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
مالی فضاییجایی که سرمایه به مخاطره، مواجهه و گذار برمی‌خورد
یادگیری ماشین در بانکداری
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, early warning 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.
01فهرست مطالب
Machine learning in banking in five parts.
02درخواست
What artificial intelligence and machine learning does here.
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 سامانه‌ها. 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.
03پایش
Model training.
The screen a team would use to follow this method: its measures, states and decisions. Names are examples and values are illustrative.
Model training
Banking · Machine learning in banking · Run R-5640
Drift on one sliceGRA · Banking Nexus
Evaluation by slice
| همه | 0.89 | 0.05 | 5695 | قبول |
| Region A | 0.85 | 0.06 | 1734 | بازبینی |
| Region B | 0.68 | 0.09 | 636 | بازبینی |
| Rare class | 0.71 | 0.11 | 144 | Below bar |
Method card
- روش
- هوش مصنوعی و یادگیری ماشین
- Split
- time-based, no leakage
- Features
- 56
- برچسب
- مدل‌سازی‌شده
Population stability
04داده
What the method consumes.
Datasets and records used by artificial intelligence and machine learning on this platform, with the role each plays and the label its values carry. Sources are listed in the source register.
| داده | نقش | برچسب |
|---|---|---|
| Credit application and performance data | Training and validation | مشاهده‌شده |
| Transaction records | Monitoring and early warning features | مشاهده‌شده |
| Public filings and supervisory publications | Text corpora | آمارهای منتشرشده |
| Cash-flow and alternative data used under consent and law | Additional borrower features | گزارش‌شده |
05آزمون تنش
چگونه شوک به دارایی‌ها به زیان سامانه تبدیل می‌شود.
سهامی که سامانه پس از سرایت بین‌بانکی از دست می‌دهد، در برابر ضربهٔ اولیه، با تغییر اهرم، پیوستگی و نرخ‌های بازیابی، هستهٔ یک آزمون تنشاحتیاطی کلان. الگوی آموزشی با مقادیر توضیحی اعلام‌شده، نه پیش‌بینی.
کنترل‌ها
- کاهش دارایی‌های خارجی
- 2.0%
- اهرم (دارایی‌ها بر حقوق صاحبان سهام)
- 10 برابر
- سهم بین‌بانکی از دارایی‌ها
- 10%
- بازیابی مطالبات بین‌بانکی
- 40%
- بانک‌های سامانه
- 20
- بانک‌های هسته
- 20% از بانک‌ها
خوانش‌ها
- سهام از دست‌رفته به‌سبب شوک اولیه
- 18.0%
- سهام از دست‌رفته پس از سرایت
- 45.0%
- افزودهٔ سرایت (DebtRank)
- 27.0 واحد
- بانک‌های نکول‌کرده
- 0
رقم‌ها، روش‌ها و منابع
| دور | سهام سامانه از دست‌رفته (%) | بانک‌های نکول‌کرده |
|---|---|---|
| 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 |
روش‌ها
- DebtRank Battiston and others (2012), Scientific Reports 2:541
- DebtRank تفاضلی Bardoscia and others (2015), PLOS ONE 10
- سرایت در شبکه‌های مالی Gai and Kapadia (2010), Proc. R. Soc. A 466
- تسویه در شبکه‌های مالی Eisenberg and Noe (2001), Management Science 47
- بادبزن عدم قطعیت (مونت‌کارلوی پارامتری) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- حساسیت‌سنجی تک‌متغیره (تورنادو) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
داده
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.
در شش رکن، به رهبری Nexus Consortium
- آزمایش‌ها آزمایشگاه‌ها
- ساخته‌شده در Banking Nexus در Foundry
- آزموده‌شده در Banking Nexus در Universe
- مدون‌شده در مالی، بیمه و اقتصاد در Standards
- منتشرشده در Banking Nexus در Reports
- تدریس‌شده در دانشکدهٔ مالی و اقتصاد در Academy
06اعتبارسنجی
How results are checked.
Models are evaluated on held-out data that respects spatial, temporal and group structure. Robustness, calibration and fairness are tested alongside accuracy.
| بررسی | How it is done |
|---|---|
| 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 |
Performance degrades when deployment conditions differ from training data. Models can encode biases and fail without clear warning on rare events.
07مواجهه، زیان و سرمایه
What machine learning in banking means for exposure, loss and capital.
