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.
Model risk governance on the record.
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.
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.
Zorluk hafifler
Bağımsızlıktan, yetkinlikten veya bir modeli durdurma yetkisinden yoksun doğrulama bir formaliteye dönüşür. Etkili sorgulama, yöntemi anlayan ve kullanımı engelleyebilen doğrulayıcılar gerektirir.
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.
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.
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
Yaşam döngüsü
- Envanterkayıtlı
- Geliştirinbelgelendi
- Doğrulayınbağımsız
- Onaylamakomite
- Uygulamakontroller
- İzlemeeşikler
- İncelemeyıllık
- Kullanımdan kaldırındevreden çıkarma
Modeller
| MD-204 PD retail | Kademe 1 | 14 months | 3 | Süresi geçti |
| MD-511 LLM complaints triage | Kademe 1 | asla | 0 | Doğrulanmadı |
| MD-164 IFRS 9 aşamalandırması | Kademe 1 | 8 ay | 1 | Onaylandı |
| MD-534 marketing propensity | Kademe 3 | 17 months | 0 | Onaylandı |
Doğrulama kapsamı
- Kavramsal sağlamlık
- Sürüyor
- Sonuç analizi
- Beklemede
- Kıyaslama
- Beklemede
- Kullanım sınırları
- insan incelemesi gerekli
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 |
|---|---|---|---|---|
| Envanterdeki modeller | katmana göre sayı | üç ayda bir | Model envanteri | BEYAN EDİLDİ |
| Models validated within policy cycle | share by tier | üç ayda bir | Doğrulama kayıtları | BEYAN EDİLDİ |
| Açık doğrulama bulguları | şiddete göre sayı | üç ayda bir | Doğrulama kayıtları | BEYAN EDİLDİ |
| Models used with exceptions or restrictions | sayı | üç ayda bir | Model governance records | BEYAN EDİLDİ |
| AI and machine learning models in inventory | count and share | yıllık | Inventory and surveys | BEYAN EDİLDİ |
| Supervisory findings on model risk management | sayı | yıllık | Supervisory reports | Yayımlanmış istatistikler |
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
| Yıl | Referans | Düzenleme | Ekonomik teşvik | Bilgi ve kapasite |
|---|---|---|---|---|
| 0 | 100.0 | 99.5 | 98.8 | 99.1 |
| 1 | 102.0 | 101.2 | 100.1 | 99.8 |
| 2 | 104.0 | 102.5 | 101.1 | 99.9 |
| 3 | 106.1 | 103.5 | 101.6 | 100.0 |
| 4 | 108.2 | 103.7 | 101.8 | 100.7 |
| 5 | 110.4 | 103.2 | 101.7 | 102.1 |
| 6 | 112.6 | 102.0 | 101.6 | 103.9 |
| 7 | 114.9 | 100.4 | 101.6 | 105.9 |
| 8 | 117.2 | 99.2 | 102.1 | 108.0 |
| 9 | 119.5 | 98.6 | 102.9 | 110.1 |
| 10 | 121.9 | 98.9 | 104.2 | 112.3 |
| 11 | 124.3 | 99.7 | 105.7 | 114.5 |
| 12 | 126.8 | 101.1 | 107.4 | 116.8 |
| 13 | 129.4 | 102.7 | 109.4 | 119.2 |
| 14 | 131.9 | 104.5 | 111.4 | 121.6 |
| 15 | 134.6 | 106.5 | 113.5 | 124.0 |
| 16 | 137.3 | 108.5 | 115.7 | 126.5 |
| 17 | 140.0 | 110.7 | 118.0 | 129.0 |
| 18 | 142.8 | 112.9 | 120.4 | 131.6 |
| 19 | 145.7 | 115.1 | 122.8 | 134.2 |
| 20 | 148.6 | 117.4 | 125.2 | 136.9 |
Yöntemler
- Tools of government Hood (1983), The Tools of Government, Macmillan
- Carrots, sticks and sermons Bemelmans-Videc, Rist and Vedung (1998), Transaction
- Diffusion of innovations Rogers (2003), Diffusion of Innovations, Free Press
- Belirsizlik yelpazesi (parametrik Monte Carlo) Spiegelhalter, Pearson ve Short (2011), Gelecek hakkında belirsizliğin görselleştirilmesi, Science 333
- 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
Nexus Consortium'un yürüttüğü altı ayak genelinde
- Deneyler Laboratuvarlar
