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
Räumliche FinanzanalyseWo Kapital auf Gefahr, Exposition und Transition trifft
Maschinelles Lernen im Bankwesen
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, Frühwarnung 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.
01Inhalt
Machine learning in banking in five parts.
02Antrag
Was künstliche Intelligenz und maschinelles Lernen hier leisten.
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 Systeme. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on das MINT-Gemeingut.
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.
03Monitoring
Modelltraining.
Die Ansicht, die ein Team nutzen würde, um diese Methode zu verfolgen: ihre Messgrößen, Zustände und Entscheidungen. Namen sind Beispiele, Werte sind illustrativ.
Modelltraining
Banking · Machine learning in banking · Run R-5640
Drift in einer TeilmengeGRA · Banking Nexus
Evaluation nach Teilmenge
| Alle | 0.89 | 0.05 | 5695 | Bestanden |
| Region A | 0.85 | 0.06 | 1734 | Prüfung |
| Region B | 0.68 | 0.09 | 636 | Prüfung |
| Seltene Klasse | 0.71 | 0.11 | 144 | Unter dem Schwellenwert |
Methodenkarte
- Methode
- Künstliche Intelligenz und maschinelles Lernen
- Aufteilung
- zeitbasiert, ohne Datenleck
- Merkmale
- 56
- Kennzeichnung
- MODELLIERT
Stabilität der Population
04Daten
Was die Methode verwendet.
Datensätze und Aufzeichnungen, die künstliche Intelligenz und maschinelles Lernen auf dieser Plattform nutzen, mit der Rolle, die jeder spielt, und der Kennzeichnung, die seine Werte tragen. Die Quellen sind in dem Quellenregister.
| Daten | Rolle | Kennzeichnung |
|---|---|---|
| Credit application and performance data | Training and validation | BEOBACHTET |
| Transaction records | Monitoring and Frühwarnung features | BEOBACHTET |
| Public filings and supervisory publications | Text corpora | Veröffentlichte Statistiken |
| Cash-flow and alternative data used under consent and law | Additional borrower features | BERICHTET |
05Stresstest
Wie ein Schock für Vermögenswerte zu einem Systemverlust wird.
Das Eigenkapital, das das System nach einer Interbanken-Ansteckung verliert, im Vergleich zum Anfangsschock, wenn sich Verschuldung, Vernetzung und Erholungsquoten ändern, der Kern eines makroprudenziellen Stresstest. Lehrmodell mit ausgewiesenen illustrativen Werten, keine Vorhersage.
Steuerung
- Rückgang der Auslandsaktiva
- 2.0%
- Verschuldungsgrad (Aktiva zu Eigenkapital)
- 10-mal
- Interbankenanteil an den Aktiva
- 10%
- Rückfluss aus Interbankforderungen
- 40%
- Banken im System
- 20
- Kernbanken
- 20% der Banken
Messwerte
- Durch den Anfangsschock verlorenes Eigenkapital
- 18.0%
- Verlorenes Eigenkapital nach Ansteckung
- 45.0%
- Durch Ansteckung hinzugekommen (DebtRank)
- 27,0 Punkte
- Banken im Ausfall
- 0
Zahlen, Methoden und Quellen
| Runde | Verlorenes Systemeigenkapital (%) | Banken im Ausfall |
|---|---|---|
| 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 |
Methoden
- DebtRank Battiston u. a. (2012), Scientific Reports 2:541
- Differential DebtRank Bardoscia und andere (2015), PLOS ONE 10
- Ansteckung in Finanznetzwerken Gai und Kapadia (2010), Proc. R. Soc. A 466
- Clearing in Finanznetzwerken Eisenberg und Noe (2001), Management Science 47
- Unsicherheitsfächer (Parameter-Monte-Carlo) Spiegelhalter, Pearson und Short (2011), Visualising uncertainty about the future, Science 333
- Sensitivität mit jeweils einem Faktor (Tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Daten
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.
Über die sechs Säulen, unter Leitung von Nexus Consortium
- Experimente Labore
- Erstellt in Banking Nexus in Foundry
- Getestet am Banking Nexus in Universe
- Kodifiziert in Finanzen, Versicherung und Wirtschaft in Standards
- Veröffentlicht in Banking Nexus in den Berichten
- Gelehrt in Fakultät für Finanzen und Wirtschaft in der Akademie
06Validierung
Wie Ergebnisse geprüft werden.
Modelle werden an zurückgehaltenen Daten evaluiert, die räumliche, zeitliche und Gruppenstrukturen berücksichtigen. Robustheit, Kalibrierung und Fairness werden neben der Genauigkeit getestet.
| Prüfen | Wie es gemacht wird |
|---|---|
| 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 |
Die Leistung verschlechtert sich, wenn die Einsatzbedingungen von den Trainingsdaten abweichen. Modelle können Verzerrungen kodieren und bei seltenen Ereignissen ohne klare Warnung versagen.
