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 financeLà où le capital rencontre l'aléa, l'exposition et la transition
Apprentissage automatique dans la banque
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, alerte précoce 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.
01Sommaire
Machine learning in banking in five parts.
02Candidature
Ce que fait ici l'intelligence artificielle et l'apprentissage automatique.
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 systèmes. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on le 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.
03Suivi
Entraînement des modèles.
L'écran qu'une équipe utiliserait pour suivre cette méthode : ses mesures, ses états et ses décisions. Les noms sont des exemples et les valeurs sont illustratives.
Entraînement des modèles
Banking · Machine learning in banking · Run R-5640
Dérive sur une trancheGRA · Banking Nexus
Évaluation par tranche
| Tout | 0.89 | 0.05 | 5695 | Réussite |
| Région A | 0.85 | 0.06 | 1734 | Examen |
| Région B | 0.68 | 0.09 | 636 | Examen |
| Classe rare | 0.71 | 0.11 | 144 | Sous le seuil |
Fiche méthode
- Méthode
- Intelligence artificielle et apprentissage automatique
- Répartition
- chronologique, sans fuite
- Caractéristiques
- 56
- Étiquette
- MODÉLISÉ
Stabilité de la population
04Données
Ce que consomme la méthode.
Les jeux de données et registres utilisés par l'intelligence artificielle et l'apprentissage automatique sur cette plateforme, avec le rôle de chacun et l'étiquette que portent ses valeurs. Les sources sont listées dans le registre des sources.
| Données | Rôle | Étiquette |
|---|---|---|
| Credit application and performance data | Training and validation | OBSERVÉ |
| Transaction records | Monitoring and alerte précoce features | OBSERVÉ |
| Public filings and supervisory publications | Text corpora | Statistiques publiées |
| Cash-flow and alternative data used under consent and law | Additional borrower features | DÉCLARÉ |
05Test de résistance
Comment un choc sur les actifs devient une perte systémique.
Les fonds propres que le système perd après la contagion interbancaire, par rapport au choc initial, lorsque l'effet de levier, l'interconnexion et les taux de recouvrement varient, au cœur d'un Test de résistancemacroprudentiel. Modèle pédagogique avec des valeurs illustratives énoncées, et non une prédiction.
Commandes
- Baisse des actifs extérieurs
- 2.0%
- Effet de levier (actifs sur fonds propres)
- 10 fois
- Part interbancaire des actifs
- 10%
- Recouvrement des créances interbancaires
- 40%
- Banques du système
- 20
- Banques du noyau
- 20 % des banques
Relevés
- Fonds propres perdus du fait du choc initial
- 18.0%
- Capitaux propres perdus après contagion
- 45.0%
- Ajouté par contagion (DebtRank)
- 27,0 points
- Banques en défaut
- 0
Chiffres, méthodes et sources
| Tour | Équité du système perdue (%) | Banques en défaut |
|---|---|---|
| 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 |
Méthodes
- DebtRank Battiston et al. (2012), Scientific Reports 2:541
- DebtRank différentiel Bardoscia et autres (2015), PLOS ONE 10
- Contagion dans les réseaux financiers Gai et Kapadia (2010), Proc. R. Soc. A 466
- Compensation dans les réseaux financiers Eisenberg et Noe (2001), Management Science 47
- Éventail d'incertitude (Monte Carlo sur les paramètres) Spiegelhalter, Pearson et Short (2011), Visualising uncertainty about the future, Science 333
- Sensibilité un facteur à la fois (tornade) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Données
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.
Sur les six piliers, sous la conduite de Nexus Consortium
- Expériences Laboratoires
- Intégré Banking Nexus dans Foundry
- Testé à Banking Nexus dans Universe
- Codifié dans Finance, assurance et économie dans Standards
- Publié dans Banking Nexus dans Reports
- Enseigné dans Faculté de finance et d'économie dans Academy
06Validation
Comment les résultats sont vérifiés.
Les modèles sont évalués sur des données réservées qui respectent la structure spatiale, temporelle et par groupe. La robustesse, l'étalonnage et l'équité sont testés en plus de l'exactitude.
| Vérifier | Comment c'est fait |
|---|---|
| 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 |
La performance se dégrade lorsque les conditions de déploiement diffèrent des données d'entraînement. Les modèles peuvent encoder des biais et échouer sans avertissement clair sur des événements rares.
