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
Spatial financeDonde el capital se encuentra con la amenaza, la exposición y la transición
Aprendizaje automático en la banca
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, alerta temprana 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.
01Contenido
Machine learning in banking in five parts.
02Solicitud
Lo que aportan aquí la inteligencia artificial y el aprendizaje automático.
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 sistemas. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on el bien común CTIM.
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.
03Seguimiento
Entrenamiento de modelos.
La pantalla que utilizaría un equipo para seguir este método: sus mediciones, estados y decisiones. Los nombres son ejemplos y los valores son ilustrativos.
Entrenamiento de modelos
Banking · Machine learning in banking · Run R-5640
Deriva en un segmentoGRA · Banking Nexus
Evaluación por segmento
| Todo | 0.89 | 0.05 | 5695 | Aprobado |
| Región A | 0.85 | 0.06 | 1734 | Revisión |
| Región B | 0.68 | 0.09 | 636 | Revisión |
| Clase poco frecuente | 0.71 | 0.11 | 144 | Por debajo del umbral |
Ficha del método
- Método
- Inteligencia artificial y aprendizaje automático
- División
- basado en el tiempo, sin filtración
- Variables
- 56
- Etiqueta
- MODELIZADO
Estabilidad de la población
04Datos
Lo que consume el método.
Conjuntos de datos y registros utilizados por la inteligencia artificial y el aprendizaje automático en esta plataforma, con la función que desempeña cada uno y la etiqueta que llevan sus valores. Las fuentes se enumeran en el registro de fuentes.
| Datos | Función | Etiqueta |
|---|---|---|
| Credit application and performance data | Training and validation | OBSERVADO |
| Transaction records | Monitoring and alerta temprana features | OBSERVADO |
| Public filings and supervisory publications | Text corpora | Estadísticas publicadas |
| Cash-flow and alternative data used under consent and law | Additional borrower features | NOTIFICADO |
05Prueba de estrés
Cómo un choque sobre los activos se convierte en una pérdida sistémica.
El patrimonio que pierde el sistema tras el contagio interbancario, frente al impacto inicial, a medida que cambian el apalancamiento, la interconexión y las tasas de recuperación, el núcleo de una Prueba de estrésmacroprudencial. Modelo didáctico con valores ilustrativos declarados, no una predicción.
Controles
- Caída de los activos externos
- 2.0%
- Apalancamiento (activos sobre patrimonio)
- 10 veces
- Proporción interbancaria de los activos
- 10%
- Recuperación de los créditos interbancarios
- 40%
- Bancos del sistema
- 20
- Bancos del núcleo
- 20 % de los bancos
Lecturas
- Patrimonio perdido por el choque inicial
- 18.0%
- Patrimonio perdido tras el contagio
- 45.0%
- Añadido por contagio (DebtRank)
- 27,0 puntos
- Bancos en impago
- 0
Cifras, métodos y fuentes
| Ronda | Patrimonio del sistema perdido (%) | Bancos en impago |
|---|---|---|
| 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 |
Métodos
- DebtRank Battiston y otros (2012), Scientific Reports 2:541
- DebtRank diferencial Bardoscia y otros (2015), PLOS ONE 10
- Contagio en las redes financieras Gai y Kapadia (2010), Proc. R. Soc. A 466
- Compensación en redes financieras Eisenberg y Noe (2001), Management Science 47
- Abanico de incertidumbre (Monte Carlo de parámetros) Spiegelhalter, Pearson y Short (2011), Visualising uncertainty about the future, Science 333
- Sensibilidad de un factor a la vez (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Datos
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.
En los seis pilares, bajo la dirección de Nexus Consortium
- Experimentos Laboratorios
- Integrado en Banking Nexus en Foundry
- Probado en Banking Nexus en Universe
- Codificado en Finanzas, seguros y economía en Standards
- Publicado en Banking Nexus en Reports
- Se imparte en Facultad de Finanzas y Economía en Academy
06Validación
Cómo se verifican los resultados.
Los modelos se evalúan con datos reservados que respetan la estructura espacial, temporal y de grupos. La robustez, la calibración y la equidad se prueban junto con la exactitud.
| Verificación | Cómo se hace |
|---|---|
| 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 |
El desempeño se degrada cuando las condiciones de despliegue difieren de los datos de entrenamiento. Los modelos pueden incorporar sesgos y fallar sin aviso claro ante eventos poco frecuentes.
