梯度提升信用模型
考察信用评分中使用的树集成模型在排序能力方面的提升、对数据偏移的敏感性,以及如何向申请人解释其理由。
GRA · 人工智能与金融模型风险
空间金融资本与危害、风险暴露和转型的交汇之处
Artificial intelligence and machine learning are methods that learn patterns from data to predict, classify or generate. On this platform they are explained as the techniques behind modern credit, pricing, fraud and generative tools, and as sources of model risk with distinctive failure modes.
人工智能和机器学习开发能够从数据中学习模式的算法,用于分类、预测或生成输出。它们越来越多地用于危害检测、预测和决策支持,其本身也是风险来源。在人工智能与金融稳定领域,机器学习可在相互关联的 系统中扩大检测和预报的规模。当自动化输出为重大决策提供依据时,必须权衡其自身的失效模式。标准表述见 STEM Commons.
考察信用评分中使用的树集成模型在排序能力方面的提升、对数据偏移的敏感性,以及如何向申请人解释其理由。
用于摘要文件和起草回复的大语言模型,在部署前要评估其事实准确性、依据性和数据处理。
Unsupervised methods that flag unusual transactions or trades are examined for false positive rates and for how alerts are reviewed by staff.
风险官、监管者或财政部会要求的风险暴露、损失、情景和资本视图,以及它们据以报告的框架。结构遵循监管和精算实务。数值为说明性:绝非价格、评级或建议。
How a shock in Artificial intelligence and machine learning for AI and financial model risk reaches credit, market, underwriting, liquidity and operational risk, and feeds back.
| 数据 | 角色 | 标签 |
|---|---|---|
| 带标签的历史决策与结果 | 训练与测试 | 已报告 |
| Evaluation datasets | Performance measurement | 观测 |
| 模型文档 | 设计与局限 | 已声明 |
Process explorer · Process
9 steps·5 stages·1 gate
流程
AI RMF 核心包含四项职能:GOVERN、MAP、MEASURE 和 MANAGE,其中 GOVERN 贯穿其他各项;图中所示顺序只是一种常见的解读方式,并非检查清单。
对已发布的外部标准或方法的中立概述,内容来自其发布机构。并非运行记录。Nexus 不执行、认证或批准所示的任何步骤。关卡或决定归属于来源所指明的一方。这些行动不一定构成有先后顺序的步骤。本流程图未纳入欧盟《人工智能法案》。
模型在尊重空间、时间与群体结构的留出数据上进行评估。在测试准确性的同时,也测试稳健性、校准与公平性。
| 核查 | 如何开展 |
|---|---|
| 样本外时间测试 | 模型在晚于训练数据的时期上进行测试 |
| 基准比较 | 复杂模型与较简单的替代方案进行比较 |
| 稳定 | 跨再训练运行检查性能和解释 |
当部署条件与训练数据不同时,性能会下降。模型可能固化偏见,并在罕见事件上毫无明显预警地失效。
Reports 是联合体的季刊。您对该主题的了解可以成为下一期中的证据、案例或更正,署名归您,并在属于您本人作品时以 CC BY 4.0 发布。
切勿发送个人数据、敏感基础设施细节或您无权分享的任何内容。贡献在使用前会经过审查;发送贡献不赋予署名权或编辑权,赞助也绝不能换取研究结论。
本网站上的地图、数据和图表仅作为背景和一般信息展示。它们不是建议、预测或预警;信息的局限见免责声明和数据说明。