نماهای مواجهه، زیان، سناریو و سرمایه که یک مدیر ریسک، ناظر یا وزارت دارایی می‌پرسد، همراه با چارچوب‌هایی که بر پایهٔ آن‌ها گزارش می‌دهد. ساختارها از رویهٔ نظارتی و اکچوئری پیروی می‌کنند. مقادیر توضیحی است: هرگز قیمت، رتبه یا توصیه نیست.
مسیرهای سناریو
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| خانوادهٔ سناریو | ریسک گذار | ریسک فیزیکی | آزمون تنش چه می‌پرسد |
|---|---|---|---|
| منظم | سیاست زودهنگام و تدریجی | پایین‌تر | آیا دفتر وام می‌تواند بازقیمت‌گذاری پیوسته را جذب کند؟ |
| بی‌نظم | سیاست دیرهنگام و ناگهانی | کم تا متوسط | در بازقیمت‌گذاری ناگهانی و مهاجرت اعتباری چه چیزی فرو می‌پاشد؟ |
| جهان گلخانه‌ای داغ | سیاست محدود | زیاد و رو به افزایش | زیان‌های فیزیکی در وثیقه و بیمه کجا متمرکز می‌شود؟ |
سناریوهای اقلیمی NGFS · شبکهٔ سبزسازی نظام مالیIFRS S2 افشاهای مرتبط با اقلیم · ISSBتوصیه‌های TCFD · هیئت ثبات مالی TCFDاصول مدیریت مؤثر ریسک‌های مالی مرتبط با اقلیم · کمیتهٔ بازل برای نظارت بانکی
08Connections
Topics that rely on this method.
09تولیت
Who maintains the method.
هوش مصنوعی و سامانه‌های خودمختار stewards artificial intelligence and machine learning for the Consortium and reviews how it is applied across platforms.
10متصل
جایی که این صفحه در سراسر کنسرسیوم به آن می‌رسد.
11پرسش‌ها
پرسش و پاسخ.
What are the limits of artificial intelligence and machine learning in this field?
Performance degrades when deployment conditions differ from training data. Models can encode biases and fail without clear warning on rare events.
How are results checked?
Models are evaluated on held-out data that respects spatial, temporal and group structure. Robustness, calibration and fairness are tested alongside accuracy.
Are the values on this page real?
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.
Where else is this method applied?
رصدخانهٔ canonical method page lists every platform that applies it.
گزارش‌هامشارکت
از این صفحه شواهد مشارکت دهید.
گزارش‌ها 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 Nexusآمادگی مالی و بیمهسناریو و آزمون تنش
- ایمیلدروازهٔ GW-GRAاز همین صفحه ارسال کنیدشواهد، یک اصلاحیه، یک مورد، یک روش، یک داوری، یک ترجمه یا ورودی نمایه. با برچسب این صفحه می‌رسد تا ویراستار مسئول آن را دریافت کند.
- Zenodoسپردهٔ بازآن را واگذار کنید و به جامعه ارائه دهیدسابقهٔ خود را با شناسهٔ ORCID خود در Zenodo منتشر کنید و سپس آن را در همانجا به جامعهٔ Reports ارسال کنید. گزینشگران آن را داوری می‌کنند؛ DOI از آنِ شما میماند.
- گزارش‌هاGlobal Risks Allianceهمهٔ راههای مشارکت را ببینیدانواع مشارکت، نحوهٔ بررسی هر یک، اعتباری که دریافت میکنید، مجوز و آنچه هرگز پذیرفته نمیشود.
هرگز داده شخصی، جزئیات حساس زیرساخت یا چیزی را که حق اشتراکش را ندارید نفرستید. هر مشارکت پیش از استفاده داوری می‌شود؛ ارسال آن حق مؤلفی یا ویرایشی نمی‌دهد و حمایت مالی هرگز یافته‌ای را نمی‌خرد.
Banking Nexus
یک پرسش دربارهٔ مواجهه یا سرمایه را نزد اتحاد مطرح کنید.
اطلاعات و درخواست‌ها امروز باز است. هر درخواست یک شمارهٔ پیگیری می‌گیرد و گام بعدی را مشخص می‌کند؛ درخواست‌های عضویت، پرداخت‌ها، تخصیص رایانش و ثبت‌نام‌ها تنها زمانی باز می‌شوند که تیم، شرایط و ظرفیت داوری آن‌ها فراهم باشد.
حقوقی
اسناد حقوقی.
نقشه‌ها، داده‌ها و ارقام این سایت برای زمینه و اطلاعات عمومی نشان داده می‌شوند. توصیه، پیش‌بینی یا هشدار نیستند؛ حدود این اطلاعات در سلب مسئولیت‌ها و اعلامیه‌های داده بیان شده است.