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
Finanza spazialeDove il capitale incontra pericolo, esposizione e transizione
Apprendimento automatico nel settore bancario
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, allerta precoce 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.
01Indice dei contenuti
Machine learning in banking in five parts.
02Domanda di adesione
Cosa fanno qui l'intelligenza artificiale e l'apprendimento automatico.
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 Sistemi. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on i beni comuni STEM.
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.
03Monitoraggio
Addestramento del modello.
La schermata che un gruppo utilizzerebbe per seguire questo metodo: misure, stati e decisioni. I nomi sono esempi e i valori sono illustrativi.
Addestramento del modello
Banking · Machine learning in banking · Run R-5640
Deriva su un sottoinsiemeGRA · Banking Nexus
Valutazione per sottoinsieme
| Tutti | 0.89 | 0.05 | 5695 | Superato |
| Regione A | 0.85 | 0.06 | 1734 | Valutazione |
| Regione B | 0.68 | 0.09 | 636 | Valutazione |
| Classe rara | 0.71 | 0.11 | 144 | Sotto la soglia |
Scheda del metodo
- Metodo
- Intelligenza artificiale e apprendimento automatico
- Suddivisione
- basato sul tempo, senza contaminazione
- Caratteristiche
- 56
- Etichetta
- MODELLATO
Stabilità della popolazione
04Dati
Cosa utilizza il metodo.
Set di dati e registri utilizzati dall'intelligenza artificiale e dall'apprendimento automatico su questa piattaforma, con il ruolo di ciascuno e l'etichetta dei suoi valori. Le fonti sono elencate nel registro delle fonti.
| Dati | Ruolo | Etichetta |
|---|---|---|
| Credit application and performance data | Training and validation | OSSERVATO |
| Transaction records | Monitoring and allerta precoce features | OSSERVATO |
| Public filings and supervisory publications | Text corpora | Statistiche pubblicate |
| Cash-flow and alternative data used under consent and law | Additional borrower features | RIPORTATO |
05Prova di stress
Come uno shock sulle attività diventa una perdita di sistema.
Il patrimonio netto che il sistema perde dopo il contagio interbancario, rispetto al colpo iniziale, al variare di leva, interconnessione e tassi di recupero, il cuore di una Stress testmacroprudenziale. Modello didattico con valori illustrativi dichiarati, non una previsione.
Comandi
- Calo delle attività esterne
- 2.0%
- Leva finanziaria (attività su patrimonio netto)
- 10 volte
- Quota interbancaria delle attività
- 10%
- Recupero sui crediti interbancari
- 40%
- Banche del sistema
- 20
- Banche principali
- 20% delle banche
Letture
- Patrimonio netto perso a causa dello shock iniziale
- 18.0%
- Patrimonio perso dopo il contagio
- 45.0%
- Aggiunto dal contagio (DebtRank)
- 27,0 punti
- Banche in default
- 0
Numeri, metodi e fonti
| Round | Patrimonio del sistema perso (%) | Banche in default |
|---|---|---|
| 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 |
Metodi
- DebtRank Battiston e altri (2012), Scientific Reports 2:541
- DebtRank differenziale Bardoscia e altri (2015), PLOS ONE 10
- Contagio nelle reti finanziarie Gai e Kapadia (2010), Proc. R. Soc. A 466
- Compensazione nelle reti finanziarie Eisenberg e Noe (2001), Management Science 47
- Ventaglio di incertezza (Monte Carlo sui parametri) Spiegelhalter, Pearson e Short (2011), Visualising uncertainty about the future, Science 333
- Sensibilità un fattore alla volta (tornado) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
Dati
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.
Nei sei pilastri, sotto la guida di Nexus Consortium
- Esperimenti Laboratori
- Costruito in Banking Nexus in Foundry
- Testato a Banking Nexus in Universe
- Codificato in Finanza, assicurazioni ed economia in Standards
- Pubblicato in Banking Nexus nei Rapporti
- Insegnato in Facoltà di Finanza ed economia in Academy
06Validazione
Come vengono verificati i risultati.
I modelli sono valutati su dati esclusi dalla stima che rispettano la struttura spaziale, temporale e di gruppo. Robustezza, calibrazione ed equità sono testate insieme all'accuratezza.
| Verifica | Come si fa |
|---|---|
| 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 |
Le prestazioni peggiorano quando le condizioni di impiego differiscono dai dati di addestramento. I modelli possono incorporare distorsioni e fallire senza un chiaro preavviso sugli eventi rari.
