitations documented and communicated to users?
  • Does the board understand the institution’s aggregate model risk?
10Mekanizmalar

Mekanizmalar ve etkenler.

Models fail through flawed design, poor data, implementation errors, or use beyond their intended scope. Governance frameworks address these through development standards, independent validation and ongoing monitoring, scaled to each model’s materiality. Supervisory guidance on model risk management in several jurisdictions sets expectations along these lines.

AI strains traditional frameworks. Machine learning models can be numerous, frequently retrained and embedded in processes; generative AI tools may be adopted informally by staff; vendor models may be opaque. Inventories that miss these uses leave risk unmanaged.

11Yöntemler ve veriler

Nasıl incelendiği ve yöntemlerin nerede durduğu.

Yöntem veya veriGösterdiğiSınırlar
Model inventories and tieringWhich models exist and how material they areGayriresmî ve gömülü yapay zeka kullanımları kolayca gözden kaçar
Bağımsız doğrulamaSoundness of design, data and implementationDoğrulama; zaman, beceri ve satıcı ayrıntılarına erişim ile sınırlıdır
Governance benchmarkingHow institutions organise model riskSelf-reported and hard to compare
Sorun ve bulgu analiziRecurring weaknessesBulgular firmalar içinde gizlidir
12Yöntemler

Nasıl incelendiği ve yöntemlerin söyleyemeyecekleri.

13Sorular

Sorular ve yanıtlar.

Model riski nedir?
The potential for adverse consequences from decisions based on incorrect or misused model outputs, as SR 11-7 describes it, including financial loss, poor decisions and reputational harm.
Etkili sorgulama (effective challenge) nedir?
Critical, independent analysis of a model by people with the competence, influence and incentives to identify limitations and require changes.
Are AI models covered by model risk rules?
Supervisors such as the PRA state that model risk principles apply to AI and machine learning models, with attention to their specific risks.
Do spreadsheets and generative AI tools count as models?
Many frameworks define models by function rather than technology, so tools that produce quantitative estimates or influence decisions can fall within scope. Each institution applies its own definition under its supervisors’ expectations.
Does the platform review firms’ frameworks?
No. GRA does not review, validate or approve firms’ frameworks or models.
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.