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
Keuangan spasialTempat modal bertemu bahaya, keterpaparan, dan transisi
Pembelajaran mesin di perbankan
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, peringatan dini 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.
01Daftar isi
Machine learning in banking in five parts.
02Permohonan
Apa yang dilakukan kecerdasan buatan dan pembelajaran mesin di sini.
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 Sistem. 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.
03Pantau
Pelatihan model.
Layar yang akan digunakan sebuah tim untuk mengikuti metode ini: ukuran, status, dan keputusannya. Nama adalah contoh dan nilai bersifat ilustratif.
Pelatihan model
Banking · Machine learning in banking · Run R-5640
Pergeseran pada satu irisanGRA · Banking Nexus
Evaluasi per irisan
| Semua | 0.89 | 0.05 | 5695 | Lintasan |
| Wilayah A | 0.85 | 0.06 | 1734 | Tinjauan |
| Wilayah B | 0.68 | 0.09 | 636 | Tinjauan |
| Kelas langka | 0.71 | 0.11 | 144 | Di bawah batas |
Kartu metode
- Metode
- Kecerdasan buatan dan pembelajaran mesin
- Pembagian data
- berbasis waktu, tanpa kebocoran
- Fitur
- 56
- Label
- DIMODELKAN
Stabilitas populasi
04Data
Apa yang digunakan metode ini.
Set data dan catatan yang digunakan oleh kecerdasan buatan dan pembelajaran mesin di platform ini, beserta peran masing-masing dan label yang dibawa nilainya. Sumber dicantumkan dalam register sumber.
| Data | Peran | Label |
|---|---|---|
| Credit application and performance data | Training and validation | TERAMATI |
| Transaction records | Monitoring and peringatan dini features | TERAMATI |
| Public filings and supervisory publications | Text corpora | Statistik yang diterbitkan |
| Cash-flow and alternative data used under consent and law | Additional borrower features | DILAPORKAN |
05Uji tekanan
Bagaimana guncangan pada aset menjadi kerugian sistem.
Ekuitas yang hilang dari sistem setelah penularan antarbank, dibandingkan dengan pukulan awal, seiring berubahnya leverage, keterhubungan, dan tingkat pemulihan, yang merupakan inti dari Uji tekananmakroprudensial. Model pengajaran dengan nilai ilustratif yang dinyatakan, bukan prediksi.
Kendali
- Penurunan aset eksternal
- 2.0%
- Leverage (aset terhadap ekuitas)
- 10 kali
- Porsi aset antarbank
- 10%
- Pemulihan atas tagihan antarbank
- 40%
- Bank dalam sistem
- 20
- Bank inti
- 20% bank
Pembacaan
- Ekuitas yang hilang akibat guncangan awal
- 18.0%
- Ekuitas yang hilang setelah penularan
- 45.0%
- Ditambahkan oleh penularan (DebtRank)
- 27.0 poin
- Bank yang gagal bayar
- 0
Angka, metode, dan sumber
| Putaran | Ekuitas sistem yang hilang (%) | Bank yang gagal bayar |
|---|---|---|
| 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 |
Metode
- DebtRank Battiston and others (2012), Scientific Reports 2:541
- DebtRank Diferensial Bardoscia and others (2015), PLOS ONE 10
- Penularan dalam jaringan keuangan Gai and Kapadia (2010), Proc. R. Soc. A 466
- Kliring dalam jaringan keuangan Eisenberg and Noe (2001), Management Science 47
- Kipas ketidakpastian (Monte Carlo parametrik) Spiegelhalter, Pearson dan Short (2011), Memvisualisasikan ketidakpastian tentang masa depan, Science 333
- Sensitivitas satu per satu (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Data
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.
Di seluruh enam pilar, dipimpin oleh Nexus Consortium
- Eksperimen Laboratorium
- Tertanam di Banking Nexus di Foundry
- Diuji pada Banking Nexus di Universe
- Dikodifikasi dalam Keuangan, Asuransi, dan Ekonomi di Standards
- Diterbitkan di Banking Nexus di Reports
- Diajarkan di Fakultas Keuangan dan Ekonomi di Academy
06Validasi
Cara hasil diperiksa.
Model dievaluasi pada data uji tersisih yang menghormati struktur spasial, temporal, dan kelompok. Ketangguhan, kalibrasi, dan keadilan diuji di samping akurasi.
| Pemeriksaan | Cara pelaksanaannya |
|---|---|
| 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 |
Kinerja menurun ketika kondisi penerapan berbeda dari data pelatihan. Model dapat menyandikan bias dan gagal tanpa peringatan yang jelas pada kejadian langka.
