Credit decisioning with explainability
Gradient boosting and similar models are developed alongside interpretable scorecards; explanations of individual decisions are produced and tested for stability before any use in lending.
GRA · Banking Nexus
التمويل المكانيحيث يلتقي رأس المال بالخطر والتعرّض والتحول
تعلّم الآلة في القطاع المصرفي
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, الإنذار المبكر of borrower stress and supervisory analysis. In banking they are both a tool and a source of risk: their outputs must be explainable, fair, robust and validated before they influence consequential decisions about customers or capital.
01المحتويات
Machine learning in banking in five parts.
02الطلب
ما يفعله الذكاء الاصطناعي وتعلّم الآلة هنا.
Artificial intelligence and machine learning develop algorithms that learn patterns from data to classify, predict or generate outputs. They are increasingly used for hazard detection, forecasting and decision support, and are themselves a source of risk. In financial stability, capital markets and investment and climate and hazards, machine learning can scale detection and forecasting across interconnected نظم. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM Commons.
Early warning and transaction monitoring
Transaction and account data are used to flag borrowers showing early signs of distress and patterns associated with fraud, with every alert reviewed by a person.
Text analysis for risk and supervision
Language models and text classifiers extract risk signals from filings, incident reports and supervisory documents, with outputs checked against human review.
03الرصد
تدريب النماذج.
الشاشة التي قد يستخدمها فريق لمتابعة هذا المنهج: مقاييسه وحالاته وقراراته. والأسماء أمثلة والقيم توضيحية.
تدريب النماذج
Banking · Machine learning in banking · Run R-5640
انجراف في شريحة واحدةGRA · Banking Nexus
التقييم حسب الشريحة
| الكل | 0.89 | 0.05 | 5695 | المرور |
| المنطقة A | 0.85 | 0.06 | 1734 | المراجعة |
| المنطقة B | 0.68 | 0.09 | 636 | المراجعة |
| فئة نادرة | 0.71 | 0.11 | 144 | دون الحد المطلوب |
بطاقة المنهج
- المنهج
- الذكاء الاصطناعي وتعلم الآلة
- التقسيم
- قائم على الزمن، دون تسرّب
- الخصائص
- 56
- الوسم
- مُنمذَج
استقرار السكان
04البيانات
ما يستهلكه المنهج.
مجموعات البيانات والسجلات التي يستخدمها الذكاء الاصطناعي وتعلّم الآلة في هذه المنصة، مع دور كلٍّ منها والوسم الذي تحمله قيمها. وتُدرج المصادر في سجل المصادر.
| البيانات | الدور | الوسم |
|---|---|---|
| Credit application and performance data | Training and validation | مرصود |
| Transaction records | Monitoring and الإنذار المبكر features | مرصود |
| Public filings and supervisory publications | Text corpora | الإحصاءات المنشورة |
| Cash-flow and alternative data used under consent and law | Additional borrower features | مُبلَّغ عنه |
05اختبار الإجهاد
كيف تتحول صدمة في الأصول إلى خسارة للنظام.
حقوق الملكية التي يفقدها النظام بعد العدوى بين المصارف، مقارنة بالضربة الأولية، مع تغيّر الرافعة المالية والترابط ومعدلات الاسترداد، وهو جوهر اختبار الإجهادالاحترازي الكلي. نموذج تعليمي بقيم توضيحية معلنة، وليس تنبؤًا.