- Yerleşik Foundry'de Yapay Zekâ ve Finansal Model Riski
- Test edildiği yer Universe'te Yapay Zekâ ve Finansal Model Riski
- Kodlandığı yer Standards'ta Dijital, Siber ve YZ
- Yayımlandığı yer Reports'ta Yapay Zekâ ve Finansal Model Riski
- Öğretildiği yer Academy'de Teknoloji ve Dijital Sistemler Fakültesi
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 |
|---|---|---|
| Federal Reserve and OCC SR 11-7 guidance | Model risk management expectations | Kamu malı |
| PRA SS1/23 model risk management principles | UK principles for banks | Ücretsiz, Bank of England koşulları |
| ECB guide to internal models | Expectations for internal models used for capital | Ücretsiz, ECB koşulları |
| Bank of England and FCA surveys of AI and machine learning in UK financial services | Yapay zekânın firmalarda kullanımı ve yönetişimi | Ücretsiz, Bank of England ve FCA koşulları |
| EBA follow-up reports on machine learning for internal ratings-based models | Supervisory views on ML in capital models | Ücretsiz, AB yeniden kullanım koşulları |
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.
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 |
|---|---|---|
| Boards and senior management | What model risk appetite to set and how to oversee it | Inventory, tiering, findings and incident evidence |
| Model risk management functions | Hangi modellerin doğrulanacağı, onaylanacağı, kısıtlanacağı veya emekliye ayrılacağı | Validation results and monitoring |
| İhtiyati denetim otoriteleri | Model riski yönetiminin beklentileri karşılayıp karşılamadığı | Supervisory reviews and firm reporting |
| İç denetim | Whether the model risk framework operates as designed | Yönetişim 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
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?
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.
Nasıl incelendiği ve yöntemlerin nerede durduğu.
| Yöntem veya veri | Gösterdiği | Sınırlar |
|---|---|---|
| Model inventories and tiering | Which models exist and how material they are | Gayriresmî ve gömülü yapay zeka kullanımları kolayca gözden kaçar |
| Bağımsız doğrulama | Soundness of design, data and implementation | Doğrulama; zaman, beceri ve satıcı ayrıntılarına erişim ile sınırlıdır |
| Governance benchmarking | How institutions organise model risk | Self-reported and hard to compare |
| Sorun ve bulgu analizi | Recurring weaknesses | Bulgular firmalar içinde gizlidir |
Nasıl incelendiği ve yöntemlerin söyleyemeyecekleri.
- 01Yapay zekâ değerlendirme ve güvence mühendisliğiMakine öğrenmesi modellerinin doğrulanması · Üretken yapay zekâya yönelik kırmızı takım testleri · Adalet değerlendirmesiBurada uygulanır
- 02Olasılık ve istatistikKalibrasyon testi · Sapma istatistikleri · Grup sonuçlarının karşılaştırılmasıBurada uygulanır
- 03Belirsizliğin nicelleştirilmesi ve model doğrulamasıKayıp modelleri için tahmin aralıkları · Model toplulukları · Model riski sermayesi veya tamponlarıBurada uygulanır
- 04Yapay zekâ ve makine öğrenmesiGradyan artırmalı kredi modelleri · Operasyonlarda dil modelleri · Anomali tespitiBurada uygulanır
Sorular ve yanıtlar.
Model riski nedir?
Etkili sorgulama (effective challenge) nedir?
Are AI models covered by model risk rules?
Do spreadsheets and generative AI tools count as models?
Does the platform review firms’ frameworks?
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.