07Exposición, pérdida y capital
What machine learning in banking means for exposure, loss and capital.
Las vistas de exposición, pérdida, escenarios y capital que pediría un responsable de riesgos, un supervisor o un ministerio de finanzas, con los marcos con arreglo a los cuales informan. Las estructuras siguen la práctica supervisora y actuarial. Los valores son ilustrativos: nunca precios, calificaciones ni asesoramiento.
Trayectorias de escenarios
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Familia de escenarios | riesgo de transición | Riesgo físico | Qué plantea una prueba de estrés |
|---|---|---|---|
| Ordenada | Política temprana y gradual | Más bajo | ¿Puede la cartera absorber un reprecio sostenido? |
| Desordenada | Política tardía y abrupta | De bajo a medio | ¿Qué se rompe ante un reprecio repentino y una migración crediticia? |
| Mundo invernadero | Política limitada | Alto y en aumento | ¿Dónde se concentran las pérdidas físicas en las garantías y los seguros? |
Escenarios climáticos del NGFS · Red para la Ecologización del Sistema FinancieroNIIF S2 Información a revelar relacionada con el clima · ISSBRecomendaciones del TCFD · TCFD del Consejo de Estabilidad FinancieraPrincipios para la gestión eficaz de los riesgos financieros relacionados con el clima · Comité de Supervisión Bancaria de Basilea
09Custodia responsable
Quién mantiene el método.
Inteligencia artificial y sistemas autónomos es el custodio de la inteligencia artificial y el aprendizaje automático para el Consortium y revisa cómo se aplican en las distintas plataformas.
10Conectado
Adónde lleva esta página en todo el Consorcio.
11Preguntas
Preguntas y respuestas.
¿Cuáles son los límites de la inteligencia artificial y el aprendizaje automático en este campo?
El desempeño se degrada cuando las condiciones de despliegue difieren de los datos de entrenamiento. Los modelos pueden incorporar sesgos y fallar sin aviso claro ante eventos poco frecuentes.
¿Cómo se verifican los resultados?
Los modelos se evalúan con datos reservados que respetan la estructura espacial, temporal y de grupos. La robustez, la calibración y la equidad se prueban junto con la exactitud.
¿Son reales los valores de esta página?
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.
¿Dónde más se aplica este método?
El Observatory del página canónica del método enumera todas las plataformas que lo aplican.
InformesContribuir
Aporte evidencia desde esta página.
Informes 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 NexusPreparación financiera y de segurosEscenarios y pruebas de estrés
- Correo electrónicoPasarela GW-GRAEnvíelo desde esta páginaEvidencia, una corrección, un caso, un método, una revisión, una traducción o un aporte a un perfil. Llega etiquetado con esta página, de modo que lo recibe el editor responsable.
- ZenodoDepósito abiertoDeposítelo y envíelo a la comunidadPublique su propio registro en Zenodo con su ORCID iD y luego envíelo a la comunidad de Reports allí. Los curadores lo revisan; el DOI sigue siendo suyo.
- InformesGlobal Risks AllianceVer todas las formas de contribuirLos tipos de contribución, cómo se revisa cada uno, qué crédito recibe, la licencia y qué nunca se acepta.
No envíe nunca datos personales, detalles sensibles de infraestructura ni nada que no tenga derecho a compartir. Un aporte se revisa antes de su uso; enviarlo no confiere autoría ni derechos editoriales, y el patrocinio nunca compra un hallazgo.
Banking Nexus
Plantee una cuestión de exposición o de capital a la Alliance.
La información y las consultas están abiertas hoy. Una consulta recibe una referencia e indica el siguiente paso; las solicitudes, pagos, asignaciones de cómputo y registros solo se abren cuando existen su equipo, sus condiciones y la capacidad de revisión.
Legal
Documentos jurídicos.
Los mapas, datos y cifras de este sitio se muestran como contexto e información general. No son consejos, pronósticos ni avisos; los límites de la información se exponen en los Descargos de responsabilidad y los Avisos sobre datos.