07Exposition, perte et capital
What machine learning in banking means for exposure, loss and capital.
Les vues d'exposition, de pertes, de scénarios et de capital que demanderaient un responsable des risques, une autorité de contrôle ou un ministère des finances, avec les cadres dont ils relèvent pour leurs rapports. Les structures suivent la pratique prudentielle et actuarielle. Les valeurs sont illustratives : jamais des prix, des notations ni des conseils.
Trajectoires de scénarios
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Famille de scénarios | risque de transition | Risque physique | Ce que demande un test de résistance |
|---|---|---|---|
| Ordonnée | Politique précoce et graduelle | Plus bas | Le portefeuille peut-il absorber un repricing régulier ? |
| Désordonnée | Politique tardive et brutale | De faible à moyen | Qu'est-ce qui se rompt en cas de repricing soudain et de migration de crédit ? |
| Monde en surchauffe | Politique limitée | Élevé et en hausse | Où les pertes physiques se concentrent-elles dans les garanties et l'assurance ? |
Scénarios climatiques du NGFS · Réseau pour le verdissement du système financierIFRS S2 Informations à fournir en lien avec les changements climatiques · ISSBRecommandations de la TCFD · TCFD du Conseil de stabilité financièrePrincipes pour une gestion efficace des risques financiers liés au climat · Comité de Bâle sur le contrôle bancaire
08Liens
Thèmes qui s'appuient sur cette méthode.
09Intendance
Qui tient à jour la méthode.
Intelligence artificielle et systèmes autonomes est le garant de l'intelligence artificielle et de l'apprentissage automatique pour le Consortium et examine la manière dont ils sont appliqués sur les différentes plateformes.
10Connecté
Où mène cette page à travers le Consortium.
11Questions
Questions et réponses.
Quelles sont les limites de l'intelligence artificielle et de l'apprentissage automatique dans ce domaine ?
La performance se dégrade lorsque les conditions de déploiement diffèrent des données d'entraînement. Les modèles peuvent encoder des biais et échouer sans avertissement clair sur des événements rares.
Comment les résultats sont-ils vérifiés ?
Les modèles sont évalués sur des données réservées qui respectent la structure spatiale, temporelle et par groupe. La robustesse, l'étalonnage et l'équité sont testés en plus de l'exactitude.
Les valeurs de cette page sont-elles réelles ?
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.
Où d'autre cette méthode est-elle appliquée ?
L'Observatoire page canonique de la méthode liste toutes les plateformes qui l'appliquent.
RapportsContribuer
Apportez des éléments de preuve depuis cette page.
Rapports 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 NexusPréparation de la finance et de l'assuranceScénarios et tests de résistance
- E-mailPasserelle GW-GRAL'envoyer depuis cette pageUne preuve, une correction, un cas, une méthode, un examen, une traduction ou un apport au profil. Elle arrive étiquetée avec cette page, afin que le rédacteur responsable la reçoive.
- ZenodoDépôt ouvertLe déposer et le soumettre à la communautéPubliez votre propre fiche sur Zenodo avec votre identifiant ORCID, puis soumettez-la à la communauté Reports qui s'y trouve. Des curateurs l'examinent ; le DOI reste le vôtre.
- RapportsGlobal Risks AllianceVoir toutes les façons de contribuerLes types de contribution, la manière dont chacune est examinée, la reconnaissance accordée, la licence et ce qui n'est jamais accepté.
N'envoyez jamais de données personnelles, de détails sensibles sur des infrastructures ni rien que vous n'avez pas le droit de communiquer. Une contribution est examinée avant utilisation ; son envoi ne confère ni qualité d'auteur ni droits éditoriaux, et un parrainage n'achète jamais une conclusion.
Banking Nexus
Soumettez une question d'exposition ou de capital à l'Alliance.
L'information et les demandes sont ouvertes dès aujourd'hui. Une demande reçoit une référence et indique l'étape suivante ; candidatures, paiements, allocations de calcul et inscriptions n'ouvrent que lorsque l'équipe, les conditions et la capacité d'examen existent.
Juridique
Documents juridiques.
Les cartes, données et chiffres de ce site sont présentés à titre de contexte et d'information générale. Ils ne constituent ni des conseils, ni des prévisions, ni des alertes ; les limites de l'information sont exposées dans les Avertissements et les Notices sur les données.