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
공간 금융자본이 재해, 노출, 전환과 만나는 곳
은행업의 머신러닝
Artificial intelligence and machine learning now support credit underwriting, fraud and financial crime detection, 조기경보 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.
01목차
Machine learning in banking in five parts.
02신청서
인공지능과 머신러닝이 이곳에서 하는 일.
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 시스템. Its own failure modes must be weighed when automated outputs inform consequential decisions. The canonical description is on STEM 공유 자원.
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.
03모니터링
모형 학습.
팀이 이 방법을 따라가는 데 사용할 화면으로, 그 지표, 상태, 결정을 보여 줍니다. 이름은 예시이며 값은 설명용입니다.
모형 학습
Banking · Machine learning in banking · Run R-5640
한 단면에서의 드리프트GRA · Banking Nexus
단면별 평가
| 전체 | 0.89 | 0.05 | 5695 | 통과 |
| 지역 A | 0.85 | 0.06 | 1734 | 검토 |
| 지역 B | 0.68 | 0.09 | 636 | 검토 |
| 희소 범주 | 0.71 | 0.11 | 144 | 기준 미달 |
방법 카드
- 방법
- 인공지능과 머신러닝
- 분할
- 시간 기반, 누출 없음
- 특징
- 56
- 라벨
- 모델 추정
모집단 안정성
| 데이터 | 역할 | 라벨 |
|---|---|---|
| Credit application and performance data | Training and validation | 관측 |
| Transaction records | Monitoring and 조기경보 features | 관측 |
| Public filings and supervisory publications | Text corpora | 공표 통계 |
| Cash-flow and alternative data used under consent and law | Additional borrower features | 보고됨 |
05스트레스 테스트
자산에 대한 충격이 시스템 손실로 전환되는 과정입니다.
은행 간 전염 이후 시스템이 잃는 자기자본을, 최초 충격과 비교하여 레버리지, 상호 연계, 회수율이 변할 때마다 보여 줍니다. 거시건전성 스트레스 테스트의 핵심입니다. 예시 값을 명시한 교육 모델이며, 예측이 아닙니다.
통제 수단
- 대외 자산 감소
- 2.0%
- 레버리지(자산 대 자기자본)
- 10배
- 자산 중 은행 간 거래 비중
- 10%
- 은행 간 채권 회수
- 40%
- 시스템 내 은행
- 20
- 핵심 은행
- 은행의 20%
판독값
- 초기 충격으로 손실된 자기자본
- 18.0%
- 전염 이후 손실된 자기자본
- 45.0%
- 전염으로 추가된 손실(DebtRank)
- 27.0 포인트
- 부도 은행
- 0
수치, 방법과 출처
| 라운드 | 시스템 자기자본 손실(%) | 부도 은행 |
|---|---|---|
| 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 |
방법
- DebtRank Battiston and others (2012), Scientific Reports 2:541
- 차등 DebtRank Bardoscia and others (2015), PLOS ONE 10
- 금융 네트워크의 전염 Gai and Kapadia (2010), Proc. R. Soc. A 466
- 금융 네트워크의 청산 Eisenberg and Noe (2001), Management Science 47
- 불확실성 팬 차트(매개변수 몬테카를로) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
- 단일 요인 민감도(토네이도) Saltelli and others (2008), Global Sensitivity Analysis: The Primer, Wiley
데이터
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.
여섯 기둥 전반에 걸쳐, Nexus Consortium 주도
- 실험 연구소
- 내장됨 Foundry의 Banking Nexus
- 시험 장소 Universe의 Banking Nexus
- 성문화된 곳 Standards의 금융, 보험, 경제
- 게재처 Reports의 Banking Nexus
- 강의 과목 Academy의 금융·경제 학부
06검증
결과가 점검되는 방식.
모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.
| 점검 | 수행 방식 |
|---|---|
| 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 |
배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.
07노출, 손실 및 자본
What machine learning in banking means for exposure, loss and capital.