07Eksposur, kerugian, dan modal
What machine learning in banking means for exposure, loss and capital.
Tampilan eksposur, kerugian, skenario, dan modal yang akan diminta oleh pejabat risiko, otoritas pengawas, atau kementerian keuangan, beserta kerangka pelaporan yang mereka gunakan. Strukturnya mengikuti praktik pengawasan dan aktuaria. Nilai bersifat ilustratif: tidak pernah merupakan harga, peringkat, atau saran.
Jalur skenario
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Kelompok skenario | Risiko transisi | Risiko fisik | Apa yang ditanyakan uji tekanan |
|---|---|---|---|
| Teratur | Kebijakan dini dan bertahap | Lebih rendah | Dapatkah portofolio menyerap penetapan ulang harga yang bertahap? |
| Tidak teratur | Kebijakan terlambat dan mendadak | Rendah hingga sedang | Apa yang rusak saat terjadi penetapan ulang harga mendadak dan migrasi kredit? |
| Dunia rumah kaca | Kebijakan terbatas | Tinggi dan meningkat | Di mana kerugian fisik terkonsentrasi dalam agunan dan asuransi? |
Skenario iklim NGFS · Network for Greening the Financial SystemIFRS S2 Pengungkapan terkait Iklim · ISSBRekomendasi TCFD · Financial Stability Board TCFDPrinsip-prinsip pengelolaan efektif risiko keuangan terkait iklim · Basel Committee on Banking Supervision
09Pengelolaan
Siapa yang memelihara metode ini.
Kecerdasan Buatan dan Sistem Otonom mengelola kecerdasan buatan dan pembelajaran mesin untuk Konsorsium dan meninjau cara penerapannya di berbagai platform.
10Terhubung
Ke mana halaman ini mengarah di seluruh Konsorsium.
11Pertanyaan
Tanya jawab.
Apa batasan kecerdasan buatan dan pembelajaran mesin di bidang ini?
Kinerja menurun ketika kondisi penerapan berbeda dari data pelatihan. Model dapat menyandikan bias dan gagal tanpa peringatan yang jelas pada kejadian langka.
Bagaimana hasil diperiksa?
Model dievaluasi pada data uji tersisih yang menghormati struktur spasial, temporal, dan kelompok. Ketangguhan, kalibrasi, dan keadilan diuji di samping akurasi.
Apakah nilai di halaman ini nyata?
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.
Di mana lagi metode ini diterapkan?
Observatory Halaman metode kanonis mencantumkan setiap platform yang menerapkannya.
LaporanBerkontribusi
Kontribusikan bukti dari halaman ini.
Laporan 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 NexusKesiapan Pembiayaan dan AsuransiSkenario dan Uji Tekanan
- SurelGerbang GW-GRAKirim dari halaman iniBukti, koreksi, kasus, metode, tinjauan, terjemahan, atau masukan profil. Kiriman tiba dengan label halaman ini, sehingga editor pemiliknya menerimanya.
- ZenodoDeposit terbukaDeposit dan ajukan ke komunitasTerbitkan catatan Anda sendiri di Zenodo dengan ORCID iD Anda, lalu ajukan ke komunitas Reports di sana. Kurator meninjaunya; DOI tetap milik Anda.
- LaporanGlobal Risks AllianceLihat semua cara berkontribusiJenis kontribusi, cara masing-masing ditinjau, kredit yang Anda terima, lisensinya, dan apa yang tidak pernah diterima.
Jangan pernah mengirim data pribadi, rincian infrastruktur sensitif, atau apa pun yang tidak berhak Anda bagikan. Kontribusi ditinjau sebelum digunakan. Mengirimkannya tidak memberikan hak kepenulisan atau editorial, dan sponsor tidak pernah membeli sebuah temuan.
Banking Nexus
Ajukan pertanyaan eksposur atau modal kepada Aliansi.
Informasi dan pertanyaan sudah terbuka hari ini. Sebuah pertanyaan menerima nomor referensi dan menyebutkan langkah berikutnya; lamaran, pembayaran, alokasi komputasi, dan pendaftaran hanya dibuka ketika tim, ketentuan, dan kapasitas tinjauannya tersedia.
Hukum
Dokumen hukum.
Peta, data, dan gambar di situs ini ditampilkan untuk konteks dan informasi umum. Semua itu bukan nasihat, prakiraan, atau peringatan; batasan informasinya dijelaskan dalam Penafian dan Pemberitahuan Data.