الضوابط
- انخفاض الأصول الخارجية
- 2.0%
- الرافعة المالية (الأصول إلى حقوق الملكية)
- 10 مرات
- حصة الأصول بين المصارف
- 10%
- الاسترداد من المطالبات بين المصارف
- 40%
- المصارف في النظام
- 20
- المصارف الأساسية
- 20% من المصارف
القراءات
- حقوق الملكية المفقودة بسبب الصدمة الأولية
- 18.0%
- حقوق الملكية المفقودة بعد العدوى
- 45.0%
- ما أضافته العدوى (DebtRank)
- 27.0 نقطة
- المصارف المتعثرة
- 0
الأرقام والأساليب والمصادر
| الجولة | حقوق الملكية المفقودة في النظام (%) | المصارف المتعثرة |
|---|---|---|
| 0 | 18.00 | 0 |
| 1 | 28.80 | 0 |
| 2 | 35.28 | 0 |
| 3 | 39.17 | 0 |
| 4 | 41.50 | 0 |
| 5 | 42.90 | 0 |
| 6 | 43.74 | 0 |
| 7 | 44.24 | 0 |
| 8 | 44.55 | 0 |
| 9 | 44.73 | 0 |
| 10 | 44.84 | 0 |
| 11 | 44.90 | 0 |
| 12 | 44.94 | 0 |
| 13 | 44.96 | 0 |
| 14 | 44.98 | 0 |
| 15 | 44.99 | 0 |
| 16 | 44.99 | 0 |
| 17 | 45.00 | 0 |
| 18 | 45.00 | 0 |
| 19 | 45.00 | 0 |
| 20 | 45.00 | 0 |
| 21 | 45.00 | 0 |
| 22 | 45.00 | 0 |
| 23 | 45.00 | 0 |
| 24 | 45.00 | 0 |
| 25 | 45.00 | 0 |
| 26 | 45.00 | 0 |
| 27 | 45.00 | 0 |
| 28 | 45.00 | 0 |
| 29 | 45.00 | 0 |
| 30 | 45.00 | 0 |
المناهج
- DebtRank Battiston and others (2012), Scientific Reports 2:541
- DebtRank التفاضلي Bardoscia and others (2015), PLOS ONE 10
- العدوى في الشبكات المالية Gai and Kapadia (2010), Proc. R. Soc. A 466
- المقاصة في الشبكات المالية Eisenberg and Noe (2001), Management Science 47
- مروحة عدم اليقين (مونت كارلو للمعاملات) Spiegelhalter, Pearson و Short (2011), Visualising uncertainty about the future, Science 333
- تحليل الحساسية لعامل واحد في كل مرة (مخطط الإعصار) Saltelli and others (2008)، Global Sensitivity Analysis: The Primer، Wiley
البيانات
No observed data enters this model: it runs on the teaching values set by the controls, to be replaced with a programme’s own evidence.
عبر الركائز الست، بقيادة Nexus Consortium
- التجارب Labs
- مُضمَّن في Banking Nexus في Foundry
- جرى الاختبار عند Banking Nexus في Universe
- مدوَّن في المالية والتأمين والاقتصاد في Standards
- نُشر في Banking Nexus في Reports
- يُدرَّس في كلية المالية والاقتصاد في Academy
06التحقق
كيف تُفحص النتائج.
تُقيَّم النماذج على بيانات محجوزة تراعي البنية المكانية والزمانية والفئوية. وتُختبر المتانة والمعايرة والإنصاف إلى جانب الدقة.
| التحقق | كيف يُنفَّذ |
|---|---|
| Temporal hold-out | Models are evaluated on periods later than the training data, never on random splits alone |
| Fairness testing | Outcomes are compared across groups using several fairness definitions, and the trade-offs are reported |
| Explanation stability | Explanations are checked for consistency across similar cases and over time |
| Drift monitoring | Input and output distributions are tracked against thresholds that trigger review and retraining |
يتراجع الأداء حين تختلف ظروف النشر عن بيانات التدريب. وقد ترمّز النماذج تحيزات وتخفق دون إنذار واضح في الأحداث النادرة.
07التعرّض والخسائر ورأس المال
What machine learning in banking means for exposure, loss and capital.
عروض التعرّض والخسائر والسيناريوهات ورأس المال التي يطلبها مسؤول المخاطر أو الجهة الرقابية أو وزارة المالية، مع الأطر التي يقدّمون التقارير وفقًا لها. وتتبع الهياكل الممارسات الرقابية والاكتوارية. والقيم توضيحية: وليست أبدًا أسعارًا أو تصنيفات أو مشورة.