리스크 책임자, 감독 당국이나 재무부가 요구할 익스포저, 손실, 시나리오와 자본 보기와 이들이 보고의 기준으로 삼는 체계. 구조는 감독과 보험계리 실무를 따릅니다. 값은 예시이며 가격, 등급이나 조언이 결코 아닙니다.
시나리오 경로
How machine learning in banking could be stressed under the scenario families central banks and supervisors use.
| 시나리오 계열 | 전환 리스크 | 물리적 리스크 | 스트레스 테스트가 묻는 것 |
|---|---|---|---|
| 질서 있음 | 이른 시기의 점진적 정책 | 낮음 | 포트폴리오는 꾸준한 재가격 조정을 감당할 수 있습니까? |
| 무질서 | 늦고 급격한 정책 | 낮음에서 중간 | 갑작스러운 재가격 조정과 신용 등급 이동 시 무엇이 무너집니까? |
| 온실 지구 세계 | 제한적 정책 | 높고 상승 중 | 담보와 보험에서 물리적 손실은 어디에 집중됩니까? |
NGFS 기후 시나리오 · 녹색금융협의체IFRS S2 기후 관련 공시 · ISSBTCFD 권고안 · 금융안정위원회 TCFD기후 관련 금융 리스크의 효과적 관리 원칙 · 바젤은행감독위원회
10연결됨
이 페이지가 컨소시엄 전체에서 어디로 이어지는지.
11질문
질문과 답변.
이 분야에서 인공지능과 머신러닝의 한계는 무엇입니까?
배치 조건이 학습 데이터와 다르면 성능이 떨어집니다. 모형은 편향을 내재할 수 있으며 희귀 사건에서 명확한 경고 없이 실패할 수 있습니다.
결과는 어떻게 점검됩니까?
모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.
이 페이지의 값은 실제입니까?
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.
이 방법은 다른 어디에 적용됩니까?
사회를 움직이는 정본 방법 페이지 는 이를 적용하는 모든 플랫폼을 나열합니다.
보고서기여하기
이 페이지에서 증거를 기여하십시오.
보고서 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.
글로벌 리스크 얼라이언스(Global Risks Alliance)Banking Nexus금융 및 보험 준비도시나리오 및 스트레스 테스트
- 이메일게이트웨이 GW-GRA이 페이지에서 보내기증거, 정정, 사례, 방법, 검토, 번역 또는 프로필 입력 자료. 이 페이지의 태그가 붙어 도착하므로, 이를 담당하는 편집자가 받게 됩니다.
- Zenodo개방형 예치기탁하고 커뮤니티에 제출하기ORCID iD로 Zenodo에 직접 기록을 게시한 뒤, 그곳의 Reports 커뮤니티에 제출하십시오. 큐레이터가 검토하며, DOI는 귀하의 것으로 남습니다.
- 보고서글로벌 리스크 얼라이언스(Global Risks Alliance)모든 기여 방법 보기기여 유형, 각각의 검토 방식, 받게 되는 크레디트, 라이선스, 그리고 절대 받지 않는 것.
개인정보, 민감한 인프라 세부 정보, 공유할 권리가 없는 자료는 절대 보내지 마십시오. 기여물은 사용 전에 검토됩니다. 기여물을 보낸다고 해서 저작자 지위나 편집 권한이 부여되지 않으며, 후원으로 조사 결과를 얻을 수 없습니다.
Banking Nexus
익스포저나 자본에 관한 질문을 얼라이언스에 가져오십시오.
정보와 문의는 오늘부터 열려 있습니다. 문의에는 참조 번호가 부여되고 다음 단계가 안내됩니다. 신청, 결제, 컴퓨팅 할당, 등록은 해당 팀, 약관, 심사 역량이 갖추어졌을 때만 열립니다.
법률
법률 문서.
이 사이트의 지도, 데이터와 그림은 맥락과 일반 정보로 제시됩니다. 조언, 예보 또는 경보가 아니며, 정보의 한계는 면책 고지와 데이터 고지에 나와 있습니다.