07Exposition, Verlust und Kapital
What machine learning in banking means for exposure, loss and capital.
Die Ansichten zu Exposition, Verlust, Szenario und Kapital, die eine Risikoverantwortliche, ein Aufseher oder ein Finanzministerium verlangen würde, samt den Rahmenwerken, gegen die berichtet wird. Die Strukturen folgen der aufsichtsrechtlichen und versicherungsmathematischen Praxis. Die Werte sind illustrativ: niemals Preise, Ratings oder Beratung.
Szenariopfade
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Szenariofamilie | Transitionsrisiko | Physisches Risiko | Was ein Stresstest fragt |
|---|---|---|---|
| Geordnet | Frühe, schrittweise Politik | Niedriger | Kann das Portfolio eine stetige Neubewertung verkraften? |
| Ungeordnet | Späte, abrupte Politik | Niedrig bis mittel | Was bricht bei einer plötzlichen Neubewertung und Bonitätsmigration zusammen? |
| Treibhauswelt | Eingeschränkte Politik | Hoch und steigend | Wo konzentrieren sich physische Verluste bei Sicherheiten und Versicherung? |
NGFS-Klimaszenarien · Network for Greening the Financial SystemIFRS S2 Climate-related Disclosures · ISSBTCFD-Empfehlungen · Financial Stability Board TCFDGrundsätze für das wirksame Management klimabezogener Finanzrisiken · Basler Ausschuss für Bankenaufsicht
08Verbindungen
Themen, die sich auf diese Methode stützen.
09Treuhänderschaft
Wer die Methode pflegt.
Künstlicher Intelligenz und autonomen Systemen ist Sachwalter von künstlicher Intelligenz und maschinellem Lernen für das Consortium und prüft, wie sie plattformübergreifend angewandt werden.
10Verbunden
Wohin diese Seite im Konsortium führt.
11Fragen
Fragen und Antworten.
Wo liegen die Grenzen von künstlicher Intelligenz und maschinellem Lernen in diesem Fachgebiet?
Die Leistung verschlechtert sich, wenn die Einsatzbedingungen von den Trainingsdaten abweichen. Modelle können Verzerrungen kodieren und bei seltenen Ereignissen ohne klare Warnung versagen.
Wie werden Ergebnisse geprüft?
Modelle werden an zurückgehaltenen Daten evaluiert, die räumliche, zeitliche und Gruppenstrukturen berücksichtigen. Robustheit, Kalibrierung und Fairness werden neben der Genauigkeit getestet.
Sind die Werte auf dieser Seite echt?
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.
Wo wird diese Methode sonst angewandt?
Das kanonische Methodenseite listet jede Plattform auf, die sie anwendet.
BerichteBeitragen
Evidenz von dieser Seite aus beitragen.
Berichte 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 NexusFinanz- und VersicherungsreifeSzenario und Stresstest
- E-MailPortal GW-GRAVon dieser Seite aus sendenEvidenz, eine Korrektur, ein Fall, eine Methode, eine Prüfung, eine Übersetzung oder ein Beitrag zu einem Profil. Sie kommt mit dieser Seite gekennzeichnet an, sodass die zuständige Redaktion sie erhält.
- ZenodoOffene HinterlegungHinterlegen und bei der Community einreichenVeröffentlichen Sie Ihren eigenen Eintrag auf Zenodo mit Ihrer ORCID iD und reichen Sie ihn dort bei der Reports-Community ein. Kuratorinnen und Kuratoren prüfen ihn; der DOI bleibt bei Ihnen.
- BerichteGlobal Risks AllianceAlle Wege zum Beitragen ansehenDie Beitragsarten, wie jede geprüft wird, welche Nennung Sie erhalten, die Lizenz und was nie angenommen wird.
Senden Sie nie personenbezogene Daten, sensible Infrastrukturdetails oder etwas, das Sie nicht weitergeben dürfen. Ein Beitrag wird vor der Nutzung geprüft; das Einsenden begründet weder Urheberschaft noch redaktionelle Rechte, und Sponsoring erkauft nie ein Ergebnis.
Banking Nexus
Bringen Sie eine Frage zu Exposition oder Kapital in die Alliance ein.
Information und Anfragen sind heute offen. Eine Anfrage erhält ein Aktenzeichen und nennt den nächsten Schritt; Bewerbungen, Zahlungen, Rechenzuteilungen und Registrierungen öffnen erst, wenn Team, Bedingungen und Prüfkapazität bestehen.
Rechtliches
Rechtliche Dokumente.
Karten, Daten und Zahlen auf dieser Website werden zu Kontext- und allgemeinen Informationszwecken gezeigt. Sie sind weder Beratung noch Prognosen oder Warnungen; die Grenzen der Information sind in den Haftungsausschlüssen und Datenhinweisen dargelegt.