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
空間金融資本がハザード、エクスポージャー、移行と出会う場所
銀行業における機械学習
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, 早期警報 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.
01目次
Machine learning in banking in five parts.
02申請
人工知能と機械学習がここで果たす役割。
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 システム. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM コモンズ.
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.
03監視
モデルの学習。
この手法を追跡するためにチームが使う画面：その指標、状態、決定。名前は例であり、値はイメージです。
モデルの学習
Banking · Machine learning in banking · Run R-5640
1 つの切り口でのドリフトGRA · Banking Nexus
切り口別の評価
| すべて | 0.89 | 0.05 | 5695 | 合格 |
| 地域 A | 0.85 | 0.06 | 1734 | 審査 |
| 地域 B | 0.68 | 0.09 | 636 | 審査 |
| 希少クラス | 0.71 | 0.11 | 144 | 基準未満 |
手法カード
- 手法
- 人工知能と機械学習
- 分割
- 時間ベース、リークなし
- 特徴
- 56
- ラベル
- モデル推計
集団の安定性
| データ | 役割 | ラベル |
|---|---|---|
| Credit application and performance data | Training and validation | 観測 |
| Transaction records | Monitoring and 早期警報 features | 観測 |
| Public filings and supervisory publications | Text corpora | 公表統計 |
| Cash-flow and alternative data used under consent and law | Additional borrower features | 報告値 |
05ストレステスト
資産へのショックが、システム全体の損失になる仕組み。
銀行間の伝染後にシステムが失う自己資本を、最初の打撃との対比で、レバレッジ、相互連関、回収率の変化に応じて示します。マクロプルーデンスの ストレステストの中核です。例示の値を明示した教育モデルであり、予測ではありません。
管理策
- 対外資産の減少
- 2.0%
- レバレッジ（資産を自己資本で割った値）
- 10 倍
- 総資産に占める銀行間取引の割合
- 10%
- 銀行間債権の回収
- 40%
- システム内の銀行
- 20
- 中核的な銀行
- 銀行の 20%
読み取り値
- 当初のショックで失われた株式価値
- 18.0%
- 伝染後に失われた株式価値
- 45.0%
- 伝染による追加分（DebtRank）
- 27.0 ポイント
- デフォルトに陥った銀行
- 0
数値、手法、出典
| ラウンド | システム資本の喪失（%） | デフォルトに陥った銀行 |
|---|---|---|
| 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 |
手法
- DebtRank Battiston ほか（2012）、Scientific Reports 2:541
- 差分 DebtRank Bardoscia and others (2015), PLOS ONE 10
- 金融ネットワークにおける伝染 Gai and Kapadia (2010), Proc. R. Soc. A 466
- 金融ネットワークにおけるクリアリング Eisenberg and Noe（2001）、Management Science 47
- 不確実性のファンチャート（パラメータ・モンテカルロ） Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- 一因子ずつの感度分析（トルネード図） Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
データ
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.
6 本の柱を通じて、Nexus Consortium が主導
06検証
結果の確認方法。
モデルは、空間、時間、グループの構造を考慮した検証用データで評価されます。正確さとともに、頑健性、較正、公平性も検証されます。
| 確認 | 実施方法 |
|---|---|
| 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 |
導入時の条件が学習データと異なると、性能は低下します。モデルはバイアスを内包することがあり、希少な事象では明確な警告なしに失敗することがあります。
07エクスポージャー、損失、資本
What machine learning in banking means for exposure, loss and capital.
リスク責任者、監督当局、財務省が求めるエクスポージャー、損失、シナリオ、資本のビューと、それらが報告の根拠とする枠組み。構造は監督実務とアクチュアリー実務に従います。値は例示であり、価格、格付け、助言では決してありません。
シナリオ経路
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| シナリオ・ファミリー | 移行リスク | 物理的リスク | ストレステストが問うこと |
|---|---|---|---|
| 秩序ある | 早期の段階的な政策 | 低 | ポートフォリオは、着実な金利再設定を吸収できるか。 |
| 無秩序 | 遅く急激な政策 | 低から中 | 急な再評価と信用格付の移行で、何が破綻するか。 |
| ホットハウス・ワールド | 限定的な政策 | 高く、上昇中 | 物理的損失は、担保と保険のどこに集中するか。 |
NGFS 気候シナリオ · 気候変動リスク等に係る金融当局ネットワークIFRS S2 気候関連開示 · ISSBTCFD 提言 · 金融安定理事会 TCFD気候関連金融リスクの実効的な管理のための諸原則 · バーゼル銀行監督委員会
10接続済み
このページがコンソーシアム全体でどこへつながるか。
11質問
質問と回答。
この分野における人工知能と機械学習の限界は何ですか？
導入時の条件が学習データと異なると、性能は低下します。モデルはバイアスを内包することがあり、希少な事象では明確な警告なしに失敗することがあります。
結果はどのように確認されますか？
モデルは、空間、時間、グループの構造を考慮した検証用データで評価されます。正確さとともに、頑健性、較正、公平性も検証されます。
このページの値は実際のものですか？
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.
この手法は他にどこで適用されていますか？
社会を動かし続ける 正式な手法のページ には、それを適用するすべてのプラットフォームが掲載されています。
報告書貢献する
このページからエビデンスを提供する。
報告書 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.
グローバル・リスク・アライアンス（Global Risks Alliance）Banking Nexus金融・保険の準備度シナリオとストレステスト
- メールゲートウェイ GW-GRAこのページから送信するエビデンス、訂正、事例、手法、レビュー、翻訳、プロファイルへの入力。このページのタグが付いて届くため、担当の編集者が受け取ります。
- Zenodoオープンな寄託寄託してコミュニティに提出するORCID iD を使って Zenodo に自分の記録を公開し、そこから Reports コミュニティに提出してください。キュレーターが審査し、DOI は引き続きあなたのものです。
- 報告書グローバル・リスク・アライアンス（Global Risks Alliance）貢献のすべての方法を見る貢献の種類、それぞれの審査方法、受け取るクレジット、ライセンス、決して受け付けないもの。
個人データ、重要インフラの機微な詳細、共有する権利のないものは決して送らないでください。寄稿は利用前にレビューされます。送付によって著作者としての権利や編集上の権利が生じることはなく、スポンサーシップで調査結果を買うことは決してできません。
Banking Nexus
エクスポージャーまたは資本に関する問いをアライアンスに持ち込む。
情報提供と問い合わせは本日から受け付けています。問い合わせには参照番号が付き、次の手順が示されます。申請、支払い、計算資源の割り当て、登録は、担当チーム、規約、審査体制が整ってから開始します。
法務
法的文書。
このサイトの地図、データ、図表は、背景と一般的な情報として示すものです。助言、予報、警報ではありません。情報の限界は免責事項とデータに関する注意事項に記載しています。