مسارات السيناريوهات
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| فئة السيناريو | مخاطر التحول | المخاطر المادية | ما الذي يسأل عنه اختبار الإجهاد |
|---|---|---|---|
| منظم | سياسات مبكرة وتدريجية | أدنى | هل تستطيع المحفظة استيعاب إعادة تسعير تدريجية؟ |
| غير منظم | سياسات متأخرة ومفاجئة | منخفض إلى متوسط | ما الذي ينهار عند إعادة تسعير مفاجئة وتغيّر في الجدارة الائتمانية؟ |
| عالم الاحترار الشديد | سياسات محدودة | مرتفع ومتزايد | أين تتركّز الخسائر المادية في الضمانات والتأمين؟ |
سيناريوهات NGFS المناخية · شبكة تخضير النظام الماليIFRS S2 الإفصاحات المتعلقة بالمناخ · ISSBتوصيات TCFD · مجلس الاستقرار المالي TCFDمبادئ الإدارة الفعالة للمخاطر المالية المرتبطة بالمناخ · لجنة بازل للرقابة المصرفية
09الرعاية
من يحتفظ بالمنهج.
الذكاء الاصطناعي والنظم المستقلة الذكاء الاصطناعي وتعلّم الآلة للاتحاد، وتراجع كيفية تطبيقهما عبر المنصات.
10متصل
إلى أين تقود هذه الصفحة على نطاق الاتحاد.
11أسئلة
أسئلة وأجوبة.
ما حدود الذكاء الاصطناعي وتعلّم الآلة في هذا المجال؟
يتراجع الأداء حين تختلف ظروف النشر عن بيانات التدريب. وقد ترمّز النماذج تحيزات وتخفق دون إنذار واضح في الأحداث النادرة.
كيف تُفحص النتائج؟
تُقيَّم النماذج على بيانات محجوزة تراعي البنية المكانية والزمانية والفئوية. وتُختبر المتانة والمعايرة والإنصاف إلى جانب الدقة.
هل القيم المعروضة في هذه الصفحة حقيقية؟
The data names, roles and checks are real descriptions of practice. The canvas shows a design of the method’s use, not a run; no result is reported here.
أين يُطبَّق هذا المنهج أيضًا؟
مرصد صفحة المنهج المرجعية كل منصة تطبّقه.
Reportsساهم
ساهم بأدلة من هذه الصفحة.
Reports is the Consortium’s quarterly publication. What you know about this subject can become evidence, a case or a correction in the next edition, credited to you and published under CC BY 4.0 where it is your own work.
Global Risks AllianceBanking Nexusالجاهزية للتمويل والتأمينالسيناريو واختبار الإجهاد
- البريد الإلكترونيالبوابة GW-GRAأرسله من هذه الصفحةدليل أو تصحيح أو حالة أو أسلوب أو مراجعة أو ترجمة أو مدخل لملف قُطري. يصل موسومًا بهذه الصفحة، فيتلقاه المحرر المسؤول عنها.
- Zenodoإيداع مفتوحأودِعه وقدّمه إلى المجتمعانشر سجلك الخاص على Zenodo بمعرّف ORCID iD الخاص بك، ثم قدّمه إلى مجتمع Reports هناك. يراجعه القيّمون، ويبقى معرّف DOI ملكًا لك.
- ReportsGlobal Risks Allianceاطّلع على جميع سبل المساهمةأنواع المساهمات، وكيفية مراجعة كل منها، والإسناد الذي تحصل عليه، والترخيص، وما لا يُقبل أبداً.
لا ترسل أبدًا بيانات شخصية أو تفاصيل حساسة عن البنية التحتية أو أي شيء لا يحق لك مشاركته. تُراجَع المساهمة قبل استخدامها؛ ولا يمنح إرسالها أي حقوق تأليف أو تحرير، ولا تشتري الرعاية أي نتيجة أبدًا.
Banking Nexus
اعرض على التحالف سؤالًا يتعلق بالتعرّض أو رأس المال.
المعلومات والاستفسارات متاحة اليوم. ويحصل الاستفسار على رقم مرجعي ويحدد الخطوة التالية؛ ولا تُفتح الطلبات والمدفوعات وتخصيصات الحوسبة والتسجيلات إلا حين يتوافر فريقها وشروطها وقدرة المراجعة.
الشؤون القانونية
الوثائق القانونية.
تُعرض الخرائط والبيانات والأشكال في هذا الموقع للسياق والمعلومات العامة. وهي ليست نصيحة ولا توقعات ولا إنذارات؛ وحدود المعلومات مبيّنة في إخلاءات المسؤولية وإشعارات البيانات.