Skip to content

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.

문의하기 Back to STEM foundation of Banking Nexus
01목차

Machine learning in banking in five parts.

프로토콜5단계
  1. 01신청서What artificial intelligence and machine learning does here
  2. 02데이터방법이 사용하는 입력
  3. 03검증결과가 점검되는 방식
  4. 04연결이 방법에 의존하는 주제
  5. 05스튜어드십방법을 유지하는 주체
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.

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.

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

전체0.890.055695통과
지역 A0.850.061734검토
지역 B0.680.09636검토
희소 범주0.710.11144기준 미달

방법 카드

방법
인공지능과 머신러닝
분할
시간 기반, 누출 없음
특징
56
라벨
모델 추정

모집단 안정성

Model training: the screen’s structure, terms and states for Banking.예시 이름과 예시 값으로, 실제 기록이나 운영 중인 시스템이 아닌 설계안입니다.
04데이터

방법이 사용하는 입력.

이 플랫폼에서 인공지능과 머신러닝이 사용하는 데이터셋과 기록으로, 각각의 역할과 그 값에 붙는 표시를 함께 보여 줍니다. 출처는 출처 등록부.

데이터역할라벨
Credit application and performance dataTraining and validation관측
Transaction recordsMonitoring and 조기경보 features관측
Public filings and supervisory publicationsText corpora공표 통계
Cash-flow and alternative data used under consent and lawAdditional borrower features보고됨
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
라운드시스템 자기자본 손실(%)부도 은행
018.000
128.800
235.280
339.170
441.500
542.900
643.740
744.240
844.550
944.730
1044.840
1144.900
1244.940
1344.960
1444.980
1544.990
1644.990
1745.000
1845.000
1945.000
2045.000
2145.000
2245.000
2345.000
2445.000
2545.000
2645.000
2745.000
2845.000
2945.000
3045.000

방법

  1. DebtRank Battiston and others (2012), Scientific Reports 2:541
  2. 차등 DebtRank Bardoscia and others (2015), PLOS ONE 10
  3. 금융 네트워크의 전염 Gai and Kapadia (2010), Proc. R. Soc. A 466
  4. 금융 네트워크의 청산 Eisenberg and Noe (2001), Management Science 47
  5. 불확실성 팬 차트(매개변수 몬테카를로) Spiegelhalter, Pearson and Short (2011), Visualising uncertainty about the future, Science 333
  6. 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.

자산에 대한 충격이 시스템 손실로 이어지는 과정. 예시용 교육 모델로, 실측 데이터가 아니라 컨트롤에서 설정한 값으로 작동합니다. 방법: DebtRank(Battiston 외(2012), Scientific Reports 2:541), Differential DebtRank(Bardoscia 외(2015), PLOS ONE 10), 금융 네트워크의 전염(Gai와 Kapadia(2010), Proc. R. Soc. A 466).

여섯 기둥 전반에 걸쳐, Nexus Consortium 주도

06검증

결과가 점검되는 방식.

모형은 공간, 시간, 집단 구조를 고려한 보류 데이터로 평가됩니다. 정확도와 함께 강건성, 보정, 공정성을 시험합니다.

점검수행 방식
Temporal hold-outModels are evaluated on periods later than the training data, never on random splits alone
Fairness testingOutcomes are compared across groups using several fairness definitions, and the trade-offs are reported
Explanation stabilityExplanations are checked for consistency across similar cases and over time
Drift monitoringInput 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.

질서 있음무질서온실 지구 세계202520302035204020452050높음낮음
시나리오 계열전환 리스크물리적 리스크스트레스 테스트가 묻는 것
질서 있음이른 시기의 점진적 정책낮음포트폴리오는 꾸준한 재가격 조정을 감당할 수 있습니까?
무질서늦고 급격한 정책낮음에서 중간갑작스러운 재가격 조정과 신용 등급 이동 시 무엇이 무너집니까?
온실 지구 세계제한적 정책높고 상승 중담보와 보험에서 물리적 손실은 어디에 집중됩니까?
NGFS가 정의한 시나리오 계열입니다. 곡선은 예시용 복합 압력 지수이며 NGFS 변수나 예측이 아닙니다.
NGFS 기후 시나리오 · 녹색금융협의체IFRS S2 기후 관련 공시 · ISSBTCFD 권고안 · 금융안정위원회 TCFD기후 관련 금융 리스크의 효과적 관리 원칙 · 바젤은행감독위원회
08연결

이 방법에 의존하는 주제.

09스튜어드십

방법을 유지하는 주체.

인공지능과 자율 시스템 은 컨소시엄을 위해 인공지능과 머신러닝을 관리하며, 플랫폼 전반에서의 적용 방식을 검토합니다.

정본 페이지: 인공지능과 머신러닝

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

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.

준비 태세 시범사업 제안 모든 연락 경로 보기
법률

이 사이트의 지도, 데이터와 그림은 맥락과 일반 정보로 제시됩니다. 조언, 예보 또는 경보가 아니며, 정보의 한계는 면책 고지와 데이터 고지에 나와 있습니다.