07Esposizione, perdita e capitale
What machine learning in banking means for exposure, loss and capital.
Le viste su esposizione, perdita, scenari e capitale che un responsabile del rischio, un'autorità di vigilanza o un ministero delle finanze richiederebbe, con i quadri normativi in base ai quali riferisce. Le strutture seguono la prassi di vigilanza e attuariale. I valori sono illustrativi: mai prezzi, rating o consulenza.
Traiettorie di scenario
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| Famiglia di scenari | rischio di transizione | Rischio fisico | Che cosa chiede una prova di stress |
|---|---|---|---|
| Ordinata | Politica precoce e graduale | Più basso | Il portafoglio può assorbire un riprezzamento costante? |
| Disordinata | Politica tardiva e brusca | Da bassa a media | Cosa cede in caso di riprezzamento improvviso e migrazione del credito? |
| Mondo in serra | Politica limitata | Alto e in aumento | Dove si concentrano le perdite fisiche in garanzie e assicurazioni? |
Scenari climatici NGFS · Network for Greening the Financial SystemIFRS S2 Climate-related Disclosures · ISSBRaccomandazioni TCFD · Financial Stability Board TCFDPrincipi per la gestione efficace dei rischi finanziari legati al clima · Comitato di Basilea per la vigilanza bancaria
08Collegamenti
Argomenti che si basano su questo metodo.
09Custodia
Chi mantiene il metodo.
Intelligenza artificiale e sistemi autonomi è custode dell'intelligenza artificiale e dell'apprendimento automatico per il Consortium ed esamina come vengono applicati tra le piattaforme.
10Connesso
Dove porta questa pagina nel Consorzio.
11Domande
Domande e risposte.
Quali sono i limiti dell'intelligenza artificiale e dell'apprendimento automatico in questo campo?
Le prestazioni peggiorano quando le condizioni di impiego differiscono dai dati di addestramento. I modelli possono incorporare distorsioni e fallire senza un chiaro preavviso sugli eventi rari.
Come vengono verificati i risultati?
I modelli sono valutati su dati esclusi dalla stima che rispettano la struttura spaziale, temporale e di gruppo. Robustezza, calibrazione ed equità sono testate insieme all'accuratezza.
I valori di questa pagina sono reali?
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.
Dove altro viene applicato questo metodo?
L'Observatory pagina canonica del metodo elenca ogni piattaforma che lo applica.
RapportiContribuisci
Contribuisci con evidenze da questa pagina.
Rapporti 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 NexusPreparazione di finanza e assicurazioniScenari e stress test
- E-mailPortale GW-GRAInvialo da questa paginaUn'evidenza, una correzione, un caso, un metodo, una revisione, una traduzione o un contributo a un profilo. Arriva etichettata con questa pagina, così la riceve la persona redattrice che ne è responsabile.
- ZenodoDeposito apertoDepositalo e invialo alla comunitàPubblica il tuo registro su Zenodo con il tuo ORCID iD, poi invialo alla comunità Reports. I curatori lo esaminano; il DOI resta tuo.
- RapportiGlobal Risks AllianceVedi tutti i modi per contribuireI tipi di contributo, come viene revisionato ciascuno, il riconoscimento che ricevi, la licenza e ciò che non è mai accettato.
Non inviare mai dati personali, dettagli su infrastrutture sensibili o qualsiasi cosa che tu non abbia il diritto di condividere. Un contributo viene sottoposto a revisione prima dell'uso; inviarlo non conferisce diritti di paternità né editoriali, e la sponsorizzazione non compra mai un risultato.
Banking Nexus
Portate all'Alliance una questione di esposizione o di capitale.
Informazioni e richieste sono aperte oggi. Una richiesta riceve un riferimento e indica il passo successivo; candidature, pagamenti, assegnazioni di calcolo e registrazioni si aprono solo quando esistono il team, le condizioni e la capacità di revisione.
Note legali
Documenti legali.
Le mappe, i dati e le cifre di questo sito sono mostrati a titolo di contesto e di informazione generale. Non costituiscono consigli, previsioni né allerte; i limiti dell'informazione sono esposti nelle Dichiarazioni di esclusione di responsabilità e nelle Note sui dati.